De Grootste Verborgen Kosten van AI is Niet de Rekenkracht, maar Mensen

Iedereen praat over de kosten van AI. Meestal hebben ze het over GPUs, modellicenties of tokenverbruik. Ik denk dat ze naar de verkeerde plek kijken.

De grootste kosten van enterprise AI kunnen blijken te zijn de mensen die nodig zijn om het te begeleiden.

Een recente studie vond dat medewerkers ongeveer 11 uur per week besparen met AI, maar meer dan zes uur besteden aan het controleren van uitvoer, het corrigeren van fouten, het toevoegen van ontbrekende context en het verzekeren dat de resultaten daadwerkelijk bruikbaar zijn. Iemand heeft de term “botsitting” bedacht voor dit fenomeen. Het is een pakkende naam, maar het wijst op een veel groter probleem.

AI zou werk moeten verminderen. In plaats daarvan creëren veel organisaties een geheel nieuwe categorie werk rond het beheren van AI zelf. Dat is geen technisch probleem. Het is een operationeel modelprobleem.

Een Snellere Opvolger van de SaaS-Periode

Ik heb deze film eerder gezien.

Vijftien jaar geleden omarmden organisaties SaaS omdat het software gemakkelijker maakte om aan te schaffen en te implementeren. Bedrijfseenheden konden problemen oplossen zonder op IT te wachten. Productiviteit nam toe. Innovatie versnelde. Toen kwam Shadow IT.

Plotseling wist niemand hoeveel applicaties medewerkers gebruikten, waar bedrijfsgegevens werden opgeslagen of wie toegang had tot die gegevens. IT was nog steeds verantwoordelijk, maar had geen zicht meer op of controle over de processen. AI voelt opvallend vergelijkbaar, maar het verschil zit in de snelheid.

Een SaaS-toepassing kan een handvol systemen blootleggen; een AI-agent kan op zijn eerste dag verbinding maken met tientallen systemen. Het kan documenten lezen, contracten samenvatten, code genereren, records bijwerken en workflows activeren voordat de meeste organisaties hebben vastgesteld dat het bestaat.

De technologie beweegt zich sneller dan het operationele model dat is gebouwd om het te beheren.

Daarom was ik niet verrast door IBM’s recente studie die aantoonde dat twee derde van de CIO’s en CTO’s verantwoordelijk zijn voor AI-systemen die ze niet volledig controleren. De meeste respondenten zeiden ook dat AI sneller verspreidt dan governance kan bijhouden. Dat is niet omdat CIO’s plotseling minder capabel zijn geworden. Het is omdat AI niet past in traditionele eigendomsmodellen.

Security is verantwoordelijk voor risico.
Legal is verantwoordelijk voor compliance.
Ontwikkelaars bouwen integraties.
Bedrijfseenheden zijn verantwoordelijk voor resultaten.
Leveranciers controleren onderdelen van de onderliggende infrastructuur.

Terwijl AI door al deze aspecten heen snijdt. Wanneer er iets misgaat, is iedereen verantwoordelijk voor een deel van het antwoord, maar niemand is noodzakelijkerwijs verantwoordelijk voor het hele systeem. Dat creëert een kloof, en organisaties vullen die kloof bijna altijd op met mensen.

Iemand controleert AI-gegenereerde rapporten voordat ze naar klanten worden gestuurd.
Iemand controleert AI-gegenereerde code voordat deze wordt geïmplementeerd.
Iemand verifieert aanbevelingen voordat beslissingen worden genomen.
Iemand onderzoekt onverwacht gedrag.

Sommige van deze toezicht zijn precies wat we willen. AI moet niet zonder menselijke oordeel werken, vooral niet in gereguleerde industrieën of omgevingen met hoge gevolgen. Het probleem is wanneer mensen het primaire controlemechanisme worden.

Van Chatbots naar Autonome Agenten

Denk aan wat er gebeurt als organisaties verder gaan dan chatbots.

Vandaag helpt een AI-assistent iemand bij het opstellen van een e-mail.
Morgen stuurt een AI-agent de e-mail.

Vandaag suggereert AI een update voor een klantrecord.
Morgen voert AI de update zelf uit.

Vandaag beveelt AI de volgende stap aan in een bedrijfsproces.
Morgen start AI de workflow automatisch.

Elke nieuwe actie introduceert een andere beslissing:

Moet AI dit mogen doen?

• Moet het toegang hebben tot dat systeem?
• Moet het die gegevens ophalen?
• Moet iemand het eerst goedkeuren?

