AI neemt beslissingen per minuut. De meeste governance werkt nog per kwartaal

Een AI-ondersteund systeem kan honderden operationele beslissingen beïnvloeden voordat een stuurgroep haar volgende vergadering heeft gepland. Governance op basis van kwartaalreviews is nooit ontworpen voor dat tempo, en door die mismatch komen veel AI-programma’s binnen bedrijven in de problemen.

We brengen enorme hoeveelheden tijd door met discussiëren over welke modellen we moeten implementeren. Toch voorspelt Gartner dat organisaties tot 2026 60% van hun AI-projecten die niet worden ondersteund door AI-klare data zullen stopzetten. De meeste AI-falingen in ondernemingen hebben zeer weinig te maken met het model zelf. Ze komen voort uit iets fundamentelers: organisaties hebben geen vertrouwd, verbonden begrip van hun eigen bedrijf.

De verborgen kosten van ‘AI-geschikte’ data

De meeste bedrijven onderschatten hoeveel inspanning nodig is om eigenaarschap, governance, vertrouwen en context rond hun data te waarborgen. Slechts weinig bedrijven investeren in de multidisciplinaire expertise en het operationele model die nodig zijn om governancekaders op te zetten die de transparantie, uitlegbaarheid en verantwoordingsplicht bieden die vereist zijn om AI voorbij de pilotfase te brengen.

Er is een eenvoudige test die ik klanten aanraad. Kan de organisatie duidelijk uitleggen wie eigenaar is van de data, hoe die samenhangt met bedrijfsprocessen, welke controles het gebruik ervan reguleren en wie verantwoordelijk blijft voor AI-ondersteunde beslissingen? Zo niet, dan is de kans klein dat hun AI-initiatieven slagen, ongeacht hoeveel ze investeren in platforms, infrastructuur of modellen.

De eerste stap in elk AI-traject binnen een bedrijf zou moeten zijn om te investeren in governance en een praktisch operationeel model dat duidelijk eigenaarschap, verantwoordingsplicht en beslissingsbevoegdheden vastlegt. Wat ik zie, is dat de meeste organisaties dit omgekeerd aanpakken: ze zetten modellen en infrastructuur op voordat ze de basis hebben gelegd die nodig is om AI op grote schaal toe te passen.

AI-ondersteunde beslissingen zijn echter niet alleen afhankelijk van afzonderlijke datapunten, maar ook van inzicht in de samenhang tussen informatie en bedrijfsprocessen, beleid, eigenaarschap en de operationele context. Wanneer die verbanden versnipperd zijn, moeten organisaties niet verbaasd zijn als AI-aanbevelingen inconsistent worden.

Wanneer AI-toepassingen bijna-incidenten, fouten of tegenstrijdige aanbevelingen opleveren, zijn de relevante vragen organisatorisch en niet technisch. Wie is eigenaar van de data? Wie is verantwoordelijk voor de beslissing? Wie kan de AI overrulen? Hoe worden uitzonderingen opgeschaald? Zonder antwoorden lopen bedrijven het risico automatisering te creëren zonder verantwoordingsplicht.

Vertrouwen ontstaat vóór de implementatie

Vertrouwen in AI ontstaat lang voordat een model in gebruik wordt genomen. Effectieve governance vereist samenwerking tussen technologie, bedrijfsfuncties, risicomanagement, juridische zaken, compliance en beveiliging, omdat AI-systemen over organisatiegrenzen heen werken terwijl de verantwoordingsplicht vaak binnen afzonderlijke afdelingen blijft. Veel governanceproblemen die aan AI worden toegeschreven, zijn symptomen van oudere problemen rond data-eigenaarschap en beslissingsbevoegdheid, die door de technologie alleen maar aan het licht zijn gebracht.

De meeste organisaties hebben al governance in de vorm van beveiligingsbeleid, compliancekaders en goedkeuringsprocessen. Wat vaak ontbreekt, is een samenhangend beeld van hoe die onderdelen op elkaar aansluiten.

Vertrouwen groeit wanneer belanghebbenden begrijpen waarom aanbevelingen worden gedaan, vertrouwen hebben in de onderliggende data en weten dat passende controles en escalatieprocedures aanwezig zijn. Niets daarvan kan achteraf alsnog worden ingevoerd na een incident.

