De IT-manager is de spil van elke AI-automatisering binnen een organisatie. Hij of zij bewaakt de technische haalbaarheid, borgt de veiligheid van systemen en data, en zorgt dat AI-toepassingen aansluiten op bestaande architectuur en complianceverplichtingen. Dit geldt in het bijzonder voor bedrijven van 250 tot 1.000 medewerkers, waar de IT-manager tegelijk architect, risicobeheerder en bruggenbouwer naar de business is. De vragen hieronder gaan in op de concrete beslissingen, controlemechanismen en samenwerkingsvraagstukken waar je als IT-manager mee te maken krijgt.
Welke beslissingen liggen bij de IT-manager tijdens een AI-traject?
Tijdens een AI-automatiseringstraject ligt een breed palet aan technische en organisatorische beslissingen bij de IT-manager. Denk aan de keuze voor een architectuur die aansluit op bestaande systemen, de inrichting van data-toegang voor AI-agents, en de vaststelling van autonomieniveaus: wanneer beslist een mens, wanneer controleert een mens, en wanneer handelt een agent zelfstandig.
Die laatste categorie is minder vanzelfsprekend dan het lijkt. Een AI-agent is fundamenteel anders dan een klassieke workflow: hij leest data, neemt beslissingen en voert acties uit, vaak namens een gebruiker of een systeem. Dat vraagt om expliciete keuzes over welke acties de agent zelfstandig mag uitvoeren en bij welke drempelwaarden hij een mens inschakelt. Die keuzes zijn niet puur technisch, maar ook organisatorisch en juridisch van aard.
Concrete beslissingen die bij de IT-manager liggen:
- Welke databronnen zijn beschikbaar voor de agent, en zijn die schoon genoeg om op te vertrouwen?
- Hoe worden agents geauthenticeerd en geautoriseerd binnen bestaande identity-infrastructuur?
- Welke processen zijn gedocumenteerd genoeg om door een agent te worden uitgevoerd zonder impliciete mensenkennis te missen?
- Hoe worden escalatiepaden ingericht zodat duidelijk is wanneer menselijke tussenkomst verplicht is?
- Welke logging en monitoring is nodig om achteraf aantoonbaar te maken wat een agent heeft gedaan?
De IT-manager is daarmee niet alleen technisch uitvoerder, maar ook de bewaker van de randvoorwaarden waaronder AI-automatisering verantwoord kan plaatsvinden. Zonder die bewaking groeit het risico op wat in de praktijk steeds terugkomt: agents die werken op basis van verouderde of tegenstrijdige data, of die acties uitvoeren die niemand had voorzien.
Hoe behoudt een IT-manager controle over AI-systemen in productie?
Controle over AI-systemen in productie begint met observability: structureel zicht op wat een agent doet, welke data hij opvraagt en welke acties hij uitvoert. Aangevuld met systematische evaluatie van de kwaliteit van de output, geeft dit je als IT-manager de informatie om tijdig bij te sturen voordat kleine afwijkingen grote gevolgen krijgen.
In de praktijk betekent dit dat je drie lagen van controle inricht:
- Technische monitoring: logging van alle agent-acties, alerts bij afwijkend gedrag, en inzicht in welke databronnen worden aangesproken.
- Kwaliteitsevaluatie: periodieke steekproeven of geautomatiseerde checks die meten of de agent de juiste output produceert, niet alleen of hij technisch functioneert.
- Human-in-the-loop: heldere escalatiepaden per type beslissing, zodat bepaalde acties altijd menselijke goedkeuring vereisen, ongeacht hoe goed de agent presteert.
Een veelgemaakte fout is dat monitoring pas wordt ingericht nadat een incident heeft plaatsgevonden. De volgorde moet andersom zijn: observability is een harde voorwaarde voordat een agent in productie gaat, niet een nice-to-have die later wordt toegevoegd. Zonder zicht op het gedrag van een agent in productie verlies je de regie, en dat is precies het scenario dat je als IT-manager wilt voorkomen.
Daarnaast is het verstandig om agents te behandelen als een nieuwe identiteitsklasse binnen je bestaande security-architectuur. Net als menselijke gebruikers hebben agents authenticatie en autorisatie nodig, met bijbehorende audit trails. Dit maakt het mogelijk om bij een incident te reconstrueren welke agent, met welke rechten, welke actie heeft uitgevoerd.
Wat is het verschil tussen AI-automatisering en traditionele procesautomatisering?
Het fundamentele verschil is dat traditionele procesautomatisering werkt op basis van vaste regels en voorspelbare inputs, terwijl AI-automatisering beslissingen neemt op basis van data-interpretatie en contextueel redeneren. Een klassieke RPA-robot voert stap voor stap een vastgelegd proces uit. Een AI-agent beoordeelt een situatie, kiest een aanpak en voert acties uit die niet van tevoren volledig zijn vastgelegd.
Dit onderscheid heeft directe gevolgen voor hoe je als IT-manager een traject inricht:
- Bij traditionele automatisering is het proces de bottleneck: als het proces niet klopt, doet de automatisering het ook niet.
- Bij AI-automatisering is data de bottleneck: als de data niet klopt, neemt de agent verkeerde beslissingen, ook als het proces goed is gedocumenteerd.
Dat maakt datakwaliteit en datagovernance bij AI-automatisering veel zwaarder wegen dan bij klassieke procesautomatisering. Een agent die werkt op basis van verouderde klantdata of tegenstrijdige definities van een begrip als “actieve klant” produceert output die technisch foutloos is, maar inhoudelijk niet klopt. Dit soort fouten is moeilijker te detecteren dan een falende procesregel, juist omdat de agent zelfverzekerd opereert.
