Chris Perry, oprichter en CEO van Andus Labs – Interviewreeks

Chris Perry, oprichter en CEO van Andus Labs, is een executive op het gebied van communicatie, digitale strategie en innovatie met bijna drie decennia ervaring in het helpen van organisaties bij het navigeren door grote verschuivingen in technologie en bedrijfsvoering. Voor hij Andus Labs oprichtte in 2025, bracht Perry meer dan 22 jaar door bij Weber Shandwick, waar hij een reeks senior leiderschapsrollen bekleedde, waaronder Voorzitter Futures, Chief Innovation Officer, President Digitale Communicatie, EVP Digitale Strategie en Operaties, en SVP. Eerder in zijn carrière werkte hij in technologische communicatie bij General Motors en was hij Vicepresident bij Edelman. Zijn loopbaan heeft zich gericht op digitale transformatie, opkomende technologieën, organisatieverandering en de zich ontwikkelende relatie tussen technologie en de mensen die verantwoordelijk zijn voor de inzet ervan.

Andus Labs helpt bedrijven AI-mogelijkheden om te zetten in praktische organisatorische resultaten door zich te richten op de menselijk systemen rondom de technologie. Het bedrijf beschrijft zijn missie als het bouwen van het “Human OS for AI” — een operationele laag ontworpen om werk te orkestreren tussen mensen en AI‑agenten — gebaseerd op de veronderstelling dat AI‑investeringen vaak tekortschieten wanneer de organisatorische gereedheid, werkstromen en adoptie achterblijven bij de technologie zelf. Het werk omvat AI‑werkorchestratieprogramma’s, producten die bedoeld zijn om organisatorisch leren te versterken en uit te breiden, en een breder netwerk van beoefenaars, kunstenaars en humanisten die onderzoeken hoe mensen en AI effectief kunnen samenwerken.

U heeft meer dan twee decennia bij Weber Shandwick doorgebracht, waarbij u opklom van senior digitale functies naar Chief Innovation Officer en Chairman, Futures, voordat u Andus Labs oprichtte in 2025. Wat heeft u binnen grote organisaties in die periode waargenomen dat u ervan overtuigde dat de grootste belemmering voor AI‑transformatie het menselijk en organisatorisch systeem rondom de technologie zou zijn, en niet de technologie zelf?

Ik leerde het eerst in de grafische studio van mijn vader in Detroit, waar ik begon, vóór Weber Shandwick. Desktop publishing verplaatste het werk dat zijn zetters en illustratoren met de hand deden naar software. Het brak zijn bedrijfsmodel, en hij zag de verschuiving pas toen het al te laat was.

Bij Weber Shandwick werkte ik met enkele van ‘s werelds grootste bedrijven tijdens nieuwe technologische golven: sociale media, blogs, video, mobiel, data. Elke keer was het patroon hetzelfde. De technologie kwam. Mensen voelden de verandering en begonnen het zelf te gebruiken. Leiderschap en de bedrijfsstructuur veranderden als laatste.

In die eerdere golven betaalden bedrijven voor die achterstand door terrein te verliezen, maar mensen deden het werk nog steeds. AI doet voor kenniswerk wat desktop publishing deed voor de studio van mijn vader. De manier waarop mensen het werk doen, wordt in de software ingebouwd.

Business schools leren je niet hoe je een bedrijf runt waarin mensen en agenten het werk delen. De meeste bedrijven klemmen AI er simpelweg op en laten het oude werk sneller doen. De echte opbrengst komt wanneer leiders hun mensen in staat stellen het werk opnieuw op te bouwen met AI. Het werk verandert van vorm in plaats van alleen sneller te worden.

We noemden het Andus Labs, als in “and us”, omdat we wedden dat de opbrengst uiteindelijk bij de mensen zou liggen.

