Is uw organisatie eigenlijk wel klaar voor AI? Hoe maak je AI waardevol en hoe houd je controle?
AI is in veel organisaties al onderdeel van het dagelijks werk. Maar levert dat gebruik ook aantoonbaar iets op? Weten medewerkers wat ze met bedrijfsinformatie mogen doen? En is de informatiehuishouding klaar voor AI die steeds meer kan vinden én uitvoeren? Tijdens de Lemontree-masterclass op donderdag 22 oktober 2026 stonden deze vragen centraal. Ziggy Ltjoejaree liet zien hoe governance, veilige data en training elkaar versterken. Daarna maakten Lucas en Rick van de AI Fabriek de vertaling naar maatwerkoplossingen die werkprocessen efficiënter maken.
Een e-mail laten herschrijven, een vergadering samenvatten of een eerste opzet voor een document maken: voor veel medewerkers is het inmiddels gewoon geworden. De stap naar AI is daarmee vaak al gezet voordat een organisatie heeft bepaald hoe zij ermee wil werken. Dat maakt de vraag of je organisatie klaar is voor AI heel concreet. Het gaat niet alleen over een toekomstige implementatie, maar ook over wat er vandaag al gebeurt.
De presentatie van Ziggy draaide om drie lessen. AI biedt nu al kansen en wordt actief gebruikt. Data maakt AI waardevol, maar kan een organisatie ook kwetsbaar maken. En juist daarom zijn governance en adoptie vanaf het begin nodig. Wie die onderwerpen samen aanpakt, kan gerichter experimenteren en succesvolle toepassingen verder brengen.
Het gebruik loopt vooruit op de afspraken
De cijfers uit de presentatie illustreren hoe snel AI een plek heeft gekregen. Volgens het Centrum voor Digitale Inclusie van de Universiteit Twente gebruikt 65 procent van de volwassen Nederlanders generatieve AI. Dat zegt iets over de brede bekendheid met de technologie, maar nog niet over hoe vaardig mensen ermee zijn of hoeveel waarde zij eruit halen. Het onderzoek laat juist zien dat het gebruik en de ervaren voordelen ongelijk verdeeld zijn.
Voor organisaties is vooral het verschil tussen gebruik en beleid veelzeggend. Onderzoek van ABN AMRO en MWM2 onder 777 Nederlandse organisaties laat zien dat 78 procent van de onderzochte mkb-organisaties met een jaaromzet tot 25 miljoen euro AI in enige mate gebruikt. Slechts 9 procent heeft formeel beleid voor externe AI-oplossingen. Dat is geen meting onder de bezoekers van de masterclass, maar het maakt wel duidelijk waarom de vragen uit de bijeenkomst zo relevant zijn.
Een medewerker die zelf ontdekt hoe een AI-tool werk uit handen neemt, wacht meestal niet op een uitgebreid implementatieplan. Daar zit initiatief en verbeterkracht in. Tegelijk ontstaan risico’s als niemand weet welke tools worden gebruikt, welke informatie erin belandt en welke toegang een app heeft gekregen. Precies daar begint shadow AI: AI-gebruik buiten het zicht of de gemaakte afspraken van de organisatie.
Een verbod alleen geeft geen grip op shadow AI
Ziggy liet zien waarom het blokkeren van AI-tools op zichzelf onvoldoende is. Als medewerkers de meerwaarde ervaren maar geen bruikbaar alternatief krijgen, kunnen zij uitwijken naar privéaccounts of andere apparaten. Het gebruik verdwijnt dan mogelijk uit beeld, terwijl de aanleiding om AI te gebruiken blijft bestaan. Een verbod kan dus de zichtbaarheid verminderen zonder het onderliggende risico op te lossen.
Dat betekent niet dat iedere tool zomaar toegestaan moet worden. Het betekent wel dat beperkingen onderdeel moeten zijn van een werkbare aanpak. Bied medewerkers een goedgekeurde omgeving, leg uit welke informatie zij daarin mogen gebruiken en maak duidelijk waar ze met nieuwe ideeën of vragen terechtkunnen. Een veilig alternatief moet ook praktisch bruikbaar zijn voor het werk waarvoor mensen anders zelf een oplossing zoeken.
Daar hoort onderzoek naar het bestaande gebruik bij. Welke AI-diensten worden benaderd? Hebben apps toegang tot e-mail of bestanden? Kunnen medewerkers zelf toestemming geven voor koppelingen? En welke gegevens worden verwerkt? Niet alles is vanuit één systeem zichtbaar. Technisch inzicht moet daarom worden aangevuld met gesprekken met medewerkers. Zo wordt een inventarisatie ook een manier om kansrijke toepassingen te ontdekken.
