Niet elk probleem heeft AI nodig

Abdulrhman AlOdhayb werkt op het gebied van technologie en transformatie binnen een complexe institutionele omgeving. Hij is senior technologieadviseur bij het kantoor van de minister van Defensie in Saudi-Arabië.

We gingen met Abdulrhman in gesprek om meer te leren over de kansen en valkuilen van AI-adoptie in complexe omgevingen met grote belangen. Dit is wat hij vertelde.

Technologie is nooit het moeilijkste onderdeel

Ik ben Abdulrhman Alodhayb, een bestuurder op het gebied van technologie en transformatie met 19 jaar leidinggevende ervaring binnen een van de meest complexe institutionele omgevingen die je je kunt voorstellen: nationale defensie. Ik werk al bijna twee decennia bij het ministerie van Defensie van Saudi-Arabië, waar ik leiding heb gegeven aan de digitale transformatie van de gezondheidszorg en bedrijfsarchitectuur. Meest recent was ik senior technologieadviseur bij het kantoor van de minister van Defensie.

Mijn loopbaan speelt zich af op een kruispunt dat de meeste technologieleiders zelden tegenkomen — waar technische beslissingen gevolgen hebben voor de nationale veiligheid, waar afstemming tussen belanghebbenden betekent dat militaire commandostructuren moeten worden verbonden met klinische systemen en bedrijfsplatforms, en waar de kosten van een mislukte transformatie niet worden gemeten in verloren inkomsten, maar in institutioneel vertrouwen en operationele paraatheid.

De rode draad hierin is één overtuiging geweest: technologie is nooit het moeilijkste onderdeel. Het moeilijkste is het creëren van de organisatorische voorwaarden waaronder technologie waarde kan leveren. Ik heb ICT-strategieën voor ziekenhuizen ontworpen, bijgedragen aan een ministeriebrede herziening van het doelbedrijfsmodel met BCG en organisatiebrede digitale initiatieven aangestuurd waarbij falen eenvoudigweg geen optie was.

Nu kunstmatige intelligentie zich ontwikkelt van experiment naar de kern van systeemarchitectuur, softwareontwikkeling en organisatorische ondersteuning, bevind ik me op het interessantste moment van mijn loopbaan. Ik houd me vooral bezig met vragen die niet zozeer over de technologie zelf gaan, maar over hoe leiders het beoordelingsvermogen, het bestuur en de veerkrachtige architecturen ontwikkelen die AI in staat stellen de uitvoering te versnellen zonder kwaliteit of beveiliging aan te tasten.

Daarover wil ik het hier hebben.

Werken op strategisch niveau

Het technologielandschap waarbinnen ik werk, is in elke dimensie omvangrijk. We beheren organisatiebrede systemen die militaire ziekenhuizen, commandovoeringsplatforms, infrastructuur voor geïntegreerde communicatie en nationale defensiedatakaders omvatten. De architectuur is inherent hybride: soevereine implementaties op locatie, waarbij gegevenslocatie en beveiligingsclassificatie niet onderhandelbaar zijn, geïntegreerd met gemoderniseerde platforms waarop we actief digitale transformatie stimuleren.

Ik werk op strategisch niveau, geef advies op ministerieel niveau, geef leiding aan PMO- en strategische IT-managementfuncties en breng technologieroadmaps binnen meerdere directoraten en organisatie-eenheden op één lijn. De menselijke complexiteit doet niet onder voor de technische complexiteit. Het coördineren van transformatie binnen een gelaagd militair en civiel personeelsbestand, waarbij elke groep een andere werkcultuur en risicotolerantie heeft, is op zichzelf een vakgebied.

De productcomplexiteit verschilt hier van die van commerciële technologie. We brengen geen functies uit. We herontwerpen de manier waarop een nationale instelling werkt. Dit omvat elektronische patiëntendossiers voor een netwerk van militaire ziekenhuizen, platforms voor bedrijfsresources en, meest recent, onze bijdrage aan een ministeriebreed doelbedrijfsmodel dat opnieuw vormgeeft aan de manier waarop technologie de volledige defensieorganisatie structureert en ondersteunt.

Het implementatiemodel is noodgedwongen soeverein. Beveiliging, classificatie en nationaal gegevensbeheer zijn geen beperkingen waar we omheen werken. Zij vormen de architectuur. Die realiteit bepaalt hoe ik kijk naar veerkracht, redundantie en wat verantwoorde AI-adoptie betekent wanneer de belangen nationaal en niet commercieel zijn.

