Productiviteitswinst heeft weinig waarde als werk nog steeds dezelfde commissies, goedkeuringen, overdrachten en functionele silo's doorloopt. De beperkende factor wordt steeds vaker de organisatorische vertraging: hoelang een organisatie nodig heeft om beslissingen te nemen, processen te veranderen en nieuwe mogelijkheden om te zetten in bedrijfsresultaten.
Werk waarvoor eerder meerdere specialisten, afdelingen of weken nodig waren, kan nu veel sneller worden voltooid. Dit verandert hoe teams samenwerken, hoe beslissingen worden genomen en waar expertise nodig is.
Organisaties benutten de voordelen volledig als ze hun inrichting ingrijpend vernieuwen en anders nadenken over workflows, governance, prikkels, kennisstromen en besluitvormingsstructuren, zodat AI-gedreven productiviteitswinst zich in de hele onderneming opstapelt.
AI-native organisaties hebben zowel een stabiele ruggengraat als een flexibele schil nodig en moeten de waardevolste menselijke vaardigheden benutten voor oordeelsvorming en het coördineren van acties.
Op LinkedIn, Substack en andere forums wordt veel gezegd dat neerkomt op "Ik zie geen rendement op AI". Nu serieuze toepassing op gang komt, zien we volop rendement op AI-oplossingen en op het gebruik van kant-en-klare tools zoals ChatGPT, Codex en Claude. Toch is dat standpunt begrijpelijk. Hoewel individuen hun productiviteit flink kunnen verhogen, blijft die winst uiteindelijk beperkt als de workflows binnen de organisatie hetzelfde blijven. De inrichting van je organisatie moet mee-evolueren.
Helaas kun je een organisatie niet toekomstbestendig maken, zeker niet gezien de snelheid waarmee AI zich ontwikkelt. Niemand kan met zekerheid zeggen hoe een voor AI geoptimaliseerde bank, verzekeraar, retailer, energiemaatschappij of adviesorganisatie er over drie jaar uit moet zien. De technologie, economische verhoudingen en werkpatronen veranderen te snel. Daardoor wordt aanpassingsvermogen een van de bepalende voordelen van het komende decennium.
Maar als intelligentie op expertniveau direct beschikbaar is en AI-agents urenlang autonoom kunnen werken, moet je ervan uitgaan dat de manier van werken zal en moet veranderen. Dat betekent dat je operationele model moet veranderen om van de technologie te profiteren. Organisaties die zich het snelst willen aanpassen aan nieuwe werkpatronen en opkomende toepassingen van deze technologie, hebben het meest te winnen.
De eenvoudigste manier om de organisatorische gevolgen van AI te begrijpen, is te beginnen met een simpele aanname. Ga ervan uit dat intelligentie op expertniveau direct beschikbaar is voor iedereen in de organisatie. Twee jaar geleden was dit moeilijk voorstelbaar, maar inmiddels is het vrijwel werkelijkheid. En hoewel het misschien nog niet perfect is, mogen we redelijkerwijs aannemen dat het dat binnen zeer afzienbare tijd bijna wel zal zijn.
Voeg daar een tweede aanname aan toe. Ga ervan uit dat autonome agents uren, dagen en uiteindelijk weken kunnen samenwerken om omvangrijke, relevante werkpakketten af te ronden. Niet één of enkele taken, maar een daadwerkelijk omvangrijke werkreeks die meerdere disciplines bestrijkt. Een multidisciplinair team, vervat in een team van agents die zelf kunnen bepalen hoe de workflow eruitziet.
Als beide aannames ook maar bij benadering kloppen, zal en moet de manier van werken veranderen. De doorlooptijd neemt af, de interne samenwerking verandert van vorm en het veranderingstempo stijgt.
Verandering in dit tempo is gebaat bij decentralisatie, autonomie en innovatie, terwijl de meeste grote organisaties juist op het tegenovergestelde zijn ingericht.
Grote ondernemingen centraliseren de macht in afdelingen die rond functies zijn ingericht. Ze brengen strategie, technologie, data, risico, bedrijfsvoering, financiën, HR en commerciële activiteiten onder in afzonderlijke structuren, elk met eigen prioriteiten, prikkels en vooral controlemechanismen.
Investerings- en stuurgroepen, architectuurcommissies, risicobeoordelingen, compliancepoorten, inkoopprocessen, jaarlijkse planningscycli en businesscases sturen verandering. Sommige verandermanagementteams fungeren bovendien als extra tussenschakel voor informatie tussen belanghebbenden, zonder er waarde aan toe te voegen.
Nogmaals, dit is niet irrationeel en deze mechanismen bestaan om goede redenen. Ze beheersen risico's, verdelen kapitaal, voorkomen dubbel werk, beschermen klanten en scheppen verantwoordelijkheid, maar bepalen ook het tempo. Dat tempo is waarschijnlijk te laag voor een wereld waarin AI-native concurrenten veel sneller werk kunnen testen, ervan kunnen leren en het opnieuw kunnen inrichten.
