Je IT-team betrekken bij AI-automatisering doe je door hen vroeg in het traject een inhoudelijke rol te geven, niet alleen een technische uitvoeringsrol. Dat vraagt om heldere afspraken, een gedeeld begrip van wat AI-agents van de bestaande infrastructuur vragen, en een aanpak waarbij IT meedenkt over risico’s en randvoorwaarden in plaats van achteraf te worden geconfronteerd met keuzes die al gemaakt zijn. De vragen hieronder gaan in op de meest voorkomende knelpunten: van weerstand tot toolkeuze, en van rolverdeling tot het moment waarop externe expertise zinvol is.
Waarom verzet het IT-team zich vaak tegen AI-automatisering?
IT-teams verzetten zich niet zozeer tegen AI als technologie, maar tegen de manier waarop AI-projecten worden binnengebracht. Wanneer een directie of businessunit een AI-tool aanschaft zonder overleg, wordt het IT-team geconfronteerd met integratieverplichtingen, beveiligingsrisico’s en compliancevragen die niemand heeft voorzien. Dat wekt terecht weerstand.
De kern van het probleem is dat AI-automatisering zelden een losstaand project is. Een AI-agent die data leest, beslissingen neemt en acties uitvoert, raakt direct aan bestaande systemen, datastructuren en toegangsrechten. IT ziet die afhankelijkheden meteen, terwijl de business vaak alleen het eindresultaat voor ogen heeft. Dat verschil in perspectief leidt tot spanning.
Daarnaast speelt het tempo een rol. Business stakeholders willen snel resultaat. IT-teams weten dat haast leidt tot technische schuld, beveiligingsgaten en systemen die later moeilijk te onderhouden zijn. Wanneer dat signaal niet serieus wordt genomen, trekt IT zich terug in een bewakersrol in plaats van een bouwersrol. En dat is precies de situatie die je wilt voorkomen.
Welke rol speelt het IT-team bij een verantwoorde AI-implementatie?
Bij een verantwoorde AI-implementatie is het IT-team de bewaker van de fundamenten waarop AI-agents draaien. Dat gaat verder dan servers en koppelingen. IT beoordeelt of de datakwaliteit voldoende is, of toegangsrechten goed zijn ingericht, of audit trails aantoonbaar zijn, en of de bestaande infrastructuur de belasting van een nieuwe agent aankan.
Concreet betekent dit dat IT verantwoordelijkheid draagt voor drie gebieden die direct bepalen of een AI-agent betrouwbaar functioneert:
- Datakwaliteit en datagovernance: een agent die werkt met vervuilde of tegenstrijdige data, produceert onbetrouwbare uitkomsten. IT bewaakt de kwaliteit van de brondata en de afspraken over wie welke data mag raadplegen of wijzigen.
- Identity en security: AI-agents zijn een nieuwe identiteitsklasse in je systemen. Ze hebben authenticatie en autorisatie nodig, net als menselijke gebruikers. IT richt dat in en houdt toezicht.
- Observability: IT zorgt dat je kunt zien wat een agent in productie doet, welke data hij opvraagt en welke acties hij uitvoert. Zonder dat zicht verlies je de regie zodra een agent live gaat.
Naast deze technische verantwoordelijkheden heeft IT een signalerende rol. Zij zien als eerste wanneer een agentproject te snel gaat, wanneer fundamenten ontbreken, of wanneer complianceverplichtingen zoals de AVG of de EU AI Act en het AI Foundationsmodel onvoldoende zijn meegenomen. Die signalen verdienen een plek in het besluitvormingsproces, niet in een ticketsysteem dat niemand leest.
Hoe betrek je IT vroeg genoeg zonder het proces te vertragen?
