We moeten opnieuw leren wat een organisatie weet

Het gesprek over AI in organisaties begint nog vaak bij het model: welk model gebruiken we, waar draait het, welke documenten sluiten we aan en welke agents kunnen we ermee bouwen?

Bij Schmuki merkten we dat deze vragen niet meer volstaan zodra AI serieus werk gaat ondersteunen. In onze eigen bedrijfsvoering gebruiken we AI inmiddels voor finance, kwaliteit, juridische zaken, informatiebeveiliging en productontwikkeling.

Juist daardoor werd een fundamenteler probleem zichtbaar: wat moet een organisatie eigenlijk weten om goed te kunnen functioneren?

Veel van die kennis bestaat wel, maar niet in een vorm waarin mensen en AI er betrouwbaar mee kunnen werken.

Een document is nog geen kennis

Een beleidsdocument beschrijft wat formeel geldt. Een ervaren professional weet daarnaast wanneer een regel van toepassing is, welke uitzonderingen bestaan, welke informatie nog ontbreekt en wanneer de procedure niet meer volstaat.

Ook moet duidelijk zijn welke versie geldig is, wie eigenaar is en of iets formeel is vastgesteld of alleen een bruikbare interpretatie uit de praktijk. In een traditioneel documentarchief blijven dat al snel losse details. Voor betrouwbare AI zijn ze essentieel.

Wij onderscheiden daarom drie lagen. Canonieke kennis legt vast wat formeel geldt. Professionele kennis beschrijft hoe mensen die kennis in concrete situaties toepassen. Handelingskennis bepaalt wat iemand, of een AI-agent, vervolgens moet doen, vragen, nalaten of escaleren.

Pas wanneer die lagen verbonden zijn, ontstaat kennis die betrouwbaar handelen mogelijk maakt.

AI legt de kennisstructuur bloot

Organisaties konden lang functioneren zonder dit allemaal expliciet te maken. Mensen vulden de gaten op. Collega’s legden uit hoe iets werkelijk werkte, uitzonderingen werden mondeling doorgegeven en ervaring gaf betekenis aan beleid.

Dat menselijke netwerk was tegelijk geheugen, interpretatie en correctiemechanisme.

Een AI-agent heeft dat netwerk niet vanzelf. Zodra die serieus werk moet ondersteunen, moet expliciet worden welke informatie nodig is, wat ze betekent, welke uitzonderingen bestaan en wanneer het systeem onvoldoende weet.

AI is daarmee niet alleen een nieuwe gebruiker van kennis, maar ook een röntgenfoto van de organisatie. Zo wordt zichtbaar waar kennis versnipperd is, definities ontbreken en processen steunen op ervaring die nooit is vastgelegd.

De organisatie mag niet in het model verdwijnen

Taalmodellen kunnen veel context verwerken. Met voldoende documenten, instructies en eerdere gesprekken kan een model verrassend veel van een organisatie lijken te begrijpen.

Maar wat een model op een bepaald moment begrijpt, is niet hetzelfde als wat een organisatie weet.

Een organisatie moet haar kennis kunnen inspecteren, corrigeren en onderhouden. Ze moet weten welke bron gezaghebbend is, waarom iets veranderde en wie daarover beslist. En ze moet van model of leverancier kunnen wisselen zonder haar institutionele geheugen kwijt te raken.

Het model is daarom niet de plek waar de organisatie leeft. Het redeneert over de kennis van de organisatie. Die kennis moet buiten het model herleidbaar en onderhoudbaar blijven, in systemen die de organisatie zelf beheerst.

Daarmee verandert kennisbeheer van archief naar cyclus. Kennis wordt ontdekt, expliciet gemaakt, beoordeeld, gebruikt en getest. Wat in de praktijk ontbreekt of niet werkt, gaat terug de kennisbasis in. Dat helpt niet alleen AI, maar ook onboarding, kwaliteitsborging en besluitvorming.

Betrouwbare AI begint vóór het model

Een AI-traject begint voor ons daarom niet met de vraag welke chatbot of agent we zullen bouwen.

De eerste vraag is: welke kennis en welk professioneel oordeel zijn nodig om deze taak goed uit te voeren?

Waar bevindt die kennis zich? Wat is formeel en wat zit in de ervaring van mensen? Wie kan beoordelen of het klopt? Hoe verandert het? En wat mag een AI-systeem ermee doen?

Daar werken wij bij Schmuki aan. We helpen organisaties relevante kennis te ontdekken en te modelleren, professionele logica expliciet te maken en AI-gedrag te ontwerpen en te toetsen. Zo blijft het geheel bestuurbaar.

Een belangrijk deel van de AI-transitie gaat daarom niet over betere modellen, maar over betere organisatiekennis. Organisaties die weten wat ze weten, kunnen AI betrouwbaarder inzetten. Tegelijk worden ze beter in het overdragen, toetsen en ontwikkelen van hun eigen kennis.

De opgave is dus niet om steeds meer van de organisatie in het model te stoppen, maar om beter zichtbaar te maken wat de organisatie zelf weet. Dan kan AI doen waar het sterk in is: daarover redeneren.