Wie in je organisatie moet AI leren, en wie niet

Niet iedereen in je organisatie hoeft AI te leren, en bijna niemand hoeft het op hetzelfde niveau te leren. In een bedrijf van 50 tot 350 mensen maakt een kleine groep het verschil: de directie die besluit en beoordeelt, de proceseigenaren die zien waar AI werk kan overnemen, en per toepassing twee of drie mensen die er echt mee bouwen en werken. De rest van de organisatie heeft een basis nodig die past bij wat ze met AI doen. Die basis is ook wat de AI Act vraagt. Ze is een ondergrens. Wie iedereen dezelfde cursus geeft, betaalt voor veel uren die weinig opleveren en geeft de paar mensen die meer nodig hadden te weinig.

Dit stuk is geschreven voor de directeur of eigenaar die een opleidingsbudget voor AI moet verdelen, of die een offerte op tafel heeft voor "AI-training voor alle medewerkers" en twijfelt. Het geeft een indeling in vijf groepen, met per groep wat ze moeten kunnen, hoe diep, hoe ze het leren en hoeveel tijd het kost.

Een paar verwante onderwerpen hebben we apart uitgewerkt, en die herhalen we hier niet. Wat de wettelijke plicht precies inhoudt en hoe je hem aantoonbaar maakt, staat in AI-geletterdheid van personeel. Waarom de rol die je zoekt vaak al in je bedrijf bestaat, staat in AI-capaciteit opbouwen zonder eigen AI-team. Hoe je voorkomt dat de kennis met een persoon vertrekt, staat in Hoe je AI-kennis verankert. Dit stuk gaat over de vraag daartussen: wie leert wat.

Waarom iedereen trainen geld weggooit

Een training voor het hele bedrijf voelt eerlijk en zorgvuldig. Iedereen krijgt hetzelfde, niemand wordt overgeslagen. Reken het alleen eens uit.

Neem een bedrijf van 150 mensen dat iedereen een dag laat trainen. Dat zijn 1.200 uur. Het CBS kwam voor 2024 uit op gemiddeld 45 euro loonkosten per gewerkt uur. Dan kost die ene dag aan uren al 54.000 euro, nog voor de rekening van de trainer. Dat is geld dat je maar een keer kunt uitgeven.

Wat krijg je ervoor terug? Een dag algemene uitleg over wat een taalmodel is en welke tools er bestaan. Voor de magazijnmedewerker die geen AI-tool gebruikt, is dat een dag uit het werk. Voor de collega op de binnendienst die volgende maand met een nieuw systeem gaat werken, is het te algemeen, want het gaat niet over haar systeem en haar orders. En wie iets leert en het daarna wekenlang niet gebruikt, is het grootste deel weer kwijt. Dat weet iedereen die ooit een cursus volgde.

Het grootste probleem zit aan de andere kant. De twee of drie mensen die straks een toepassing moeten bouwen en bijsturen, krijgen dezelfde dag als iedereen. Voor hen is een dag veel te weinig. Zij hebben weken nodig, op echt werk, met iemand die meekijkt. Een gelijke verdeling geeft dus te veel aan mensen die het niet nodig hebben en te weinig aan mensen van wie het afhangt.

Er is nog een reden om niet gelijk te verdelen: AI landt niet gelijk in een bedrijf. Het CBS meldt dat bedrijven die AI gebruiken het vaakst inzetten voor marketing of verkoop (35 procent) en voor bedrijfsadministratie of bestuurstaken (32 procent), en het minst voor logistiek (4 procent). Het gebruik groeit snel: bij bedrijven met 50 tot 250 werkzame personen steeg het aandeel dat AI gebruikt van 20 procent in 2023 naar 45 procent in 2025, en bij bedrijven vanaf 250 mensen ligt het op 66 procent. Maar binnen een bedrijf zit dat gebruik in een paar afdelingen en een paar processen. Daar hoort het leren ook te zitten.

Wat de wet vraagt, en wat niet

Artikel 4 van de AI Act, Verordening (EU) 2024/1689, geldt sinds 2 februari 2025. Het is in juli 2026 aangepast door de Digital Omnibus, Verordening (EU) 2026/1744. De tekst die nu geldt, zegt dat aanbieders en gebruiksverantwoordelijken van AI-systemen maatregelen nemen om de ontwikkeling van AI-geletterdheid te ondersteunen bij hun personeel en andere personen die namens hen AI-systemen exploiteren en gebruiken. Daarbij houden ze rekening met hun technische kennis, ervaring, onderwijs en opleiding en de context waarin de AI-systemen worden gebruikt. De nieuwe tekst voegt er uitdrukkelijk aan toe dat de plicht niet inhoudt dat je een bepaald niveau van AI-geletterdheid moet waarborgen voor personen.