Je betrekt IT vroeg door hen onderdeel te maken van de waardehypothese, niet pas van de technische uitvoering. De waardehypothese is de vraag die elk AI-traject zou moeten openen: welk probleem los je op, voor wie, en hoe ziet succes eruit? Wanneer IT die vraag mee beantwoordt, begrijpen zij waarom een traject wordt gestart en kunnen zij direct de relevante risico’s en randvoorwaarden benoemen.
Vroeg betrekken betekent niet dat IT elk besluit blokkeert of dat elk gesprek weken duurt. Het gaat om een gerichte uitvraag op het juiste moment. Stel IT bij de start van een traject drie concrete vragen:
- Welke bestaande systemen en datastromen raakt deze agent, en wat is de huidige staat van die fundamenten?
- Welke beveiligings- en compliancevereisten gelden er voor dit specifieke gebruik, en zijn die nu al aantoonbaar geborgd?
- Wat is de minimale technische voorbereiding die nodig is om deze agent verantwoord in productie te laten draaien?
Die drie vragen leveren in de meeste gevallen een helder beeld op van wat er wel en niet klaar is. Dat beeld vertraagt het proces niet, het voorkomt dat je halverwege terugkomt op beslissingen die je eerder had moeten nemen. Een traject dat twee weken later start met goede fundamenten, loopt sneller dan een traject dat direct begint maar na drie maanden vastloopt op een data-incident of beveiligingsgat.
Wat zijn de grootste valkuilen bij het meenemen van IT in AI-trajecten?
De grootste valkuil is IT betrekken als uitvoerder in plaats van als gesprekspartner. Wanneer de architectuur en toolkeuze al vaststaan voordat IT aan tafel zit, is hun inbreng beperkt tot het implementeren van wat anderen hebben bedacht. Dat werkt niet, omdat IT dan eigenaarschap mist en geen verantwoordelijkheid kan nemen voor de kwaliteit van het resultaat.
Andere valkuilen die in de praktijk regelmatig opduiken:
- Fundamenten overslaan omdat ze saai lijken: organisaties willen snel een werkende agent, en schuiven datakwaliteit, governance en procesvolwassenheid voor zich uit. De consequentie is een agent die hallucinaties produceert of beslissingen neemt op basis van tegenstrijdige data. Dat ondermijnt het vertrouwen van gebruikers, soms blijvend.
- IT alleen aanspreken op risico’s: wanneer IT alleen wordt gevraagd om problemen te benoemen, worden zij de rem op innovatie. Vraag hen ook mee te denken over hoe een traject wél verantwoord kan worden ingericht. Dat verandert de dynamiek.
- Compliance als bijzaak behandelen: de AVG en de EU AI Act stellen concrete eisen aan documentatie, audit trails en aantoonbare zorgvuldigheid. IT kan die eisen technisch vertalen, maar alleen als zij er vroeg genoeg bij zijn. Raadpleeg voor de juridische interpretatie altijd je eigen adviseur.
- Geen duidelijk escalatiepad afspreken: wie beslist wanneer een agent een fout maakt? Wanneer grijpt een mens in, en wanneer mag de agent zelfstandig doorpakken? Zonder heldere antwoorden op die vragen ontstaan incidenten die vermijdbaar waren.
Welke afspraken moet je vooraf maken met je IT-team over AI-tooling?
Vooraf maak je afspraken over vier gebieden: toegang, kwaliteit, toezicht en escalatie. Zonder die afspraken werkt elk team vanuit eigen aannames, en komen de conflicten pas naar boven als een agent al in productie draait.
Concreet betekent dit:
- Toegang: leg vast welke systemen en datasets de agent mag raadplegen, wie die toegang verleent, en hoe dat wordt vastgelegd in een audit trail. Behandel de agent als een nieuwe gebruiker met eigen credentials, niet als een anonieme achtergrondtaak.
- Datakwaliteit: spreek af wie verantwoordelijk is voor de kwaliteit van de brondata die de agent gebruikt, en wat de minimale kwaliteitsstandaard is voordat een agent live mag gaan. Stel ook vast hoe je omgaat met dataproblemen die na livegang opduiken.
