Je team opschalen: geavanceerde AI-training

Je team opschalen: geavanceerde AI-training

Gebruiken je medewerkers AI dagelijks, maar benutten ze slechts een fractie van de mogelijkheden? Heb je geïnvesteerd in AI-training, om vervolgens te zien dat mensen binnen enkele weken weer terugvallen in hun oude werkwijzen?

In dit artikel ontdek je een gestructureerd framework waarmee je jouw team kunt ontwikkelen van basisgebruikers van AI tot strategische AI-gebruikers.

Waarom geavanceerde AI-training voor medewerkers meer oplevert dan grootschalige AI-initiatieven

Veel organisaties zetten in op één groot AI-project: een applicatie van miljoenen euro’s, ontwikkeld door externe leveranciers. Daar gaat het merendeel van de middelen naartoe, terwijl een cruciale factor vaak wordt genegeerd: als medewerkers niet begrijpen hoe de oplossing werkt, er niet aan kunnen bijdragen of deze niet kunnen doorontwikkelen, is de kans op succes beperkt.

Wanneer het collectieve AI-kennisniveau binnen een organisatie zich bijvoorbeeld rond niveau drie bevindt, terwijl het geïmplementeerde initiatief niveau acht of negen vereist om te beheren en onderhouden, kan vrijwel niemand in de organisatie er inhoudelijk aan bijdragen. De enige persoon die precies weet hoe alles werkt, is degene die de oplossing heeft gebouwd. Zodra die vertrekt, stort het initiatief vaak in.

Het alternatief voor deze aanpak is geavanceerde AI-training voor alle medewerkers.

Het doel van geavanceerde AI-training is niet om iedereen programmeur te maken. Het doel is om iedere medewerker vanaf zijn of haar huidige niveau stapsgewijs te begeleiden naar het ontwikkelen van tools die concrete problemen oplossen die zij zelf het beste begrijpen, omdat zij dagelijks met die processen werken.

Wanneer 50, 100 of 200 medewerkers ieder hun eigen, relatief eenvoudige tools bouwen binnen OpenAI ChatGPT, Anthropic Claude of Google Gemini, ontstaat een cumulatief effect dat qua snelheid en kosten vaak beter presteert dan één maatwerkapplicatie. Iedere medewerker automatiseert de knelpunten die hij of zij het beste kent, want niemand begrijpt de dagelijkse fricties van een functie beter dan degene die het werk uitvoert.

#1: Richt twee vormen van governance in voordat je start met de training

Voordat je met AI-training begint, heb je een systeem nodig om twee zaken gelijktijdig te monitoren.

De eerste is de ontwikkeling van de AI-vaardigheden van medewerkers. Meet hoe lang bepaalde taken nu duren en vergelijk dit met de tijd die nodig is na de training. Deze nul- en nameting leveren concreet bewijs dat de training daadwerkelijk resultaat oplevert.

De tweede is wat medewerkers tijdens en na de training met AI ontwikkelen. Naarmate vaardigheden toenemen, moeten ook beveiliging en toezicht meegroeien. Wanneer medewerkers AI alleen gebruiken voor eenvoudige vragen of het schrijven van blogs, zijn de risico’s beperkt. Zodra zij echter agents inzetten die gekoppeld zijn aan externe databases of API’s, nemen de vereisten rondom security en governance aanzienlijk toe.

In dit framework lopen beide trajecten parallel, zodat organisaties niet achteraf haastig controles hoeven in te voeren.

Pro Tip: Organisaties die medewerkers veilig toegang willen geven tot meerdere geavanceerde AI-modellen binnen een compliant omgeving kunnen gebruikmaken van platforms zoals BoodleBox en NebulaONE. Beide ondersteunen compliance met onder andere HIPAA en FERPA en bieden toegang tot meerdere AI-modellen via één beveiligde interface, zonder de datarisico’s van consumentgerichte tools op bedrijfsnetwerken.

#2: Kies voor hybride, doelgerichte training

Een veelvoorkomend patroon bij mislukte AI-trainingen kent twee oorzaken.

Te veel afhankelijkheid van zelfstudie

Veel organisaties vertrouwen op volledig self-guided learning. In de praktijk komt het merendeel van de medewerkers niet verder dan de eerste modules. Zij hebben al volle agenda’s en hun reguliere werkzaamheden gaan gewoon door.

Daarom werkt een hybride model effectiever: opgenomen trainingsmodules die medewerkers op hun eigen tempo kunnen volgen, gecombineerd met meerdere live office hours per week. Zonder direct contact met een trainer verdwijnt de motivatie snel en blijft een dure bibliotheek met half bekeken video’s over.

