Thought leaders
Voordat u AI-agenten opschaalt, vraag dan wat ze niet weten

Belangrijkste puntenZelfverzekerde antwoorden falen wanneer agents context weglaten, zoals verouderde…
Meer weergeven
- Zelfverzekerde antwoorden falen wanneer agents context weglaten, zoals verouderde indieningsdata of verschillen in het fiscale kalenderjaar.
- Bijna 6 op de 10 bedrijven herleidden een zelfverzekerd maar onjuist AI-antwoord tot ontbrekende of onvolledige bedrijfscontext.
- Menselijke beoordeling moet meeschalen met de risico's, omdat correcte gegevens die verkeerd worden gedeeld nog steeds regelgeving kunnen schenden.
Stel u dit eens voor: een CFO bereidt zich voor op een gesprek met een grote institutionele belegger. Om de voorbereiding te ondersteunen, vraagt het investor-relations-team (IR) een AI-tool om achtergrondinformatie op te zoeken: de datum van het laatste gesprek met die onderneming, de prioriteiten die toen zijn genoemd, het aantal aandelen in bezit, enzovoort.
De tool stelt vol vertrouwen dat de belegger 2,5 miljoen aandelen bezit. Niemand kijkt ervan op en de CFO gaat onverminderd door met de voorbereiding van dit belangrijke gesprek.
Maar er zit een addertje onder het gras: de AI haalde het cijfer uit een Form 13F-deponering, waarin de aandelenposities aan het einde van het vorige kwartaal worden vermeld. De informatie klopte toen die werd gerapporteerd… maar is inmiddels maanden oud. Intussen heeft de belegger in stilte 2 miljoen aandelen verkocht, waardoor de positie aanzienlijk is afgenomen. De agenda voor het gesprek (en mogelijk zelfs het gesprek zelf!) lijkt niet langer relevant.
Wat ging er mis? In dit scenario hallucineerde of verzon de AI geen cijfer. De tool haalde legitieme informatie op, maar plaatste daar geen kanttekeningen bij en lichtte de beperkingen ervan niet toe.
In dit geval leidt dat misschien tot een ongemakkelijk gesprek of een gemiste kans, maar in andere situaties kan een even stellig antwoord zonder cruciale context nog grotere risico’s met zich meebrengen.
Betere modellen zijn niet per se de oplossing
Basismodellen worden steeds beter. Waarom duiken er dan steeds vaker zelfverzekerde maar onjuiste antwoorden op, een probleem waar bedrijven in allerlei sectoren mee worstelen?
Om te beginnen is generatieve AI (GenAI) inmiddels overal doorgedrongen. Volgens McKinsey’s rapport De stand van zaken rond AI in 2026 zegt bijna 9 op de 10 zakelijke professionals dat hun organisatie AI regelmatig inzet voor ten minste één bedrijfsfunctie.
En naarmate organisaties verder gaan dan experimenteren en steeds vaker op AI vertrouwen voor dagelijkse zakelijke taken en beslissingen, lopen ze ook tegen de grenzen aan van wat deze tools weten en begrijpen.
Een recent sectoronderzoek laat zien wat er vaak aan ten grondslag ligt: alleen al in de afgelopen zes maanden schreef bijna 6 op de 10 bedrijven (57%) een zelfverzekerd maar onjuist antwoord van een AI-agent toe aan ontbrekende of onvolledige bedrijfscontext.
Met alle gegevens die voor AI beschikbaar zijn, komt dit misschien als een verrassing. Maar er is een belangrijk onderscheid: context is niet hetzelfde als data.
Wat context wel en niet is
Context kan bestaan uit institutionele kennis, uitzonderingen op regels, relaties, processen en verwachtingen over hoe het werk wordt uitgevoerd: nuances die vaak uniek zijn voor een bedrijf.
In mijn werk met investor-relations-teams zie ik hoe belangrijk deze verschillen kunnen zijn. Denk bijvoorbeeld aan een paar situaties die op het eerste gezicht eenvoudig lijken:
- Boekjaarkalenders: Het eerste kwartaal van het ene bedrijf kan samenvallen met het kalenderjaar, terwijl dat van een ander bedrijf in september begint. Zonder die context kan een AI-agent resultaten uit de verkeerde verslagperioden met elkaar vergelijken.
- Financiële maatstaven: Een organisatie kan zowel de winst per aandeel volgens GAAP als die volgens non-GAAP rapporteren. Een agent die niet begrijpt welke maatstaf wanneer moet worden genoemd, kan een verkeerd beeld van de bedrijfsprestaties geven.
- Bedrijfsverhalen: De boodschap van een bedrijf ontwikkelt zich in de loop der tijd en weerspiegelt bewuste keuzes over wat moet worden benadrukt en weggelaten. Zonder inzicht in de geschiedenis en de achterliggende redenen kan een AI-agent content genereren die een zorgvuldig opgebouwde verhaallijn juist ondermijnt.
Het is dan ook geen verrassing dat hetzelfde onderliggende model bij verschillende bedrijven heel andere resultaten kan opleveren, afhankelijk van de beschikbare context en gespecialiseerde kennis.
AI die specifiek is ontwikkeld voor een bepaald doel en een specifieke sector (ook wel ‘verticale’ AI genoemd) kan een deel van deze hiaten opvullen door rekening te houden met de gespecialiseerde kennis, werkprocessen en nuances van een bepaalde sector. Maar zelfs de meest geavanceerde technologie kan niet alles vastleggen wat een organisatie weet. Daarom hebben ook mensen een rol te spelen.
