De eigenaar van AI-automatisering is idealiter niet één afdeling, maar een gedeelde verantwoordelijkheid met één aanspreekpunt. In de praktijk betekent dat: de business bepaalt wat er geautomatiseerd wordt en waarom, IT bewaakt hoe dat verantwoord gebeurt. Zonder die tweedeling blijft eigenaarschap zweven. Dit artikel werkt uit waarom dat zo lastig is, wat de risico’s zijn als je het niet regelt, en welke stappen je zet om het concreet te beleggen.
Waarom is eigenaarschap van AI-automatisering zo lastig te beleggen?
AI-automatisering is lastig te beleggen omdat het geen zuiver technisch vraagstuk is en geen zuiver businessvraagstuk. Het raakt tegelijk aan data, processen, security, compliance en organisatieverandering. Geen enkele bestaande afdeling heeft van nature grip op al die dimensies tegelijk, waardoor eigenaarschap al snel tussen afdelingen in blijft hangen.
IT kijkt naar infrastructuur en beveiliging. De business kijkt naar het proces dat geautomatiseerd moet worden. Finance kijkt naar kosten en risico’s. Compliance kijkt naar wet- en regelgeving. Allemaal legitieme perspectieven, maar als niemand de regie heeft over het geheel, dan sturen al die perspectieven tegelijk aan het stuur. Het resultaat: trage besluitvorming, onduidelijke prioriteiten en pilots die nooit productie halen.
Daar komt bij dat AI-agents een fundamenteel andere categorie zijn dan de software die je al beheert. Een agent leest data, neemt beslissingen en voert acties uit, vaak zonder dat een medewerker elke stap goedkeurt. Dat verandert de eisen aan je datastructuur, je procesdocumentatie, je toegangsbeheer en je toezichtmechanismen. Bestaande eigenaarschapsmodellen zijn daar simpelweg niet op gebouwd.
Wat zijn de risico’s als AI-eigenaarschap niet duidelijk is belegd?
Als AI-eigenaarschap niet duidelijk is belegd, vergroot je de kans op drie concrete problemen: agents die werken met onjuiste of tegenstrijdige data, beveiligingsincidenten doordat niemand toegangsrechten beheert, en verlies van gebruikersvertrouwen zodra de eerste fouten zichtbaar worden. Het patroon escaleert altijd in dezelfde volgorde.
Eerst verschijnen de hallucinaties: een agent geeft antwoorden op basis van data die niet klopt of definities die per afdeling anders zijn. Dan volgen de data-incidenten: een agent heeft toegang tot informatie die hij niet zou mogen zien, omdat niemand identity en autorisatie heeft geregeld voor deze nieuwe klasse van gebruikers. Daarna knapt het vertrouwen bij de mensen die ermee werken. En uiteindelijk stopt de organisatie met het gebruik van agents, terwijl de investering al gemaakt is.
De oorzaak is bijna altijd hetzelfde: de “saaie” fundamenten zijn overgeslagen omdat het podium naar het zichtbare resultaat ging. Wie is verantwoordelijk voor datakwaliteit als de agent fouten maakt? Wie heeft de audit trail ingericht die de EU AI Act vereist? Wie besluit of een agent een actie mag uitvoeren zonder menselijke goedkeuring? Als die vragen geen eigenaar hebben, zijn ze ook niet beantwoord. Meer over welke fundamenten hierbij een rol spelen, lees je in het AI Foundationsmodel voor verantwoorde automatisering.
Welke afdeling heeft de meeste grip op AI-risico’s en -kwaliteit?
Geen enkele afdeling heeft van nature de meeste grip op alle AI-risico’s tegelijk. IT heeft de sterkste positie als het gaat om technische risico’s zoals security, toegangsbeheer en observability. De business heeft de meeste grip op kwaliteitsrisico’s: of de agent het juiste doet, in het juiste proces, met de juiste uitkomst. Beide zijn nodig.
Wat IT goed kan bewaken: of agents als aparte identiteitsklasse worden behandeld in je autorisatiemodel, of er logging is van wat een agent doet in productie, en of de onderliggende data schoon en gevalideerd zijn. Dat zijn technische randvoorwaarden die je niet aan de business kunt overlaten.
Wat de business goed kan bewaken: of de agent het juiste probleem oplost, of de output overeenkomt met wat een ervaren medewerker zou doen, en of het proces dat de agent uitvoert goed genoeg gedocumenteerd is om automatisering überhaupt te rechtvaardigen. Dat zijn inhoudelijke oordelen die IT niet kan maken.
De praktische conclusie: IT is de bewaker van de randvoorwaarden, de business is de bewaker van de waarde. Beide rollen moeten actief zijn. Als IT alleen de techniek levert en de business alleen de wens formuleert, valt het midden weg: niemand bewaakt of de agent in productie nog doet wat hij zou moeten doen.
Hoe verdeel je AI-verantwoordelijkheid tussen IT en de business?
Je verdeelt AI-verantwoordelijkheid tussen IT en de business door per fundament te bepalen wie eigenaar is en wie toetst. IT is eigenaar van de technische laag: datakwaliteit, toegangsbeheer, security en observability. De business is eigenaar van de inhoudelijke laag: procesvolwassenheid, de waardehypothese en het oordeel over de kwaliteit van de output. Compliance en governance zijn gedeeld eigenaarschap.