Wanneer kwartaalgovernance botst met beslissingen van minuut tot minuut

Traditionele governancemodellen zijn gebaseerd op periodieke evaluaties, stuurgroepen en rapportages achteraf. AI-ondersteunde systemen doen continu en op grote schaal aanbevelingen. Bestaande kaders zijn niet verkeerd, maar ze zijn te traag en staan te ver af van de operationele besluitvorming. Met een kwartaalcyclus kun je geen beslissingen sturen die op elk uur van elke dag worden genomen.

Ik zie de meeste successen bij organisaties die governance rechtstreeks in operationele workflows integreren, met beleidshandhaving, goedkeuringsprocessen, monitoring, controleerbaarheid en menselijk toezicht. Ze hebben zich ertoe verbonden over te stappen van periodieke naar doorlopende governance, zodat ze in realtime kunnen zien welke data wordt gebruikt, welke beslissingen worden beïnvloed, wie verantwoordelijk is en wanneer menselijke tussenkomst nodig is.

Doorlopende governance houdt meer in dan alleen de output van AI monitoren. Het betekent begrijpen welke informatie AI gebruikt, of die nog geldig is en of beslissingen nog steeds aansluiten bij het bedrijfsbeleid en de bedrijfsdoelstellingen.

AI zal zichzelf tegenspreken

Grote organisaties moeten elke dag al omgaan met uiteenlopende prioriteiten. Beveiligingsteams willen risico’s beperken, operationele teams willen stabiliteit, bedrijfsteams willen snelheid en financiële teams willen kostenefficiëntie. Daar komen nu AI-systemen bij, die op verschillende datasets en doelstellingen zijn getraind en die prioriteiten vanzelfsprekend weerspiegelen.

Een AI-systeem voor beveiliging kan aanraden een kritieke kwetsbaarheid onmiddellijk te verhelpen, terwijl het operationele team de wijziging uitstelt omdat het getroffen systeem een essentiële bedrijfsdienst ondersteunt. Beide standpunten kunnen terecht zijn. Om zulke conflicten op te lossen, zijn duidelijke beslissingsbevoegdheden, vastgelegde verantwoordelijkheid voor risico’s en escalatieprocedures nodig.

AI moet de gegevens, context en aanbevelingen leveren, maar de organisatie moet verantwoordelijk blijven voor de afweging van zakelijke, operationele en risicofactoren.

Omgaan met scepsis wanneer inconsistenties aan het licht komen

Wanneer AI met een inconsistente aanbeveling komt, ligt het voor de hand dat het bedrijf er in de toekomst sceptisch tegenover zal staan. Het vertrouwen wordt hersteld wanneer belanghebbenden begrijpen waarom een aanbeveling is gedaan, welke gegevens zijn gebruikt en wie verantwoordelijk blijft voor de uitkomst.

AI brengt vaak problemen met de gegevenskwaliteit, onduidelijkheid over eigenaarschap en inconsistenties in processen aan het licht die al binnen de organisatie bestonden. Het is veel productiever om zulke momenten aan te grijpen om het bestuur en de operationele procedures te verbeteren dan om de technologie te verdedigen. Vertrouwen win je op termijn met transparantie, consistentie en aantoonbare bedrijfsresultaten.

De betrouwbare informatiebasis

Het gesprek over de gereedheid voor AI richt zich doorgaans op modellen, infrastructuur en tools. In de praktijk investeren de organisaties die het meeste succes boeken in iets fundamentelers: een betrouwbare informatiebasis. Die biedt de bedrijfscontext die duidelijk maakt hoe informatie samenhangt met processen, beleid, eigenaarschap en operationele beslissingen. Zo krijgt AI een stevigere basis voor aanbevelingen die organisaties kunnen begrijpen, beheren en vertrouwen.

Zelfs het meest geavanceerde AI-model kan geen zwak informatiebeheer, onduidelijk eigenaarschap of gebrekkige bedrijfscontext compenseren. Organisaties moeten de context, het bestuur, het institutionele geheugen en de besluitvormingsintelligentie opbouwen die nodig zijn om AI op verantwoorde en effectieve wijze op grote schaal in te zetten.

Dat werk verloopt langzamer en is minder zichtbaar dan de implementatie van een nieuw model, maar bepaalt uiteindelijk of het model blijvende bedrijfswaarde oplevert.