Hoe AI het onzichtbare zichtbaar maakt

Abdulrhman deelt

We hebben de bestuurslaag zelf veranderd. We introduceerden AI-ondersteunde analyse in het programma-evaluatieproces… Dit verving het menselijk beoordelingsvermogen niet. Het gaf besluitvormers een rijker en sneller beeld van de organisatorische realiteit…

Vorig jaar introduceerde ik AI-geïnformeerde bestuurscontroles in onze cyclus voor de evaluatie van technologieprogramma's. Voor deze verandering richtten programma-evaluaties zich op traditionele leveringsmaatstaven: mijlpalen behalen, budgetten bewaken en risico's registreren. Het proces was gedisciplineerd, maar keek inherent naar het verleden. We maten wat er al was gebeurd in plaats van te anticiperen op wat er mis kon gaan.

De omslag kwam toen ik besefte dat verschillende bedrijfsbrede programma's enorme hoeveelheden gestructureerde en ongestructureerde gegevens genereerden — in projectdocumentatie, communicatie met leveranciers, wijzigingsverzoeken en operationele rapporten — maar dat niemand deze signalen samenbracht om realtimebeslissingen van leiders te ondersteunen. We behandelden deze informatie als een archief.

We hebben de governance-laag zelf veranderd. We introduceerden AI-ondersteunde analyse in het programmabeoordelingsproces, waarbij we gebruikmaakten van de mogelijkheden van taalmodellen om documentatie van verschillende programma's samen te vatten, afwijkingen in leveringspatronen aan het licht te brengen en vroegtijdige waarschuwingsindicatoren te genereren voordat deze escalatiepunten werden. Dit verving het menselijk oordeel niet. Het gaf besluitvormers een rijker en sneller beeld van de organisatorische realiteit, waardoor zij hun oordeel op het juiste moment en op het juiste niveau konden toepassen.

De resultaten waren aanzienlijk. Beoordelingscycli werden gerichter, omdat leiders arriveerden met een vooraf samengevat beeld van waar daadwerkelijk aandacht nodig was, in plaats van de eerste helft van elke sessie te besteden aan het reconstrueren van de status aan de hand van onbewerkte rapporten. Belangrijker nog: we ontdekten twee aanzienlijke programmatische risico's eerder dan ons traditionele proces ze aan het licht zou hebben gebracht, waardoor we konden ingrijpen voordat er impact ontstond in plaats van achteraf te reageren.

Deze ervaring bevestigde een principe waar ik nu sterk aan vasthoud: AI transformeert organisaties niet door processen te vervangen. Het transformeert ze door het onzichtbare zichtbaar te maken en leiders de helderheid te geven om nauwkeurig te handelen in plaats van vanuit urgentie te reageren.

Waar technische teams AI zouden moeten inzetten

De grens tussen door AI geïnformeerde en door mensen genomen beslissingen is niet statisch. Deze verschuift naarmate vertrouwen wordt opgebouwd, mogelijkheden volwassener worden en de inzet van elk beslissingsdomein duidelijker wordt.

In mijn omgeving vertrouw ik actief op AI om technisch werk op verschillende gebieden te informeren of aan te sturen. Een daarvan is het samenvoegen van documentatie en programmabrede informatie. Daarnaast vertrouw ik op AI ter ondersteuning van de analyse van architectuurpatronen, met name om te beoordelen of voorgestelde oplossingen aansluiten bij vastgestelde bedrijfsstandaarden of technische schuld introduceren die zich in de loop van de tijd zal opstapelen. AI kan nu binnen enkele uren aan het licht brengen wat een ervaren architect vroeger dagen kostte om te beoordelen — niet als eindoordeel, maar als gestructureerde input die de daaropvolgende menselijke beoordeling aanscherpt.

Ik gebruik AI ook intensief in de laag van strategische planning: voor het samenvoegen van beoordelingen van het technologielandschap, het vergelijken met wereldwijde beste praktijken en het opstellen van het analytische raamwerk voor routekaarten en doelbedrijfsmodellen. Waar de hoeveelheid input groot is en de tijd voor synthese beperkt, levert AI onevenredig veel waarde.

Op het gebied van beveiliging zijn door AI geïnformeerde monitoring en anomaliedetectie een basiseis geworden, geen innovatie. Patroonherkenning met de snelheid en op de schaal die moderne dreigingsomgevingen vereisen, ligt eenvoudigweg buiten het vermogen van mensen zonder hulpmiddelen. Hier vertrouw ik erop dat AI signalen aan het licht brengt en markeert. Ik vertrouw er niet op dat AI conclusies trekt of reageert.

