AI-vaardigheden verankeren in functieprofielen en beoordeling

De introductie van generatieve AI en taalmodellen op de werkvloer begint vrijwel altijd informeel. Medewerkers ontdekken zelfstandig hoe een model e-mails samenvat, code versnelt of marktanalyses structureert. Zodra een organisatie deze productiviteitswinsten structureel wil borgen, loopt deze vrijblijvendheid echter tegen scherpe grenzen aan. Zolang het gebruik van AI-systemen niet expliciet is opgenomen in functieprofielen, competentiematrices en beoordelingscycli, blijft adoptie persoonsafhankelijk, ontstaan er compliance-risico's en ontbreekt een objectieve maatstaf voor prestaties.

Het formaliseren van AI-vaardigheden is geen puur administratief proces, maar raakt direct aan functiewaardering, arbeidsvoorwaarden en de dagelijkse werkpraktijk. Wie verwacht dat medewerkers taalmodellen veilig en efficiënt inzetten, moet vastleggen wat goed vakmanschap inhoudt, welke verantwoordelijkheden daarbij horen en hoe prestaties worden geëvalueerd. In dit artikel behandelen we hoe een organisatie AI-competenties vertaalt naar concrete functie-eisen, hoe deze passen binnen bestaande HR-kaders en hoe leidinggevenden prestaties toetsen zonder te vervallen in oppervlakkige metrieken.

Waarom vrijblijvende adoptie strandt zonder formele verankering

Wanneer het gebruik van AI optioneel blijft, ontstaan binnen teams twee hardnekkige patronen. Aan de ene kant ontstaat een groep voorlopers die met behulp van AI aanzienlijk sneller produceert, maar dit vaak doet zonder vastgelegde kwaliteitscontroles of bronvermelding. Aan de andere kant blijft een groep medewerkers de technologie vermijden uit onzekerheid over auteursrechten, privacy of angst voor fouten. Het gevolg is een groeiende kloof in productiviteit en werkwijze binnen dezelfde functiegroep.

Lees het artikel over het in kaart brengen van de impact van AI op functies en taken om vooraf te bepalen welke werkprocessen fundamenteel veranderen. Zonder formele herijking van taken blijven medewerkers beoordeeld worden op verouderde tijdsnormen, terwijl hun feitelijke werkzaamheden zijn verschoven van schrijven naar redigeren, verifiëren en synthetiseren.

Daarnaast leidt het ontbreken van formele kaders direct tot informatierisico's. Zie de analyse over het aanpakken van shadow-AI binnen teams om te voorkomen dat werknemers ongecontroleerd niet-goedgekeurde tools inzetten. Wanneer een functieprofiel niet specificeert welke tooling is toegestaan en welke validatiestappen verplicht zijn, kan een organisatie medewerkers achteraf moeilijk aanspreken op onoordeelkundig datagebruik of ongecontroleerde hallucinaties in klantdocumenten.

De vier competentieniveaus voor AI-geletterdheid

Om functieprofielen hanteerbaar te houden, is het onverstandig om voor elke afzonderlijke AI-tool een aparte vaardigheidseis op te stellen. Software verandert snel, maar de onderliggende cognitieve en methodologische vaardigheden blijven stabiel. Een werkbaar competentiemodel onderscheidt vier oplopende volwassenheidsniveaus die direct gekoppeld kunnen worden aan junior-, medior- en senior-functieniveaus.

Door deze vier niveaus te hanteren, wordt direct duidelijk welke rol welke vaardigheid vereist. Een administratief medewerker of contentschrijver heeft doorgaans voldoende aan niveau 1 en 2, terwijl een data-analist of procesarchitect niveau 3 moet beheersen en een lead engineer of compliance officer op niveau 4 opereert.

Functieprofielen aanpassen: van containerbegrippen naar concrete taken

Veel organisaties maken de fout om in vacatureteksten en profielen vage kreten op te nemen zoals "ervaring met moderne AI-tools gewenst" of "AI-minded". Dergelijke bewoordingen bieden noch de sollicitant noch de leidinggevende enig houvast tijdens werving of jaargesprekken. Een deugdelijk functieprofiel vertaalt de technologie naar specifieke verantwoordelijkheden en resultaatgebieden.

Raadpleeg het overzicht over AI-vaardigheden in niet-technische functies voor actuele marktinzichten in gevraagde competenties. In niet-technische domeinen zoals marketing, legal, HR en klantenservice verschuift het takenpakket primair van handmatige contentcreatie naar het scherp formuleren van zoekvragen, synthese en kwaliteitsbewaking.

