10 juni 2026

AI-geletterdheid: waarom tooling zonder begrip een risico is

Een organisatie koopt tweehonderd licenties voor een AI-assistent. Er komt een kick-off met broodjes, een korte demo, en daarna gaat iedereen aan de slag. Zes maanden later blijkt uit de cijfers dat een derde van de mensen de tool nooit opent. Een ander deel gebruikt hem dagelijks, maar plakt antwoorden ongecontroleerd in klantmails. En een jurist heeft een advies de deur uit gedaan met een verwijzing naar een uitspraak die niet bestaat.

Niemand deed iets verkeerd volgens de regels, want er waren geen regels. Er was alleen tooling.

Dit patroon zie ik steeds vaker. Organisaties hebben de aanschaf geregeld, de inkoop, soms zelfs de verwerkersovereenkomst. Maar de vraag of mensen begrijpen wat er in dat tekstvak eigenlijk gebeurt, is overgeslagen. En dat is precies de vraag waar veiligheid en effectiviteit samenkomen.

Waarom dit nu speelt

Twee dingen komen op dit moment samen.

Het eerste is praktisch: AI zit inmiddels overal. Niet alleen in de chatbot die je bewust opent, maar ook in je mailprogramma, je vergadertool, je zoekbalk. De keuze om wel of geen AI te gebruiken is voor veel medewerkers allang gemaakt, door hun software-leverancier. Wie niet weet hoe die systemen werken, gebruikt ze toch.

Het tweede is regelgeving. De Europese AI Act bevat een artikel, artikel 4, dat van aanbieders en gebruiksverantwoordelijken van AI-systemen vraagt dat ze zorgen voor een passend niveau van AI-geletterdheid bij hun personeel, afgestemd op kennis, rol en context. Die bepaling is sinds februari 2025 van toepassing. Dit is geen juridisch advies, en wat "passend" precies betekent zal in de praktijk verder vorm krijgen. Maar de richting is helder: wie AI inzet in een organisatie, wordt geacht ervoor te zorgen dat de mensen die ermee werken snappen wat ze doen. Dat is geen gekke eis. Het is dezelfde logica als bij een heftruck: het apparaat kopen is niet genoeg, je wilt dat de bestuurder weet wat hij doet.

Maar ik zou AI-geletterdheid niet primair als compliance-vraag benaderen. De betere reden is simpeler: een organisatie waar mensen begrijpen wat AI wel en niet kan, maakt minder fouten en haalt er meer uit. De wet volgt hier het gezonde verstand, niet andersom.

Wat AI-geletterdheid niet is

Eerst de misvatting uit de weg. AI-geletterdheid betekent niet dat iedereen moet kunnen programmeren, of moet weten wat een transformer-architectuur is. Het betekent ook niet dat iedereen een prompt-goeroe moet worden die de perfecte instructie formuleert.

Het betekent wel dat mensen een werkend mentaal model hebben van wat er gebeurt als ze iets in een AI-systeem typen. Vergelijk het met autorijden: je hoeft geen monteur te zijn, maar je moet wel weten dat een auto niet vanzelf remt, dat de remweg langer is op nat wegdek, en dat het dashboard waarschuwt als er iets mis is.

Voor AI komt dat neer op een handvol inzichten die iedereen in een organisatie zou moeten hebben.

Ten eerste: een taalmodel zoekt niets op. Het voorspelt welk woord waarschijnlijk volgt op de vorige woorden, getraind op enorme hoeveelheden tekst. Daarom klinkt een antwoord altijd zelfverzekerd, ook als het fout is. Het model heeft geen knop voor "weet ik niet". Het produceert plausibele tekst, en plausibel is iets anders dan waar. Wie dit ene inzicht heeft, controleert vanzelf de uitspraak die de jurist uit mijn opening niet controleerde.

Ten tweede: alles wat je intypt, gaat ergens heen. Een prompt is geen gedachte die verdampt, het is data die naar een server gaat, daar wordt verwerkt, vaak wordt gelogd en soms wordt bewaard. Waar die server staat, onder welke voorwaarden, en of jouw organisatie daar afspraken over heeft, dat bepaalt of het verstandig is om er een klantdossier in te plakken. De gebruiker ziet alleen het antwoord. De organisatie moet de hele dataflow begrijpen.

Ten derde: AI is goed in sommige dingen en slecht in andere, en de grens ligt niet waar je hem verwacht. Samenvatten, herschrijven, structureren, brainstormen: sterk. Rekenen, exacte citaten, actuele feiten, redeneren over zeldzame gevallen: onbetrouwbaar zonder extra hulpmiddelen. Wie weet dat een model met een gekoppelde kennisbank (RAG) wel bronnen kan aanwijzen en een kaal model niet, stelt bij de inkoop ineens veel betere vragen.

Ten vierde: de verantwoordelijkheid verschuift niet. Wie een AI-gegenereerde tekst verstuurt, is de afzender. "Het model zei het" is geen verweer, niet juridisch en niet richting een klant.

Dat is de kern. Vier inzichten, geen regel code.

Tooling zonder begrip: waar het misgaat

Stel je twee zorginstellingen voor, allebei met dezelfde AI-assistent.

Bij de eerste is de tool uitgerold zoals software altijd wordt uitgerold: licentie, inlog, succes ermee. Wat er gebeurt, laat zich raden. Een deel van de medewerkers vertrouwt de tool blind en plakt samenvattingen van cliëntgesprekken ongecontroleerd in dossiers, inclusief de details die het model er zelf bij verzonnen heeft. Een ander deel vertrouwt de tool helemaal niet en gebruikt stiekem een gratis alternatief op de telefoon, omdat dat "beter werkt". De officiële tool is veilig op papier, het werkelijke gebruik is dat allerminst.