Ook het culturele signaal is belangrijk. In veel organisaties belonen de prikkels nog steeds het opereren binnen de grenzen van de eigen functie, hoe vaak een leider ook zegt: "Jullie hebben de ruimte om beslissingen te nemen." Waarom? Bescherm het team. Bescherm het budget. Bescherm de roadmap. Voorkom zichtbare mislukkingen. Leg moeilijke beslissingen voor aan een commissie. Wijk niet te ver af van het goedgekeurde proces.
Deze gecentraliseerde aanpak is logisch wanneer experimenteren duur is en sporadische verandering evolutionair in plaats van revolutionair verloopt. Maar het wordt een probleem wanneer de mogelijkheden om de paar maanden aanzienlijk verbeteren en teams dicht bij het werk de beste kansen ontdekken.
Reageren op AI met traditionele centralisatie veroorzaakt een vertraging die een betekenisvol rendement in de weg staat. Als elke verandering meerdere commissies moet passeren voordat ze het echte werk bereikt, leert de organisatie te langzaam.
Voor medewerkers die zich willen ontwikkelen en sneller vooruit willen, maakt een beperking van de mogelijkheden om AI te benutten je organisatie tot een minder aantrekkelijke werkgever.
De meeste organisaties beginnen met individuele AI-vaardigheid. Dat is de juiste plek om te beginnen. Mensen moeten weten hoe ze AI instructies geven, kritisch bevragen en het werk controleren, hoe ze gevoelige informatie beschermen en wanneer ze AI niet moeten gebruiken. Ze hebben vertrouwen, oordeelsvermogen en praktijkervaring nodig.
Maar individuele vaardigheid kent een bovengrens. Een analist kan vijf keer zoveel analyses produceren, maar het besluitvormingsorgaan vergadert nog steeds maandelijks. Een ontwikkelaar kan meer code genereren, maar het beoordelings- en releaseproces is niet veranderd. Een marketeer kan meer content maken, maar goedkeuring door het merkteam staat nog steeds in dezelfde wachtrij.
Zelfs op teamniveau leidt een aangepaste workflow niet automatisch tot een hoger tempo als andere delen van de organisatie nog steeds op de vertrouwde manier werken.
Het individu werkt dus sneller en het team mogelijk ook, maar uiteindelijk wordt de uitvoersnelheid beperkt door andere onderdelen van de integrale werkstroom binnen de organisatie. Daarom moet het AI-traject van individuele vaardigheid via teamvaardigheid doorgroeien naar vaardigheid op organisatieniveau.
Wanneer de onderneming haar structuren, prikkels, governance, kennisstromen en technologiepatronen kan veranderen, worden de lokale voordelen van individuen en teams waarde voor de hele onderneming.
Dat is een lastige uitdaging, maar juist daar ligt de kans om waarde vrij te maken. AI-native bedrijven die in de afgelopen jaren na de introductie van ChatGPT zijn ontstaan, hebben workflows gebouwd waarin AI al is geïntegreerd. Daardoor blijven ze wendbaar en werken ze met platte structuren. Grotere ondernemingen hebben AI daarentegen in bestaande processen ingevoegd. Dat leidt tot een lappendeken die niet verandert hoe het werk wordt uitgevoerd.
AI-native betekent niet chaotisch, roekeloos of geobsedeerd door tools. Het betekent niet dat elke medewerker het nieuwste model naar eigen inzicht gebruikt. En het betekent zeker niet dat governance wordt vervangen door enthousiasme of dat mensen niet meer nodig zouden zijn.
Het oude model voor organisatieontwerp gaat ervan uit dat je een toekomstige situatie kunt vastleggen, de structuur kunt uittekenen, de verandering kunt doorvoeren en vervolgens kunt stabiliseren. Dat is te traag voor AI.
AI-native organisaties worden ontworpen voor voortdurende verandering. Een AI-native organisatie richt werk voortdurend opnieuw in rond de gecombineerde sterke punten van mensen, AI-systemen, data, workflows en governance. Ze zetten niet alles in op één blauwdruk. Ze bouwen het vermogen op om snel te ontdekken welke workflows moeten veranderen, welke rollen moeten evolueren, welke beheersmaatregelen nodig zijn, welke vaardigheden belangrijker worden, welke patronen herbruikbaar zijn en welke aannames alweer achterhaald zijn.
Daarvoor zijn twee dingen tegelijk nodig: een stabiele ruggengraat en een flexibele schil. Samen creëren die een evenwicht tussen centralisatie en het geven van beslissingsruimte aan teams dicht bij het werk.
De stabiele ruggengraat geeft de organisatie vertrouwen en schaalbaarheid. Het hele bedrijf heeft toegang tot goedgekeurde tools, herbruikbare patronen, routes voor gegevenstoegang, evaluatiemethoden, beveiligingsmaatregelen, governanceprincipes, monitoring, kennisinfrastructuur en duidelijk eigenaarschap.
In de flexibele schil vindt het werk plaats en verandert het regelmatig en zonder wrijving. Kleine multidisciplinaire teams dicht bij het probleem hebben voldoende bevoegdheid om workflows opnieuw in te richten, AI toe te passen, nieuwe werkwijzen te testen en geleerde lessen terug te koppelen aan de organisatie.
