<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:atom="http://www.w3.org/2005/Atom">
<channel>
<title>Ryan Morrison AI</title>
<link>https://www.ryanmorrisonai.com/nl</link>
<atom:link href="https://www.ryanmorrisonai.com/nl/rss.xml" rel="self" type="application/rss+xml"/>
<description>Essays over praktische AI voor organisaties, geschreven in Amsterdam.</description>
<language>nl</language>
<item><title>Waarom teams AI afhouden, en wat echt helpt</title><link>https://www.ryanmorrisonai.com/nl/essays/teams-and-ai</link><guid isPermaLink="true">https://www.ryanmorrisonai.com/nl/essays/teams-and-ai</guid><pubDate>Tue, 17 Nov 2026 08:00:00 GMT</pubDate><dc:creator>Ryan Morrison</dc:creator><description>Weerstand is meestal een teken van onduidelijke doelen en te weinig tijd. Allebei op te lossen.</description><content:encoded><![CDATA[<p>Elke AI-uitrol komt op hetzelfde moment uit. De tools staan klaar, de kick-off ging goed, en een paar weken later is het gebruik vlak. De directie concludeert dat mensen zich verzetten tegen verandering. Soms klopt dat. Vaker heeft de organisatie mensen gevraagd te veranderen zonder te vertellen waarom, waarvoor of wanneer.</p>
<p>Dit zijn de vijf redenen die ik het vaakst zie, en wat bij elk ervan helpt.</p>

<h2>1. "Gaat dit mij vervangen?"</h2>
<p>Als de directie deze vraag niet beantwoordt, doen mensen het zelf, meestal met het slechtste scenario. Stilte wordt gelezen als bevestiging.</p>
<p><strong>Wat helpt:</strong> zeg duidelijk wat AI in je organisatie moet doen, en wat er gebeurt met de tijd die vrijkomt. Is het plan om te groeien zonder extra mensen aan te nemen, zeg dat dan. Veranderen er functies, leg dan uit hoe mensen daarin worden ondersteund. Je kunt niet beloven dat er niets verandert, maar je kunt wel eerlijk zijn over de richting.</p>

<h2>2. "Gebruik AI" is geen taak</h2>
<p>Een team zeggen dat het "AI moet gaan gebruiken" is als zeggen dat het "internet moet gaan gebruiken". Zonder concrete taak proberen de meeste mensen het één keer, krijgen een middelmatig resultaat en gaan terug naar de oude manier.</p>
<p><strong>Wat helpt:</strong> koppel AI aan specifieke taken die mensen al doen, het liefst taken die ze vervelend vinden. "Gebruik deze prompt voor de eerste versie van het maandrapport" wordt opgepakt. "Ontdek hoe AI je werk kan helpen" niet.</p>

<h2>3. De tool kost werk in plaats van dat hij werk scheelt</h2>
<p>Als AI gebruiken betekent dat je data kopieert tussen drie vensters en elke uitkomst regel voor regel controleert, besluiten mensen terecht dat het de moeite niet waard is.</p>
<p><strong>Wat helpt:</strong> meet de hele taak, niet alleen de AI-stap. Soms is de oplossing een betere prompt, soms een kleine koppeling, soms de conclusie dat deze taak er nog niet geschikt voor is. Alle drie zijn nuttige antwoorden.</p>

<h2>4. Zorgen over kwaliteit en verantwoordelijkheid</h2>
<p>Professionals geven om hun werk. Als ze niet weten of ze klantgegevens in een tool mogen zetten, of wie verantwoordelijk is als de AI een fout maakt, is niet gebruiken de veilige keuze.</p>
<p><strong>Wat helpt:</strong> een kort, helder regelblad over goedgekeurde tools en data, plus één eenvoudig principe: wie het werk verstuurt, is er eigenaar van, wie het concept ook schreef. Duidelijkheid maakt mensen moediger.</p>

<h2>5. Geen tijd om te leren</h2>
<p>Een nieuwe manier van werken leren kost een paar uur proberen, falen en bijsturen. Als die uren bovenop een volle week moeten komen, gebeurt het niet.</p>
<p><strong>Wat helpt:</strong> geef mensen beschermde tijd, al is het twee uur per week gedurende een maand. Wijs per team één of twee AI-ambassadeurs aan, mensen die nieuwsgierig zijn en niet per se technisch, en laat ze in korte sessies delen wat werkt. Voorbeelden van collega's overtuigen veel meer dan demo's van leveranciers.</p>

<h2>De rol van leiderschap</h2>
<p>Het sterkste signaal is dat leidinggevenden zelf zichtbaar AI gebruiken en er eerlijk over praten, ook over wat misging. Als een manager zegt "ik heb dit geprobeerd voor mijn update aan de directie, dit werkte en dit niet", geeft dat iedereen toestemming om te experimenteren.</p>
<p>Meet tot slot wat ertoe doet. Tel de uren die je teruggeeft en waarvoor ze gebruikt worden, niet het aantal logins. Adoptie volgt nut. Gebruiken mensen geen AI, dan is de eerste vraag niet "waarom verzetten ze zich?" maar "wat hebben we ze gegeven dat het gebruiken waard is?"</p>]]></content:encoded></item>
<item><title>Als de AI de fout ingaat, wie is er dan verantwoordelijk?</title><link>https://www.ryanmorrisonai.com/nl/essays/who-is-accountable</link><guid isPermaLink="true">https://www.ryanmorrisonai.com/nl/essays/who-is-accountable</guid><pubDate>Tue, 20 Oct 2026 08:00:00 GMT</pubDate><dc:creator>Ryan Morrison</dc:creator><description>&quot;De AI deed het&quot; is geen antwoord dat een klant of een toezichthouder accepteert. Bepaal wie eigenaar is van elke beslissing waarbij AI helpt, voordat er iets misgaat.</description><content:encoded><![CDATA[<p>Vroeg of laat gaat een AI-systeem in je organisatie de fout in. Een samenvatting laat precies de ene zin weg die ertoe deed. Een conceptantwoord belooft iets wat je niet kunt waarmaken. Een selectiestap zet een goede kandidaat te laag. Als dat gebeurt, is de eerste vraag: wiens schuld is dit?</p>
<p>Begin je pas na de fout met het beantwoorden van die vraag, dan is het antwoord meestal "niemand". Dat is het slechtst denkbare antwoord voor een klant, voor een medewerker en in toenemende mate voor een toezichthouder.</p>