Van een antwoord krijgen naar werk laten uitvoeren
De ontwikkeling van AI maakt die regie steeds belangrijker. In de presentatie beschreef Ziggy de beweging van assistent naar agent en verder naar meer autonome toepassingen. Een assistent helpt bijvoorbeeld bij schrijven of samenvatten. Een agent kan binnen een afgebakende opdracht ook stappen uitvoeren. Naarmate de zelfstandigheid groeit, moet duidelijker worden wat een toepassing mag doen en wanneer een mens beslist.
Die ontwikkeling is geen verplicht stappenplan waarbij iedere organisatie zo snel mogelijk bij volledige autonomie moet uitkomen. Voor sommige werkzaamheden is een goede assistent al heel waardevol. Bij andere processen kan een agent veel herhaalwerk overnemen. De passende vorm hangt af van het doel, de beschikbare informatie, de gevolgen van fouten en de mate waarin controle mogelijk is.
Ook de keuze voor een AI-oplossing vraagt om meer dan een vergelijking van de kwaliteit van antwoorden. Waar wordt de informatie verwerkt? Wordt die gebruikt om modellen te trainen? Wie kan erbij? Welke beheer- en logmogelijkheden zijn er? De antwoorden hangen af van de gekozen dienst, abonnementsvorm en inrichting. Een bekende productnaam is daarom geen vervanging voor het beoordelen van de concrete toepassing.
AI maakt bestaande toegangsproblemen beter zichtbaar
Een belangrijk deel van de masterclass ging over Microsoft 365 Copilot. De waarde daarvan zit onder meer in de verbinding met de werkomgeving. Relevante informatie uit bijvoorbeeld documenten, e-mail en Teams kan helpen bij het beantwoorden van vragen of voorbereiden van werk. Met passende koppelingen kunnen ook andere informatiebronnen beschikbaar worden gemaakt.
Daarbij is een belangrijk uitgangspunt dat Microsoft 365 Copilot de bestaande toegangsrechten van de gebruiker respecteert. Het geeft iemand niet automatisch toegang tot documenten die voor die persoon zijn afgeschermd. Maar informatie die al onbedoeld te breed toegankelijk was, kan door AI gemakkelijker worden gevonden en gecombineerd.
Ziggy maakte dat tastbaar met een voorbeeld over salarisinformatie. Een bestand dat door een onjuiste inrichting voor te veel collega’s toegankelijk is, vormde ook vóór AI al een probleem. Alleen was het misschien moeilijk te vinden. Een gerichte vraag kan die informatie nu veel sneller naar boven halen. De kwetsbaarheid ontstaat dus niet per definitie door een nieuwe toegangsmogelijkheid, maar doordat bestaande toegang eenvoudiger benut kan worden.
Daarom begint AI-readiness ook bij vertrouwde vragen over informatiebeheer. Wie heeft toegang tot een SharePoint-site of Team? Welke documenten zijn vertrouwelijk? Zijn oude projectomgevingen nog nodig? Wie is verantwoordelijk voor de inhoud en het bijhouden van rechten? Dat zijn praktische voorwaarden voor AI waarop medewerkers kunnen vertrouwen.
Toegang is bovendien maar één kant van het verhaal. Een verouderd document kan gewoon toegankelijk zijn en toch tot een onbruikbaar antwoord leiden. Daarom horen actualiteit, eigenaarschap en broncontrole ook bij verantwoord AI-gebruik. Een antwoord met bronvermelding blijft iets wat je moet beoordelen.
Governance begint met zien wat er werkelijk speelt
Governance klinkt soms als een omvangrijk beleidsproject. Ziggy bracht het terug tot een praktische volgorde: zien, dichtzetten, labelen en beleid toepassen. Eerst onderzoek je welke informatie te breed gedeeld wordt en waar gevoelige gegevens staan. Daarna herstel je onnodig brede toegang en bepaal je welke bronnen wel of niet in de beoogde AI-toepassing thuishoren.
De volgende stap is classificatie. Met labels zoals openbaar, intern en vertrouwelijk maak je onderscheid tussen soorten informatie. Aan zulke labels kunnen beschermingsmaatregelen worden verbonden, bijvoorbeeld versleuteling of beperkingen op delen. Het label moet dus passen bij de inhoud én bij de manier waarop mensen ermee werken.
Een label met de naam ‘vertrouwelijk’ blokkeert op zichzelf niet iedere ongewenste handeling. Het effect hangt af van de ingestelde bescherming en de ondersteuning binnen de gebruikte toepassing. Ook het overnemen van labels bij door AI gemaakte inhoud werkt niet in iedere situatie hetzelfde. Daarom moeten classificatie en bescherming worden ingericht en getest op concrete werkscenario’s.