De meeste organisaties beantwoorden deze vragen handmatig, en dat werkt wanneer je tien AI-gevallen hebt. Het werkt niet wanneer je honderden… of duizenden gevallen hebt. De ironie is dat organisaties investeren in AI om de productiviteit te verbeteren, en dan vragen ze hoogbetaalde medewerkers om hun tijd te besteden aan het toezicht op AI.

Dat is geen schaalvergroting van AI. Dat is schaalvergroting van overhead.

Microsoft kwam tot een soortgelijke conclusie in zijn 2026 Work Trend Index. Na het analyseren van trillions van werkpleksignalen en het ondervragen van 20.000 AI-gebruikers, concludeerde het bedrijf dat de grootste barrière voor AI-succes niet de technologie is, maar de organisatie eromheen.

Medewerkers nemen AI sneller aan dan hun bedrijven zich aanpassen. De echte uitdaging nu is het herontwerpen van hoe werk wordt gedaan: beslissen wat AI moet doen, wat mensen moeten doen en hoe de twee samenwerken. Ik denk dat dat precies de conversatie is die enterprise-leiders moeten voeren. AI creëert waarde niet alleen omdat het wordt geïmplementeerd. Het creëert waarde wanneer het wordt geïmplementeerd met een duidelijk operationeel model dat mensen in staat stelt om zich te concentreren op oordeel in plaats van toezicht.

Het Opnieuw Overwegen van AI-Beheer: Van Beleid naar Operaties

Dit is waar de conversatie over AI-beheer moet veranderen. Wanneer mensen het woord beheer horen, denken ze vaak aan beleid, commissies en documentatie. Die dingen zijn belangrijk, maar geen van hen neemt een beslissing in real-time.

Geen van hen voorkomt dat een AI-agent toegang krijgt tot gegevens die het niet zou moeten zien of een workflow pauzeert die onverwacht gedraagt. Geen van hen legt uit, op het moment dat een actie wordt aangevraagd, of die actie overeenkomt met het bedrijfsbeleid.

Dat is de kloof.

Organisaties hebben geen meer beleidsdocumenten nodig. Ze hebben beheer nodig dat werkt. Routineacties moeten automatisch plaatsvinden wanneer ze binnen goedgekeurde beleidskaders vallen; acties met een hoger risico moeten menselijke goedkeuring vereisen, en gevoelige systemen moeten duidelijke grenzen hebben rond wat AI kan en niet kan doen.

En als een AI-proces zich op een manier begint te gedragen die niemand had verwacht, moet er een onmiddellijke manier zijn om het te stoppen. Niet omdat AI niet te vertrouwen is, maar omdat elk bedrijfsproces behoefte heeft aan beschermingsmechanismen.

Mensen Plaatsen waar Ze Echt Maken

De bedrijven die de meeste waarde halen uit AI, elimineren mensen niet uit de vergelijking. Ze plaatsen mensen waar ze het meest waardevol zijn.

Niet elke uitvoer controleren.
Niet elke prompt controleren.
Niet elke agent in de gaten houden.

Ze richten mensen op de uitzonderingen, de randgevallen en de beslissingen die echt oordeel vereisen. Dat is een veel beter gebruik van menselijke expertise.

De Echte Ondernemingsvraag

AI heeft het punt bereikt waarop de technologie niet langer de grootste vraag is. De meeste organisaties hebben al bewezen dat het inhoud kan genereren, code kan schrijven, informatie kan samenvatten en herhaald werk kan automatiseren.

De moeilijkere vraag is of ze AI met vertrouwen kunnen opereren op ondernemingsniveau:

Kunnen ze zien wat het doet?

• Kunnen ze controleren wat het toegang tot heeft?
• Kunnen ze beleid consistent afdwingen?
• Kunnen ze uitleggen waarom een AI-systeem een bepaalde actie heeft ondernomen?

Dat zijn operationele vragen, en ze worden steeds meer economische vragen. Dat komt omdat elke uur die wordt besteed aan het toezicht op AI, afbreuk doet aan de productiviteitswinsten die de investering in AI in de eerste plaats rechtvaardigden. De bedrijven die winnen met AI, zullen niet degenen zijn die de meeste modellen draaien of de meeste agenten implementeren. Ze zullen degenen zijn die geen leger aan mensen nodig hebben om ze te bewaken.

AI moet uw workforce versterken. Het moet niet stilletjes een nieuwe worden.