TL;DR
- In elke organisatie zitten vier soorten AI-gebruikers: de pionier, de vakman, de bouwer en de zoeker.
- Ze reageren tegengesteld op dezelfde knoppen, dus één AI-beleid voor iedereen behandelt drie van de vier verkeerd.
- De vraag is niet hoe je AI uitrolt, maar welke knop (budget, dwang, governance) je per type omdraait.
- Het hele model staat in een gratis whitepaper die je onderaan kunt downloaden.
Bij de meeste organisaties die ik spreek ontbreekt een doordacht AI-beleid nog. En áls er iets ligt, dan is het één set regels, één training, één tokenbudget, netjes over iedereen heen. Logisch, want zo doe je dat met beleid. Alleen werkt het bij AI niet, en dat heeft een reden die ik pas zag toen ik de mensen naast elkaar legde in plaats van het beleid.
Ik zie namelijk geen homogene groep AI-gebruikers. Ik zie vier soorten AI-gebruikers, en ze hebben verrassend weinig met elkaar gemeen.
De vier soorten AI-gebruikers die ik overal terugzie
De eerste is de pionier. De ontwikkelaar die vooroploopt, elk nieuw model uitprobeert, en zonder aarzelen drie aanpakken naast elkaar zet om te zien welke wint. Deze persoon verbruikt de meeste tokens van iedereen, en levert ook het meeste op.
De tweede is de vakman. De ervaren ontwikkelaar die het echt nog kan bouwen, maar AI op afstand houdt. Vaak iemand die zijn vak leerde zonder AI en het eerder als bedreiging ziet dan als hulp. Onderschat deze groep niet, want dit zijn de mensen die de output van een AI nog goed kunnen beoordelen.
De derde is de bouwer. De zakelijke gebruiker die zonder codeerachtergrond zijn eigen tools bouwt (opent in nieuw venster). Hoge snelheid, dicht bij de business, maar ook het enige type waar de hoogste waarde en het hoogste risico in dezelfde persoon zitten.
De vierde is de zoeker. Die gebruikt AI als een betere Google: een vraag erin, een antwoord eruit, en af en toe een mailtje laten opstellen. Dit is veruit de grootste groep.
| Type | Wie het is | Kenmerk |
|---|---|---|
| Pionier | Ontwikkelaar die vooroploopt en elk nieuw model uitprobeert | Verbruikt de meeste tokens, levert het meeste op |
| Vakman | Ervaren ontwikkelaar die AI op afstand houdt | Kan de output van een AI nog goed beoordelen |
| Bouwer | Zakelijke gebruiker die zonder codeerachtergrond eigen tools bouwt | Hoogste waarde én hoogste risico in één persoon</td> |
| Zoeker | Gebruikt AI als een betere Google | Veruit de grootste groep |
Waarom één AI-beleid voor iedereen faalt
Toen ik deze vier naast elkaar zette, viel me iets op dat ik niet meer kon negeren. Ze reageren tegengesteld op precies dezelfde knoppen.
Neem een tokenbudget (opent in nieuw venster). Voor de pionier is een limiet een rem die direct rendement kost, want elk uur dat die kwijt is aan budget aanvragen gaat niet naar output. Voor de bouwer is precies diezelfde limiet juist een focusfilter dat voorkomt dat er tien hobbyprojecten ontstaan die nooit live gaan.
Hoe je budget en opbrengst per gebruikerstype koppelt, lees je bij AI-kosten en ROI.
Of neem dwang. Bij de zoeker werkt een verplichte basistraining wél, want daar zit geen weerstand, alleen onbekendheid. Je vult een lege plek. Bij de vakman werkt diezelfde verplichting averechts, omdat je dan tegen een muur duwt die wantrouwen heet. Twee groepen die oppervlakkig op elkaar lijken, allebei lichte gebruikers, en toch heeft de een precies het tegenovergestelde nodig van de ander.
Dat is de kern. Waar organisaties wél AI-beleid maken, doen ze het bijna altijd als één maat voor iedereen. En dat kan niet kloppen voor alle vier, want wie iedereen hetzelfde behandelt, behandelt drie van de vier verkeerd. Niet omdat het beleid slecht bedacht is, maar omdat het de verkeerde vraag beantwoordt. De vraag is niet hoe je AI uitrolt. De vraag is welke knop je per type omdraait.
Volg mij op LinkedIn
Stand van zaken — juli 2026
De cijfers die sinds dit stuk zijn verschenen, bevestigen precies waarom één AI-beleid niet werkt. Uit een overzicht van AI-adoptie in Nederland (opent in nieuw venster) komt naar voren dat inmiddels zo'n 67 procent van de bedrijven AI gebruikt, bijna een verdubbeling ten opzichte van 2023. Maar het daadwerkelijke gebruik door medewerkers blijft ver achter: ongeveer een kwart zet AI actief in. En daar zit precies de scheiding uit dit artikel in.
Bij hoger management ligt het gebruik rond de 57 procent, bij uitvoerende functies eerder rond de 17 tot 19 procent (opent in nieuw venster). De pionier en de zoeker in één organisatie, met een gat van veertig procentpunt ertussen. Tegelijk laat onderzoek zien dat ongeveer de helft van de Nederlandse organisaties nog geen AI-beleid heeft, terwijl medewerkers massaal hun eigen tools inzetten. Ongeveer één op de vijf werknemers koopt zelfs zelf AI-tools voor het werk (opent in nieuw venster). Dat is de bouwer die zijn eigen weg zoekt zodra het beleid ontbreekt of knelt.
Ik lees die cijfers als bevestiging, niet als nieuws. Zolang je de vier types over één kam scheert, drijft je grootste risicogroep vanzelf de schaduw in en laat je je grootste winstgroep op de rem staan. De getallen zijn hoger dan een jaar geleden. De denkfout is dezelfde gebleven.
Deze indeling helpt je AI-governance te richten op echt gedrag. En dat meten is geen vrijblijvende exercitie: zonder deze meting kun je geen zekerheidsniveau onderbouwen over je AI-gebruik in het bestuursverslag.
Het hele model in een whitepaper
Ik heb de vier types volledig uitgewerkt: wie ze zijn, hoe je elk behandelt om er het maximale uit te halen, en het framework met de drie knoppen (budget, dwang, governance) die je per type bewust anders zet. Inclusief een matrix die in één oogopslag laat zien waar je streng bent en waar je ruimte geeft, en hoe de groepen idealiter naar elkaar doorstromen.
Het staat allemaal in het whitepaper. Je kunt het hieronder downloaden.
Gratis whitepaper
De vier AI-gebruikers in je organisatie
De vier types volledig uitgewerkt, met het framework van de drie knoppen en een matrix die per type laat zien waar je streng bent en waar je ruimte geeft. PDF, 14 pagina's.
Download de whitepaper (PDF)