Data Loss Prevention, of DLP, voegt daar beleid aan toe voor het gebruik en delen van gevoelige informatie. Denk aan het signaleren of tegenhouden van een ongewenste verzending, of aan het beperken van de verwerking van bepaalde informatie door Copilot. Wat mogelijk is, hangt onder meer af van licenties, configuratie en de ondersteunde toepassing. Het is een beschermingslaag met een afgebakende werking, geen garantie dat iedere vorm van gegevensverlies wordt voorkomen.
Je hoeft niet de hele informatiehuishouding in één keer perfect te maken voordat je iets met AI kunt doen. Begin bij de risico’s die de gekozen toepassing raken, leg verantwoordelijkheden vast en start binnen een beheersbare omgeving. Daarmee kunnen het verbeteren van de basis en het leren in de praktijk elkaar versterken.
Training bepaalt of een licentie ook waarde oplevert
Een veilige omgeving is nodig, maar maakt medewerkers nog niet vanzelf vaardig. In de presentatie liet Ziggy het verschil zien tussen een algemene vraag om een samenvatting en een opdracht met een duidelijk doel, context, bron en gewenste uitkomst. Wie aangeeft voor welk overleg de samenvatting bedoeld is, welke informatie gebruikt mag worden en hoe het resultaat eruit moet zien, geeft AI een veel beter afgebakende opdracht.
De opbrengst van training gaat daarmee verder dan het leren formuleren van prompts. Medewerkers moeten ook kunnen beoordelen of een antwoord klopt, relevante informatie ontbreekt en een bron actueel genoeg is. Ze moeten weten welke gegevens ze mogen gebruiken en wanneer menselijke beoordeling nodig blijft. Goede training verbindt die vaardigheden aan echte taken uit hun functie.
Dat vraagt om verschillen in aanpak. Een medewerker die dagelijks klantmails verwerkt, heeft andere voorbeelden nodig dan een manager die rapportages vergelijkt of een functioneel beheerder die een agent bouwt. Lemontree biedt hiervoor trainingen voor gebruikers, managers, interne trainers en medewerkers die met Copilot Studio aan de slag willen. Daarmee kan kennis op verschillende plekken in de organisatie worden opgebouwd.
Een pilotgroep met enthousiaste collega’s helpt om toepassingen te toetsen en ervaringen te delen. Zulke ambassadeurs kunnen laten zien wat werkt, maar ook waar collega’s vastlopen. Door gebruik en resultaten te volgen, wordt duidelijk welke werkwijzen verdere uitrol verdienen en welke nog verbetering nodig hebben.
Een digitale collega heeft ook een eigenaar nodig
Wanneer AI handelingen gaat uitvoeren, worden de beheervragen uitgebreider. Wie mag een document lezen, is dan niet langer de enige vraag. Je wilt ook weten welke agent namens wie welke actie mag uitvoeren. Een toepassing die alleen informatie opzoekt, vraagt om andere kaders dan een agent die gegevens wijzigt of met klanten communiceert.
Ziggy gebruikte daarvoor het beeld van een digitale collega. Geef een agent een herkenbare identiteit, wijs een verantwoordelijke eigenaar aan, beperk de toegang tot wat nodig is en beoordeel regelmatig of de agent nog doet wat hij moet doen. De technische vorm van die identiteit hangt af van het platform en de inrichting; het gaat erom dat verantwoordelijkheden en handelingen herleidbaar zijn.
Daarnaast moet je de zelfstandigheid begrenzen. Welke stappen mogen automatisch? Wanneer is toestemming nodig? Wat gebeurt er bij twijfel of een fout? Een klantenservice-agent die een antwoord voorbereidt, hoeft niet vanzelf ook orders te mogen aanpassen. En als een toepassing niet meer nodig is, horen het intrekken van toegang en het uitfaseren ervan bij het beheer.
De AI Fabriek maakte de vertaalslag naar het werkproces
Na het verhaal van Ziggy lieten Lucas en Rick van de AI Fabriek met praktische cases zien hoe maatwerk met AI kan helpen om arbeidsintensieve werkprocessen efficiënter te maken. Hun bijdrage sloot aan op een herkenbaar probleem: deskundige medewerkers besteden veel tijd aan verzamelen, overnemen, vergelijken en verwerken van informatie. Dat werk kan de snelheid van beslissingen en dienstverlening beperken.
Door geschikte onderdelen van zo’n proces te automatiseren, kunnen medewerkers sneller over relevante informatie beschikken en meer aandacht besteden aan beoordeling, uitzonderingen en klantcontact. De waarde zit dan in het werk dat aantoonbaar verbetert: minder handmatige verwerking, een kortere doorlooptijd of een beter voorbereid besluit.