<h2>De machine kan niet verantwoordelijk zijn</h2>
<p>Een AI-model kan een resultaat opleveren, maar het kan er geen verantwoordelijkheid voor nemen. De verantwoordelijkheid ligt altijd bij mensen: de persoon die de output gebruikte, de persoon die het systeem inrichtte, of de persoon die besloot om AI überhaupt voor deze taak in te zetten. Het is zaak vooraf te bepalen wie van hen dat is.</p>

<h2>Drie rollen voor elke use case</h2>
<ul>
  <li><strong>De eigenaar</strong> besloot AI voor deze taak te gebruiken en is eindverantwoordelijk voor het resultaat. Meestal de manager van het proces, niet iemand van IT.</li>
  <li><strong>De bouwer</strong> richtte de instructies, koppelingen en controles in en zorgt dat die blijven werken.</li>
  <li><strong>De gebruiker</strong> handelt op basis van de output en is verantwoordelijk voor de controle voordat het ertoe doet.</li>
</ul>
<p>Schrijf deze namen op voor elke use case die klanten, geld of mensen raakt. In een klein team kan één persoon twee rollen hebben. Dat is prima, zolang iedereen het weet.</p>

<h2>Laat de controle passen bij wat er op het spel staat</h2>
<p>Niet elke output vraagt dezelfde zorgvuldigheid. Een interne vergadersamenvatting kan de deur uit na een snelle blik. Een brief aan een klant over diens contract vraagt aandachtig lezen. Een beslissing die iemands baan, krediet of toegang tot een dienst raakt, vraagt een echte menselijke beslissing, met de AI als één input naast andere.</p>
<p>Een simpele regel: hoe meer een fout de persoon aan de andere kant zou kosten, hoe onafhankelijker de controle moet zijn.</p>

<h2>Leg een spoor vast</h2>
<p>Houd voor de use cases die ertoe doen bij wat erin ging, wat eruit kwam en wie het goedkeurde. Je hebt dat nodig zodra iemand voor het eerst vraagt waarom een beslissing is genomen, en het is de enige manier om te achterhalen of een fout eenmalig was of een patroon.</p>

<h2>Wat de AI Act toevoegt</h2>
<p>De EU AI Act legt specifieke plichten op aan organisaties die AI gebruiken op terreinen met een hoog risico, zoals beslissingen over werving, krediet of toegang tot essentiële diensten. Daar hoort menselijk toezicht bij door mensen met de juiste deskundigheid en bevoegdheid. Komt een van je use cases in de buurt van die terreinen, haal dan goed advies in. Het rollenmodel hierboven is een goed vertrekpunt voor dat gesprek, geen vervanging ervan.</p>

<h2>Maak het veilig om fouten te melden</h2>
<p>Het laatste deel gaat over cultuur. Zijn mensen bang voor schuld, dan worden AI-fouten stilletjes hersteld en nooit gemeld, en gebeurt dezelfde fout volgende week weer. Zie de eerste meldingen als nuttige informatie, verbeter de instructies of de controle en vertel mensen wat er veranderd is. Verantwoordelijkheid werkt het best als het om leren gaat, niet om het vinden van een schuldige.</p>]]></content:encoded></item>
<item><title>Verder dan de chatbot: wat een AI-agent eigenlijk is, en wanneer je er een nodig hebt</title><link>https://www.ryanmorrisonai.com/nl/essays/beyond-the-chatbot</link><guid isPermaLink="true">https://www.ryanmorrisonai.com/nl/essays/beyond-the-chatbot</guid><pubDate>Tue, 15 Sep 2026 08:00:00 GMT</pubDate><dc:creator>Ryan Morrison</dc:creator><description>Chat, workflows met AI en agents zijn drie verschillende dingen. De meeste bedrijven hebben eerst de middelste nodig.</description><content:encoded><![CDATA[<p>"We hebben AI-agents nodig" is het nieuwe "we hebben een app nodig". Het woord wordt voor bijna alles gebruikt, van een chatbot op een website tot software die een halve afdeling draait. Als je moet beslissen waar je in investeert, helpt het om drie niveaus van AI uit elkaar te houden, want ze kosten verschillende bedragen, dragen verschillende risico's en lossen verschillende problemen op.</p>

<h2>Niveau 1: chat</h2>
<p>Dit kennen de meeste mensen: ChatGPT, Claude, Copilot, Gemini. Je vraagt, het antwoordt, en jij kopieert het resultaat naar een andere plek. De mens houdt bij elke stap de regie.</p>
<p>Chat is uitstekend om te schrijven, samen te vatten, te brainstormen en te leren. Het is ook waar de meeste bedrijven blijven hangen. De beperking: de AI weet alleen wat jij erin plakt, en kan niets doen in je systemen. Elke winst hangt af van een individu dat eraan denkt om het te gebruiken.</p>

<h2>Niveau 2: workflows met een AI-stap</h2>
<p>Hier liggen de stappen vast en zijn ze door mensen ontworpen, en neemt AI er één of twee voor zijn rekening waar oordeelsvermogen voor nodig is. Er komt een e-mail binnen, de AI herkent het als klacht, offerteaanvraag of factuur, en de workflow zet het in de juiste wachtrij met een conceptantwoord erbij.</p>
<p>Hier zit vandaag de meeste praktische waarde. Het proces is voorspelbaar, je kunt het testen, en als de AI twijfelt stuur je het geval door naar een mens. Veel "agent"-projecten die ik zie, kun je beter als niveau 2 bouwen.</p>

