Grip op AI. Resultaat in Productie.

AI heeft natuurlijk niet zelf besloten haar te arresteren. Daar kwamen mensen aan te pas die onvoldoende controleerden of de gezichtsherkenning het wel bij het juiste eind had.

Er is veel aandacht voor AI die zelfstandig systemen hackt. Veel minder voor de schade die ontstaat wanneer mensen en organisaties AI verkeerd inzetten.

Dat contrast wilde ik onderzoeken. Niet alleen wat AI zelfstandig verkeerd doet, maar vooral wat er misgaat wanneer organisaties AI in de praktijk gebruiken.

Daarom wilde ik voorbij de spectaculaire AI-labincidenten kijken waarin agents zelfstandig hacken. Wat gaat er mis in het dagelijkse werk van bedrijven, overheden en zorginstellingen? En welke verklaringen worden daarvoor gegeven?

Ik verzamelde 9.2 miljoen nieuwsartikelen waarvan uiteindelijk 118.551 gingen over AI incidenten, gepubliceerd tussen 6 augustus en 2 oktober 2026. Na ontdubbeling en een controle bleven er (slechts) 113 unieke AI incidenten over waar alle nieuwsberichten over schreven.

Van de 113 onderzochte incidenten gingen er 15 over AI-agents die onverwachts zelfstandig ongewenste acties uitvoerden, zoals het hacken van systemen.

Het overgrote meerendeel, 98 incidenten, draaiden om problemen bij het inzetten, gebruiken of misbruiken van AI door mensen en organisaties.

Opvallender nog: juist in deze laatste groep vallen alle zeer ernstige incidenten, waarbij mensenlevens in het geding kwamen. Bij de losgeslagen AI-agents kwam die ernst in dit onderzoek niet voor.

De rode draad door deze nieuwsitems; het is niet AI wat de schade veroorzaakt in de beschreven incidenten, het is het gebrek aan implementatiezorg en/of menselijke aandacht waardoor organisaties soms catastrofaal tekortschieten.

Dit is het schrale contrast: het discours gaat over AI die mensen te slim af zijn, terwijl verreweg de meest ernstige gevallen in het nieuws gaan over het tekortschieten van de mens bij het implementeren en gebruiken van een AI systeem.

AI heeft de potentie om op veel vlakken de wereld te verbeteren. Om die mogelijkheden goed te benutten, moeten we niet alleen investeren in slimmere AI, maar juist ook in slimmere mensen die ermee werken. Zij hebben kennis nodig om uitkomsten te beoordelen, tijd om dat zorgvuldig te doen en het mandaat om in te grijpen.

Hoe investeren jullie in je mensen?

Mensen experimenteren met AI en ontdekken kansen voor hun werk. Bij de stap naar breder gebruik komen praktische vragen op tafel: welke data mogen we gebruiken? Hoe koppelen we AI aan onze systemen? En hoe maken we ruimte voor training en oefening?

AI een vaste plek geven betekent ook processen aanpassen, vaardigheden ontwikkelen en duidelijke afspraken maken.

Een AI operating model helpt om dat te organiseren. Om het concreet te maken heb ik een model opgesplitst in 5 onderdelen waarin bewust de mens centraal staat:

𝟭. 𝗙𝗶𝗻𝗱
Kies een concreet probleem en wijs een eigenaar aan. Durf ook het hele proces opnieuw in te richten.

𝟮. 𝗘𝗻𝗮𝗯𝗹𝗲
Regel toegang tot AI en hulp bij het gebruik. Plan oefentijd en terugkerende trainingen, afgestemd op ieders rol.

𝟯. 𝗚𝘂𝗮𝗿𝗱
Spreek af welke gegevens je mag gebruiken, wie de uitkomsten controleert en wanneer je extra goedkeuring nodig hebt.

𝟰. 𝗠𝗲𝗮𝘀𝘂𝗿𝗲
Vergelijk tijd, kwaliteit en kosten vóór en na. Beslis of je doorgaat, bijstuurt of stopt.

𝟱. 𝗦𝗰𝗮𝗹𝗲
Laat een volgend team ermee werken. Regel uitleg, ondersteuning en beheer, zodat niet iedereen alles zelf hoeft uit te zoeken.

Een AI operating model klinkt als iets voor op een slide. Goed ingericht merk je het juist in het dagelijkse werk en in het bedrijfsresultaat.

De AI-abonnementen zijn geregeld. Hoe staat het met het trainingsplan?

En dat zonder technische kennis.

Grok Bot werd pas een paar weken geleden gelanceerd en is nog relatief onbekend, maar groeit snel. Je zet via een gesprek een team van kleurrijke AI-karakters aan het werk, ieder met een eigen rol en expertise. Zonder zelf te programmeren. Zonder het gedoe dat je hebt bij het opzetten van multi-agent systemen en workflows. En het werkt, naar mijn ervaring... erg goed.