Voor zulke oplossingen is de aansluiting op de dagelijkse praktijk bepalend. Welke informatie is nodig, welke stappen kunnen worden overgenomen en waar blijft de beoordeling door een medewerker noodzakelijk? Door dat vooraf te bepalen, kun je gericht bouwen aan een werkproces waarin mens en automatisering elkaar aanvullen.
De aanpak die de AI Fabriek op haar website beschrijft, sluit daarop aan: begin bij het proces en toets een oplossing voordat je deze in dagelijks gebruik neemt. Soms is daarvoor AI nodig, soms volstaat gewone automatisering. Bij een werkende proef hoort vervolgens een onderbouwd besluit om door te gaan, bij te stellen of te stoppen.
Rendement vraagt om meer dan een indrukwekkende demo
Een demonstratie laat zien wat technisch kan. Voor rendement moet je weten wat er in de eigen praktijk verbetert. Hoeveel tijd kost het proces nu? Hoe vaak komt het voor? Welke fouten of wachttijden ontstaan? En wat blijft aan controlewerk over nadat een deel is geautomatiseerd? Zonder dat vertrekpunt is het moeilijk om de opbrengst eerlijk te beoordelen.
Ook tijdwinst vraagt om nuance. Minder minuten per taak betekenen niet automatisch een even grote financiële besparing. Misschien ontstaat vooral extra capaciteit, daalt de werkdruk of kunnen klanten sneller worden geholpen. Dat kan waardevol zijn, maar moet wel het resultaat zijn waarop je stuurt. Ontwikkeling, licenties, beheer, training en controle horen eveneens in de afweging.
Een goede eerste toepassing heeft daarom een helder probleem, beschikbare informatie, een eigenaar en meetbare resultaten. Test de uitkomst op kwaliteit én op uitzonderingen. Kijk daarna of de toepassing ook bij dagelijks gebruik betrouwbaar blijft. Zo wordt een geslaagd experiment een bruikbare verbetering van het werkproces.
Waar staat jouw organisatie nu
Aan het einde van zijn presentatie legde Ziggy de deelnemers een zelfscan voor. Weet je welke AI-tools medewerkers gebruiken, inclusief gratis diensten? Is er een goedgekeurd alternatief dat iedereen kent? Zijn er afspraken en kennen medewerkers die? Weet je welke sites en Teams voor de hele organisatie openstaan?
Daar kwamen vragen bij over labels op vertrouwelijke documenten, toestemming voor apps die mail of bestanden willen benaderen, het eigenaarschap van agents en training in verantwoord gebruik. Samen maken die vragen duidelijk dat AI-readiness zowel over techniek als over mensen en verantwoordelijkheden gaat. Een onbekend antwoord is een bruikbaar startpunt voor verder onderzoek.
Met de AI Readiness Scan onderzoekt Lemontree de Microsoft 365-omgeving en vertaalt de bevindingen naar een rapport met prioriteiten en een roadmap. Daarbij gaat het onder meer om toegangsrechten, informatiebescherming en zichtbaar AI-gebruik. Zo ontstaat een onderbouwd beeld van de uitgangssituatie. Een scan is een momentopname; ook daarna blijven beheer en aandacht voor veranderingen nodig.
Voor organisaties die medewerkers beter willen laten werken met AI, bieden trainingen een gerichte vervolgstap. Afhankelijk van wat al op orde is, kunnen het verbeteren van de inrichting, een pilot en training goed op elkaar aansluiten. De uitkomst van de scan helpt bepalen wat eerst aandacht vraagt en waar al ruimte is om ervaring op te doen.
Geef AI de ruimte en organiseer de regie
De masterclass liet zien dat verantwoord AI-gebruik en rendement nauw met elkaar samenhangen. Betrouwbare informatie helpt bij betere antwoorden. Duidelijke rechten beperken onbedoelde toegang. Training maakt toepassingen bruikbaarder. En afgebakende verantwoordelijkheden maken het mogelijk om verder te gaan dan losse experimenten.
Daarmee begint vooruitgang bij een concrete keuze: welk werk wil je verbeteren, wat moet daarvoor op orde zijn en hoe ga je het resultaat beoordelen? Wie die vragen beantwoordt, kan AI gericht inzetten en de controle laten meegroeien met de mogelijkheden.
Wil je weten hoe jouw organisatie ervoor staat, of medewerkers helpen AI beter toe te passen?
Bekijk de AI Readiness Scan en Copilot-trainingen van Lemontree en plan een gesprek over een passende eerste stap.
