← Terug naar alle artikelen
Business ArchitectureAnalyse

Bij een AI-voorstel wil ik eerst weten welk werk beter wordt

Een AI-proef is voor mij pas zinvol als duidelijk is welk resultaat voor klanten en medewerkers moet verbeteren. Vanuit businessarchitectuur verbind ik die keuze aan organisatievermogens, verantwoordelijkheden en een vergelijking met de huidige werkwijze. Zo ontstaat een onderbouwd besluit over wat je wel en niet automatiseert.

Bij een AI-voorstel wil ik eerst weten welk werk beter wordt

Een AI-proef is voor mij pas zinvol als duidelijk is welk resultaat voor klanten en medewerkers moet verbeteren. Wie krijgt straks sneller een bruikbaar antwoord, wie moet extra controleren en wie beslist of de verandering goed genoeg is? Vanuit mijn rol als businessarchitect wil ik die vragen verbinden voordat een organisatie zich vastlegt op een oplossing.

Die volgorde vraagt juist nu aandacht. KubeCon + CloudNativeCon North America, van 9 tot en met 12 november 2026, heeft een nieuwe programmalijn voor AI Inference + Agentic: het uitvoeren van AI-modellen en het organiseren van werkstromen met AI-agenten. De aangekondigde onderwerpen omvatten onder meer het verdelen van rekencapaciteit en het volgen van systemen in productie. Dat is een concreet signaal van technische aandacht voor de uitvoering. Een conferentieprogramma bewijst echter niet dat een bepaalde toepassing waarde oplevert voor jouw organisatie. [1]

Begin bij het resultaat dat iemand nodig heeft

Mijn voorstel is om een AI-initiatief eerst in gewone taal te beschrijven. Neem de medewerker, klant of andere belanghebbende als vertrekpunt. Wat probeert die persoon te bereiken? Waar loopt het nu vast? En wat moet na de verandering aantoonbaar beter gaan?

Stel dat een dienstverlener AI wil gebruiken om binnenkomende klantvragen samen te vatten. Dat klinkt als een afgebakende toepassing. Toch ontbreekt dan nog het zakelijke probleem. Duurt het lezen te lang? Moeten medewerkers informatie uit verschillende systemen verzamelen? Of wachten klanten vooral op iemand die een uitzondering mag beoordelen?

In dit hypothetische voorbeeld zou ik eerst de route van klantvraag naar bruikbaar antwoord bekijken. Die opeenvolging van stappen waarin waarde voor de klant ontstaat, noem ik hier de waardestroom. Als de wachttijd vooral bij een besluit ligt, is sneller samenvatten mogelijk nuttig, maar nog geen oplossing voor het belangrijkste knelpunt.

Daar zit voor mij de bijdrage van businessarchitectuur: zichtbaar maken welk deel van de organisatie moet veranderen om het gewenste resultaat te bereiken.

Benoem het organisatievermogen achter de toepassing

Vervolgens wil ik weten welk organisatievermogen we willen versterken. Een capability is wat een organisatie moet kunnen, los van een specifieke afdeling of applicatie. In het voorbeeld kan dat het beoordelen en beantwoorden van klantvragen zijn. Een AI-samenvatting is een mogelijke ondersteuning daarvan.

Dat onderscheid helpt bij het kiezen van een interventie. Misschien zijn betere broninformatie, duidelijkere beslisregels of andere werkafspraken eerst nodig. Misschien helpt AI juist wel, omdat medewerkers veel verschillende teksten moeten doorgronden. Ik zou beide mogelijkheden openhouden totdat de oorzaak van het probleem voldoende duidelijk is.

Beschrijf daarom niet alleen de gewenste functionaliteit. Leg ook vast welke informatie nodig is, wie het werk uitvoert en wie bevoegd is om het resultaat te accepteren. Daarmee wordt een technologievoorstel een voorstel voor verandering van het werk.

Maak zichtbaar waar het werk naartoe verschuift

In de fictieve dienstverlener maakt AI voortaan een conceptsamenvatting. De medewerker hoeft die tekst niet meer zelf op te stellen. Maar wat vraagt het om vast te stellen dat een uitzondering, toezegging of voorbehoud correct is overgenomen?

Ik zou in de proef niet alleen de tijd voor het maken van de samenvatting meten. Ook broncontrole, correctie en het afhandelen van twijfel horen erbij. Voor de klant telt bovendien of het uiteindelijke antwoord bruikbaar is. Een snellere tussenstap is op zichzelf onvoldoende bewijs voor een betere dienstverlening.

Een manager moet dan kunnen afwegen wat de verandering vraagt. Krijgt de medewerker tijd om te controleren? Kan die een voorstel afwijzen? En is duidelijk wie beslist als de informatie tegenstrijdig is? Ik zou menselijke controle pas als ontwerpkeuze accepteren wanneer die vragen concreet zijn beantwoord.