<h2>Niveau 3: agents</h2>
<p>Een agent krijgt een doel in plaats van een script. Hij heeft toegang tot tools, zoals zoeken, je CRM, een spreadsheet of e-mail, en bepaalt zelf welke stappen hij zet, controleert het resultaat en probeert het zo nodig opnieuw. "Maak een briefing over deze klant voor de vergadering van morgen" is een taak voor een agent: de AI kiest wat hij opzoekt en in welke volgorde.</p>
<p>Agents zijn krachtig bij werk dat per geval sterk verschilt. Ze zijn ook lastiger te testen, omdat de route elke keer anders is.</p>

<h2>De bouwstenen, in gewone taal</h2>
<p>Op welk niveau je ook bouwt, dezelfde paar onderdelen bepalen of het werkt:</p>
<ul>
  <li><strong>Het model.</strong> Het taalmodel dat het denkwerk doet. Belangrijk, maar zelden nog de doorslaggevende factor.</li>
  <li><strong>Context.</strong> Alles wat het model op dat moment kan zien: instructies, documenten, het klantdossier. De meeste slechte resultaten komen door slechte context, niet door een slecht model.</li>
  <li><strong>Tools.</strong> Wat de AI mag doen: een database lezen, een e-mail sturen, een ticket aanmaken. Elke tool is ook een risico om te beheren.</li>
  <li><strong>Geheugen.</strong> Wat het tussen taken onthoudt, zoals eerdere gesprekken of voorkeuren van klanten.</li>
  <li><strong>Evaluatie.</strong> Een set echte voorbeelden met bekende goede antwoorden, waarmee je na elke wijziging controleert of het systeem nog werkt. Dit onderdeel ontbreekt het vaakst.</li>
</ul>

<h2>Waar projecten vastlopen</h2>
<p>In de praktijk mislukken AI-projecten zelden omdat het model niet slim genoeg is. Ze lopen vast op toegang (de AI kan niet bij de data die hij nodig heeft), op uitzonderingen (de tien procent rare gevallen waar niemand voor ontwierp), op ontbrekende evaluatie (niemand kan bewijzen dat het werkt, dus niemand durft het aan te zetten) en op eigenaarschap (het pilotteam gaat verder en het systeem heeft geen thuis).</p>

<h2>Welke heb jij nodig?</h2>
<p>Begin met de vraag hoe voorspelbaar het werk is. Zijn de stappen elke keer hetzelfde, bouw dan een workflow met een AI-stap. Is elk geval anders en zou een vakkundig persoon moeten nadenken over de volgende stap, dan kan een agent de moeite waard zijn. En hebben mensen vooral hulp nodig bij schrijven en denken, geef ze dan goede chattools en training.</p>
<p>Biedt een leverancier je een agent aan, stel dan vier vragen. Welke tools kan hij gebruiken? Hoe test je hem? Wat gebeurt er als hij twijfelt? Wie beheert hem over zes maanden? De antwoorden vertellen je meer dan welke demo ook.</p>]]></content:encoded></item>
<item><title>Zo zie je of AI echt helpt</title><link>https://www.ryanmorrisonai.com/nl/essays/is-ai-helping</link><guid isPermaLink="true">https://www.ryanmorrisonai.com/nl/essays/is-ai-helping</guid><pubDate>Tue, 21 Jul 2026 08:00:00 GMT</pubDate><dc:creator>Ryan Morrison</dc:creator><description>Bespaarde uren is het getal waar iedereen om vraagt, en het getal dat het meest misleidt. Meet het werk, niet de tool.</description><content:encoded><![CDATA[<p>Zes maanden na de start van een AI-programma stelt iemand in het directieteam de voor de hand liggende vraag: werkt het? Meestal is het antwoord een mix van gebruikscijfers van de licenties, een enquête waarin mensen zeggen dat ze zich productiever voelen, en een paar mooie verhalen. Niets daarvan is onjuist, maar niets ervan beantwoordt echt de vraag.</p>
<p>Hier is een simpele manier van meten die overeind blijft als het gesprek over de begroting eraan komt.</p>

<h2>Gebruik is geen waarde</h2>
<p>Het aantal actieve gebruikers vertelt je dat mensen de tool hebben geopend. Het vertelt je niet of er iets beter is geworden. Veel gebruik kan betekenen dat een tool echt nuttig is, of dat mensen opgedragen is hem te gebruiken. Weinig gebruik kan betekenen dat hij nutteloos is, of dat de drie mensen die hem gebruiken het bedrijf veel tijd besparen op één belangrijke taak.</p>
<p>Houd het gebruik bij, maar zie het als een signaal om uit te zoeken, niet als het resultaat.</p>

<h2>Wees voorzichtig met "bespaarde uren"</h2>
<p>Zelf gerapporteerde tijdsbesparing is bijna altijd te hoog. Mensen herinneren zich hoe lang een taak duurde op zijn slechtste dag en vergelijken dat met de beste dag van de AI. En bespaarde tijd telt alleen als die ergens naartoe gaat: naar meer klanten, snellere antwoorden of werk dat eerder bleef liggen. Twintig minuten besparen en die aan extra e-mail besteden is geen bedrijfsresultaat.</p>