OpenClaw gaf eerder dit jaar al een voorproefje. Grok Bot maakt het toegankelijk voor veel meer mensen.

Het zijn dit soort producten die de potentie van AI laten zien. Het democratiseert het bouwen van systemen en oplossingen, tot en met volledig autonome agentteams.

Ik verwacht dat het aansturen van een team van agents straks net zo vanzelfsprekend gaat zijn als vandaag een videogesprek starten.

De opkomst van AI en Agentic Coding vraagt professionals en organisaties dat zij een nieuwe manier van werken omarmen.

Bij Menzis hebben wij deze stap gezet in januari dit jaar, waarin we gecontroleerd de stappen van het software opleverproces met AI agents hebben ingericht samen met Sopra Steria.

In de zorg staan veiligheid, privacy en naleving van wet- en regelgeving daarbij voorop. Ook als de technologie sneller gaat, blijven die eisen leidend.

Juist die uitdagingen bieden kansen voor innovatie. Met de juiste inzet van AI kunnen we niet alleen sneller werken, maar ook beter werk leveren.

En hoe zorg je ervoor dat AI niet bij losse toepassingen blijft, maar onderdeel wordt van het dagelijkse werk?

Daarover ben ik uitgenodigd om te spreken tijdens een AI-meetup van MMBA Alumni Association in Rotterdam, met bijzondere aandacht voor de rol van managers in deze transformatie.

Daarin spelen managers een cruciale rol. Niet alleen door teams de juiste vaardigheden, kaders en ruimte te geven om met AI te werken, te leren en op te schalen, maar ook door zelf het goede voorbeeld te geven.

Dank voor de leuke gesprekken, nieuwe inzichten en natuurlijk de pizza achteraf. Goed geregeld Thijs Gloudemans en Next Epoch.

Wil je dit gesprek ook binnen je organisatie voeren? Nodig me gerust uit.

Het topmodel van Anthropic, de ‘veilige’ variant van het beruchte Mythos 5, is sinds vrijdag als exportproduct geblokkeerd voor iedereen buiten de VS.

Waarom? Het model zou te kraken zijn, en daarmee in te zetten voor cyberaanvallen. Anthropic is het daar niet mee eens, maar de blokkade staat.

Wat er ook achter zit, het bevestigt één ding. In Europa moeten we onze eigen digitale broek ophouden.

Soevereiniteit is geen verhaaltje meer. Het betekent eigen AI-modellen, draaiend op onze eigen servers, in onze eigen datacentra.

We worden bij de dag afhankelijker van digitale infrastructuur die we niet zelf beheren. Echte weerbaarheid betekent dat je niet stilvalt op het moment dat een ander land de toegang afsluit.

Investeren in eigen AI en rekenkracht is daarmee geen bijzaak. Het is hoe je je zelfstandigheid beschermt. Voor Nederland, maar ook voor individuele bedrijven is het essentieel om juist in eigen infrastructuur te investeren.

Als toegang tot je belangrijkste AI-product vandaag stopt, wat valt er dan stil?

Dat een AI agent software kan bouwen, weet inmiddels iedereen. Maar kan je er ook op bouwen?

Bouwen met AI agents vraagt een nieuw type oordeel. En dat oordeel kun je leren.

Deze maand trainen we bij Menzis 50+ ontwikkelaars, testers, product owners in agentic engineering, gefaciliteerd door Sopra Steria. Samen met Matthijs Koopman, Sebastiaan van Steenoven en Gerdien Conradi hebben we dit snel en efficient vormgegeven.

Naast het opleiden van onze teams gaan we ook direct aan de slag met compliance met Jeroen van de Weijer. Samen met Siona Gidding brengen we met data het hele plaatje in kaart, snelheid, kwaliteit, adoptie en meer, zodat elk team op eigen cijfers kan bijsturen.

Een AI-transformatie is fundamenteel menselijk. Gefundeerd vertrouwen in een agent krijg je niet zomaar. Je bouwt het op, met mensen die de techniek begrijpen en beheersen.

𝗛𝗼𝗲 𝗯𝗼𝘂𝘄𝘁 𝗷𝗼𝘂𝘄 𝘁𝗲𝗮𝗺 𝗱𝗶𝘁 𝘃𝗲𝗿𝘁𝗿𝗼𝘂𝘄𝗲𝗻 𝗼𝗽?

Met dank aan Nicole Pijnenburg, Stijn Driessen, Chris van der Laan, Susette Hummel, Olga Meulenbroek, Bert-Jan Beenen, Michel Janssens, Ben Koomen en alle andere betrokkenen die dit mogelijk hebben gemaakt.

Ik zit in de auto als ik dit berichtje ontvang van mijn vrouw, Bregje. Hugo, onze huishoudelijke AI agent, is missing in action.