Waar taken menselijk moeten blijven

Alles wat institutionele gevolgen heeft, blijft expliciet menselijk. Architectuurbeslissingen die de organisatie voor vijf tot tien jaar zullen vormen, blijven onder menselijke verantwoordelijkheid. AI-analyse informeert deze beslissingen, maar mensen die de organisatorische context, politieke dynamiek en langetermijngevolgen begrijpen, beoordelen ze uiteindelijk op manieren die momenteel geen enkel model kan evenaren. Beslissingen over incidentrespons die de operationele continuïteit beïnvloeden, vooral in een defensieomgeving, vereisen menselijke commandobevoegdheid. Verantwoordelijkheid kan niet worden geautomatiseerd.

Beslissingen over leveranciers en partnerschappen blijven menselijk. Het beoordelen van vertrouwen, overeenstemming van waarden en geschiktheid voor de organisatie op lange termijn vereist menselijk oordeel dat veel verder gaat dan wat AI vandaag de dag betrouwbaar kan evalueren.

En governance zelf blijft menselijk. Ik ben zeer terughoudend tegenover organisaties die AI toestaan om AI te besturen. Mensen die verantwoordelijk kunnen worden gehouden voor de resultaten moeten eigenaar zijn van de toezichtlaag, de ethische controlepunten en de beslissingen over waar AI wel en niet mag worden ingezet.

Mijn operationele uitgangspunt is dit: ik vertrouw op AI om het bereik van menselijk oordeel te vergroten, nooit om het oordeel zelf te vervangen. Op het moment dat een organisatie die twee zaken door elkaar haalt, heeft zij AI niet omarmd. Zij heeft haar verantwoordelijkheid eenvoudigweg uitbesteed.

De positieve resultaten van AI-integratie

Aan de positieve kant heeft AI-integratie in onze workflows de efficiëntie van de programmabeoordelingscyclus het meest meetbaar verbeterd. Nadat we AI-ondersteunde synthese in ons governanceproces hadden geïntroduceerd, besteedde het leiderschap per beoordelingssessie ongeveer 60% minder tijd aan het reconstrueren van de projectstatus op basis van ruwe documentatie. Dat is geen triviaal getal in een omgeving waarin senior besluitvormers gelijktijdig aan meerdere programma's werken. We gaven effectief uren aan bestuurlijke aandacht terug per cyclus, en richtten die opnieuw op beoordeling en interventie in plaats van op het reconstrueren van de status.

De tweede meetbare uitkomst was risicodetectie. Zoals ik eerder al aangaf, identificeerden we twee aanzienlijke programmarisico's eerder dan met ons traditionele beoordelingsproces mogelijk zou zijn geweest. In beide gevallen werd het tijdsvenster tussen vroege detectie en een materiële impact op de oplevering uitgedrukt in weken. In een commerciële omgeving vertaalt dit zich in het vermijden van kosten. In een defensieomgeving vertaalt het zich in operationele gereedheid — een moeilijker te kwantificeren getal, maar een getal met veel grotere consequenties.

Bij strategische planning verminderde AI-integratie de tijd die nodig was om eerste concepten van technologiebeoordelingen en de basisstructuur van roadmaps op te stellen met ongeveer 70%. Dat betekent niet dat de uiteindelijke output 70% minder inspanning vergde. Het betekent dat menselijke inspanning verschoof van genereren naar beoordelen, van schrijven naar redigeren en van synthese naar validatie. De kwaliteit van de output verbeterde omdat senior experts hun tijd besteedden aan wat hun expertise vereiste, in plaats van aan wat mechanisch was.

De negatieve resultaten van AI-integratie

Abdulrhman deelt

De eerste uitdaging was adoptie. De tweede uitdaging was consistentie in de kwaliteit van de output. De derde en belangrijkste les ging over verwachtingen…

Nu volgt een eerlijk verslag van wat minder goed heeft gewerkt dan verwacht — omdat de gemeenschap van technologieleiders slecht wordt bediend door verhalen die alleen successen vieren.

De eerste uitdaging was adoptie. In een grote institutionele omgeving met diepgewortelde operationele culturen is AI introduceren in workflows geen technologieprobleem. Het is een probleem van verandermanagement. We hadden programma's waarin we de tools implementeerden en toegang verleenden, maar de mogelijkheden grotendeels ongebruikt bleven omdat we de menselijke systemen eromheen niet hadden herontworpen — de prikkels, gewoonten en het vertrouwen — om AI daarin te integreren. Technologieadoptie zonder gedragsadoptie is slechts dure planksoftware.

De tweede uitdaging was consistentie in de kwaliteit van de output. Bij vroege implementaties zagen we aanzienlijke variatie in de kwaliteit van door AI gegenereerde analyses, afhankelijk van de kwaliteit en structuur van de input. Rommel erin, rommel eruit is geen nieuw principe, maar AI laat rommel gezaghebbender lijken. Een slecht gestructureerde prompt die een goed opgemaakte maar analytisch zwakke output oplevert, is in sommige opzichten gevaarlijker dan een lege pagina, omdat die vals vertrouwen wekt. We leerden zwaar te investeren in discipline bij het opstellen van prompts en in inputgovernance voordat we de output in situaties met grote belangen vertrouwden.