Concreet betekent dit dat de taakomschrijving van bijvoorbeeld een business analist verandert:

• Oude formulering: "Verantwoordelijk voor het handmatig opstellen van procesanalyses en marktrapportages op basis van interviews en desk research."
• Herijkte formulering: "Structureert onbewerkte transcripten en procesdocumentatie met behulp van goedgekeurde taalmodellen; toetst gegenereerde syntheses integraal op consistentie, ontbrekende randvoorwaarden en feitelijke juistheid alvorens besluitvorming plaatsvindt."

Door de verantwoordelijkheid voor de verificatie expliciet bij de medewerker te leggen, wordt voorkomen dat het model als excuus wordt gebruikt voor fouten ("het model gaf dit antwoord"). De menselijke professional blijft eindverantwoordelijk voor het eindproduct.

Verantwoordelijkheden scheiden: uitvoerende rollen versus governance-taken

Bij het herschrijven van profielen moet een organisatie scherp onderscheid maken tussen het gebruiken van AI binnen een taak en het beheren of toetsen van AI-systemen. Het toevoegen van zware compliance- of beheerplichten aan operationele rollen leidt tot overbelasting en vertraging.

Bekijk de gids over AI-governance-rollen en verantwoordelijkheden om toezichthoudende taken zuiver te beleggen. Waar de operationele medewerker verantwoordelijk is voor datahygiëne en verificatie van output, ligt de verantwoordelijkheid voor leveranciersaudits, modelselectie, DPIA's en logging bij specifieke governance-rollen zoals de security officer, privacy jurist of de producteigenaar van het AI-platform.

Wanneer deze scheiding helder in functieprofielen is vastgelegd, ontstaat psychologische veiligheid. Medewerkers weten binnen welke getoetste kaders zij vrij mogen experimenteren en wanneer een usecase geëscaleerd moet worden naar een governance-verantwoordelijke.

Het ontwerpen van objectieve beoordelingscriteria en KPI's

Het beoordelen van medewerkers die intensief met AI werken brengt nieuwe uitdagingen met zich mee. Klassieke productiviteitsmetrieken, zoals het aantal geschreven artikelen, gesloten tickets of regels code per dag, zijn met generatieve AI eenvoudig te manipuleren zonder dat de werkelijke bedrijfswaarde toeneemt. Wie stuurt op kwantiteit, krijgt prompt-gegenereerde ballast.

Een doordacht beoordelingssysteem hanteert daarom een gebalanceerde set criteria die rust op drie pijlers:

• Kwaliteit en foutreductie: Hoe accuraat is de uiteindelijke oplevering? Worden hallucinaties vóór publicatie of verzending onderschept? Is er sprake van een aantoonbare kwaliteitsstandaard in redigeerwerk?
• Snelheid en doorlooptijd: Is de doorlooptijd van complexe syntheses, analyses of concepten gedaald, met behoud of verbetering van het kwaliteitsniveau?
• Proces- en kennisdeling: Documenteert de medewerker effectieve promptstructuren en werkwijzen? Worden ontdekte kwetsbaarheden of modelafwijkingen gemeld aan het team?

Tijdens het beoordelingsgesprek toetst de leidinggevende niet of iemand de hele dag prompts intypt, maar of de medewerker de tooling beheerst als een professioneel hefboominstrument. De centrale vraag is: stelt de AI-vaardigheid de medewerker in staat om op een hoger abstractieniveau sneller tot betrouwbare resultaten te komen?

Koppeling met leerdoelen en ontwikkelplannen

Het opnemen van AI-eisen in functieprofielen heeft alleen zin als medewerkers reële kansen krijgen om de vereiste vaardigheden op te bouwen. Een beoordeling mag nooit een verrassing zijn; het moet de sluitsteen zijn van een doorlopend ontwikkelpad.

Lees meer in de handleiding over AI-training voor medewerkers opzetten om leertrajecten direct te koppelen aan beoordelingscriteria. In plaats van een eenmalige workshop over prompting, verankert de organisatie permanente leercycli in het persoonlijk ontwikkelplan (POP). Daarin worden concrete mijlpalen vastgelegd, zoals:

• Het binnen drie maanden afronden van de interne cursus over dataveiligheid en ethisch AI-gebruik;
• Het herinrichten van twee wekelijkse handmatige rapportages naar een gestructureerde AI-ondersteunde workflow;
• Het uitvoeren van een peer-review op de validatiemethoden van collega's binnen dezelfde discipline.

Hiermee verandert de beoordelingscyclus van een statisch controle-instrument in een ontwikkelgericht mechanisme dat medewerkers stimuleert om hun digitale vakbekwaamheid continu aan te scherpen.