Gebrek aan persoonlijke relevantie

Wanneer medewerkers geen concreet en voor hen relevant doel hebben, ervaren zij de training al snel als achtergrondruis en keren ze terug naar hun vertrouwde werkwijzen.

Om dit te voorkomen, identificeert iedere deelnemer vóór de start van de training vijf tot tien concrete toepassingen die hij of zij realistisch met AI kan bouwen. Hierdoor ontstaat direct motivatie. Medewerkers denken dan: “Als AI deze frustrerende taak van mij kan overnemen, levert dat direct winst op.”

Iedere medewerker die de training afrondt, zou minimaal één tool, workflow of promptsysteem moeten opleveren dat ten minste drie uur per week bespaart.

#3: Voer twee teamassessments uit

Voor de start van de training worden twee afzonderlijke assessments uitgevoerd.

Breng de AI-capaciteit van je team in kaart aan de hand van vier beheersingsniveaus

AI-vaardigheden kunnen worden ingedeeld in tien niveaus, verdeeld over vier fasen: literacy, fluency, mastery en stewardship.

Literacy (niveau 1–3)

Medewerkers begrijpen wat AI is, wat het wel en niet kan en hoe het veilig gebruikt moet worden. Ze weten hoe ze een duidelijke prompt schrijven, hoe ze die kunnen verfijnen en hoe ze de betrouwbaarheid van output beoordelen. Ze accepteren niet blindelings het eerste antwoord.

Fluency (niveau 4–6)

In deze fase gebruiken medewerkers AI structureel binnen hun dagelijkse werkzaamheden om kwaliteit en snelheid te verbeteren. Ze bouwen eenvoudige tools, zoals een custom GPT, een Claude-project of een gestructureerde prompt die ze met collega’s delen. Hier begint de eerste zichtbare business impact.

Mastery (niveau 7–9)

Medewerkers bouwen herhaalbare workflows, koppelen tools aan elkaar, werken met herbruikbare promptsystemen en zetten AI-agents in om terugkerende problemen op te lossen. In deze fase nemen ook de eisen rondom governance en security toe, vooral wanneer externe databronnen en API-calls worden gebruikt.

Stewardship (niveau 10)

In deze eindfase beheren medewerkers zowel mensen als AI-systemen. Zij houden toezicht op collega’s die bevoegd zijn om agents te ontwikkelen en te gebruiken, en dragen verantwoordelijkheid voor verantwoord AI-gebruik op organisatieniveau.

In de praktijk bevindt circa 98% van de medewerkers zich op niveau drie of lager.

Om het huidige niveau vast te stellen, kun je een vragenlijst ontwikkelen met ongeveer twintig vragen, zoals:

• Heb je een knowledge base gebouwd?
• Heb je een prompt gemaakt en gedeeld met collega’s?
• Heb je een custom GPT ontwikkeld?
• Heb je een Claude-project opgezet?
• Heb je een agent gebouwd?
• Heb je workflows met elkaar verbonden?
• Kun je uitleggen wanneer AI wel en niet geschikt is?

De laatste drie open vragen moeten medewerkers vragen een daadwerkelijke prompt in te dienen, zodat zichtbaar wordt hoe zij instructies structureren.

De resultaten kunnen worden weergegeven in een heatmap die laat zien waar de AI-capaciteiten binnen de organisatie geconcentreerd zijn. Naarmate de training vordert, verschuiven medewerkers idealiter naar niveau vier tot en met zes. Een kleinere groep kan doorgroeien naar niveau zeven of acht. Deze verschuiving vormt tastbaar bewijs van de ROI van de training.

Analyseer de rolprofielen binnen je team

Een tweede assessment, vergelijkbaar met het PAEI-model, helpt vast te stellen welke werkstijl medewerkers van nature hebben.

De vier hoofdtypen zijn:

• Doers – voeren taken uit en houden van duidelijke opdrachten.
• Administrators – creëren structuur en volgen processen.
• Innovators – bedenken nieuwe ideeën en denken conceptueel.
• Connectors – verbinden mensen en bevorderen samenwerking.

Met deze inzichten kun je een intern AI Council samenstellen: een multidisciplinair team dat verantwoordelijk is voor de implementatie en governance van AI binnen de organisatie. De samenstelling van dit team heeft grote invloed op de cultuur rondom AI-adoptie.

#4: Geef medewerkers een probleem om op te lossen voordat ze één video bekijken

Zoals eerder genoemd, mislukt AI-training vaak niet door de inhoud van het programma, maar doordat medewerkers geen persoonlijk belang hebben bij wat zij gaan ontwikkelen.

Wanneer je mensen vraagt wat ze met AI willen bouwen, blijft het vaak stil. Vraag je echter welke taken in hun werk repetitief, traag, frustrerend of mentaal uitputtend zijn, dan volgen direct concrete en energieke antwoorden.