De derde en belangrijkste les ging over verwachtingen. Organisaties die AI-integratie als een kostenbesparende exercitie framen, zien doorgaans teleurstellende resultaten omdat ze op de verkeerde uitkomst optimaliseren. Organisaties — waaronder onze eigen programma's — die echte impact hebben gezien, positioneerden AI als een versterker van capaciteiten. De vraag was niet: “Hoe doen we hetzelfde werk met minder mensen?” Het was: “Hoe doen we werk dat voorheen onmogelijk was, of doen we dat op een kwaliteitsniveau dat met onze middelen voorheen niet haalbaar was?”

Die herformulering maakt het verschil tussen AI als efficiëntietool en AI als hefboom voor transformatie. En naar mijn ervaring levert alleen de tweede variant resultaten op die het bespreken waard zijn.

Waarom AI-integratie tekortschiet in complexe omgevingen

De kloof tussen wat AI belooft in een presentatie voor de bestuurskamer en wat het levert binnen een complexe institutionele omgeving is nog altijd aanzienlijk, en doen alsof dat niet zo is, bewijst het vakgebied een slechte dienst.

AI heeft bij ons het duidelijkst onder de verwachtingen gepresteerd op het gebied van intelligentie voor integratie tussen systemen. Op basis van wat de technologie in gecontroleerde omgevingen liet zien, verwachtten we redelijkerwijs dat AI kon fungeren als een intelligente orkestratielaag tussen onze bedrijfsplatforms, die de relaties tussen systemen begreep, integratiefouten kon identificeren voordat die zich als een kettingreactie verspreidden en in realtime corrigerende acties kon aanbevelen.

We ontdekten dat AI buitengewoon goed presteert binnen goed gedefinieerde, goed gedocumenteerde domeinen, maar buitengewoon slecht over de rommelige, gebrekkig gedocumenteerde en politiek complexe grenzen tussen bedrijfssystemen in grote instellingen heen. Geen enkel document bevat de kennis die nodig is om door die grenzen heen te navigeren. Die kennis zit in mensen, in relaties en in institutioneel geheugen dat in de loop der jaren is opgebouwd. AI had geen toegang tot die kennis en geen betrouwbare manier om die te verwerven in het tempo dat wij nodig hadden.

AI heeft ook ondermaats gepresteerd in natuurlijke-taalinterfaces voor niet-technische gebruikers. De theorie was overtuigend: geef operationeel personeel en senior leiders een conversationele interface voor ondernemingsgegevens, zodat de afhankelijkheid van technische tussenpersonen voor elke query en elk rapport wordt geëlimineerd. In de praktijk bleek de kloof tussen de manier waarop niet-technische gebruikers hun intentie op natuurlijke wijze uiten en de manier waarop AI-systemen die intentie betrouwbaar interpreteren veel groter dan verwacht. Gebruikers raakten gefrustreerd wanneer de uitvoer niet aan de verwachtingen voldeed, en frustratie binnen een grote instelling leidt niet tot feedbacklussen. Het leidt tot afhaken. Uiteindelijk hadden we een mogelijkheid die goed werkte voor technisch onderlegde gebruikers en slecht voor de bredere bevolking waarvoor deze was ontworpen, precies het tegenovergestelde van wat transformatie vereist.

Het derde gebied is het strategisch redeneren over documenten. We verwachtten dat AI betekenisvol zou kunnen werken met de lange, sterk contextafhankelijke en vaak ambigue beleids- en strategiedocumenten die de ruggengraat vormen van de manier waarop grote overheidsinstellingen beslissingen nemen. We ontdekten dat AI deze documenten vakkundig kan samenvatten, maar moeite heeft om eroverheen te redeneren, echte tegenstrijdigheden te identificeren tussen beleid dat in het ene directoraat is opgesteld en een norm die in een ander directoraat is vastgesteld, het politieke gewicht achter een bepaalde clausule te begrijpen of te herkennen wanneer een technisch correcte aanbeveling institutioneel onmogelijk is. Die laag van oordeelsvorming, die strategisch advies nuttig maakt in plaats van slechts accuraat, bleef hardnekkig menselijk.