<h2>Meet het werk, voor en na</h2>
<p>Kies per use case twee of drie maatstaven voor het werk zelf, en leg ze vast voordat je begint. Goede maatstaven zijn dingen waar het team al om geeft:</p>
<table class="rubric">
  <thead><tr><th>Maatstaf</th><th>Voorbeeld</th></tr></thead>
  <tbody>
    <tr><td>Snelheid</td><td>Tijd van de vraag van een klant tot het eerste bruikbare antwoord</td></tr>
    <tr><td>Volume</td><td>Aantal offertes dat hetzelfde team per week verstuurt</td></tr>
    <tr><td>Kwaliteit</td><td>Aandeel rapporten dat terugkomt voor correcties</td></tr>
    <tr><td>Achterstand</td><td>Aantal openstaande tickets aan het eind van de week</td></tr>
  </tbody>
</table>
<p>Meet dezelfde dingen een paar weken voor de verandering en een paar weken erna. Het hoeft geen wetenschappelijk onderzoek te zijn. Het moet wel dezelfde maatstaf zijn, op dezelfde manier gemeten, voor en na.</p>

<h2>Stel één eerlijke vraag</h2>
<p>Stel naast de cijfers de mensen die het werk doen één vraag: "Als we dit morgen weghalen, zou je dat erg vinden?" Die vraag snijdt door de beleefdheid heen. Tools waar mensen voor zouden vechten, leveren iets op, ook als de cijfers nog rommelig zijn. Tools die niemand zou missen, kun je stoppen.</p>

<h2>Stop bewust met dingen</h2>
<p>Een gezond AI-programma stopt dingen. Heeft een use case het werk na een eerlijke test niet verbeterd, beëindig hem dan en zeg dat ook. Dat maakt budget en aandacht vrij, en het maakt de overgebleven resultaten geloofwaardiger.</p>

<h2>Een rapport van één pagina</h2>
<p>Zet elk kwartaal elke use case op één regel: waar hij voor is, de maatstaven van voor en na, het antwoord op de vraag "zou je het erg vinden" en een besluit (opschalen, houden, repareren of stoppen). De directie leest het in vijf minuten, en het maakt van "werkt AI?" een reeks besluiten in plaats van een gevoel.</p>]]></content:encoded></item>
<item><title>Zo kies je AI-ambassadeurs, en dit geef je ze mee</title><link>https://www.ryanmorrisonai.com/nl/essays/ai-champions</link><guid isPermaLink="true">https://www.ryanmorrisonai.com/nl/essays/ai-champions</guid><pubDate>Tue, 23 Jun 2026 08:00:00 GMT</pubDate><dc:creator>Ryan Morrison</dc:creator><description>Ambassadeurs zijn de effectiefste manier om AI in een bedrijf te verspreiden, en het vaakst verspild. Kies op nieuwsgierigheid en vertrouwen, niet op functietitel.</description><content:encoded><![CDATA[<p>Bijna elk plan voor AI-adoptie bevat "een netwerk van ambassadeurs". Dat is een goed idee. Mensen leren nieuwe manieren van werken veel eerder van collega's die ze vertrouwen dan van een trainingsvideo of een mail van IT. Maar in de praktijk worden de ambassadeurs vaak haastig gekozen, krijgen ze niets mee en zijn ze na de kick-off vergeten.</p>
<p>Zo pak je het aan zodat het werkt.</p>

<h2>Kies op nieuwsgierigheid en vertrouwen</h2>
<p>De beste ambassadeurs zijn niet altijd de meest technische of de meest senior mensen. Let op drie dingen:</p>
<ul>
  <li>Ze zijn al nieuwsgierig en experimenteren, zonder dat iemand het vraagt.</li>
  <li>Collega's gaan naar hen toe met alledaagse vragen.</li>
  <li>Ze kennen het werk van hun team tot in detail.</li>
</ul>
<p>Vraag teamleiders: "Naar wie gaan mensen in je team als iets niet werkt?" Die persoon is meestal een betere ambassadeur dan degene die zich als eerste meldt.</p>

<h2>Eén per team, niet één per bedrijf</h2>
<p>Een ambassadeur werkt omdat die dicht bij het werk zit. Eén centrale "AI-persoon" kan niet weten hoe finance, sales en klantenservice elk hun dag doorbrengen. Mik op één ambassadeur per team van tien tot twintig mensen, en zorg dat de teams met het meeste repetitieve tekstwerk als eerste aan de beurt zijn.</p>

<h2>Geef ze tijd, op papier</h2>
<p>Hier gaan de meeste programma's mis. Ambassadeur zijn komt bovenop een volle baan, dus het is het eerste wat sneuvelt als het druk wordt. Spreek een vaste hoeveelheid tijd af, bijvoorbeeld twee tot vier uur per week, en laat hun leidinggevende dat bevestigen. Geen tijd betekent geen programma.</p>

<h2>Geef ze betere toegang en een directe lijn</h2>
<p>Ambassadeurs horen als eersten de goedgekeurde tools te krijgen, een iets groter budget om dingen uit te proberen en een directe lijn met degene die eigenaar is van AI in de organisatie. Lopen ze aan tegen een vraag over data of regels, dan hebben ze binnen een dag een antwoord nodig, geen ticket dat drie weken blijft liggen.</p>

<h2>Geef ze een opdracht, geen titel</h2>
<p>"AI verspreiden" is geen opdracht. Geef elke ambassadeur iets concreets voor de eerste drie maanden:</p>
<ul>
  <li>Vind de drie taken in hun team die de meeste tijd verspillen.</li>
  <li>Test AI op één ervan met twee of drie collega's.</li>
  <li>Deel in een korte sessie wat werkte en wat niet, met echte voorbeelden.</li>
</ul>

<h2>Breng ze samen</h2>
<p>Organiseer elke twee weken een kort overleg waarin ambassadeurs delen wat ze hebben geprobeerd. Daar gebeurt het echte leren: de manier waarop de ambassadeur van finance facturen controleert, blijkt nuttig voor inkoop, en een prompt die bij sales mislukte, bespaart marketing een week. Houd het informeel, houd het kort en schrijf de goede ideeën op.</p>