Andus Labs stelt dat bedrijven geavanceerde AI-mogelijkheden kunnen hebben, maar toch de “menselijke gereedheid” missen die nodig is om er waarde uit te halen. Wat onderscheidt een bedrijf dat AI succesvol heeft geïmplementeerd van een bedrijf dat daadwerkelijk heeft getransformeerd hoe het werk wordt gedaan?

Ik zat bij een bedrijf dat 80 % AI-adoptie rapporteerde en iets dichter bij 5 % verandering in hoe het werk werd gedaan. Alleen het adoptiecijfer kwam in de board‑presentatie. Het tweede cijfer werd niet verborgen. Het dashboard had er gewoon geen plek voor.

Implementatie is eenvoudig te meten. Licenties toegewezen, agenten ingezet, inlogacties. Dat is activiteit, geen impact. We vragen klanten wat het bedrijf nu kan doen dat het voorheen niet kon. Meestal is het eerlijke antwoord dezelfde rapporten, presentaties en analyses, alleen sneller.

Bedrijven die transformeren meten iets anders. Heeft de pilot genoeg waarde opgeleverd om te schalen? Kunnen we iets voor de board presenteren dat we een jaar geleden niet konden produceren? Ontlast AI onze meest waardevolle mensen zodat zij het werk kunnen doen dat alleen zij kunnen doen? Geen van deze zaken is zo gemakkelijk te tellen als licenties, maar het zijn de meetpunten die aangeven of er iets is veranderd.

Die vragen hebben ook een eigenaar nodig. Vraag wie dat binnen de meeste bedrijven is en je krijgt een lijst. De CIO is eigenaar van de platforms. Een Center of Excellence is eigenaar van de pilots. HR is eigenaar van de training. De impact op de business staat op iemands lijst niet.

Het ene bedrijf kan je vertellen hoeveel mensen toegang hebben. Het andere kan je vertellen wat er veranderd is en wie er verantwoordelijk voor is.

De Index van de grondwaarheid is inmiddels gebaseerd op een bibliotheek van 300 gedocumenteerde patronen, waargenomen tijdens opdrachten en gesprekken met leidinggevenden van 595 organisaties. Vijf onafhankelijke analistenagents beoordelen elk patroon voordat onderzoekers de definitieve rangschikking beoordelen en vaststellen. Hoe is deze methodologie geëvolueerd, welke rol speelt menselijk oordeel in het proces en hoe voorkomt u dat de Index simpelweg aannames versterkt die al in uw veldobservaties besloten liggen?

De methode is veranderd nu de bibliotheek is gegroeid. Elk patroon begint met wat we horen en zien in gesprekken met bedrijfsleiders. We controleren elk nieuw signaal tegen de bibliotheek, testen het tegen veldobservaties en extern onderzoek, en bepalen of het echt nieuw is, een patroon dat we al volgen versterkt, of ergens anders thuishoort.

AI helpt ons elke kwartaal de volledige bibliotheek te beoordelen, iets wat een onderzoeksteam niet handmatig kan doen. Agenten lezen elk patroon door een andere professionele bril en scoren het op dezelfde vijf dimensies. Ze werken blind, zodat geen enkele agent een andere kan beïnvloeden. We nemen de mediaan zodat een enkele uitschieter de score niet kan verschuiven, en de top‑50 gaat naar menselijke beoordeling.

Menselijk oordeel loopt door het geheel. Ons onderzoeksteam keurt elk patroon dat de bibliotheek binnenkomt goed, beoordeelt de rangschikkingen en bepaalt de uiteindelijke 25. We kijken het hardst waar de agenten het oneens zijn en waar mediabelangstelling botst met wat we in het veld horen. We kunnen een score aanpassen, maar alleen op basis van gedocumenteerde observatie: wie het heeft aangekaart, hoe vaak we het hebben gehoord en of het standhield in verschillende organisaties. Een onderbuikgevoel verandert een score niet.