Tot slot wil ik iets benoemen wat zelden voorkomt in casestudy's van leveranciers: AI heeft niet de snelheid van organisatorisch leren opgeleverd die we verwachtten. We gingen ervan uit dat de organisatie, naarmate zij AI-tools zou invoeren, sneller collectieve intelligentie zou ontwikkelen en dat inzichten die door AI in één programma aan het licht kwamen zich vanzelf zouden verspreiden en de besluitvorming in andere programma's zouden verbeteren. Wat er gebeurde, was dat AI-inzichten geïsoleerd bleven binnen de teams die ze hadden gegenereerd, omdat organisatorische structuren, mechanismen voor kennisdeling en culturele normen rond documentatie en transparantie niet waren geëvolueerd om vast te leggen en te verspreiden wat AI produceerde. De technologie genereerde meer signalen dan de organisatie wist te absorberen.

Ik deel dit alles niet als een kritiek op het potentieel van AI, dat naar mijn overtuiging nog altijd aanzienlijk is, maar als een herinnering dat elk probleem dat ik zojuist heb beschreven een probleem van menselijke systemen is, vermomd als technologie.

Een AI-werkstroom voor het optimaliseren van strategische programma-evaluaties

Ik neem je mee door een workflow die momenteel tot de waardevolste in mijn praktijk behoort: AI-ondersteunde beoordeling van strategische programma's. Ik zal deze van begin tot eind beschrijven, omdat de waarde ervan niet in één afzonderlijke stap zit, maar in de manier waarop de stappen met elkaar verbonden zijn.

Deze workflow wordt doorgaans geactiveerd wanneer een programma een cruciale beslissingspoort bereikt. In onze omgeving kan dat een grote migratie van een ondernemingsplatform zijn, de uitrol van een digitaal gezondheidssysteem binnen een netwerk van militaire ziekenhuizen of een evaluatie van de enterprise-architectuur die verband houdt met het herontwerp van een doelbedrijfsmodel. Dit zijn programma's waarbij de beslissing gevolgen heeft voor meerdere jaren en de input omvangrijk, heterogeen en politiek beladen is.

De workflow begint met het verzamelen van gestructureerde input. Voordat AI de analyse aanraakt, stelt mijn team de input doelbewust samen: we verzamelen programmadocumentatie, voorstellen van leveranciers, inzendingen over technische architectuur, bevindingen uit eerdere evaluaties, relevante beleidskaders en standpuntnota's van belanghebbenden in een gestructureerd corpus. Deze stap is volledig menselijk en volledig opzettelijk. De kwaliteit van de uiteindelijke AI-uitvoer is recht evenredig met de kwaliteit en structuur van de input aan het begin. We hebben deze les bij vroege implementaties op de harde manier geleerd en beschouwen governance van input nu als een niet-onderhandelbare discipline.

Vervolgens voeren we AI-ondersteunde synthese uit. We leiden het samengestelde corpus door een taalmodel met een zorgvuldig ontworpen promptarchitectuur die om specifieke analytische vragen vraagt, niet om een open samenvatting. We vragen het model niet om ons te vertellen wat de documenten zeggen. In plaats daarvan vragen we het tegenstrijdigheden tussen geformuleerde doelstellingen en voorgestelde architecturen te identificeren, veronderstellingen aan het licht te brengen die wel worden geponeerd maar niet met bewijs worden onderbouwd, afhankelijkheden te markeren die in het ene document voorkomen maar in een ander ontbreken en risicopatronen uit te lichten die overeenkomen met profielen waarvan we in eerdere programma's hebben gezien dat ze mislukten. De uitvoer is een gestructureerde analytische briefing, geen samenvatting.

De derde en meest menselijke stap is kritische beoordeling en hercontextualisering. Een senior adviseur — in de meeste gevallen ikzelf of een vertrouwde technisch leider — leest de door AI gegenereerde briefing niet als een conclusie, maar als een vertrekpunt voor ondervraging. We vragen: Wat heeft het model aan het licht gebracht wat we niet bewust hadden gearticuleerd? Wat heeft het gemist wat we uit institutionele ervaring weten? Waar is het technisch correct maar institutioneel naïef? Hier voegen negentien jaar ervaring binnen deze omgeving waarde toe die geen enkel model kan evenaren. De AI-briefing scherpt de vragen aan. Menselijk oordeel levert de antwoorden.

De vierde stap omvat de voorbereiding van de beslissing. We gebruiken de gevalideerde inzichten uit de menselijke beoordeling om het besluitvormingspakket voor de directie samen te stellen: de beslissing kaderen, opties uiteenzetten met hun daadwerkelijke afwegingen, risico's detailleren met realistische waarschijnlijkheid en impact, en de aanbeveling presenteren met de expliciete aannames waarop deze berust. Omdat AI-synthese het mechanische werk van het verwerken van het corpus afhandelt, verloopt deze stap sneller en levert deze meer diepgang op dan een puur handmatig proces zou kunnen bieden. Leiders komen bij het beslissingsmoment aan met een duidelijker beeld en meer gerichte vragen.