Hugo, een OpenClaw-agent met de persona van een butler beer, heb ik begin dit jaar geïntroduceerd. Hij leeft op een eigen minicomputer bij ons thuis en is bereikbaar via WhatsApp.

Zijn doel: ons digitale gezinsleven vereenvoudigen waar dat kan. Maar vooral om mezelf een reden te geven om ermee te experimenteren.

Ik krijg regelmatig de vraag hoe ik AI agents persoonlijk gebruik. Inmiddels vervult Hugo meerdere taken:

- Recepten voorstellen en weekboodschappenlijstje maken
- Gezinskalender managen 
- Dubbel checken of mailtjes met een betalingsverzoek phishing zijn
- Onze espressomachine voorverwarmen op vaste momenten en voordat vrienden langskomen
- Prijsinschatting Marktplaats / Vinted
- Het bedienen van onze smart verlichting
- Nieuws aggregatiemet persoonlijke highlights 
- Reminders voor grijs- en groencontainers (iets te vaak vergeten)
- Filmpjes converteren en comprimeren

Meest entertaining use-case: via Hugo berichtjes versturen naar elkaar. Niet heel nuttig, maar wel grappig om een kopje thee te verzoeken via een surrogaat beer.

"Kunnen we Hugo dit laten doen?"

Dat is ook de reflex die je organisatiecultuur nodig heeft: de drempel naar AI agents zo laag mogelijk maken, en bij elke taak en proces je blijven afvragen of we die nog zelf moeten doen.

Eenmaal thuisgekomen blijkt het productieincident snel opgelost: de WhatsApp van Hugo opnieuw inloggen. Klaar voor de volgende opdracht.

Tijdens een workshop over de toekomst van developers zei een senior uit mijn team (ik parafraseer): “Ik heb systeemdenken geleerd door jaren code schrijven en fouten maken.”

Maar wat gebeurt er als juniors zelf geen code meer schrijven?

Dan verdwijnt een groot deel van de frictie waardoor je leert denken als engineer.

Want juist door zelf code te schrijven leer je waarom een specificatie onduidelijk is, waar context ontbreekt, welke risico’s verstopt zitten en waarom tests tekortschieten.

Andrej Karpathy, een bekende AI-wetenschapper, zei laatst: “AI kan denken, maar niet begrijpen.”

Misschien wordt dat verschil tussen de twee nu belangrijker dan ooit.

Senioriteit ontstaat niet doordat je veel code schrijft. Het ontstaat doordat je steeds beter begrijpt wat je bouwt.

Als AI een deel van het leertraject laat verdampen, moeten we bewuster worden in hoe we juniors laten groeien.

Hoe zorgen we dat juniors senior worden in een tijd waarin AI steeds meer code schrijft?

AI-agent: hier is de auto al. Hij is veilig.

Met waterfall bouwde we eerst een autowiel. Met Agile maakten we er eerst een fiets van, en uiteindelijk een auto. Dat werkt omdat elke stap iets zichtbaar maakt: risico, klantwaarde, technische keuzes, feedback.

Met agentic coding stel je de vraag waarom je überhaupt eerst nog een fiets moet bouwen.

Je krijgt direct een auto-achtige oplossing terug. Als je wilt, meerdere varianten tegelijk. Inclusief tests en een agent die vrij zeker klinkt over zijn eigen product.

Dan begint het werk dat eerder onderweg gebeurde.

Welke standaard heeft de agent gevolgd? Welke aannames zijn er gemaakt? Wanneer is een groene test ook goed genoeg voor productie?

Waar we eerst een fiets als tussenstap maakten, moeten we nu voorkomen dat een agent in één sprint een rode cabrio bouwt waar niemand veilig mee de snelweg op kan.

Agentic coding verandert niet alleen hoe snel we bouwen, maar waar we feedback, controle en vertrouwen organiseren.

Misschien zit de nieuwe fiets straks in de spec, de review en de rollback.

Wat is bij jullie de nieuwe 'fiets' geworden?

Als een agent binnen minuten bouwt, wordt elke vage keuze ook code. Een onduidelijke scope wordt direct technische schuld.

Met die snelheid wordt de menselijke code review al snel een nieuwe bottleneck.

Laat je de code door omdat de tests groen zijn? Of duik je alsnog regel voor regel terug de code in?

Als je goed begrijpt wat er gebouwd moet worden, kijk je anders naar AI-output.

Klopt de code met de bedoeling? Zijn de risico’s afgedekt? Leveren de checks bewijs? Past de oplossing bij de architectuur die je al hebt?

Dat begrip ontstaat eerder in het proces.

Wat moet de agent weten voordat hij mag bouwen?

Het begint met agents steeds meer op spec-based development te lijken. Dit is geen roman vooraf, maar wel veel aandacht voor scherpe kaders waarbinnen de agent kan werken.