- Toezicht en observability: bepaal hoe je monitort wat de agent doet. Welke acties worden gelogd, wie bekijkt die logs, en hoe vaak? Een agent zonder observability is een agent zonder regie.
- Escalatieniveaus: definieer per type beslissing of actie wie de eindverantwoordelijkheid draagt. Wanneer beslist de agent zelfstandig, wanneer controleert een mens, en wanneer moet een mens expliciet goedkeuren voordat de agent verder gaat?
Deze afspraken hoeven niet uitputtend te zijn bij de start van een traject. Begin met de afspraken die nodig zijn voor de specifieke agent die je als eerste in productie brengt, en bouw van daaruit verder. Dat is ook de reden waarom klein beginnen met een afgebakend gebruik zinvoller is dan een breed AI-programma dat alles tegelijk wil regelen.
Wanneer is externe AI-expertise een aanvulling op je eigen IT-team?
Externe AI-expertise is een zinvolle aanvulling wanneer het vraagstuk meerdere vakgebieden tegelijk raakt en je eigen IT-team sterk is in een of twee daarvan, maar niet in alle. AI-automatisering vraagt om kennis van data-engineering, security, procesvolwassenheid, agent-observability en change management tegelijk. Weinig interne teams hebben al die expertise in huis.
Dat is geen zwakte van je IT-team, het is een realistische observatie over een vakgebied dat snel beweegt en breed is. De vraag is niet of je externe expertise nodig hebt, maar op welke onderdelen en hoe je die inzet zonder de regie over je eigen systemen en processen kwijt te raken.
Externe expertise voegt het meeste toe op de plekken waar de combinatie van diepgang en onafhankelijkheid telt. Een externe specialist in datakwaliteit ziet patronen die intern zijn genormaliseerd. Een security-expert met ervaring in AI-agents herkent risico’s die bij traditionele IT-security niet op de radar staan. Een change-specialist helpt medewerkers begrijpen wat agents wel en niet kunnen, en hoe zij hun werk mogen aanpassen aan wat agents overnemen.
De randvoorwaarde is dat externe expertise aansluit op wat je intern hebt, niet vervangt. Je IT-team blijft eigenaar van de systemen, de data en de architectuurbeslissingen. Externe specialisten brengen gerichte kennis in voor de onderdelen waar dat nodig is, en dragen die kennis actief over zodat je organisatie er zelf mee verder kan.
Hoe we helpen bij AI-automatisering
Bij complexe AI-vraagstukken lopen IT-teams en directies regelmatig vast omdat het vraagstuk meerdere vakgebieden tegelijk raakt: data, security, processen, adoptie en compliance. We brengen per onderdeel de specialist in die er het sterkst in is, en verbinden die specialisten via één plan en één aanspreekpunt. Zo haal je een team topspecialisten binnen dat je intern nooit tegelijk bij elkaar zou krijgen, zonder dat je zelf het integratierisico draagt.
Concreet bieden we:
- Een Foundation Scan: drie gerichte gesprekken van elk 45 minuten waarmee we de volwassenheid van je organisatie op alle negen AI-fundamenten in kaart brengen. Output is een heldere rapportage per fundament, met een score op een driepuntsschaal en een concreet startpunt voor je AI-traject.
- Een waardehypothese-workshop: samen definiëren we welk probleem je als eerste wilt oplossen, voor wie, en hoe succes eruitziet. Dat is het vertrekpunt voor elke agent die je daarna bouwt via de Connect & Build aanpak voor AI-trajecten.
- Begeleiding via de AIConnected aanpak: van eerste prototype tot verantwoorde productie, met kennisoverdracht aan je eigen IT-team als expliciet onderdeel van het traject.
Wil je weten hoe sterk je fundamenten zijn voordat je de volgende stap zet? Neem contact op voor een vrijblijvend gesprek over de Foundation Scan.