Een nieuw blueprint voor AI-implementatie
Iets vergelijkbaars met de service blueprint die service designers al decennialang gebruiken, maar dan geschikt voor een wereld waarin AI niet alleen taken uitvoert, maar ook beslist, leert en adapteert? Het antwoord, zo bleek snel, was nee. En het gesprek dat volgde, ging al snel niet meer over tools of methodieken. Het ging over iets fundamentelers: welke waarden wil je eigenlijk verdedigen als je AI inbouwt in een dienst of een organisatie? En wie beslist dat?
De service blueprint en zijn grenzen
De service blueprint is een beproefd instrument. NN/g (Nielsen Norman Group) en IDEO hebben er sterke versies van ontwikkeld: een horizontale kaart van de klantreis, met een duidelijke scheiding tussen wat zichtbaar is voor de klant (frontstage) en wat erachter gebeurt (backstage), met tijdslijnen, touchpoints en verantwoordelijkheden per rol. Voor diensten die door mensen worden uitgevoerd, met voorspelbare stappen en vaste rollen, werkt dat kader goed. Maar zodra je AI invoert, en zeker zodra die AI autonoom opereert, knelt het model op een fundamentele manier.
Een traditionele service blueprint gaat uit van deterministische stappen. Stap A leidt tot stap B, tenzij er een uitzondering is, en die uitzondering wordt afgehandeld door een mens. Agentic AI werkt anders. Een AI-agent heeft autonomie: hij plant, beoordeelt en past zijn gedrag aan op basis van context. Wat de agent precies doet in situatie C is niet altijd vooraf te specificeren. En dat maakt het ontwerpen van menselijk toezicht, van escalatiemomenten en van controlepunten wezenlijk ingewikkelder.
Tijdens de Bangkok-sessie inventariseerden we de bestaande kaders. Google PAIR en Microsoft's AI-interactierichtlijnen bieden nuttige bouwstenen voor AI-gedrag aan de voorkant, maar ze zijn niet ontworpen als implementatiekader voor volledige diensten. De OpenAI- en LangChain-ecosystemen denken in technische agentarchitecturen, niet in de verantwoordelijkheidsverdeling tussen mens en systeem. Geen enkel bestaand kader combineerde service design met governance voor autonome AI.
6 lagen van AI implementatie
Wat uit onze sessie voortkwam, was een nieuwe lagenstructuur voor AI-implementatie, geïnspireerd op het traditionele service design blueprint.
- User Layer (gebruikersintenties en het moment van overdracht aan de AI),
- Agent Layer (autonomie, planningslogica en escalatiegrenzen),
- Frontstage (zichtbare mens-AI-interacties),
- Backstage (systemen, databronnen en menselijk toezicht),
- Agent Lifecycle (hoe het systeem groeit, wordt bijgesteld en eventueel teruggetrokken)
- Governance en Ethics Layer. Die bevat explainability-mechanismen, fail-safes, override-opties en een expliciete verantwoordelijkheidskaart: wie is aansprakelijk als het systeem het mis heeft? In de woorden die we in Bangkok gebruikten: not optional in AI-first design. Je voegt hem niet toe als sluitstuk. Je ontwerpt hem als fundament. Maar wie vult die laag? En wie heeft invloed op de keuzes die daarin worden vastgelegd?
In de praktijk worden de parameters van AI-systemen vastgesteld door een kleine groep mensen: een projectteam, een leverancier, een technisch architect. De medewerker die door het systeem wordt beoordeeld, de klant die ermee te maken krijgt, de eindgebruiker die er afhankelijk van wordt: zij zijn zelden aanwezig als die keuzes worden gemaakt. En dat is geen technisch probleem. Het is een machtsvraag.
Neem een concreet voorbeeld dat ik regelmatig tegenkom. Een organisatie implementeert een AI-tool die klantenservicegesprekken beoordeelt op parameters als spraaksnelheid, doorlooptijd en klanttevredenheid gemeten via een directe enquête. De medewerker die een gesprek over een overlijdensuitkering voert en daar meer tijd voor neemt, wordt lager gescoord. De medewerker die goed luistert maar minder praat, scoort lager op "actief engagement". Het systeem meet wat het systeem kan meten. Wat het niet kan meten, telt niet mee. En dat is precies de keuze die niemand expliciet heeft gemaakt, omdat de Governance en Ethics Layer is ingevuld door de leverancier, niet door de organisatie.
Drie vragen voor elke laag van je implementatie
1. Wiens belangen optimaliseert dit systeem, en wie heeft het minste invloed op de parameters?
AI-systemen optimaliseren op een doelstelling die ze meekrijgen. Die doelstelling weerspiegelt de belangen van degenen die haar formuleren. De kandidaat die wordt afgewezen, de medewerker die wordt beoordeeld, de klant die contact zoekt: zij zitten zelden aan tafel als de parameters worden vastgesteld. De Governance en Ethics Layer is de plek waar die asymmetrie zichtbaar wordt gemaakt en geadresseerd.
2. Wie beslist wanneer het systeem het mis heeft, en hoe wordt die beslissing geborgd?
Geen enkel systeem is onfeilbaar. De vraag is niet of er uitzonderingen zijn, maar of er een mens is die bevoegd, bekwaam en bereid is die uitzondering te herkennen en te handelen. In de Agent Layer en de Backstage leg je de escalatielogica vast. In de Governance Layer leg je vast wie dat besluit mag nemen en hoe dat wordt gedocumenteerd.
3. Wat moet een mens nog kunnen doen, ook als het systeem beschikbaar is, en waarom?
Dit is de verraderlijkste vraag, omdat organisaties die hem serieus nemen soms tot de conclusie komen dat zij eerst moeten investeren in menselijke vaardigheden voordat de automatisering waarde kan toevoegen. Het vermogen om een complexe klacht te beoordelen, een kwetsbare medewerker te begeleiden of een onverwachte situatie te herkennen: die vaardigheden atrofiëren als het systeem ze structureel overneemt. In de Agent Lifecycle Layer stel je die vraag opnieuw bij elk evaluatiemoment.
Meer te weten komen en mee aan de slag gaan?
Wat ons onderscheidt van vrijwel elk ander AI-opleidingsinstituut in Europa en de VS, is de keuze om ethiek te behandelen als ontwerpdiscipline en als gedragstraining. We helpen organisaties de vragen te stellen die verdwijnen in de haast van implementatie. En we trainen professionals in het vermogen om ze te blijven stellen, ook als het systeem al live is.
Het curriculum van de Human AI Academy bestaat onder meer uit:
Human-AI Implementatie Training — een driedaagse training waarin je een echte AI-implementatiecase uitwerkt tot een Human-AI Playbook met concrete werkafspraken over eigenaarschap, controle, fallback, privacy en governance. Het hierboven beschreven 6-lagen model gebruiken we als leidraad.
AI Dilemma Clinic — professionals komen in situaties terecht die wringen, zonder pasklaar antwoord. De training traint het vermogen om morele keuzes te herkennen en te benoemen onder druk.
Ethisch Leiderschap — voor leidinggevenden die een organisatiecultuur willen bouwen waarin mensen durven zeggen: dit klopt niet.
AI Eigenaarschap — traint het vermogen om te herkennen wanneer jij zelf in de morele slaap dreigt te vallen: wanneer volg jij het systeem, en wanneer neem jij het stuur?