Vooraf moet helder zijn wat je wilt bereiken, waar de grenzen liggen en wanneer het goed genoeg is.

Daarna wordt de code review anders.

Je kijkt niet of je elke regel zelf ook zo had geschreven. Je kijkt of de output klopt met de spec, of de risico's zijn afgedekt en of de checks bewijs leveren.

Dat is een belangrijk verschil.

Je vertrouwt niet op AI.

Je vertrouwt op de kwaliteit van de input.

Hoe scherper je de agent vooraf stuurt, hoe minder je achteraf regel voor regel hoeft af te pellen.

Samen met tech lead Matthijs Koopman staan wij met onze teams midden in deze verschuiving: code gaat ineens veel sneller, maar het proces eromheen moet ook meegroeien.

Hoe richten jullie die voorbereiding en review in voor maximale impact?

Tot een kenner ernaar kijkt.

Laatst had ik een gesprek met Jasper over AI in audio, beeld en taal.

Hij is een uitzonderlijk goede gitarist en docent. Een vakman. Iemand met gevoel voor kwaliteit.

Jasper stelde dat er iets verloren gaat. Niet alleen kwaliteit in technische zin, maar ook gevoel.

Ambacht.

Dat herken ik, bij veel tekst zie je het nu al. AI verraadt zich snel. Streepjes tussen zinnen, "dit is niet X dit is Y", en een pathetische conclusie die niks zegt.

Maar hij vertelde ook iets anders.

AI had hem geholpen met een obscuur gitaarprobleem. Door een snaar om te draaien, kreeg hij weer zuiver geluid.

Een oplossing die hij anders waarschijnlijk nooit had gevonden.

Het kan dus vakmensen toegang geven tot kennis die eerder moeilijk vindbaar was.

Beeld, muziek en tekst maken wordt toegankelijker voor veel meer mensen.

Is AI een tij dat alle schepen doet stijgen?

Of verdrinken we straks in middelmatigheid (lees: AI slop)?

Het met AI gegenereerde plaatje hieronder vat het mooi samen.

Zoals Jasper zei: "Leuke compositie, erg veel fouten."

Hacken is makkelijker dan ooit. Aanvallen op grote schaal ook. AI is niet meer alleen een kennisbron, maar een proactieve uitvoerder.

Agents sporen kwetsbaarheden op, analyseren doelwitten en voeren massaal gepersonaliseerde phishing uit.

De cijfers spreken voor zich. Van 2.8k ransomware-slachtoffers in 2020 naar meer dan 8k verwacht in 2026. De curve loopt gelijk met AI-capabilities.

Begin april kondigde Anthropic Mythos aan. Dat model vond autonoom een 27 jaar oude bug in een security-first-systeem en liet zien hoe eenvoudig het kwetsbaarheden kan opsporen en misbruiken.

Te gevaarlijk voor publieke release, dus blijft het achter slot en grendel.

Maar voor hoe lang?

Het is een kwestie van maanden voordat iedereen met genoeg motivatie, inclusief staatsactoren, hetzelfde in handen heeft. Andere onderzoeksteams tonen nu al aan dat ze vergelijkbare resultaten boeken.

Verouderde securitymodellen zijn gebouwd voor menselijke aanvallers met menselijke snelheid. Dat tijdperk is voorbij.

De meeste aanvallen zijn echter geen magie. Ze slagen omdat de basis niet op orde is. Daar wordt misbruik van gemaakt.

Agentic AI is een kansrijke technologie. Maar de schaduwzijde vraagt om actie.

De aanvaller is geautomatiseerd. De verdediging vaak nog niet. Dit window-of-opportunity gaat grote gevolgen hebben voor organisaties die niet meebewegen.

Gaat het stormen? Of waait het over?

In ons team noemen we agents schertsend 'digitale collega's'. Het dwingt je om na te denken: welke taken delegeer ik? Met hoeveel toezicht? En wanneer laat ik los?

Matthew Skelton (co-auteur Team Topologies) stelde vorige maand op QCon London dat 80% van bedrijven geen meetbaar resultaat haalt uit AI. Niet door het model. Door hoe ze het organiseren.

Structuur helpt, maar implementaties mislukken alsnog als AI een tool blijft in plaats van een onderdeel van je team.

Plot dat op twee assen, taakambiguïteit horizontaal, menselijk oordeel verticaal, en je krijgt vier kwadranten:

𝗛𝘆𝗯𝗿𝗶𝗱𝗲 𝗞𝗼𝗽𝗽𝗲𝗹 (duidelijke taak, veel menselijk oordeel)
Een jurist reviewt een contract terwijl een agent real-time jurisprudentie erbij trekt. Jij beslist, de agent versnelt.