Daarom start het upskillingproces met één eenvoudige vraag:

“Welke werkzaamheden voer je iedere week uit die repetitief, tijdrovend, frustrerend of mentaal belastend zijn?”

De Perfect Day Exercise

Vervolgens voeren medewerkers de zogeheten Perfect Day Exercise uit. Zij stellen zich hun ideale werkdag voor en identificeren alle taken die zij met een gerust hart zouden willen delegeren, mits deze foutloos worden uitgevoerd.

Deze wensenlijst vormt de basis voor de AI-tools die zij tijdens de training ontwikkelen.

Twee diagnostische vragen

Zodra een medewerker een taak of proces heeft geselecteerd, volgen twee cruciale vragen:

1. Kan AI dit proces realistisch ondersteunen?
2. Moeten we het bestaande proces versnellen, of het proces volledig herontwerpen omdat AI nieuwe mogelijkheden creëert?

Dit onderscheid is essentieel. Het gaat niet alleen om het toevoegen van AI aan bestaande processen, maar om de vraag:

“Hoe zou dit proces eruitzien als het vanaf de basis met AI ontworpen zou worden?”

Juist deze benadering levert doorgaans de grootste efficiëntiewinst op.

Praktische tools in plaats van complexe technologie

De tools die medewerkers ontwikkelen hoeven technisch niet ingewikkeld te zijn. Voorbeelden zijn:

• Een custom GPT
• Een Claude-project
• Een document analyzer
• Een gestructureerde promptworkflow

Het doel is niet innovatie om de innovatie, maar:

• Structurele tijdsbesparing
• Consistente kwaliteit
• Vertrouwen in het gebruik van AI

Praktijkvoorbeelden uit AI-trainingsprogramma’s

Patent Analyzer

Een professional in de chemische industrie diende jaarlijks 20 tot 30 patenten in en gaf circa $30.000 per jaar uit aan juridische ondersteuning.

Hij ontwikkelde een Patent Analyzer die:

• conceptpatenten analyseerde;
• deze vergeleek met bestaande patenten;
• potentiële conflicten identificeerde;
• suggesties deed voor verbeteringen.

Resultaat:

• 90% lagere juridische kosten;
• volledige eliminatie van een softwareabonnement van $15.000 per jaar.

Home Construction Cost Estimator

Een vastgoedprofessional ontwikkelde een tool die bouwkosten kon berekenen met een afwijking van slechts 3% ten opzichte van een bestaande softwareoplossing van $20.000 per jaar.

Tijdens de training ontdekte zij dat dit project een veel grotere impact had dan haar oorspronkelijke idee.

RFP Assessment

De CEO van een kantoorinrichtingsbedrijf ontving regelmatig RFP’s van circa 350 pagina’s voor commerciële projecten.

Voorheen kostte alleen de go/no-go-beslissing drie tot zes uur per document. Bij een positief besluit werkten gemiddeld 2,5 medewerkers gedurende twee tot drie weken aan het voorstel.

Daardoor kon het bedrijf slechts drie projecten per jaar indienen, met een waarde van $250.000 tot $1,5 miljoen per project.

Na de training ontwikkelde de CEO een tool die:

• een PDF van 350 pagina’s analyseerde;
• relevante secties automatisch identificeerde;
• binnen 20 minuten een go/no-go-advies genereerde;
• bij een positief besluit in twee uur een complete RFP-reactie opstelde.

Resultaat:

• de mogelijkheid om drie tot vijf projecten per maand in te dienen in plaats van drie per jaar;
• aanzienlijke verhoging van de commerciële capaciteit;
• sterke reductie van tijd en personeelsinzet.

Conclusie

Geavanceerde AI-training draait niet om technologie alleen, maar om het systematisch ontwikkelen van vaardigheden, governance en praktische toepassingen.

Door:

• duidelijke governance in te richten;
• hybride en doelgerichte training te bieden;
• AI-volwassenheid en werkstijlen in kaart te brengen;
• medewerkers concrete problemen te laten oplossen;

kunnen organisaties hun volledige workforce transformeren tot een schaalbaar AI-ecosysteem.

Voor farmaceutische marketeers betekent dit dat teams zelfstandig oplossingen kunnen bouwen voor onder meer:

• medical content review;
• MLR-processen;
• analyse van HCP-engagement;
• personalisatie van omnichannel-campagnes;
• rapportage en compliance monitoring.

De grootste meerwaarde van AI ontstaat niet door één grootschalig initiatief, maar door tientallen of honderden medewerkers in staat te stellen hun eigen processen slimmer, sneller en effectiever te maken.

*Dit artikel is vertaald naar het Nederlands