De nieuwe Ground Truth Index rangschikt “Empty Chairs” als de belangrijkste belemmering voor enterprise‑AI, en beschrijft organisaties die AI‑systemen invloed geven op beslissingen zoals werving, prijsstelling en risico, zonder duidelijk te maken wie verantwoordelijk is of de bevoegdheid heeft om die beslissingen ongedaan te maken. Nu AI verschuift van het aanbevelen van acties naar het daadwerkelijk vormgeven van bedrijfsresultaten, hoe zou betekenisvolle menselijke verantwoordelijkheid er in de praktijk uit moeten zien?

Hoe meer functies AI raakt, hoe meer beslissingen het namens het bedrijf neemt. Verantwoordelijkheid wordt eerder een managementvraag dan een technologische.

Verantwoordelijkheid zit meestal ergens tussen de koper van het AI‑systeem en de gebruiker, en geen van beiden bezit het. De kloof blijft onzichtbaar totdat een beslissing wordt betwist. Dat is de lege stoel.

Verantwoordelijkheid betekent een benoemde leider die ziet wat het systeem oplevert en de uitkomst kan verklaren, corrigeren of het systeem kan stoppen. Dat vereist gezag over een proces dat doorgaans meerdere afdelingen overspant.

We vragen leiders om één belangrijke beslissing te kiezen die hun AI dit kwartaal heeft geholpen te nemen en ons te vertellen wie er verantwoordelijk voor is. Wanneer het antwoord onduidelijk is, heeft het bedrijf de manier waarop beslissingen worden genomen veranderd zonder te bepalen wie er verantwoording aflegt.

“Learning While Drowning” staat op de tweede plaats in de nieuwe Index en belicht bedrijven die AI‑training verplichten terwijl ze de bestaande werkbelasting van medewerkers ongewijzigd laten. Tegelijkertijd toont “Optimization Temptation” hoe gemakkelijk bedrijven personeelsbesparingen kunnen kwantificeren in vergelijking met de moeilijker meetbare waarde van het herplaatsen van mensen in werk van hogere waarde. Onderschatten bedrijven fundamenteel de organisatorische investering die nodig is om hun personeel productiever te maken met AI, in plaats van AI alleen te gebruiken om kosten te verlagen?

Ja. De besparingen door het elimineren van een functie zijn gemakkelijk in een spreadsheet te zetten. De waarde van de kennis, relaties en het oordeel van die persoon is veel moeilijker vast te leggen. De besparingen verschijnen dit kwartaal. De verliezen kunnen zich over jaren opstapelen.

De veronderstelling achter de bezuiniging is vaak ook onjuist. AI maakt het huidige werk efficiënter en brengt bovendien nieuw werk naar voren dat gedaan moet worden. Wat we zien is dat teams zich opnieuw balanceren, waarbij mensen naar andere functies verplaatsen in plaats van dat hele afdelingen worden geschrapt.

Een trainingsmandaat is een beslissing over de werkbelasting. Bedrijven stapelen AI‑training bovenop bestaand werk en interpreteren een lage voltooiingsgraad als een motivatieprobleem. De investering die ze overslaan, is degene die nooit in het budget komt. Beslissen welk werk stopt, krimpt of wordt verplaatst om ruimte te maken, en aangeven wie het heeft goedgekeurd. Leren kost tijd. Toepassen kost nog meer, omdat mensen onbekende tools moeten testen, de output moeten controleren en hun werkwijze moeten aanpassen.

Het antwoord is geen ander punt op de lijst. Zet een team op een live project en het leren gebeurt binnen het werk.

De Index identificeert ook “Devaluation Anxiety”, een weerspiegeling van zorgen over wat er met werknemers gebeurt wanneer AI steeds waardevollere delen van hun taken kan uitvoeren. Hoeveel van wat leidinggevenden bestempelen als weerstand tegen AI is eigenlijk rationele angst over de loopbaanwaarde, en wat moeten leiders anders doen bij de introductie van deze systemen?