Wat AI niet weet over uw bedrijf
Maar mensen blijven niet voor altijd. Denk eens aan wat er gebeurt wanneer een ervaren medewerker investor relations (IRO) na bijvoorbeeld vijf jaar bij het bedrijf vertrekt. Diegene heeft waarschijnlijk in die tijd potentiële beleggers geïdentificeerd en benaderd, aandeelhoudersactiviteiten geanalyseerd, relaties opgebouwd, de winstpresentaties voorbereid, leidinggevenden klaargestoomd… en nog veel meer.
Het bedrijf bewaart de scripts voor winstpresentaties, presentaties en andere bestanden. Maar de institutionele kennis erachter? Ook die vertrekt grotendeels met de medewerker, zeker als je bedenkt dat bijna 8 op de 10 IRO’s (78%) geen opvolger voor hun functie hebben aangewezen.
Daarom moeten organisaties zich inspannen om kennis en inzicht zo vast te leggen dat AI-systemen die kunnen gebruiken. Een AI-agent simpelweg toegang geven tot een gedeelde schijf is vaak niet genoeg.
Een manier om belangrijke kennis en werkprocessen systematisch vast te leggen — zoals de overwegingen achter belangrijke beslissingen, de geschiedenis van relaties en andere bedrijfskritische informatie die nooit in een formeel document is opgenomen — is van belang voor bedrijven in alle sectoren.
Voor het opbouwen van zo’n kennisbank zijn mensen nodig: zowel om informatie vast te leggen als om daarover te oordelen. AI kan helpen kennis te ordenen, maar het zijn de medewerkers die de essentiële context bieden die technologie vaak mist.
In situaties waarin veel op het spel staat, kunnen hiaten in de context ernstige gevolgen hebben
We hebben besproken wat er gebeurt wanneer AI een verkeerd antwoord geeft. Maar soms haalt een AI-agent informatie op die wel klopt — ze is nauwkeurig, actueel en relevant — en veroorzaakt die toch problemen doordat de agent haar onder de verkeerde omstandigheden deelt.
In streng gereguleerde sectoren zijn zulke misstappen bijzonder kostbaar.
Zo kan het in investor relations delen van wezenlijke niet-openbare informatie (MNPI), zoals nog niet gepubliceerde financiële resultaten, met een analist of belegger in strijd zijn met de Regulation Fair Disclosure (Reg FD) van de Amerikaanse SEC, met mogelijk financiële sancties en reputatieschade tot gevolg.
Ook andere sectoren, zoals de gezondheidszorg, financiële dienstverlening en juridische dienstverlening, lopen vergelijkbare regelgevingsrisico’s. Dat onderstreept hoe belangrijk waarborgen zijn wanneer AI-agenten toegang hebben tot gevoelige informatie.
Dit laat ook zien waarom mensen onmisbaar blijven: zij spelen een essentiële rol bij het beoordelen en goedkeuren van wat er wordt gecommuniceerd. Bedrijven kunnen overwegen de mate van menselijke controle af te stemmen op wat er op het spel staat, waarbij verschillende soorten AI-werkprocessen met verschillende mate van zelfstandigheid functioneren.
Drie vragen die je moet stellen voordat je AI-agenten opschaalt
Waarschijnlijk hebben we allemaal weleens meegemaakt, op het werk of in het dagelijks leven, dat we niet weten wat we niet weten. Soms zijn de gevolgen daarvan beperkt; soms zijn ze ernstiger.
Met de enorme hoeveelheden gegevens waarover AI tegenwoordig beschikt, weten AI-modellen veel meer … maar ze moeten nog steeds ‘aan de bel trekken’ wanneer er hiaten zijn. Daarom is het belangrijk om deze vragen te stellen voordat bedrijven AI inzetten voor meer strategische prioriteiten en werkprocessen en de toepassing opschalen:
- Kan onze agent laten zien waarop zijn antwoorden zijn gebaseerd — en wanneer die informatie voor het laatst is bijgewerkt? Kan de agent die informatie geven zonder dat erom wordt gevraagd?
- Beschikt de agent over voldoende bedrijfscontext om verzoeken te interpreteren en erop te reageren? Geeft de agent aan wat zijn beperkingen zijn?
- Weten we wanneer een mens moet ingrijpen om iets te beoordelen en goed te keuren? In welke omstandigheden gebeurt dat, en hoe wordt de beoordeling in gang gezet?
De oplossing is niet om AI te vermijden
Laat ik duidelijk zijn: ik ben optimistisch over AI. Ik gebruik het dagelijks in mijn werk, zie de voordelen ervan, zowel nu als in de toekomst, en denk dat we — in veel opzichten — nog maar aan het begin staan van wat AI kan. Ik twijfel er niet aan dat bedrijven die AI vermijden, en bedrijven die AI niet op een georganiseerde en doeltreffende manier invoeren, een reëel risico lopen achterop te raken.
Maar AI invoeren betekent niet dat je een model voor algemene doeleinden toegang geeft tot bedrijfsgegevens en het vervolgens maar wat laat doen.
Op dit moment, en voor zover ik kan zien, is volledig autonome AI niet geschikt voor elke zakelijke taak of beslissing. Organisaties moeten begrijpen waar AI zelfstandig kan werken, waar aanvullende context nodig is en waar menselijk oordeel onmisbaar is.
Vraag dus, voordat je vraagt wat een AI-agent weet, wat hij níét weet. De antwoorden bepalen hoe je de agent inzet, wat je hem toevertrouwt en hoe je de voorwaarden schept voor succes.