<h2>Bedank ze zichtbaar</h2>
<p>Noem hun werk in updates van de directie, neem het mee in hun beoordeling en laat ze de resultaten zelf presenteren. Ambassadeurs die zich gezien voelen, blijven ambassadeur. Ambassadeurs die zich gebruikt voelen, worden de eerste sceptici.</p>]]></content:encoded></item>
<item><title>Prompts zijn geen strategie: van chat naar workflows</title><link>https://www.ryanmorrisonai.com/nl/essays/from-prompts-to-workflows</link><guid isPermaLink="true">https://www.ryanmorrisonai.com/nl/essays/from-prompts-to-workflows</guid><pubDate>Tue, 26 May 2026 08:00:00 GMT</pubDate><dc:creator>Ryan Morrison</dc:creator><description>Chat maakt individuen sneller. Workflows maken de organisatie sneller. De stap ertussen is kleiner dan hij lijkt.</description><content:encoded><![CDATA[<p>De meeste organisaties maken kennis met AI via een chatvenster. Iemand typt een vraag, krijgt een bruikbaar antwoord en bespaart twintig minuten. Vermenigvuldig dat met een paar honderd mensen en het telt op, en het is een prima plek om te beginnen.</p>
<p>Maar chat heeft een plafond. Iedereen schrijft zijn eigen prompts, controleert zijn eigen resultaten en kopieert de uitkomst met de hand terug naar een ander systeem. De kennis over wat werkt blijft hangen in losse chatgeschiedenissen. De organisatie als geheel leert er niets van.</p>

<h2>Wat een workflow is</h2>
<p>Een workflow is een taak waarbij de AI-stap is ingebouwd in de manier waarop het werk al loopt. De input komt van waar hij normaal staat (een inbox, een formulier, een map, een ticketsysteem), de AI doet één afgebakende stap met vaste instructies, en het resultaat komt terecht waar mensen het nodig hebben, klaar voor een controle.</p>
<p>Neem klachten van klanten. In een chat kopieert een medewerker een klacht in een tool en vraagt om een samenvatting. In een workflow wordt elke binnenkomende klacht samengevat, gelabeld op onderwerp en urgentie en in de juiste wachtrij gezet, met een conceptantwoord erbij. Hetzelfde model, een heel ander effect.</p>

<h2>Zo herken je een workflow in je chatgebruik</h2>
<p>Zoek naar prompts die mensen steeds opnieuw schrijven. Vragen drie mensen in een team de AI elke week hetzelfde te doen, met kleine variaties, dan heb je een workflow gevonden die erop wacht om gebouwd te worden. Een korte rondvraag "welke prompts gebruik je vaker?" levert meestal een handvol sterke kandidaten op.</p>
<p>Goede kandidaten hebben drie dingen gemeen: de input is altijd van hetzelfde soort, de output heeft een duidelijke vorm, en iemand kan het resultaat snel controleren.</p>

<h2>De vier onderdelen die goed moeten zitten</h2>
<ul>
  <li><strong>De trigger:</strong> wat het in gang zet. Een nieuwe e-mail, een ingevuld formulier, een bestand in een map, een tijdstip.</li>
  <li><strong>De instructies:</strong> één keer geschreven, getest op echte voorbeelden, op één plek bewaard en met één eigenaar.</li>
  <li><strong>De controle:</strong> wie naar het resultaat kijkt voordat het ertoe doet, en hoe die het corrigeert.</li>
  <li><strong>De bestemming:</strong> waar de output naartoe gaat, zodat niemand hoeft te knippen en plakken.</li>
</ul>
<p>De meeste moeite zit in het eerste en het laatste onderdeel, de koppelingen met je bestaande systemen. De AI-stap zelf is vaak het makkelijke deel.</p>

<h2>Misschien heb je geen ontwikkelaars nodig</h2>
<p>Veel tools waar je al voor betaalt (je e-mail- en officepakket, je CRM, je helpdesk) hebben inmiddels AI-stappen die je zelf kunt instellen. Automatiseringstools kunnen ze aan elkaar koppelen zonder dat je code schrijft. Begin daar voordat je iets op maat laat maken, en bouw pas zelf als de kant-en-klare route tegen een echte grens aanloopt.</p>

<h2>Waar dit naartoe leidt</h2>
<p>Zodra je een paar workflows hebt draaien, zie je een patroon: sommige stappen vragen een oordeel over wat er daarna moet gebeuren, niet alleen een vaste bewerking. Daar komen agents in beeld, en dat is een logische volgende stap. Maar het gaat alleen goed als de basis op orde is: heldere instructies, een menselijke controle en een duidelijke eigenaar. Met workflows leer je die basis op werk dat ertoe doet.</p>]]></content:encoded></item>
<item><title>De eerste 30 dagen AI in een middelgroot bedrijf</title><link>https://www.ryanmorrisonai.com/nl/essays/first-30-days</link><guid isPermaLink="true">https://www.ryanmorrisonai.com/nl/essays/first-30-days</guid><pubDate>Tue, 21 Apr 2026 08:00:00 GMT</pubDate><dc:creator>Ryan Morrison</dc:creator><description>Sla de licenties en de hackathon over. Begin met een eigenaar, een lijst echte taken en drie kleine tests.</description><content:encoded><![CDATA[<p>De meeste bedrijven beginnen hun AI-traject op dezelfde manier. Iemand koopt een stapel ChatGPT- of Copilot-licenties, een paar enthousiastelingen geven een demo tijdens de lunch, en drie maanden later kan niemand zeggen wat er veranderd is. Het gebruik zakt in, bij de begroting worden de licenties ter discussie gesteld, en AI wordt stilletjes "iets wat we geprobeerd hebben".</p>
<p>Het probleem is zelden de technologie. Het probleem is dat niemand eigenaar was van de vraag wat AI voor het bedrijf moest doen. Dit is het plan van 30 dagen dat ik zou uitvoeren in een bedrijf van 100 tot 1.000 mensen dat voorbij dat punt wil komen.</p>