Dat evenwicht tussen de kern en de schil is belangrijk. Bij te veel centrale controle leert de organisatie te langzaam. Bij te veel lokale vrijheid raakt de organisatie versnipperd. De AI-native organisatie heeft discipline in de kern en aanpassingsvermogen aan de randen nodig.
De gemakzuchtige conclusie over het automatiseren van werk is dat AI de behoefte aan mensen vermindert. Op sommige gebieden klopt dat, zoals bij repetitief kenniswerk met weinig context, dat wordt ingekort of verdwijnt. Vooral transactioneel werk, zoals tekortkomingen in systemen opvangen, informatie verplaatsen, eerste analyses uitvoeren, concepten opstellen en reacties met beperkte "toegevoegde waarde" geven, komt onder druk te staan.
De keerzijde is echter dat de menselijke "bijdrage" naar een hoger niveau verschuift: als deskundige intelligentie direct beschikbaar is, worden de schaarse menselijke kwaliteiten die AI niet kan en niet zou moeten vervangen juist oordeelsvermogen, creativiteit, verantwoordelijkheid, context en vertrouwen.
Organisaties moeten zich steeds meer richten op mensen die in onduidelijke situaties beslissingen kunnen nemen. Mensen die het vakgebied goed genoeg begrijpen om AI aan te sturen en te herkennen wanneer AI ernaast zit. Mensen die betere vragen kunnen stellen. Mensen die commerciële, technische, operationele en menselijke realiteiten met elkaar kunnen verbinden. Mensen die relaties kunnen opbouwen, vertrouwen kunnen wekken en veel belanghebbenden op elkaar kunnen afstemmen. En belangrijker nog: snel en correct tussen contexten kunnen schakelen en informatie interpreteren wordt essentieel als een week werk wordt samengeperst tot de maandagochtend.
Generalisten worden dus waardevoller, niet minder waardevol, als ze de context over functies heen kunnen bewaken en AI-ondersteund werk kunnen coördineren. Experts kunnen waardevoller worden, niet minder waardevol, omdat sneller werken meer momenten oplevert waarop kwaliteit en oordeelsvermogen ertoe doen. En leiders moeten minder activiteiten controleren en meer systemen, context en tempo vormgeven.
De vaardigheden waarin moet worden geïnvesteerd, zijn niet alleen "AI-vaardigheden". Het zijn de menselijke eigenschappen die belangrijker worden wanneer AI meer uitvoerende basistaken overneemt: nieuwsgierigheid, oordeelsvermogen, veerkracht, duidelijkheid, creativiteit, besluitvaardigheid, samenwerking en kunnen omgaan met ambiguïteit. De organisatie moet nu al mensen met die eigenschappen aannemen, ontwikkelen en belonen.
Zoveel werk samenpersen is intensief en AI-native organisaties kunnen niet voortdurend in een moordend tempo werken. Ze moeten ruimte en speling creëren, zodat mensen kunnen herstellen en opnieuw verbinding kunnen maken. Om effectief te oordelen en beslissen, moeten organisaties omgevingen bevorderen waarin toevallige ontdekkingen tot vernieuwende ideeën kunnen leiden.
Veel ondernemingen benutten AI nu nog traag voor wat al mogelijk is. Daardoor groeit de kloof tussen de ontwikkeling van agentische capaciteiten en de mate waarin ze worden benut.
Dat is normaal. Grote organisaties nemen technologie langzaam in gebruik vanwege verouderde systemen, wettelijke beperkingen, culturele weerstand, versnipperde data, onduidelijk eigenaarschap en reële risico's die allemaal moeten worden beheerd.
Maar op een gegeven moment ontdekken genoeg leiders, teams en concurrenten hoe ze AI veilig en herhaaldelijk in echte workflows kunnen toepassen. Patronen worden volwassener, governance raakt beter verankerd, agents worden betrouwbaarder en het vertrouwen binnen organisaties groeit. De kloof tussen wat AI mogelijk maakt en wat ondernemingen daadwerkelijk gebruiken, begint dan te slinken.
Wanneer dat omslagpunt aanbreekt, ligt het voordeel niet bij bedrijven met de beste modellen of de grootste AI-budgetten, maar bij organisaties die snel kunnen veranderen hoe het werk wordt uitgevoerd.
Bedrijven die elke beslissing centraliseren, elke functie afschermen, via trage commissies besturen en mensen belonen omdat ze "geen deining veroorzaken", zullen moeite hebben om bij te blijven.
Bedrijven die een sterke ruggengraat en een flexibele schil opbouwen, zullen sneller leren. Ze ontdekken eerder betere workflows, zetten een gezonde mix van generalisten, experts en leiders in voor waardevoller werk en vertalen lokale experimenten naar herbruikbare patronen.
De vraag is nu misschien "Hoe passen we AI succesvol toe?", maar moet binnenkort veranderen in "Hoe snel kan onze organisatie zich aanpassen wanneer AI het werk verandert?"
Een trage organisatie met krachtige AI blijft traag; een flexibele organisatie met krachtige AI boekt een steeds groter voordeel.