Een tweede relevant verschil zit in de onderhoudbaarheid. Traditionele automatisering verandert wanneer het proces verandert. AI-automatisering verandert ook wanneer de onderliggende data verandert, wanneer het model wordt bijgewerkt, of wanneer de context verschuift. Dat vraagt om een structureel ander beheermodel, met meer nadruk op doorlopende evaluatie en monitoring dan op eenmalige implementatie.
Hoe werkt de samenwerking tussen de IT-manager en business stakeholders bij AI?
Bij AI-automatisering werkt de samenwerking tussen IT en business het best wanneer de waardehypothese aan het begin gezamenlijk wordt geformuleerd: welk probleem los je op, voor wie, en hoe ziet succes eruit? Zonder die gedeelde basis werkt IT aan technische haalbaarheid terwijl de business een andere verwachting heeft van wat de agent gaat doen.
In de praktijk loopt dit scheef wanneer business stakeholders een AI-agent zien als een snelle oplossing voor een probleem dat ze al lang hebben, terwijl de IT-manager weet dat de onderliggende data of het proces nog niet rijp is voor automatisering. Dat spanningsveld is productief als het vroeg wordt benoemd, en destructief als het pas zichtbaar wordt tijdens of na de implementatie.
Concrete afspraken die de samenwerking structureren:
- De business formuleert het probleem en de succescriteria; IT toetst de technische haalbaarheid en de kwaliteit van de benodigde data.
- IT bepaalt de escalatiepaden en de autonomieniveaus van de agent; de business bepaalt welke beslissingen altijd menselijke goedkeuring vereisen vanuit inhoudelijk perspectief.
- Beiden zijn verantwoordelijk voor AI-literacy binnen hun eigen domein: medewerkers moeten begrijpen wat de agent wel en niet kan, zodat ze hun werk kunnen aanpassen aan wat de agent overneemt.
De IT-manager heeft hier een actieve rol in het bewaken van realistische verwachtingen. Dat is soms oncomfortabel, maar het voorkomt dat een agent in productie gaat op een fundament dat niet stevig genoeg is. Een agent die faalt omdat de data niet op orde was, beschadigt niet alleen het vertrouwen in die specifieke toepassing, maar ook in AI-automatisering in het algemeen binnen de organisatie.
Wanneer heeft een IT-manager externe AI-expertise nodig?
Een IT-manager heeft externe AI-expertise nodig wanneer het vraagstuk meerdere vakgebieden tegelijk raakt die intern niet allemaal op het vereiste niveau aanwezig zijn. Denk aan de combinatie van datakwaliteit, security-architectuur voor agents, observability en change management. Geen enkele IT-afdeling heeft al die specialismen in huis, en het is ook niet realistisch om dat te verwachten.
De vraag is niet of je externe expertise nodig hebt, maar wanneer je die inzet en voor welk onderdeel. Een aantal situaties waarbij externe ondersteuning concreet waarde toevoegt:
- Je weet niet goed waar de zwakste schakel zit in je fundament voor AI-automatisering, en je wilt dat objectief in kaart laten brengen voordat je investeert.
- Je hebt intern geen specialist op het gebied van agent-security of identity-beheer voor niet-menselijke identiteiten.
- Je wilt een eerste agent bouwen, maar twijfelt of je datakwaliteit en procesvolwassenheid voldoende zijn om dat verantwoord te doen.
- De organisatie heeft moeite met adoptie en change readiness, en dat vraagt om een aanpak die buiten de technische scope van IT valt.
Het risico van te lang wachten met externe expertise is dat je intern een richting inslaat die later moeilijk te corrigeren is. Tegelijkertijd is het niet zinvol om een grote consultancyoperatie op te starten voordat je weet welke fundamenten aandacht nodig hebben. Een gestructureerde quickscan die de volwassenheid van je organisatie op de relevante fundamenten in kaart brengt via het AI Foundationsmodel voor verantwoorde automatisering, is dan een nuttig startpunt: klein beginnen, snel leren, en op het juiste moment doorpakken.
Hoe wij helpen bij AI-automatisering
Als IT-manager weet je wat er op het spel staat bij AI-automatisering. Je wilt niet dat een agent in productie gaat op een fundament dat niet stevig genoeg is. Maar je wilt ook niet dat een tweejarige fundamentenoperatie de eerste stap wordt. Wij herkennen dat dilemma.
Via onze AIConnected aanpak verbinden we je met de specialisten die je nodig hebt, per onderdeel van het vraagstuk. Geen generalist die overal iets van weet, maar vakspecialisten die de beste zijn in hun specifieke domein: data-engineering, agent-security, observability, change management. Wij nemen de regie en zorgen dat die specialismen op elkaar aansluiten.
Concreet bieden we:
- Een Foundation Scan: drie gerichte gesprekken van circa 45 minuten die de volwassenheid van je organisatie in kaart brengen op de negen fundamenten die tellen voor verantwoorde AI-automatisering. De totale tijdsinvestering voor jouw organisatie is twee tot drie uur, verspreid over drie mensen.
- Een waardehypothese-workshop voor de eerste agent: welk probleem los je op, voor wie, en hoe ziet succes eruit?
- Een programmamanager die de verbinding legt tussen alle betrokken specialismen en de afhankelijkheden bewaakt via de Connect & Build aanpak voor AI-trajecten, zodat het traject als een samenhangend geheel verloopt in plaats van als losse projecten.
Wil je weten waar je organisatie nu staat en wat de logische eerste stap is? Neem contact op voor een vrijblijvend gesprek.