𝗠𝗲𝗻𝘀-𝗴𝗲𝘀𝘁𝘂𝘂𝗿𝗱 𝗔𝗴𝗲𝗻𝘁 𝗧𝗲𝗮𝗺 (ambigue taak, veel menselijk oordeel)
Een marketingmanager stuurt drie agents aan: concurrentieanalyse, nieuwsbrief, doelgroepoptimalisatie. De mens bepaalt strategie, de agents voeren parallel uit.

𝗔𝘂𝘁𝗼𝗻𝗼𝗺𝗲 𝗔𝗴𝗲𝗻𝘁𝘀 (duidelijke taak, weinig menselijk oordeel)
10.000 facturen per maand automatisch matchen met inkooporders. Geen mens in de loop.

𝗔𝗴𝗲𝗻𝘁𝗲𝗻𝘇𝘄𝗲𝗿𝗺 (ambigue taak, weinig menselijk oordeel)
Honderden agents bewaken elk een ander transactietype in een betaalnetwerk. Geen centraal brein, maar als meerdere agents hetzelfde patroon signaleren, escaleert het systeem automatisch bij fraude.

In het midden loopt de menselijke drempel.
Erboven: fouten hebben juridische, ethische of onomkeerbare gevolgen. Daar hoort altijd een mens.
Eronder: voorspelbaar en herhaalbaar. Daar kan een agent het grotendeels zelf.

Wat ik wel kan zeggen: de retrospectives doen we nog zonder digitale collega's. Die brengen we door met, zoals een collega ons noemde, de vleeszakken.

In welk kwadrant zit het werk dat jij vandaag nog helemaal zelf doet?

Een kwetsbaarheid gevonden in een robuust besturingssysteem door Claude Mythos, een (voor publiek nog onbeschikbaar) AI-model van Anthropic.

Volgens het rapport van Anthropic gaat het om o.a. drie kwetsbaarheden in veelgebruikte software:
-Een 27 jaar oude fout in OpenBSD, één van de veiligste computer besturingssystemen ter wereld.
-Een 16 jaar oude lek in de software achter vrijwel elk groot videoplatform
-Een 17 jaar oude fout waarmee een aanvaller via het internet volledige controle over een server kan overnemen.

Vroeger had je voor dit soort werk dure specialisten en maanden de tijd nodig. Die hoge kosten zijn op zichzelf een drempel.

Die drempel lijkt nu weg.

Het model zocht duizend keer, voor in totaal zo'n $20.000. De poging die de OpenBSD-bug vond kostte minder dan $50. Beide bedragen ongekend laag voor het vinden van dit type kwetsbaarheid.

Een aanvaller met toegang tot dit soort technologie hoeft niet meer te raden waar de zwakke plek zit. Hij laat AI gewoon zoeken, dag en nacht, zonder pauze.

Hoe beveilig je systemen tegen iemand die onbeperkt kan zoeken naar de zwakste plek?

Jarenlang bouwden we concurrentievoordeel op de applicatielaag. Een mooiere button. Een slimmere zoekbalk. Een snellere checkout. Infrastructuur was een kostenpost, de waarde zat in wat de gebruiker zag.

Nu is dat omgedraaid.

AI-agents kunnen je bedrijfsvoering versnellen. Binnen no-time zet je een nieuwe website of applicatie neer. Maar voordat agents iets nuttigs doen, moet de technische onderlaag en de randvoorwaarden van je organisatie er klaar voor zijn. Is die gebrekkig? Dan versnellen agents de achteruitgang. Dezelfde problemen, in veelvoud.

Wat onzichtbaar is, bepaalt nu de wedstrijd.

Forrester voorspelt dat 75% van technologiebeslissers in 2026 matige tot ernstige technische schuld tegenkomt. De meeste bedrijfssystemen zijn nooit gebouwd voor wat AI nu vraagt: directe antwoorden, agents die dwars door systemen heen werken.

Je infrastructuur, platform en governance zijn nu je onderscheidend vermogen. Niet de app. Niet je dashboard.

Bedrijven die de onderlaag vergeten, verdwijnen. Wie wél investeert in de fundering, zet met agentic AI een tempo neer dat de rest niet bijhoudt.

Wij zetten hier in een groot moderniseringstraject structureel op in. De onderlaag eerst. En het mooie: AI-agents helpen in de analyse, ontwerp en bouw van nieuwe diensten.

Stel je hebt één keuze: rol je dan agents uit om te leren wat werkt, of los je eerst je technische schuld af om je landschap agent-ready te maken?

Een AI agent kan afwegen, generaliseren en omgaan met situaties die je niet kunt voorzien. Die vaardigheid limiteer je misschien met vaste werkwijzen, templates en procedures.

Een denkbaar voorbeeld is een compliance-procedure die exact beschrijft wat een medewerker doet bij een verdacht signaal: meld in systeem X, vul formulier Y in, wacht op goedkeuring, stuur bevestiging. Drie dagen doorlooptijd, vijf handtekeningen, ongeacht of het signaal urgent of triviaal is.