Juridische en arbeidsrechtelijke kaders in Nederland

Het wijzigen van functieprofielen en het invoeren van nieuwe beoordelingssystemen rondom technologie is in Nederland gebonden aan formele wet- en regelgeving. Organisaties kunnen deze veranderingen niet eenzijdig doordrukken zonder overleg met medezeggenschapsorganen.

Op grond van artikel 27 van de Wet op de ondernemingsraden (WOR) heeft de Ondernemingsraad (OR) instemmingsrecht bij besluiten over het vaststellen, wijzigen of intrekken van:

• Een personeelsbeoordelingssysteem of beloningssysteem (art. 27 lid 1 onder g WOR);
• Regelingen op het gebied van opleidingen en scholing (art. 27 lid 1 onder f WOR);
• Voorzieningen die gericht zijn op of geschikt zijn voor waarneming van of controle op de aanwezigheid, het gedrag of de prestaties van werknemers (art. 27 lid 1 onder l WOR).

Wanneer een organisatie monitoringsoftware inzet om te registreren hoeveel prompts medewerkers sturen of hoe intensief AI-software wordt gebruikt, valt dit direct onder het instemmingsrecht van de OR. Daarnaast vereist de AVG dat er geen geautomatiseerde besluitvorming plaatsvindt over werknemers zonder menselijke tussenkomst. Een beoordeling mag dus nooit automatisch worden gegenereerd door prestatiestatistieken uit softwareplatformen.

Valkuilen en oneigenlijk gebruik bij personeelsbeoordeling

Bij het operationaliseren van AI in HR-processen doen zich in de praktijk specifieke valkuilen voor die het vertrouwen op de werkvloer ernstig kunnen schaden:

1. Meten van activiteit in plaats van impact: Het tellen van API-calls, tokens of gegenereerde documenten leidt tot schijnproductiviteit. Medewerkers optimaliseren voor de metriek in plaats van voor de zakelijke uitkomst.

2. Ongelijke toegang tot tooling: Medewerkers beoordelen op AI-geletterdheid terwijl een deel van het team geen licentie heeft voor geavanceerde modellen of moet werken met trage, verouderde interfaces, leidt tot oneerlijke evaluaties en frustratie.

3. Onduidelijkheid over aansprakelijkheid bij fouten: Als een model een subtiele fout maakt in een juridisch of financieel document, ontstaat wrijving als vooraf niet is afgesproken wie de controleplicht droeg. Het functieprofiel moet expliciet stellen dat de medewerker instaat voor de geaccordeerde inhoud.

4. Bias in evaluaties: Leidinggevenden die zelf weinig ervaring hebben met AI overschatten soms wat de technologie kan, en verwachten onrealistische tijdsbesparingen. Omgekeerd kunnen sceptische managers medewerkers die AI inzetten onterecht beschouwen als "lui". Beide uitersten vragen om training van het management vóórdat de beoordelingsgesprekken van start gaan.

Praktisch stappenplan voor HR en leidinggevenden

Om AI-vaardigheden zorgvuldig te verankeren in de organisatie, doorloopt het management de volgende zes opeenvolgende stappen:

1. Inventariseer de feitelijke taken: Bepaal per functiefamilie welke kerntaken veranderen door de beschikbaarheid van taalmodellen en waar de grootste kwaliteits- en efficiëntiewinst te behalen valt.
2. Koppel het gewenste competentieniveau: Wijs aan elke rol een passend niveau toe uit de vier competentieniveaus (basis, toegepast, geavanceerd of strategisch).
3. Herschrijf resultaatgebieden en functie-eisen: Vervang containerbegrippen door expliciete verantwoordelijkheden rondom promptstructurering, validatie, bronvermelding en datahygiëne.
4. Betrek de medezeggenschap tijdig: Stem voorgenomen wijzigingen in beoordelingssystemen, scholingsregelingen of monitoring vroegtijdig af met de OR conform artikel 27 WOR.
5. Rust het leiderschap toe: Train managers in het herkennen van effectief AI-gebruik, zodat zij tijdens jaargesprekken kunnen doorvragen op validatieprocessen en werkelijke waardecreatie.
6. Evalueer en herijk jaarlijks: Gezien het tempo waarin modellen en integraties zich ontwikkelen, moeten functieprofielen en competentie-eisen jaarlijks kort worden getoetst op actualiteit en werkbaarheid.

Door deze stappen systematisch te doorlopen, transformeert een organisatie het gebruik van AI van een ongereguleerd experiment naar een professionele, meetbare en juridisch geborgde kerncompetentie van het personeelsbestand.