Drie dingen vallen op als je dat leest met de vraag van dit stuk in je hoofd.

De wet vraagt zelf om onderscheid. Rekening houden met kennis, ervaring en context betekent dat de magazijnchef en de controller niet hetzelfde hoeven te krijgen. De Europese Commissie zegt het in haar vragen en antwoorden over AI-geletterdheid ook letterlijk: verschillende niveaus en verschillende manieren van leren kunnen passend zijn.

De wet gaat over mensen die met AI-systemen werken. De tekst noemt personeel en anderen die namens jou AI-systemen exploiteren en gebruiken. Uitzendkrachten en externen vallen daar dus ook onder. Wie helemaal niet met AI-systemen werkt, is niet de groep waar de tekst zich op richt. In de praktijk verschuift die grens snel, omdat AI-functies in gewone software verschijnen. Daarom krijgt ook de laatste groep hieronder iets, al is het weinig.

De wet vraagt geen certificaat. De Commissie schrijft dat een certificaat niet nodig is en dat een interne registratie van trainingen en andere initiatieven volstaat. Een aanbieder die je een certificeringstraject voor iedereen verkoopt met een beroep op artikel 4, verkoopt meer dan de wet vraagt.

Dat maakt de wettelijke plicht tot een ondergrens die je met weinig moeite haalt. Het doel van je bedrijf ligt hoger: dat AI ergens echt werk overneemt en dat je eigen mensen het daarna zelf kunnen draaien. Een basisniveau voor iedereen brengt je daar niet. Daarvoor heb je een paar mensen nodig die veel meer kunnen. Dit is geen juridisch advies; wil je weten hoe de verplichting voor jouw situatie uitpakt, lees dan het stuk over de verplichting en de bronnen onderaan.

Vijf groepen, vijf verschillende vragen

Hieronder de indeling die we gebruiken voor een bedrijf van 50 tot 350 mensen. De tijden in de laatste kolom zijn onze eigen vuistregel om mee te rekenen, geen gemeten norm. Ze hangen af van hoeveel toepassingen je tegelijk oppakt en hoe ingewikkeld die zijn.

Twee collega's tekenen een proces uit op een whiteboard. Wie het werk kent, ziet als eerste waar AI past.

De directie: besluiten en beoordelen

De directie hoeft niet te weten hoe een model werkt. Ze moet drie dingen goed kunnen. Kiezen welke toepassing eerst komt en welke bewust niet. Een voorstel beoordelen op kosten, risico en omkeerbaarheid. En per toepassing een eigenaar aanwijzen die er ook de tijd voor krijgt.

Dat leer je niet in een presentatie over de mogelijkheden van AI. Dat leer je door bij de eerste toepassing aan tafel te zitten op de momenten dat er iets besloten wordt: welk proces, welke data mag erin, wanneer stoppen we, wie wordt eigenaar. Na een of twee toepassingen herkent een directie de vragen die ertoe doen. Een paar uur per kwartaal is genoeg, mits die uren op echte besluiten vallen.

Vaak hoort hier ook de persoon bij die software inkoopt. In veel bedrijven van deze omvang zit die in het MT of de administratie, niet bij IT. Die moet weten welke vragen je aan een leverancier stelt over data en over wat er overblijft als het contract afloopt.

Proceseigenaren en teamleads: zien en bezitten

Dit is de groep die het meest wordt onderschat. Een teamlead van de binnendienst, het hoofd planning, de controller. Zij weten welk werk zich herhaalt, waar de fouten zitten en wat een goede uitkomst is. Dat laatste is precies wat je nodig hebt om te beoordelen of een AI-toepassing werkt.

Ze moeten kunnen zien welk werk zich leent voor AI en welk niet, een toepassing bezitten als die er eenmaal is, en grenzen stellen: dit mag het systeem voorbereiden, dit beslist altijd een mens. Ze hoeven niet te bouwen. Ze moeten wel genoeg begrijpen om een doener te sturen en een foute uitkomst te herkennen voordat die bij een klant ligt.

Proceseigenaren leren het best op hun eigen proces. Een dagdeel om de eerste kansen in hun eigen werk te benoemen, en daarna een tot twee uur per week meedoen zolang hun toepassing gebouwd wordt. Een proceseigenaar die nog geen toepassing heeft, hoeft nog niet meer te leren dan de basis. Het leren volgt de toepassing.

Zij zijn ook degenen die het gesprek met hun team voeren. Mensen vragen zich af wat AI voor hun baan betekent, en die vraag komt eerst bij de teamlead terecht. Hoe je dat gesprek voert zonder de angst te voeden, staat in Meer halen uit de mensen die je al hebt. Het doel is werk van iemands bord halen, niet iemand vervangen.