Beschrijf in plaats daarvan het doel en de grenzen: elk signaal wordt beoordeeld op ernst. Hoog-risico moet binnen twee uur bij een mens liggen. De agent mag beoordelen en documenteren, maar nooit zelfstandig sancties opleggen. Alles wordt gelogd.

Nu kan de agent onderscheid maken: een laag-risico melding zelf afhandelen, een hoog-risico signaal direct escaleren, zonder de volledige procedure te doorlopen als dat niet nodig is.

Hekken, geen route.

Standaarden zijn niet achterhaald, sterker nog, ze zijn juist waardevol. Maar een deel van onze standaarden is toe aan vertaling als we ze willen gebruiken voor agents. Van procedure naar principe. Van werkwijze naar grens.

In de praktijk betekent dit dat je meer tijd steekt in het definiëren van de uitkomst en de guardrails van een agent dan in het uitwerken van de route ernaartoe.

Want als een agent een helder doel en duidelijke grenzen heeft, wordt de voorgeschreven route een optie, toch?

Binnen mijn team dwong dat tot keuzes.

We schatten niet meer op story points, maar op contextcompleetheid. We werken niet meer met het hele team aan één feature, maar met één owner per feature versterkt door agents. Vaste sprints maken plaats voor een continue Kanban pull flow

De afbeelding hieronder laat zeven bewuste verschuivingen zien: van vertrouwde Agile-gewoonten naar werkwijzen die passen bij een team dat met AI agents werkt.

Welke van deze verschuivingen voelt voor jouw team het meest urgent? En wat heb je de afgelopen tijd besloten los te laten?

Amazon ontsloeg 30.000 medewerkers. Daarna verplichtte het de overgeblevenen AI-tools te gebruiken. Vervolgens verloor het 6,3 miljoen bestellingen.

Wat verdween met die ontslagronde stond niet op een organogram: de kennis over hoe systemen werkten, waarom bepaalde keuzes ooit zijn gemaakt, waar de zwakke plekken zaten.

In november stuurden twee topmanagers een interne memo: 80% van alle ontwikkelaars moest wekelijks een AI-tool gebruiken. Adoptie als bedrijfsdoelstelling.

Drie maanden later: twee grote storingen in drie dagen. 𝗜𝗻𝘁𝗲𝗿𝗻 𝘄𝗲𝗿𝗱 𝗴𝗲𝘀𝗽𝗿𝗼𝗸𝗲𝗻 𝗼𝘃𝗲𝗿 𝗔𝗜-𝘁𝗼𝗼𝗹𝘀 𝗱𝗶𝗲 𝘃𝗲𝗿𝗮𝗻𝗱𝗲𝗿𝗶𝗻𝗴𝗲𝗻 𝗱𝗼𝗼𝗿𝘃𝗼𝗲𝗿𝗱𝗲𝗻 𝗱𝗶𝗲 𝗻𝗶𝗲𝗺𝗮𝗻𝗱 𝘃𝗼𝗹𝗹𝗲𝗱𝗶𝗴 𝗯𝗲𝗴𝗿𝗲𝗲𝗽, 𝗲𝗻 𝘄𝗮𝗮𝗿𝘃𝗼𝗼𝗿 𝗱𝗲 𝘃𝗮𝗻𝗴𝗻𝗲𝘁𝘁𝗲𝗻 𝗼𝗻𝘁𝗯𝗿𝗮𝗸𝗲𝗻.

Het resultaat was een 90-daagse "safety reset" met meer reviews en meer goedkeuringen.

𝘈𝘮𝘢𝘻𝘰𝘯 𝘩𝘦𝘦𝘧𝘵 𝘰𝘯𝘴 𝘥𝘢𝘢𝘳𝘮𝘦𝘦 𝘰𝘨𝘦𝘯𝘴𝘤𝘩𝘪𝘫𝘯𝘭𝘪𝘫𝘬 𝘦𝘦𝘯 𝘷𝘢𝘯 𝘥𝘦 𝘩𝘦𝘭𝘥𝘦𝘳𝘴𝘵𝘦 𝘷𝘰𝘰𝘳𝘣𝘦𝘦𝘭𝘥𝘦𝘯 𝘨𝘦𝘨𝘦𝘷𝘦𝘯 𝘷𝘢𝘯 𝘩𝘰𝘦 𝘫𝘦 𝘈𝘐-𝘢𝘥𝘰𝘱𝘵𝘪𝘦 𝘯𝘪𝘦𝘵 𝘮𝘰𝘦𝘵 𝘢𝘢𝘯𝘱𝘢𝘬𝘬𝘦𝘯.

Eerst kennis wegbezuinigen. Dan AI opleggen om het gat te dichten.