<h2>Week 1: één eigenaar, één vraag</h2>
<p>Wijs één persoon aan die de komende drie maanden eigenaar is van AI. Die persoon hoeft niet technisch te zijn. Wel nodig: tijd (minstens een dag per week), toegang tot het directieteam en de ruimte om nee te zeggen tegen ideeën.</p>
<p>Spreek daarna één vraag af, in zakelijke taal. "Hoe gebruiken we AI?" is te vaag. "Waar verliezen we de meeste uren aan repetitief werk met tekst, documenten of e-mail?" is een vraag waar mensen antwoord op kunnen geven.</p>

<h2>Week 2: breng het werk in kaart, niet de tools</h2>
<p>Praat met vijf of zes teams, elk 45 minuten. Vraag wat ze elke week doen dat saai, traag of foutgevoelig is. Je zoekt taken, geen tools. Mik op een lijst van 20 tot 30 concrete taken, zoals "klachten van klanten samenvatten voor het weekrapport" of "leveranciersfacturen vergelijken met inkooporders".</p>
<p>Geef elke taak een score van 1 tot 5 op vier punten:</p>
<table class="rubric">
  <thead><tr><th>Criterium</th><th>De vraag die je stelt</th></tr></thead>
  <tbody>
    <tr><td>Volume</td><td>Hoe vaak gebeurt dit, en hoeveel mensen doen het?</td></tr>
    <tr><td>Pijn</td><td>Hoe vervelend vinden mensen het, of hoe duur zijn de fouten?</td></tr>
    <tr><td>Data klaar</td><td>Is de input al digitaal en bereikbaar, of zit die in iemands hoofd of op papier?</td></tr>
    <tr><td>Risico</td><td>Wat gebeurt er als de AI het fout doet? (Laag risico krijgt een hoge score.)</td></tr>
  </tbody>
</table>
<p>De taken met de hoogste totaalscore vormen je shortlist. Het zijn bijna nooit de spannendste ideeën, en dat is prima. Spannende ideeën zijn goed voor een keynote. Taken met veel volume en weinig risico zijn goed voor een eerste project.</p>

<h2>Week 3: drie kleine tests</h2>
<p>Kies de top drie en test ze elk met de mensen die het werk echt doen. Houd het klein: één team, echte voorbeelden en waar mogelijk bestaande tools. Voor veel eerste tests heb je niet meer nodig dan een goed geschreven prompt, een gedeelde map met voorbeelden en een AI-tool waar je al voor betaalt.</p>
<p>Schrijf vóór de start op hoe de taak nu werkt: hoe lang het duurt en hoe vaak het misgaat. Zonder dat vertrekpunt eindig je in een discussie over meningen in plaats van cijfers.</p>

<h2>Week 4: meten, beslissen en de regels opschrijven</h2>
<p>Stel bij elke test drie vragen. Bespaarde het tijd? Bleef de kwaliteit op peil? Zou het team het blijven gebruiken zonder dat iemand ze aanspoort? Stop met alles wat op twee van de drie zakt. Houd de rest en plan hoe je het onderdeel maakt van de normale manier van werken.</p>
<p>Schrijf in dezelfde week een regelblad van één pagina: welke tools zijn goedgekeurd, welke data mag erin, en bij wie kun je terecht bij twijfel. Mensen experimenteren veel liever als ze weten waar de grenzen liggen.</p>

<h2>Wat je op dag 30 zou moeten hebben</h2>
<ul>
  <li>Eén eigenaar met een mandaat</li>
  <li>Een gescoorde lijst van 20 tot 30 echte taken</li>
  <li>Drie geteste toepassingen, met cijfers van voor en na</li>
  <li>Een besluit over welke je opschaalt en met welke je stopt</li>
  <li>Een regelblad van één pagina dat iedereen in vijf minuten leest</li>
</ul>
<p>Niets hiervan vraagt een groot budget of een team van data scientists. Het vraagt iemand die eigenaar is van de vraag, en de discipline om met het werk te beginnen in plaats van met de technologie. Zodra je dat hebt, worden de grotere stappen (agents, integraties, nieuwe producten) geen gok meer.</p>]]></content:encoded></item>
<item><title>Een AI-beleid van één pagina dat je mensen echt lezen</title><link>https://www.ryanmorrisonai.com/nl/essays/one-page-ai-policy</link><guid isPermaLink="true">https://www.ryanmorrisonai.com/nl/essays/one-page-ai-policy</guid><pubDate>Tue, 24 Mar 2026 08:00:00 GMT</pubDate><dc:creator>Ryan Morrison</dc:creator><description>Je mensen gebruiken AI al. Een kort, helder regelblad doet meer voor de veiligheid dan een lang document dat niemand opent.</description><content:encoded><![CDATA[<p>Heb je nog geen regels voor AI opgesteld, dan wachten je mensen niet op je. Onderzoeken komen steeds op hetzelfde uit: een groot deel van de medewerkers gebruikt AI-tools op het werk, en velen vertellen dat niet aan hun leidinggevende. Ze plakken e-mails, rapporten en soms klantgegevens in welke tool er ook openstaat in hun browser.</p>
<p>Het antwoord is geen verbod. Een verbod duwt het gebruik uit het zicht, waar je het niet kunt sturen. Het antwoord is een kort beleid dat mensen vertelt wat mag, wat niet mag en bij wie ze terechtkunnen. Eén pagina, in gewone taal, die iemand bij een kop koffie leest.</p>