De doeners: twee of drie per toepassing

Per toepassing heb je twee of drie mensen nodig die het echt kunnen: instellen, testen, instructies aanpassen, uitzoeken waarom een uitkomst niet klopt, en het een collega uitleggen. Dat is de diepste laag, en het is een kleine groep.

Die mensen werken meestal al bij je. Het is de planner die zelf een spreadsheet bouwde die niemand anders snapt, of de collega die al op eigen initiatief met een tool werkt. Ze hebben tijd nodig, een mandaat en iemand die de volgende stap kan uitleggen als het vastloopt. Een nieuwe AI-specialist aannemen is voor de meeste bedrijven van deze omvang nog niet de eerste stap; waarom niet, staat in Je eerste AI-hire.

Waarom twee of drie en niet een? Omdat kennis die maar een persoon heeft, vertrekt als die persoon vertrekt, ziek wordt of met vakantie gaat. Een tweede persoon die de toepassing echt bedient, is de goedkoopste verzekering die er is.

Doeners leren door te bouwen. Een cursus helpt weinig als je nog geen toepassing hebt om het op te proberen. Wat werkt: een echte toepassing, op echte data, met begeleiding van iemand die het al vaker deed, waarbij de doener de knoppen bedient en de begeleider meekijkt. Reken op enkele uren per week tijdens de bouw. Daarna blijft er een vast moment nodig om bij te sturen, want processen en tools veranderen.

Drie collega's werken samen aan een laptop. Doeners leren door te bouwen, met een tweede persoon die ook weet hoe het werkt.

Wie AI-tools gebruikt: de basis goed

Dit is de groep waar artikel 4 het meest over gaat. Medewerkers die een AI-functie in hun software gebruiken, een chatbot inzetten voor conceptteksten of werken met een systeem dat iets voorbereidt. Ze moeten drie dingen weten: wat er wel en niet in een tool mag, hoe je een uitkomst herkent die niet klopt, en bij wie je meldt als er iets misgaat.

Dat is geen dag werk. Een tot twee uur om te beginnen, gericht op de tools die ze echt gebruiken, en daarna een half uur per kwartaal op een echt geval uit het eigen werk. Hoe zo'n half uur eruitziet en hoe je het vastlegt, staat in het stuk over de verplichting. De afspraken zelf horen in je AI-beleid.

Wie geen AI-systemen gebruikt: weinig, maar niet niets

Een deel van je mensen werkt niet met AI-systemen. Denk aan productie, het magazijn, de buitendienst of de schoonmaak, afhankelijk van je bedrijf. Zij hoeven geen training. Wel is het verstandig dat ze weten dat er afspraken zijn over AI, en bij wie ze terechtkunnen als ze zelf iets willen proberen. Een kwartier in het werkoverleg is genoeg. Zodra iemand uit deze groep met een AI-functie gaat werken, schuift die persoon een groep op.

Hoe het leren eruitziet: in het werk, op een echte toepassing

De indeling hierboven werkt alleen als het leren aan het werk vastzit. Drie regels helpen daarbij.

Laat het leren de toepassing volgen. Plan geen opleidingsweek in januari. Plan het leren rond de toepassingen die je gaat bouwen. Een doener begint te leren als zijn toepassing start. De binnendienst krijgt de basissessie in de week dat het nieuwe systeem bij hen landt. Zo gebruikt iedereen wat hij leert binnen dagen, en blijft het hangen.

Oefen op echt werk. Een oefening met een verzonnen casus leert je hoe een tool werkt. Een sessie op je eigen orders, je eigen offertes of je eigen planning leert je waar het in jouw bedrijf misgaat. Die tweede kennis is waar het om gaat, en je krijgt hem alleen op echt werk.

Iedereen legt het een keer uit. Een doener die zijn toepassing uitlegt aan de proceseigenaar, of een proceseigenaar die het uitlegt aan zijn team, ontdekt wat hij zelf nog niet snapt. Het is ook de manier waarop kennis zich verspreidt zonder dat je er een programma voor optuigt.

Een klaslokaal is niet verboden. Een korte uitleg vooraf kan helpen, vooral voor de groep die AI-tools gaat gebruiken. Maar het meeste leren gebeurt aan het bureau, op de dag dat het nodig is.

Rekenvoorbeeld: een bedrijf van 150 mensen

Een hypothetisch voorbeeld, met verzonnen maar realistische aantallen, om te laten zien hoe de verdeling uitpakt. Het gaat om het eerste jaar, met twee toepassingen.