De vijfde stap is het vastleggen van de uitkomsten, waar de meeste organisaties de mist ingaan. Nadat de beslissing is genomen en het programma verdergaat, documenteren we niet alleen wat er is besloten, maar ook welke inzichten de AI-analyse opleverde die juist bleken te zijn, wat de analyse miste en welke aannames onjuist bleken. Deze feedback gaat niet naar een map; in plaats daarvan wordt deze verwerkt in onze promptarchitectuur en standaarden voor inputbeheer voor het volgende programma. De workflow verbetert bij elke iteratie, omdat we iedere uitvoering als een leermoment beschouwen.

Deze workflow heeft een betekenisvolle, meetbare impact gehad. De doorlooptijd van beoordelingen voor belangrijke programmabeoordelingen is met ongeveer 65% verkort. De diepgang van risico-identificatie is verbeterd, waardoor problemen eerder in het besluitvormingsproces aan het licht komen in plaats van tijdens de uitvoering te worden ontdekt. En misschien wel het belangrijkst: de kwaliteit van het gesprek op directieniveau tijdens beslissingsmomenten is verbeterd, omdat leiders hun tijd besteden aan echte afwegingen in plaats van aan het reconstrueren van de status op basis van ruwe informatie.

Ik wil de ontwerpfilosofie van deze workflow benadrukken. AI neemt geen enkele beslissing; het verwerkt, synthetiseert en brengt zaken aan het licht. Iedere beoordeling, iedere validatie en iedere aanbeveling blijft mensenwerk.

Hoe je valkuilen bij de invoering van AI voorkomt

Abdulrhman deelt

Ik heb geleerd dat intellectuele eerlijkheid over onzekerheid in werkelijk nieuw terrein geen zwakte van leiderschap is. Het is een voorwaarde voor het opbouwen van het vertrouwen dat teams overeind houdt tijdens de onvermijdelijke momenten waarop het pad moeilijker blijkt dan het plan had voorzien.

Het organisatorische immuunsysteem bestaat echt, is krachtig en wordt sneller geactiveerd dan welke AI-tool ook kan worden uitgerold. Iedere grote instelling heeft in de loop van jaren en decennia informele mechanismen ontwikkeld die veranderingen tegengaan wanneer deze bestaande machtsstructuren, gevestigde werkprocessen en professionele identiteiten bedreigen. Ik begreep dit intellectueel voordat we begonnen, maar ik onderschatte hoe specifiek en snel die mechanismen zouden reageren op AI.

Toen mensen merkten dat AI-tools niet alleen veranderden hoe het werk werd gedaan, maar ook wie er waarde had binnen de organisatie, werd weerstand niet geuit als oppositie, maar als naleving zonder adoptie. Teams kregen toegang tot tools, maar gebruikten ze niet. Ze ontvingen resultaten, maar handelden er niet naar. Processen werden formeel bijgewerkt, maar veranderden niet in de praktijk. Passieve weerstand in een grote instelling is vrijwel onzichtbaar totdat je de resultaten meet. Tegen de tijd dat metingen het probleem aan het licht brengen, zijn er maanden aan momentum verloren gegaan.

In dat verband zou ik willen dat ik had geweten hoeveel invloed de manier waarop de uitrol werd gepresenteerd blijvend zou hebben op de ontvangst ervan. Bij onze eerste implementaties maakten we een communicatiefout die ik beschouw als een van de meest ingrijpende fouten van het initiatief. Om steun van de directie op te bouwen en de investering te rechtvaardigen, beschreven we AI-tools in termen van efficiëntie: sneller, slanker, productiever.

Die framing was in strikt technische zin juist, maar in ieder menselijk opzicht bijzonder contraproductief. Wanneer mensen in de context van een nieuwe tool die binnen hun team wordt uitgerold het woord efficiëntie horen, denken ze aan personeelsreductie. Ze horen dat hun rol op overbodigheid wordt beoordeeld. Ze gaan de tool niet zien als iets dat hun werk beter zal maken, maar als iets dat hun functie overbodig zou kunnen maken. De defensieve houding die deze framing veroorzaakte, kostte maanden om af te breken en verdween in sommige delen van de organisatie nooit volledig.

En persoonlijk weet ik nu dat ik transparanter had moeten zijn tegenover mijn teams over mijn eigen onzekerheid. Ik begon aan deze reis met meer vertrouwen in mijn richtinggevende overtuiging dan in mijn operationele kennis van hoe AI zich binnen onze specifieke institutionele context zou gedragen. Ik wist dat de bestemming juist was. Ik kende het pad niet volledig. In mijn poging het leiderschapsvertrouwen uit te stralen dat grote programma's vereisen, communiceerde ik soms een zekerheid die ik niet bezat, waardoor verwachtingen ontstonden die de werkelijkheid vervolgens compliceerde. Ik heb geleerd dat intellectuele eerlijkheid over onzekerheid in werkelijk nieuw terrein geen zwakte van leiderschap is. Het is een voorwaarde voor het opbouwen van het vertrouwen dat teams overeind houdt tijdens de onvermijdelijke momenten waarop het pad moeilijker blijkt dan het plan had voorzien.