AI versterkt wat er is. Kennis hiaat? Dan versterkt het dat ook.

Zie jij dit patroon ergens anders ook ontstaan?

Het viel vorige week in een overleg, bijna terloops. En het bleef hangen.

Want deze observatie wordt breder gedeeld. Google's DORA-rapport van eind 2025 (bijna 5.000 tech-professionals wereldwijd) laat een ogenschijnlijke paradox zien.

• AI-adoptie onder ontwikkelaars: 90%.
• Meer dan 80% gelooft dat AI hun productiviteit heeft verhoogd.
• Maar de organisatie KPI's bewegen 𝗻𝗶𝗲𝘁 mee.

Ontwikkelaars zijn sneller klaar, maar de oplevering niet. De bottleneck is verschoven, niet verdwenen.

Code schrijven is maar één schakel. En de schakels eromheen zijn ook rijp voor AI agents.

𝘈𝘨𝘦𝘯𝘵𝘪𝘤 𝘤𝘰𝘥𝘪𝘯𝘨 𝘢𝘭𝘭𝘦𝘦𝘯 𝘪𝘯 𝘥𝘦 𝘣𝘰𝘶𝘸 𝘪𝘯𝘻𝘦𝘵𝘵𝘦𝘯 𝘪𝘴 𝘢𝘭𝘴 𝘻𝘦𝘭𝘧𝘴𝘤𝘢𝘯𝘬𝘢𝘴𝘴𝘢'𝘴 𝘪𝘯𝘵𝘳𝘰𝘥𝘶𝘤𝘦𝘳𝘦𝘯 𝘸𝘢𝘢𝘳𝘣𝘪𝘫 𝘪𝘦𝘥𝘦𝘳𝘦 𝘬𝘭𝘢𝘯𝘵 𝘴𝘵𝘢𝘯𝘥𝘢𝘢𝘳𝘥 𝘦𝘦𝘯 𝘤𝘰𝘯𝘵𝘳𝘰𝘭𝘦 𝘬𝘳𝘪𝘫𝘨𝘵 𝘦𝘯 𝘦𝘦𝘯 𝘮𝘦𝘥𝘦𝘸𝘦𝘳𝘬𝘦𝘳 𝘢𝘭𝘴𝘯𝘰𝘨 𝘢𝘭𝘭𝘦 𝘣𝘰𝘰𝘥𝘴𝘤𝘩𝘢𝘱𝘱𝘦𝘯 𝘰𝘱𝘯𝘪𝘦𝘶𝘸 𝘴𝘤𝘢𝘯𝘵.

De belofte zit in de hele keten. Requirements, design, deployment, cross-team afhankelijkheden; overal waar de wachttijd tussen mensen de dominante factor is.

Welke schakel in de keten profiteert het meest van agents en welke het minst?

𝗗𝗲𝘇𝗲𝗹𝗳𝗱𝗲 𝗿𝗼𝗹, 𝗮𝗻𝗱𝗲𝗿𝗲 𝗶𝗻𝘃𝘂𝗹𝗹𝗶𝗻𝗴. Wat er concreet verandert wanneer je als Product Owner met AI agents werkt.

𝟭. 𝗩𝗮𝗻 𝘀𝗰𝗵𝗿𝗶𝗷𝘃𝗲𝗻 → 𝗻𝗮𝗮𝗿 𝗯𝗲𝗼𝗼𝗿𝗱𝗲𝗹𝗲𝗻: Agents genereren user stories, acceptatiecriteria en technische requirements op basis van een e-mail, notities of een meeting-transcriptie. Jouw rol verschuift van formuleren naar valideren.

𝟮. 𝗩𝗮𝗻 𝗯𝗮𝗰𝗸𝗹𝗼𝗴 𝘃𝘂𝗹𝗹𝗲𝗻 → 𝗻𝗮𝗮𝗿 𝗯𝗮𝗰𝗸𝗹𝗼𝗴 𝗰𝗼𝗻𝘁𝗿𝗼𝗹𝗲𝗿𝗲𝗻: Geef een agent toegang tot je backlog en refinement-meeting transcriptie en hij schrijft en creëert je werkitems. Jouw rol verschuift van invoer naar kwaliteitscontrole.

𝟯. 𝗩𝗮𝗻 𝘀𝗽𝗿𝗶𝗻𝘁𝗿𝗶𝘁𝗺𝗲 → 𝗻𝗮𝗮𝗿 𝗰𝗼𝗻𝘁𝗶𝗻𝘂𝗲 𝗳𝗹𝗼𝘄: Je sprint is nog niet afgelopen, maar je team heeft met agents al drie items opgeleverd. Dat vraagt om doorlopende afstemming en validatie. Stuur op doorstroom en WIP-limieten, en beoordeel opleveringen direct, niet pas aan het einde van de sprint in een review.

