AI-adoptie stimuleren? Begin met fouten maken

In vrijwel elke organisatie speelt zich een herkenbaar patroon af. De interne nieuwsbrief meldt trots nieuwe ‘AI-initiatieven’. Tijdens teamoverleggen klinkt steevast dat we “daar écht iets mee moeten”. En af en toe laat iemand een enthousiast voorbeeld zien van een tool die zij “een keer hebben uitgeprobeerd”.

Maar zodra je kijkt naar het echte werk, valt één ding op: er verandert bar weinig. Teksten worden nog steeds met de hand geschreven, analyses draaien op vertrouwde Excel-structuren en beslissingen worden genomen zoals altijd. AI staat vooral op de agenda, niet in de dagelijkse routines.

Dat komt niet doordat mensen AI niet begrijpen. De meesten weten best hoe het ongeveer werkt. Het probleem is dat ze nauwelijks ruimte voelen om ermee te spelen, te twijfelen, te struikelen, zichzelf te corrigeren en daarvan te leren. En precies dat is nodig om AI écht te doorgronden.

Uitleg is er genoeg, maar leren begint wanneer het schuurt

Organisaties bieden medewerkers steeds meer hulpmiddelen: korte handleidingen, heldere stappenplannen, een interne FAQ. Handig, maar het zet verrassend weinig in beweging. Want AI begrijpen draait niet om wéten wat het kan. Het draait om ervaren wat er gebeurt als je iets invoert dat nét te vaag is, te weinig context bevat, te sturend is of per ongeluk een verkeerde aanname in zich heeft.

Juist op die momenten laat AI zijn kwetsbaarheden zien. Bijvoorbeeld wanneer een chatbot ongewenste bias laat zien, omdat jouw vraag dubbelzinnig was. Of wanneer een analyse een fout meeneemt die jij in een bijzin hebt geïntroduceerd. Of wanneer een simpel misverstand de hele uitkomst op zijn kop zet.

Dat zijn de momenten waarop het kwartje valt. Niet door een uitlegslide, maar door frictie. Door het schuren van je eigen aannames met de manier waarop AI redeneert.

Mensen leren pas echt als hun eigen aannames zichtbaar instorten in de output die ze terugkrijgen. Dat is het begin van adoptie. Niet de instructie, maar de confrontatie.

Waarom foutmomenten de echte doorbraak zijn

Een simpel voorbeeld. Je vraagt een chatbot om een klantsegmentatie te maken. Je formuleert het zorgvuldig en denkt neutraal te blijven, maar de chatbot schiet meteen richting stereotypering. Niet omdat jij dat vroeg, maar omdat die ene zin die jij onschuldig vond, ruimte gaf voor interpretatie. Het model vult dat vervolgens zelf in en versterkt jouw impliciete aannames.

Dat schrikt misschien even af, maar het is ook een leerhaakje. Het laat direct zien waar AI kwetsbaar is én waar jij zelf onbedoeld richting geeft. Dat is veel waardevoller dan pagina’s uitleg over bias. Je voelt het. En daarom ga je automatisch anders vragen stellen, kritischer denken en beter controleren.

Zonder dat iemand je vertelt hoe het moet.

Het gaat niet om het leerklimaat, het gaat om moed om te rommelen

De grootste belemmering is niet gebrek aan kennis of technologie. Het is de overtuiging dat AI meteen ‘goed’ moet. Alsof een fout antwoord laat zien dat jij het niet snapt. Daardoor testen teams vooral voorzichtig, op afstand, met braaf geformuleerde voorbeelden. Maar precies dat voorkomt dat ze iets leren.

AI vraagt om rommelen: werken met echte vragen, onvolledige input, ruwe data, onvoorspelbare situaties. Dáár zie je hoe AI reageert, waar het ontspoort en hoe je het kunt sturen.

De organisaties die wél vooruitkomen, zijn niet de organisaties met de beste tools. Het zijn de organisaties die fouten zien als een bouwsteen. Waar medewerkers fouten mogen maken zonder dat dat gevolgen heeft. En waar managers niet doen alsof zij het al onder de knie hebben, maar laten zien dat ook hún AI-output soms totaal ontspoort en dat ze daar wijzer van worden.

Praktische tips om veilig falen te stimuleren

• Creëer momenten waar misgaan mag. Korte testsessies waarin het doel juist is om te zien hoe AI ontspoort bij vage of suggestieve vragen.
• Onderzoek samen waar bias ontstaat. Formuleer bewust een vraag die een verkeerde richting op stuurt en bespreek hoe dat komt.
• Laat managers hun eigen fouten delen. Niet alleen successen, maar de momenten waarop hun AI-resultaten volledig mis gingen en welke aannames daaraan ten grondslag lagen.
• Werk met echte, rommelige input. Geen perfecte cases, maar de complexe, onduidelijke vragen waar AI in het dagelijks werk ook mee te maken krijgt.
• Verlaag de druk. Zorg dat experimenten nooit direct klant- of reputatierisico opleveren, zodat mensen durven proberen én falen.

Header-afbeelding gegenereerd met Gemini