Bij de tweede instelling hebben teams een paar werksessies gehad met hun eigen casuïstiek. Medewerkers weten dat het model details kan invullen die niet in het gesprek zaten, dus de afspraak is: samenvatting altijd naast je eigen aantekeningen leggen voordat iets het dossier in gaat. Ze weten ook waarom de officiële omgeving de officiële omgeving is, namelijk omdat daar afspraken liggen over opslag en logging, en de gratis app op je telefoon die afspraken niet heeft. Dezelfde tool, dezelfde mensen, een compleet ander risicoprofiel.

Het verschil zit niet in de techniek. Het zit in het begrip eromheen. Tooling zonder geletterdheid geeft je de risico's van AI zonder de voordelen: de fouten sluipen erin, het vertrouwen ontbreekt, en het echte gebruik verdwijnt uit zicht naar schaduwkanalen. Geletterdheid zonder fatsoenlijke tooling is overigens net zo scheef, dan train je mensen voor een omgeving die ze niet hebben. Je hebt allebei nodig.

Waarom de verplichte e-learning niet werkt

De reflex van veel organisaties is voorspelbaar: er moet iets met AI-geletterdheid, dus er komt een e-learning. Veertig minuten klikken, tien meerkeuzevragen, certificaatje, vinkje in het LMS, klaar voor de audit.

Iedereen die ooit zo'n module heeft gedaan, weet wat de opbrengst is. Mensen klikken zich erdoorheen met de video op dubbele snelheid, gokken de toets bij elkaar en zijn een week later alles vergeten. Niet omdat ze dom of onwillig zijn, maar omdat de vorm niet deugt. Abstracte kennis over "wat is AI" beklijft niet, omdat hij nergens aan vastzit. En een toets meet of je de toets kunt halen, niet of je dinsdagmiddag de juiste afweging maakt als je een cliëntdossier wilt samenvatten.

Er is nog een tweede probleem: een uniforme module behandelt iedereen hetzelfde, terwijl de behoefte per rol totaal verschilt. Een communicatiemedewerker, een inkoper, een teamleider in de zorg en een ontwikkelaar hebben elk een ander stuk van het verhaal nodig. De bepaling in de AI Act lijkt daar overigens rekening mee te houden, die spreekt over geletterdheid afgestemd op kennis, rol en context. Een generieke e-learning voor iedereen is daarmee niet alleen ineffectief, het is ook de vraag of je er de geest van die bepaling mee raakt. Maar nogmaals, dat is een inschatting, geen juridisch oordeel.

Hoe je het wel aanpakt

Wat in de praktijk werkt, is leren aan het echte werk, in kleine vormen, verspreid over tijd.

Begin met werksessies per team, met eigen casussen. Geen presentatie over AI in het algemeen, maar anderhalf uur waarin het team zijn eigen taken op tafel legt: welke gebruiken we AI al voor, waar zou het kunnen, en dan samen proberen, vergelijken en fouten opzoeken. Laat mensen het model bewust onderuit zien gaan op hun eigen vakgebied. Niets bouwt zo snel een realistisch beeld op als een zelfverzekerd maar fout antwoord over iets waar je zelf verstand van hebt.

Maak de afspraken kort en concreet. Geen beleidsdocument van veertig pagina's, maar een lijstje dat op een A4 past: dit is onze omgeving, dit mag erin, dit nooit, zo controleer je output, en hier meld je het als er toch iets misging, zonder schandpaal. Een meldcultuur zonder afrekencultuur is ook hier de enige manier om zicht te houden op wat er echt gebeurt.

Zorg voor een aanspreekpunt dichtbij. Een of twee mensen per team die net iets verder zijn, vragen kunnen opvangen en goede voorbeelden delen. Dat hoeven geen technici te zijn, eerder collega's die het leuk vinden. Een vraag aan de collega aan het bureau ernaast wordt gesteld, een ticket bij een centrale helpdesk niet.

Differentieer naar rol. Iedereen krijgt de basis, de vier inzichten van hierboven. Mensen die dagelijks met AI werken, krijgen verdieping op hun eigen taken. En de mensen die over AI beslissen, inkopers, managers, bestuurders, hebben een eigen laag nodig: welke vragen stel je aan een leverancier over dataopslag, training op jouw data, logging en uitstapmogelijkheden. Juist die groep wordt vaak overgeslagen, terwijl daar de keuzes vallen met de grootste gevolgen.

En houd het levend. AI-systemen veranderen elk kwartaal, dus een eenmalige sessie veroudert vanzelf. Een terugkerend halfuur per maand waarin een team ervaringen deelt, doet meer dan een jaarlijkse verplichte ronde.

Wil je weten of het werkt, kijk dan niet naar certificaten maar naar gedrag. Kan een medewerker in twee zinnen uitleggen waarom het model soms dingen verzint? Weten mensen welke informatie nergens in mag? Worden incidenten gemeld in plaats van verzwegen? Dat zijn de signalen die tellen, en ze zijn prima op te halen in gewone gesprekken.

De conclusie

AI-geletterdheid is geen cursusprobleem en geen compliance-vinkje. Het is de vraag of de mensen in je organisatie een realistisch beeld hebben van het gereedschap waarmee ze werken: wat het kan, wat het verzint, waar hun data heen gaat en wie verantwoordelijk blijft voor het resultaat.

De organisaties die dat op orde hebben, zijn niet de organisaties met de dikste e-learning. Het zijn de organisaties waar AI een normaal gespreksonderwerp is geworden, waar fouten boven tafel komen en waar mensen weten wanneer ze het antwoord moeten controleren. Tooling kun je kopen. Begrip moet je organiseren. Begin met dat tweede, dan rendeert het eerste vanzelf.

↘︎ ALLE ARTIKELEN