<h2>Wat er op de pagina staat</h2>
<p>Voor de meeste organisaties zijn vijf korte onderdelen genoeg.</p>
<table class="rubric">
  <thead><tr><th>Onderdeel</th><th>Wat erin staat</th></tr></thead>
  <tbody>
    <tr><td>Goedgekeurde tools</td><td>Welke AI-tools zijn goedgekeurd voor het werk, en met welk account (dat van het bedrijf, niet een persoonlijk account).</td></tr>
    <tr><td>Data</td><td>Wat er wel en niet in mag, met voorbeelden: openbare informatie wel, persoonsgegevens van klanten niet, vertrouwelijke contracten alleen in de goedgekeurde tool.</td></tr>
    <tr><td>Controleren</td><td>Je bent verantwoordelijk voor alles wat je verstuurt of publiceert, of de eerste versie nu door een mens of een machine is geschreven.</td></tr>
    <tr><td>Open zijn</td><td>Wanneer je vertelt dat AI is gebruikt, bijvoorbeeld in opleveringen voor klanten of bij beslissingen over mensen.</td></tr>
    <tr><td>Vragen</td><td>Eén vaste persoon of één kanaal voor vragen, met de belofte van een snel antwoord.</td></tr>
  </tbody>
</table>

<h2>Gebruik voorbeelden, geen principes</h2>
<p>"Gebruik AI verantwoord" zegt niemand iets. "Je mag de goedgekeurde assistent gebruiken om een antwoord aan een klant op te stellen, maar haal eerst naam, adres en ordernummer weg" vertelt mensen precies wat ze moeten doen. Elke regel op de pagina hoort één concreet voorbeeld uit jullie eigen werk te hebben.</p>

<h2>Maak de veilige optie de makkelijke optie</h2>
<p>Regels werken het best als de goedgekeurde route ook de handigste is. Is de bedrijfstool traag, lastig te bereiken of mist hij functies die mensen nodig hebben, dan blijven ze hun persoonlijke accounts gebruiken, wat het beleid ook zegt. Reserveer budget voor een goede goedgekeurde tool voordat je de regels schrijft.</p>

<h2>Het hoort ook bij de AI Act</h2>
<p>Onder de EU AI Act wordt van organisaties die AI-systemen gebruiken verwacht dat ze maatregelen nemen zodat hun personeel voldoende AI-geletterd is. Een helder beleid, samen met een korte training, is daar een praktische eerste stap naartoe. Het dekt niet alles wat de wet vraagt, zeker niet als je AI gebruikt voor beslissingen over mensen, maar het laat zien dat je bent begonnen.</p>

<h2>Bekijk het elk kwartaal opnieuw</h2>
<p>De tools veranderen snel, dus de pagina raakt verouderd. Zet elke drie maanden een evaluatie in de agenda: welke vragen kwamen er binnen, welke regels waren onduidelijk, om welke nieuwe tools vragen mensen? Werk de pagina bij en vertel mensen wat er veranderd is.</p>
<p>Een beleid dat kort, actueel en vol voorbeelden is, wordt gelezen. Een beleid dat lang en abstract is en één keer is geschreven, verdwijnt in een map. Maar één van de twee verandert wat mensen op maandag doen.</p>]]></content:encoded></item>
<item><title>Wat ik als eerste automatiseerde, en wat ik als eerste had moeten automatiseren</title><link>https://www.ryanmorrisonai.com/nl/essays/what-i-automated-first</link><guid isPermaLink="true">https://www.ryanmorrisonai.com/nl/essays/what-i-automated-first</guid><pubDate>Tue, 17 Feb 2026 08:00:00 GMT</pubDate><dc:creator>Ryan Morrison</dc:creator><description>Lessen uit het automatiseren van mijn eigen werk met taalmodellen: de saaie taken leverden op, de slimme meestal niet.</description><content:encoded><![CDATA[<p>De afgelopen jaren heb ik een groot deel van mijn eigen werkdag geautomatiseerd met taalmodellen en agents. Niet omdat ik dat van plan was, maar omdat elke keer dat iets werkte, het volgende ook mogelijk leek. Achteraf gezien deed ik de dingen grotendeels in de verkeerde volgorde. Dit is wat ik leerde, voor het geval het jou een paar omwegen bespaart.</p>

<h2>Ik begon met de indrukwekkende dingen</h2>
<p>Mijn eerste projecten waren de projecten die goede verhalen opleverden: een onderzoeksassistent die alles over een markt zou lezen en er een rapport over zou schrijven, een agent die mijn week zou plannen. Ze deden het goed in een demo en ik gebruikte ze ongeveer twee weken.</p>
<p>Het probleem was niet de kwaliteit. Het waren taken die ik af en toe deed, en elke keer net iets anders. Elke keer waren er nieuwe instructies, nieuwe controles en nieuwe reparaties nodig. De automatisering bespaarde minder tijd dan het onderhoud kostte.</p>

<h2>De saaie dingen leverden op</h2>
<p>Wat mijn week echt veranderde, waren kleine, terugkerende taken die ik elke keer op dezelfde manier deed:</p>
<ul>
  <li>Binnenkomende e-mail sorteren in "moet ik vandaag doen", "moet ik deze week doen" en "ter informatie"</li>
  <li>Vergaderaantekeningen omzetten in een korte samenvatting met besluiten en vervolgstappen</li>
  <li>Eerste versies van routineantwoorden en updates schrijven in mijn eigen stijl</li>
  <li>De kernpunten uit lange documenten halen voordat ik ze goed lees</li>
</ul>
<p>Op zichzelf is niets hiervan indrukwekkend. Samen leverden ze me elke week uren op, omdat ze elke dag voorkomen en altijd dezelfde vorm hebben.</p>

<h2>Schrijf de instructies op, zoals je voor een mens zou doen</h2>
<p>De grootste verbetering kwam toen ik stopte met prompts bijschaven op het moment zelf en instructies ging schrijven alsof het voor een nieuwe collega was: waar de taak voor is, hoe een goed resultaat eruitziet, twee of drie echte voorbeelden en wat te doen bij twijfel. Eenmaal opgeschreven kon ik ze hergebruiken, verbeteren en overdragen.</p>
<p>Dit is ook de nuttigste gewoonte om mee te nemen naar een bedrijf. Instructies die in de chatgeschiedenis van één persoon staan, verdwijnen zodra die persoon op vakantie gaat.</p>

