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 er vier, en ze hebben verrassend weinig met elkaar gemeen.
De vier types 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. 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.
Waarom één beleid 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 het tokenbudget. 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.
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.
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)