Dat past bij een bredere benadering van AI-risico's. Het vrijwillige AI Risk Management Framework van NIST richt zich op risico's voor mensen, organisaties en de samenleving en op betrouwbaarheid bij ontwerp, ontwikkeling, gebruik en evaluatie. Het is geen bewijs dat onze fictieve toepassing geschikt is; daarvoor blijft een eigen beoordeling nodig. [2]

Laat de andere architectuurdisciplines de keuze scherper maken

Vanuit businessarchitectuur zou ik de gewenste uitkomst en verantwoordelijkheden samen met de andere architecten uitwerken. De data-architect onderzoekt vervolgens bijvoorbeeld of de broninformatie actueel en passend is voor dit gebruik. De solution-architect maakt concreet hoe de conceptsamenvatting in het bestaande werkproces terechtkomt en hoe een medewerker naar de bron teruggaat.

Met security wil ik afspreken welke gegevens en handelingen binnen de bevoegdheid van de toepassing vallen. Cloud- en infrastructuurarchitecten helpen de gevolgen voor beschikbaarheid, capaciteit, beheer en kosten te onderzoeken. De benodigde snelheid volgt daarbij uit de taak: een medewerker die tijdens een klantgesprek wacht, heeft een andere behoefte dan iemand die dossiers voor morgen voorbereidt.

Deze vragen zijn voor mij geen reden om alle specialisten eerst een volledig ontwerp te laten maken. Wel wil ik vóór de proef de bepalende onzekerheden kennen. Als een noodzakelijke gegevensbron niet gebruikt mag worden of de controle niet uitvoerbaar is, verandert dat de zakelijke afweging.

Vergelijk met een haalbaar alternatief

Een proef moet naar mijn voorstel helpen kiezen. Daarom zou ik dezelfde taak ook uitvoeren met de huidige werkwijze en, waar zinvol, een eenvoudiger alternatief. Denk in ons fictieve voorbeeld aan een vast invulformat of beter vindbare instructies.

Dat is geen pleidooi om AI uit te stellen totdat alles zeker is. Een kleine proef kan juist nodig zijn om onzekerheid te verkleinen. Ik wil alleen vooraf weten welke onzekerheid we onderzoeken en wat we met de uitkomst gaan doen.

Spreek bijvoorbeeld af wanneer een samenvatting inhoudelijk bruikbaar is, welke fouten reden zijn om te stoppen en hoeveel controlewerk acceptabel is. Laat de verantwoordelijke voor de dienstverlening die criteria mede bepalen. Een demonstratie geeft dan aanleiding tot onderzoek; de proef levert bewijs voor een afgebakende beslissing.

Voor deze voorbereiding kun je het EAW-werkblad Past AI bij deze vraag? gebruiken. Het brengt onder meer de huidige werkwijze, een alternatief zonder AI, gegevensbronnen, foutscenario's en proefcriteria bij elkaar. Het werkblad ondersteunt de afweging; het vervangt geen bevoegd besluit over ingebruikname. [3]

Kies een proef waarover je ook echt kunt besluiten

Mijn advies is om met één herkenbare taak te beginnen. Benoem de gewenste verbetering, de betrokken capability en de persoon die over het resultaat mag beslissen. Onderzoek vervolgens met medewerkers waar de voorgestelde verandering helpt en waar zij extra werk of onzekerheid introduceert.

Wie deze verbinding tussen zakelijke waarde en ontwerp verder wil uitwerken, kan daarvoor de EAW-training AI-architectuur — van use case tot verantwoord ontwerp bekijken. De training behandelt de samenhang tussen business, data, applicaties, technologie en governance. In het businessonderdeel worden toepassingen gekoppeld aan waardestromen en capabilities en afgewogen op waarde, haalbaarheid en risico. [4]

De beslissing na de proef hoeft geen organisatiebrede uitrol te zijn. Zij kan ook luiden: eerst de informatie verbeteren, de taak kleiner maken of deze toepassing niet voortzetten. Ik wil dat zulke uitkomsten vooraf mogelijk zijn. Dan helpt businessarchitectuur om gericht te leren en een keuze te maken waar klanten, medewerkers en verantwoordelijke managers iets aan hebben.

Bronnen

  1. CNCF — KubeCon + CloudNativeCon North America 2026: programma en nieuwe AI Inference + Agentic-track. Evenement: 9–12 november 2026.
  2. NIST — AI Risk Management Framework. Achtergrondkader; versie 1.0 verscheen op 26 januari 2023.
  3. Enterprise Architecture Works — Past AI bij deze vraag?. EAW-werkblad, versie 1.0, 14 oktober 2026.
  4. Enterprise Architecture Works — AI-architectuur: van use case tot verantwoord ontwerp. Productinformatie; geen onafhankelijke onderbouwing van marktontwikkelingen.

Alle bronnen geraadpleegd op 10 november 2026.

Bronnen

Bronnen

Bronnen die voor dit artikel zijn gebruikt of geraadpleegd.

  1. CNCF — KubeCon + CloudNativeCon North America 2026: nieuwe AI Inference + Agentic-track — CNCF
  2. AI Risk Management Framework — NIST
  3. Past AI bij deze vraag? — Enterprise Architecture Works (14 oktober 2026)
  4. AI-architectuur — van use case tot verantwoord ontwerp — Enterprise Architecture Works
Gerelateerde artikelen

Gerelateerde artikelen

Discussie over onze publicaties vindt plaats via de kanalen waarop we ze delen; op deze website worden geen reacties verzameld.