Het grootste deel is rationeel. Werknemers horen in de ene aankondiging over AI‑efficiëntie en in de volgende over ontslagen. Ze trekken hun eigen conclusies.

Leidinggevenden behandelen die als afzonderlijke boodschappen. Teams niet. Ze voltooien de training en houden de experimenten die het nuttig zouden hebben gemaakt, tegen.

Verzekering lost dat niet op. Leiders moeten duidelijk maken wat er over banen is beslist, wat nog onzeker is en welke ondersteuning mensen kunnen verwachten.

Hetzelfde geldt voor de beloning. Bedrijven geven duidelijk aan wat het bedrijf van AI verwacht en laten de kant van de werknemer leeg. Als iemand sneller wordt, wat levert dat hem op? Ruimte voor beter werk, een doorgroeipad, tijd terug? Dat hoort in het uitrolplan.

Leidinggevenden vragen hun teams om anders met AI te werken. De teams wachten om eerst te zien dat de leidinggevenden het zelf doen.

Een ander patroon dat u identificeert is “Active Inertia”, waarbij organisaties AI gebruiken om bestaande processen te versnellen zonder ze fundamenteel te veranderen. Hoe ziet een echte, AI‑native herontwerp van werkstromen eruit, en kunt u een voorbeeld geven van het verschil tussen een oud proces sneller maken en het proces opnieuw opbouwen rond wat AI nu mogelijk maakt?

De meeste bedrijven richten AI op alles wat het gemakkelijkst te automatiseren is, wat vaak werk is dat in de eerste plaats niet zou moeten bestaan. Rapporten worden sneller geproduceerd. Goedkeuringen verlopen in het tempo dat ze altijd al deden. Dat is Active Inertia.

Herontwerp bepaalt van tevoren wat de AI‑modellen doen en wat het team draagt, en bouwt vervolgens daarop in plaats van de oude structuur over te nemen.

Neem een wekelijks rapport. De snellere versie laat AI het opstellen, en dezelfde mensen beoordelen hetzelfde document volgens hetzelfde schema. De herbouwde versie vraagt waar het rapport voor bedoeld is. Als het bestaat zodat iemand problemen vroeg kan opvangen, kan het systeem een probleem markeren op het moment dat het zich voordoet, en verdwijnt het rapport.

U heeft geschreven dat “waarde gelijk is aan capaciteit maal absorptie” en gepleit voor systemen in plaats van louter software. Nu frontier‑modellen steeds meer gecommoditiseerd en voor iedereen beschikbaar worden, zou het vermogen van een organisatie om zich rond AI te absorberen en te reorganiseren een duurzamere concurrentievoordeel kunnen zijn dan de toegang tot de modellen zelf?

Ja. Het inzetten van modellen is eenvoudig vergeleken met het aanpassen van werk eromheen. Ze komen met buitengewone kracht en worden elk kwartaal goedkoper. Dezelfde modellen zijn voor iedereen beschikbaar. Wat u niet kunt kopen, is de unieke context binnen het bedrijf en teams die klaar zijn om ze op hun volledige potentieel te benutten.

Wat we “ontvangstcapaciteit” noemen, is een oud concept. Het is het vermogen van een team om iets nieuws op te nemen en in te zetten, en bestaat uit besluitvormingsrechten, prikkels, werkstromen, functiedesign en voldoende vertrouwen zodat mensen u vertellen wat er mis ging. Niets hiervan kan gehuurd worden.

Ik beschrijf waarde als capaciteit maal absorptie omdat de twee vermenigvuldigen. Ze tellen niet op. Een briljant model dat in een organisatie wordt geïntroduceerd die het niet kan opnemen, is een foutloos onderdeel dat op een defecte afdichting wordt bevestigd. De capaciteit is reëel. Het rendement blijft nul.