𝟰. 𝗩𝗮𝗻 𝘀𝗰𝗵𝗮𝗮𝗿𝘀𝘁𝗲 𝗽𝗿𝗶𝗼𝗿𝗶𝘁𝗲𝗿𝗲𝗻 → 𝗻𝗮𝗮𝗿 𝗼𝘃𝗲𝗿𝘃𝗹𝗼𝗲𝗱 𝗰𝘂𝗿𝗲𝗿𝗲𝗻: Met coding agents kan je ontwikkelteam net zoveel bouwen als er backlog items helder zijn. Meedogenloos "nee" (blijven) zeggen, anders wordt je team een feature-fabriek.

𝟱. 𝗩𝗮𝗻 𝗶𝗱𝗲𝗲 → 𝗻𝗮𝗮𝗿 𝘄𝗲𝗿𝗸𝗲𝗻𝗱 𝗽𝗿𝗼𝘁𝗼𝘁𝘆𝗽𝗲: Hoe valideer je de klantwens het beste? Door het werkend te laten zien. Geef een agent de juiste context, en je checkt samen binnen minuten of dit de goede richting is. Je team krijgt een tastbaar startpunt voordat de productiewaardige variant gebouwd wordt.

𝟲. 𝗩𝗮𝗻 𝗴𝗲𝗱𝗲𝘁𝗮𝗶𝗹𝗹𝗲𝗲𝗿𝗱𝗲 𝗿𝗲𝗾𝘂𝗶𝗿𝗲𝗺𝗲𝗻𝘁𝘀 → 𝗻𝗮𝗮𝗿 𝗴𝘂𝗮𝗿𝗱𝗿𝗮𝗶𝗹𝘀: Het kerndocument verandert. Niet langer stap-voor-stap acceptatiecriteria, maar grensdefinities, rollback-triggers en quality gates die agents op koers houden.

Deze zes verschuivingen maken het werk van een Product Owner in veel opzichten efficiënter. En eerlijk gezegd ook leuker: minder administratie, meer denkwerk. Maar de kern van het vak blijft precies hetzelfde.

De verborgen randvoorwaarden ophalen die niemand heeft uitgesproken. De vage behoefte vertalen naar iets waar een team mee kan bouwen. Het doel bijstellen als de werkelijkheid verandert. Het gat dichten tussen plan en realiteit. Kiezen wat er toe doet. Dat blijft mensenwerk.

#ProductOwner #AITransformatie #AIAgents #AgentFirst #Agile #FutureOfWork #ProductManagement #SoftwareDevelopment

Software bouwen was traag en duur. Agile was het antwoord: werk in sprints, itereer snel, verminder het risico van langer dan een jaar bouwen aan het verkeerde ding.

Maar het onderliggende probleem verdwijnt.

GitHub meldt dat nu al 41% van alle nieuwe code door AI wordt geschreven. Je draait vandaag meerdere coding agents parallel. Verschillende features, tegelijkertijd, in uren klaar.

Als bouwen zo snel gaat, waarom heb je dan nog tweewekelijkse sprints om risico te managen?

Mijn team is overgestapt op wekelijkse iteraties. Maar dit voelt als een eerste stap. Als de bouwtijd ~2-10x verminderd, verschuift de bottleneck. Van delivery naar discovery. Van "kunnen we het snel genoeg bouwen" naar "wat moeten we bouwen?"

Ik ben nieuwsgierig: hoe ziet je proces eruit als leveren niet meer een bottleneck is?

Het bleef even stil na een demo van onze nieuwe AI-agents voor het schrijven van code. Een ervaren ontwikkelaar verbrak de stilte met dit grapje.

Ik snap hem. Bij een cloudmigratie waar mijn teams aan werken, doen AI-agents in minuten waar we voorheen soms dagen over deden. De analyse, de bouw van IT-diensten en test cases: razendsnel klaar.

Afgelopen week nog meldde de co-CEO van Spotify dat er geen handmatige code meer geschreven wordt door hun seniors. Naar zijn zeggen is agentic coding daar dus de norm geworden.

Worden ontwikkelaars overbodig? Nee. Maar de rol verandert fundamenteel.
De verschuiving is niet van mens naar machine. De verschuiving is van uitvoeren naar orkestreren.

Voordat een agent aan de slag kan, is er een ontwikkelaar die de context en architectuur vastlegt. Welk systeem, welke beperkingen, welke richting? Een agent bouwt wat je vraagt. Niet altijd wat je nodig hebt. Nadat de agent klaar is, is er een ontwikkelaar die de output valideert. Werkt het? Is het veilig? Past het in het grotere geheel?

De ontwikkelaar van morgen schrijft minder code en neemt meer beslissingen. Minder toetsenbord, meer oordeelsvermogen.

Zolang een agent alleen bouwt wat je vraagt, blijft er altijd een mens nodig die begrijpt wat er echt nodig is.