Waarom AI een nieuw type technologieleider vereist

Het AI-tijdperk devalueert systematisch een bepaald profiel van technologieleider: de expert die gedurende jaren van gedisciplineerde studie en praktijk diepgaande technische kennis heeft opgebouwd, autoriteit heeft verworven door meesterschap en leiding heeft gegeven als de meest deskundige persoon in de ruimte. Dat profiel domineerde decennialang het technologieleiderschap en leverde buitengewone resultaten op toen kennis de bottleneck was en expertise het concurrentievoordeel vormde. AI elimineert dat profiel niet van de ene op de andere dag. Maar het tast de fundamenten ervan sneller aan dan de meeste mensen met dat profiel erkennen, en instellingen die afhankelijk zijn van dat profiel zonder diens opvolger te ontwikkelen, bouwen een leiderschapsrisico op dat ze nog niet hebben geregistreerd.

Het profiel dat het AI-tijdperk vereist, is fundamenteel anders. Het AI-tijdperk vereist leiders die hun autoriteit niet ontlenen aan wat ze weten, maar aan de kwaliteit van hun vragen. Leiders wier belangrijkste intellectuele bijdrage niet synthese is (omdat AI kan synthetiseren), maar oordeelsvermogen. Leiders die niet alleen vertrouwd zijn met technologie, maar ook met organisatiedynamiek, menselijke psychologie en institutionele macht. Leiders die oprecht intellectueel bescheiden blijven tegenover een instrument dat voortdurend zelfvertrouwen uitstraalt, en die de innerlijke stabiliteit hebben ontwikkeld om "Ik weet het niet" en "Ik moet hierover nadenken" te zeggen in omgevingen die besluitvaardigheid boven vrijwel alles belonen.

En misschien nog belangrijker: het AI-tijdperk vereist leiders die duidelijk en grondig antwoord geven op een vraag die eerdere generaties technologieleiders zelden hoefden te stellen: Welke menselijke waarde voeg ik toe die AI niet kan nabootsen, en investeer ik met dezelfde discipline in die waarde als in mijn technische ontwikkeling?

Ik stel mezelf die vraag regelmatig. Het is geen comfortabele vraag. Ze vereist een eerlijke zelfevaluatie van welke onderdelen van mijn professionele identiteit werkelijk onvervangbaar zijn en welke onderdelen ik uit gewoonte bescherm in plaats van uit noodzaak. Ik geloof dat dit proces van eerlijke zelfreflectie de fundamentele leiderschapspraktijk van het AI-tijdperk is. Niet promptengineering, niet modelevaluatie, niet kaders voor AI-governance — hoe belangrijk die ook zijn. Het gaat om de bereidheid om helder te kijken naar wat jij inbrengt en wat een model niet kan, en om daar doelbewust en onvermoeibaar in te investeren.

Het AI-tijdperk produceert complexiteit in een tempo en op een schaal waarvoor geen historisch precedent bestaat binnen het technologieberoep. Leiders die hier goed doorheen zullen navigeren, omarmen AI niet het snelst, zetten het niet het meest ambitieus in en praten er niet het meest vloeiend over op podia zoals dit. Zij doen het moeilijkere, stillere werk om de menselijke kwaliteiten te ontwikkelen die complexiteit vereist: oordeelsvermogen, bescheidenheid, moed, institutionele wijsheid en de helderheid van doel die hen in staat stelt krachtige hulpmiddelen op waardige doelen te richten.

Ik geloof dat de gemeenschap van technologieleiders dit gesprek met veel meer urgentie moet voeren dan momenteel het geval is. En dat is de reden waarom ik met dit interview heb ingestemd: niet om te praten over wat AI kan doen, maar om in het openbaar zorgvuldig na te denken over wat wij als leiders moeten worden om het waard te zijn deze technologie aan te sturen.

Vijf adviezen voor CTO's

Ik wil advies geven dat nuttig is in plaats van advies dat goed klinkt op een conferentiepodium. Daarom deel ik wat ik geloof op basis van negentien jaar waarin ik transformatie heb geleid binnen een van de meest complexe institutionele omgevingen die je je kunt voorstellen.