Een werkbare verdeling ziet er in de praktijk zo uit:
- IT is eigenaar van datakwaliteit en datacontracten, identity en security, en de observability van agents in productie
- De business is eigenaar van de procesdefinitie, de waardehypothese (welk probleem los je op, voor wie, en hoe ziet succes eruit) en het oordeel of de agent de juiste beslissingen neemt
- Compliance, audit trails en documentatie zijn gedeeld: IT richt de technische infrastructuur in, de business levert de inhoudelijke context
- De semantische laag (wat betekent “klant”, “omzet”, “actief” in jullie organisatie) is een gezamenlijke verantwoordelijkheid die niemand alleen kan invullen
Het grootste struikelblok in deze verdeling is de semantische laag. Als IT en de business een ander begrip hebben van dezelfde term, werkt een agent met tegenstrijdige definities. Dat is geen technisch probleem en geen businessprobleem: het is een organisatieprobleem dat alleen in gezamenlijk overleg oplosbaar is.
Wanneer is een apart AI-team of AI-stuurgroep zinvol?
Een apart AI-team of AI-stuurgroep is zinvol zodra AI-automatisering meerdere afdelingen tegelijk raakt, de afhankelijkheden tussen fundamenten niet meer door één eigenaar te overzien zijn, of wanneer de snelheid van uitrol vraagt om gecoördineerde besluitvorming. Voor de meeste organisaties van 250 tot 1.000 medewerkers is dat het moment waarop de tweede of derde agent in productie gaat.
Een stuurgroep is geen extra laag bureaucratie. Het is een coördinatiemechanisme dat voorkomt dat IT, de business en compliance elk hun eigen richting opgaan. De minimale samenstelling die werkt: een vertegenwoordiger van IT, een business owner van de betreffende processen, en iemand met mandaat vanuit de directie. Zonder directiemandaat heeft de stuurgroep geen doorzettingsvermogen bij conflicterende prioriteiten.
Een volledig apart AI-team is pas zinvol als de organisatie structureel meerdere agents parallel ontwikkelt en beheert. Voor de meeste MKB+ organisaties is dat voorbarig in een vroeg stadium. Begin met een stuurgroep die de regie houdt over de fundamenten, en bouw het team op naarmate de portfolio van agents groeit. Het principe is hetzelfde als bij de gestructureerde aanpak van AI-transformatie via Connect & Build: denk groot, begin klein, leer snel.
Wat zijn de eerste stappen om AI-eigenaarschap concreet te maken?
De eerste stap om AI-eigenaarschap concreet te maken is het beantwoorden van drie vragen voor elke beoogde AI-toepassing: welk probleem los je op, voor wie, en hoe ziet succes eruit. Dat is de waardehypothese. Zonder die basis is eigenaarschap een organisatiestructuur zonder inhoud.
Daarna maak je per fundament inzichtelijk wie nu de facto eigenaar is en wie dat zou moeten zijn. Niet in een uitgebreide RACI die maanden kost, maar in een gerichte quickscan die de volwassenheid van jouw organisatie in kaart brengt op de dimensies die voor AI-agents relevant zijn: datakwaliteit, toegangsbeheer, procesvolwassenheid, observability en de strategische intentie achter de toepassing.
Concrete eerste stappen:
- Formuleer de waardehypothese voor de eerste agent die je wilt inzetten: probleem, doelgroep, succescriterium
- Breng in kaart wie nu verantwoordelijk is voor de data die die agent nodig heeft, en of die data schoon en gedefinieerd genoeg zijn
- Bepaal of het proces dat de agent uitvoert gedocumenteerd is, of dat het afhankelijk is van impliciete kennis bij individuele medewerkers
- Regel wie toezicht houdt op wat de agent in productie doet, en hoe je ingrijpt als de output niet klopt
- Beleg eigenaarschap bij naam: niet “IT” of “de business”, maar een persoon met een functietitel en mandaat
Begin met één agent met beperkte impact en bouw de fundamenten op die nodig zijn om die agent verantwoord te laten draaien. Met elke volgende agent groeit de fundamentenlaag mee. Een tweejarig fundament-programma voordat de eerste agent live gaat, werkt niet. Parallelle groei wel.
Hoe wij helpen met AI-eigenaarschap en AI-automatisering
Eigenaarschap beleggen klinkt als een intern organisatievraagstuk, maar in de praktijk ontbreekt het aan de inhoudelijke basis om de juiste vragen te stellen. Wij helpen MKB+ en midcap organisaties om dat fundament snel en gestructureerd in kaart te brengen, zonder dat je daar maanden voor hoeft uit te trekken.
Concreet doen we dat via:
- Een Foundation Scan: drie gerichte gesprekken van 45 minuten met de juiste mensen in jouw organisatie, waarna je een score hebt op alle negen fundamenten die bepalen of AI-automatisering verantwoord kan draaien
- Een waardehypothese-workshop: samen de eerste agent definiëren op basis van het probleem, de doelgroep en het succescriterium, zodat eigenaarschap direct aan een concreet vraagstuk hangt
- Programmaregie via ons AIConnected netwerk: per fundament koppelen we de specialist die er het sterkst in is, zonder dat jij bij vijf leveranciers hoeft te shoppen of zelf het integratierisico draagt
Je houdt de regie. Wij zorgen dat de juiste mensen op de juiste plek zitten en dat de afhankelijkheden tussen fundamenten worden gerespecteerd. Wil je weten waar jouw organisatie nu staat? Neem contact op voor een vrijblijvend gesprek over de Foundation Scan.