Stel: een bedrijf van 150 mensen. Vier mensen in de directie. Tien proceseigenaren en teamleads, van wie twee een toepassing krijgen. Drie doeners per toepassing, dus zes in totaal. Zeventig mensen die AI-tools gebruiken. De overige zestig werken niet met AI-systemen.

Bij 45 euro per uur is dat ongeveer 32.400 euro aan uren, tegenover 54.000 euro voor een dag training voor iedereen. Het totaal verschilt minder dan je zou denken. Het echte verschil zit in waar de uren landen. In dit voorbeeld gaat ruim zestig procent van de uren naar twintig mensen: de directie, de proceseigenaren en de doeners. Bij een dag voor iedereen krijgen diezelfde twintig mensen samen 160 uur, en de doeners elk acht uur, terwijl zij er in dit voorbeeld elk 48 krijgen.

Voor de duidelijkheid: dit is een rekenvoorbeeld, geen ervaringscijfer. Jouw aantallen, je toepassingen en je tarief geven een andere uitkomst. De verhouding is wat telt: veel voor weinig mensen, weinig voor veel mensen.

Waar het misgaat

Iedereen krijgt dezelfde e-learning en daarna gebeurt er niets. Je voldoet aan de ondergrens en bouwt geen vermogen op. Een jaar later weet niemand meer wat erin stond.

Alleen IT wordt gestuurd. IT kent de systemen, de proceseigenaar kent het werk. Als alleen IT leert, landt de kennis waar het proces niet zit, en kan niemand beoordelen of de uitkomst klopt.

De directie slaat zichzelf over. Een directie die het team laat leren maar zelf niet aan tafel zit bij de eerste besluiten, kan het volgende voorstel niet beoordelen. Dan wordt het gekozen op enthousiasme in plaats van op bewijs.

Er is een doener, maar geen tweede. Alles hangt dan aan een persoon. Hoe je dat voorkomt, staat in Hoe je AI-kennis verankert.

Er wordt getraind voordat er een toepassing is. Mensen leren iets wat ze pas maanden later nodig hebben, en zijn het tegen die tijd kwijt. Begin met de toepassing, en laat het leren meelopen.

Vier mensen buigen zich over een document op tafel. Een directie leert door de echte besluiten zelf te nemen.

Waar de Capability Sprint in past

De diepste laag van deze indeling, de doeners en hun proceseigenaar, leert het meest bij het bouwen van een echte toepassing. Dat is waar de Capability Sprint voor bedoeld is. Het is de bouwfase waarin Radical samen met je eigen mensen de eerste werkende AI-toepassing oplevert, met als doel de overdracht: je team kan hem daarna zelf draaien en aanpassen, zonder de externe partij.

Wie doet er mee? Volgens de beschrijving: de mensen die het proces kennen en er daarna mee blijven werken, plus degene die het besluit bezit. Alleen IT sturen ondergraaft het doel, omdat de kennis dan landt waar het proces niet zit. Dat zijn in de indeling van dit stuk de doeners, de proceseigenaar en de directie.

Wat er wordt opgeleverd: een werkende toepassing in productie, eigen mensen die bij de bouw betrokken zijn en niet toekijken, en de werkwijze vastgelegd zodat die een vertrek overleeft. De toets dat het gelukt is, ligt niet bij de oplevering. Het is de eerste aanpassing die je eigen team aan het systeem doet zonder iemand te bellen.

De sprint is de derde stap. De gratis AI-Foto laat zien waar je staat, de AI Readiness Scan bepaalt welke kans het meest oplevert en haalbaar is, en de sprint bouwt het eerste punt van die roadmap. Daarmee weet je ook meteen wie in jouw bedrijf de doeners en de proceseigenaar van die eerste toepassing zijn.

Over deze pagina

Dit stuk is geschreven op 5 oktober 2026 door het team van Radical AI. De tekst van artikel 4 is nagelezen in de Nederlandse versie van Verordening (EU) 2024/1689 en van de Digital Omnibus, Verordening (EU) 2026/1744, op EUR-Lex. De uitspraken over verschillende niveaus en over het ontbreken van een certificaatplicht komen uit de vragen en antwoorden over AI-geletterdheid van de Europese Commissie. De cijfers over AI-gebruik naar bedrijfsgrootte en naar doel, en de 45 euro loonkosten per gewerkt uur, komen van het CBS. De indeling in vijf groepen en de tijden in de tabel zijn onze eigen vuistregel, geen gemeten norm. Het rekenvoorbeeld van het bedrijf met 150 mensen is hypothetisch. De beschrijving van de Capability Sprint komt van onze eigen pagina. Er is geen klantdata gebruikt. Dit is geen juridisch advies.