Ten eerste: weersta de druk om een AI-strategie te hebben. Je organisatie heeft een bedrijfsstrategie nodig die door AI wordt ondersteund. Ik heb te veel technologieleiders enorme hoeveelheden energie zien besteden aan het opstellen van AI-routekaarten, het opzetten van AI-expertisecentra en het aankondigen van AI-initiatieven, terwijl ze de fundamentele vraag welk probleem ze voor de instelling oplossen onbeantwoord laten. AI zonder strategische helderheid is geen transformatie; het is geavanceerde activiteit die zich voordoet als vooruitgang. Begin met het resultaat waarvoor je verantwoordelijk bent en werk terug naar de punten waarop AI de grootste hefboomwerking creëert. Die volgorde is van enorm belang.

Ten tweede: beschouw adoptie als de belangrijkste technische uitdaging, niet integratie. Het moeilijkste probleem bij de implementatie van AI is niet het verbinden van het model met je systemen; het is veranderen hoe je mensen denken, beslissen en werken wanneer ze AI-ondersteuning tot hun beschikking hebben. In mijn ervaring investeren organisaties hier een orde van grootte te weinig in. Ze wijzen 80 procent van hun budget toe aan technologie en 20 procent aan veranderingen in mensen en processen, terwijl de verhouding die resultaten oplevert eerder omgekeerd is. Als je AI-initiatief geen serieuze component voor verandermanagement en capaciteitsopbouw heeft, bouw je op zand, ongeacht hoe geavanceerd je architectuur is.

Ten derde: bescherm je beoordelingslaag meedogenloos. Naarmate AI capabeler wordt en dieper in werkprocessen wordt geïntegreerd, zal er voortdurend druk ontstaan, subtiel en minder subtiel, om zijn bevoegdheden uit te breiden: om het niet alleen beslissingen te laten informeren maar ze ook te laten nemen, niet alleen risico's te laten signaleren maar ze ook te laten oplossen, en niet alleen aanbevelingen te laten opstellen maar ze ook te laten goedkeuren. Weersta dit. Niet omdat AI in bepaalde domeinen technisch gezien niet in staat zou kunnen zijn om deze dingen te doen, maar omdat je organisatie op het moment dat ze de gewoonte van menselijke oordeelsvorming verliest, iets kwijtraakt dat buitengewoon moeilijk opnieuw op te bouwen is. Oordeelsvorming is een spier. Organisaties die deze niet meer trainen, blijven niet statisch; ze atrofiëren. In een omgeving met hoge inzet kost die atrofie je datgene op het slechtst denkbare moment.

Ten vierde: besteed serieuze aandacht aan soevereine AI-ecosystemen, vooral als je actief bent binnen of naast de overheid, defensie of kritieke nationale infrastructuur. Stel de aanname ter discussie dat wereldwijde hyperscaleplatforms de standaardarchitectuur voor enterprise-AI zullen blijven. In Saoedi-Arabië zijn we getuige van de opkomst van werkelijk soevereine AI-infrastructuur via platforms zoals HUMAIN ONE. Deze platforms zijn gebouwd op Arabisch-georiënteerde taalmodellen, worden gehost op nationale rekeninfrastructuur en zijn specifiek ontworpen voor de complexe governance van grote instellingen. Voor CTO's die actief zijn in gereguleerde of beveiligingsgevoelige omgevingen is de vraag waar je AI draait, op wiens infrastructuur, onder wiens jurisdictie en met wiens gegevens deze is getraind, geen vinkje op een compliancechecklist; het is een fundamentele architectuurbeslissing die de AI-houding van je organisatie voor het komende decennium zal bepalen.

Ten vijfde en tot slot: investeer in je eigen oordeelsvermogen als leider met dezelfde discipline waarmee je investeert in de technische capaciteit van je organisatie. Dit is het advies dat ik het belangrijkst vind en waarover in technologiekringen het minst wordt gesproken. De CTO's die dit moment goed navigeren, begrijpen AI niet noodzakelijkerwijs het diepst in technische zin. Ze combineren technische kennis met institutionele wijsheid, strategische helderheid en de morele moed om beslissingen te nemen die goed zijn voor hun organisaties, zelfs wanneer die op korte termijn impopulair zijn. AI zal zich blijven ontwikkelen, ongeacht wat iemand van ons doet. De variabele is de kwaliteit van het menselijke leiderschap dat hier richting aan geeft.

We zijn niet verwikkeld in een race om AI zo snel mogelijk in te voeren; we zijn verwikkeld in een race om AI zo verstandig mogelijk in te voeren. In mijn ervaring is wijsheid nooit een functie geweest die je kunt installeren.

Volg mee

Je kunt het werk van Abdulrhman AlOdhayb volgen op LinkedIn.

Er volgen meer interviews met experts op The CTO Club.