Agentische AI voegt een extra complexiteitslaag toe omdat systemen steeds vaker acties kunnen ondernemen, tools kunnen gebruiken en doelstellingen kunnen nastreven in plaats van alleen reacties te genereren. Waar moeten bedrijven de grens trekken tussen agentautonomie en menselijke besluitvorming, en welke nieuwe governance‑structuren zijn nodig nu agenten meer autoriteit krijgen?

Begin met één vraag: wie beantwoordt het wanneer de agent het fout heeft?

Trek de grens tussen wat de agent beslist en wat een persoon beslist voordat iets live gaat. De meeste bedrijven vinden die grens pas nadat er al iets is mislukt.

Waar een fout goedkoop ongedaan te maken is en snel zichtbaar wordt, laat de agent dan opereren. Wanneer de beslissing invloed heeft op iemands inkomen, of hij zijn baan behoudt of zijn juridische positie, neemt een persoon de beslissing en bereidt de agent deze voor.

De instinctieve reactie is te centraliseren. Stel een commissie samen, schrijf een kader, wacht tot het beheersbaar lijkt. Tegen de tijd dat richtlijnen van bovenaf het werk bereiken, zijn ze verouderd, en mensen die geen antwoord krijgen, beginnen tools te gebruiken die het bedrijf nooit heeft goedgekeurd.

Governance moet dicht bij het werk staan. Teams moeten weten wat elke agent kan beslissen, wie er eigenaar van is en hoe ze het kunnen stoppen. En ze hebben een registratie nodig van wat de agent heeft gedaan.

Het organigram is nooit ontworpen voor agenten die over functies heen werken, dus geen enkele functie is eigenaar van de fout. Regel dat vóór de inzet, niet erna.

Vooruitkijkend, als de grootste beperkingen voor enterprise‑AI steeds meer organisatorisch dan technisch worden, hoe verwacht u dat bedrijven zelf zullen veranderen? Welke onderdelen van het huidige organigram, de managementstructuur, functiedesign en besluitvormingsprocessen zullen het minst waarschijnlijk de transitie overleven naar organisaties die zijn opgebouwd rond mensen en AI‑agenten die samenwerken?

Het functionele organigram is het minst waarschijnlijk om te overleven. De meeste bedrijven opereren nog steeds op basis van functie, waarbij werk van de ene afdeling naar de andere wordt doorgegeven en bij elke overdracht een goedkeuring plaatsvindt. AI levert werk in minuten, terwijl de goedkeuringen eromheen weken duren. Leiders wordt gevraagd sneller te handelen binnen systemen die zijn ontworpen om dingen te vertragen.

Dat organigram was gemaakt voor mensen die werk aan mensen overhandigen, niet voor beslissingen die gedeeld worden tussen mensen en agenten.
Een commissie zal dit niet oplossen.

Wat het diagram vervangt, lijkt op kleine teams die rond een probleem zijn georganiseerd. Een leider benoemt een probleem dat de moeite waard is om op te lossen, beslist wat waar moet zijn om het op te lossen, en stelt een team van mensen en agenten samen. Dat team krijgt zijn eigen financiering en bescherming, omdat het niet kan functioneren zoals de rest van het bedrijf. De mensen in dat team nemen de beoordelingsbeslissingen en nemen de verantwoordelijkheid voor wat de agenten produceren.

Elektrische motoren bereikten Amerikaanse fabrieken in de jaren 1880, maar de productiviteitswinst kwam pas in de jaren 1920 tot uiting. In eerste instantie plaatsten fabrieken één grote motor waar de stoommachine had gestaan, draaiden dezelfde lijnas en lieten elke machine op zijn plaats staan. De winst kwam toen ze elke machine een eigen motor gaven en de vloer rond het werk legden.

De herschikking was de revolutie.

Bedankt voor het geweldige interview. Lezers die meer willen weten, kunnen terecht bij Andus Labs of meer te weten komen via de Index van de grondwaarheid.