<h2>Houd een menselijke controle waar fouten duur zijn</h2>
<p>Ik laat de machine sorteren, samenvatten en concepten schrijven. Ik laat hem niets versturen, betalen of beloven zonder dat ik eerst kijk. Die grens is in de loop van de tijd verschoven naarmate ik leerde waar de tools betrouwbaar waren, maar hij is nooit verdwenen. Een korte controle kost seconden; een verkeerde e-mail aan de verkeerde persoon kost veel meer.</p>

<h2>Wat ik in jouw plaats zou doen</h2>
<p>Maak een lijst van alles wat je vaker dan drie keer per week doet en waarbij je tekst leest of schrijft. Kies het saaiste punt. Schrijf er goede instructies voor, test ze op de echte voorbeelden van vorige week en gebruik het resultaat twee weken voordat je aan iets anders begint.</p>
<p>Het zal te klein voelen. Dat is het niet. Kleine, herhaalde successen bouwen het vertrouwen, en de vaardigheid, op om later de grotere dingen aan te pakken.</p>]]></content:encoded></item>
<item><title>Vijf vragen die je stelt voordat je een AI-tool koopt</title><link>https://www.ryanmorrisonai.com/nl/essays/before-you-buy</link><guid isPermaLink="true">https://www.ryanmorrisonai.com/nl/essays/before-you-buy</guid><pubDate>Tue, 20 Jan 2026 08:00:00 GMT</pubDate><dc:creator>Ryan Morrison</dc:creator><description>De meeste AI-aankopen gaan mis op vragen die niemand tijdens de demo stelde.</description><content:encoded><![CDATA[<p>AI-leveranciers zijn erg goed geworden in demo's. In twintig minuten zie je een tool een contract samenvatten, een offerte opstellen en vragen beantwoorden over een beleidsdocument. Dat is echt indrukwekkend, en precies daar zit het probleem: de demo beantwoordt de vraag "kan dit werken?", terwijl jij moet weten "gaat dit hier werken?"</p>
<p>Stel deze vijf vragen voordat je iets tekent. Geen ervan is technisch, en de meeste kan de leverancier niet voor je beantwoorden.</p>

<h2>1. Welke taak, voor wie, hoe vaak?</h2>
<p>Benoem de taak in één zin, het team dat hem doet en hoe vaak hij voorkomt. "Beter kennismanagement" is geen taak. "De klantenservice beantwoordt zo'n 300 keer per week dezelfde twintig vragen over levertijden" wel.</p>
<p>Lukt het je niet om die zin te schrijven, dan koop je geen oplossing. Dan koop je hoop, en hoop is duur als je per gebruiker betaalt.</p>

<h2>2. Wat moet de tool kunnen zien?</h2>
<p>Elke AI-tool is maar zo goed als de informatie waar hij bij kan. Vraag aan welke systemen hij gekoppeld moet worden, wie die toegang moet goedkeuren en hoe lang zo'n goedkeuring in jouw organisatie meestal duurt. In veel bedrijven is het eerlijke antwoord "drie maanden en een security review", en dat verandert de business case meer dan welke functie ook.</p>
<p>Vraag ook wat er gebeurt met de data die je erin stopt. Gebruikt de leverancier die om zijn modellen te trainen? Waar wordt het opgeslagen? Kun je het verwijderen? Een helder antwoord op één pagina is een goed teken. Een link naar veertig pagina's voorwaarden niet.</p>

<h2>3. Hoe doen we het nu, en wat kost dat?</h2>
<p>Schrijf op hoe de taak nu verloopt: hoe lang hij duurt, hoe vaak het misgaat en wat een fout kost. Dat is het vertrekpunt waarmee je straks vergelijkt. Zonder dat wordt elke evaluatie een uitwisseling van indrukken, en wint de luidste mening.</p>
<p>Het beschermt je ook tegen een bekende valkuil: een taak automatiseren die maar tien minuten per week kost. Een tool kan briljant zijn en toch zijn geld niet waard.</p>

<h2>4. Wie is eigenaar na de livegang?</h2>
<p>Iemand moet de instructies actueel houden, vragen van gebruikers beantwoorden, merken wanneer de kwaliteit daalt en beslissen wanneer je stopt. Bestaat die persoon niet, dan takelt de tool langzaam af. Prompts verouderen, documenten waar hij op leunt veranderen, en mensen gaan stilletjes terug naar de oude manier.</p>
<p>Vraag de leverancier hoe dat eigenaarschap eruitziet bij hun beste klanten. Vraag je daarna af wie dat hier zou zijn, en of die persoon er tijd voor heeft.</p>

<h2>5. Hoe stoppen we?</h2>
<p>Dit is de vraag die niemand stelt. Hoe lang loopt het contract? Kun je meenemen wat je hebt gebouwd, zoals instructies, sjablonen en gespreksgeschiedenis? Wat kost overstappen naar een andere tool over een jaar, als de markt weer is opgeschoven?</p>
<p>De AI-markt verandert om de paar maanden. De beste keuze van vandaag is het volgend voorjaar misschien niet meer. Kies liever korte contracten, open formaten en tools die werken met wat je al hebt.</p>

<h2>Een simpele regel</h2>
<p>Kun je alle vijf de vragen helder beantwoorden, draai dan een kleine betaalde pilot met één team en echt werk. Kun je de eerste niet beantwoorden, stop dan daar: geen enkele tool beantwoordt hem voor je. Het goede nieuws is dat het beantwoorden niets kost behalve een paar gesprekken met de mensen die het werk doen.</p>]]></content:encoded></item>
</channel>
</rss>
