AI-automatisering staat op de agenda van vrijwel elke CTO, en in de meeste organisaties draait de discussie allang niet meer om de vraag of het gebeurt. De vraag is wie het bouwt. Een externe partij levert een werkende bot en vertrekt. Een enthousiaste medewerker knutselt in een weekend een koppeling in elkaar, met de API-sleutel gewoon in het script. Of iemand in je eigen team leert het vak goed genoeg om automatiseringen te bouwen die je over een jaar nog durft te laten draaien. Dit artikel gaat over die laatste route: wat zo iemand als eerste bouwt, welke beveiligingsregels daarbij horen en hoe je die capability opleidt.
Het knelpunt is kennis, en de cijfers bevestigen dat
Volgens het CBS gebruikte in 2025 een op de zes Nederlandse bedrijven AI. Het verschil per omvang is groot: 45 procent van de bedrijven met 50 tot 250 werknemers en 66 procent van de bedrijven met 250 of meer. Het meest veelzeggende cijfer staat bij de bedrijven die AI overwogen maar niet gebruiken. Daarvan noemt 73 procent gebrek aan ervaring als belangrijkste reden. Privacy (49 procent) en onduidelijke juridische gevolgen (42 procent) volgen op afstand.
Voor een CTO is dat een bruikbaar gegeven. De techniek is beschikbaar, de licenties zijn betaalbaar, en wat ontbreekt is iemand die weet wat hij aan het doen is. Dat tekort leidt tot twee scenario’s: AI-automatisering die nooit van de grond komt, of AI-automatisering die wel draait en die niemand kan uitleggen. Het tweede scenario is het gevaarlijkste, omdat het op succes lijkt. In onze blog over shadow AI beschreven we wat er gebeurt als medewerkers AI-tools gebruiken zonder toezicht. Zelfgebouwde automatisering zonder kennis is dezelfde kwestie, met meer rechten.
Wat een getrainde practitioner als eerste bouwt
De beste eerste projecten voor AI-automatisering hebben drie kenmerken: een afgebakend proces, een meetbare tijdwinst en een beperkt risico als het misgaat. Drie voorbeelden die in vrijwel elke middelgrote organisatie bestaan:
| Project | Wat het doet | Gevolg van een fout |
| Ticketclassificatie | Een taalmodel leest binnenkomende meldingen, kent categorie en prioriteit toe en stuurt ze naar het juiste team | Laag: een verkeerd gerouteerd ticket wordt handmatig verplaatst |
| Documentverwerking | Facturen, contracten of formulieren worden uitgelezen en de velden landen in je bestaande systeem | Gemiddeld: een foutief bedrag vraagt een controlestap voordat er iets wordt geboekt |
| Rapportage | Gegevens uit meerdere systemen worden samengevoegd tot een wekelijks overzicht met een geschreven samenvatting | Laag: een mens leest het rapport voordat het wordt doorgestuurd |
Wat deze projecten delen: de AI-automatisering doet het voorbereidende werk en een mens houdt de beslissing. Dat is een bewuste keuze voor de eerste fase. Het team leert hoe het model zich gedraagt op echte data, waar het betrouwbaar is en waar het systematisch afwijkt, zonder dat een fout direct gevolgen heeft. Pas daarna is het verantwoord om een stap meer autonomie te geven.
Wat je als eerste juist laat liggen: een agent die zelfstandig e-mails verstuurt, betalingen klaarzet of rechten toekent. Daar lijkt de grootste tijdwinst te zitten, en daar ontstaat ook de meeste schade.
Excessive agency: het risico dat met automatisering meekomt
OWASP beschrijft in zijn top 10 voor LLM-toepassingen het risico excessive agency: een systeem dat schadelijke acties uitvoert naar aanleiding van onverwachte, dubbelzinnige of gemanipuleerde uitvoer. De oorzaak ligt volgens OWASP vrijwel altijd in te veel functionaliteit, te veel rechten of te veel autonomie.
Dat is een alledaags scenario. Een bot die mailboxen leest om tickets aan te maken, krijgt in de haast schrijfrechten op die mailboxen, omdat dat bij de configuratie het makkelijkst ging. Een agent die een database bevraagt, draait onder een beheeraccount. Een koppeling kan willekeurige URL’s ophalen, ook de URL’s die in een binnengekomen document staan. Elk van die keuzes voelt bij het bouwen onschuldig. Samen maken ze van een handige AI-automatisering een ingang voor iemand die weet hoe je een taalmodel instructies toespeelt.
De maatregelen die OWASP noemt zijn concreet. Beperk de tools die een agent mag aanroepen tot het minimum. Geef leesrechten waar lezen volstaat. Voer acties uit in de context van de gebruiker, met zo min mogelijk rechten. Vraag menselijke goedkeuring voor acties met grote impact, en leg de autorisatie in het doelsysteem, waar het model er niet omheen kan praten. Wie identity- en toegangsbeheer serieus neemt, herkent de principes: elke AI-automatisering is in feite een nieuw type gebruiker en verdient dezelfde discipline.
Veilig bouwen heeft een eigen volgorde
Het Britse NCSC publiceerde richtlijnen voor de veilige ontwikkeling van AI-systemen die de levenscyclus in vier gebieden opdelen: secure design, secure development, secure deployment en secure operation and maintenance. Het uitgangspunt is een aanpak die “secure by default” is.
Vertaald naar een eerste AI-automatisering in een Nederlandse organisatie: in de ontwerpfase leg je vast welke data het systeem ziet en waar die data naartoe gaat. In de ontwikkelfase staan API-sleutels in een kluis, nooit in een script. Bij de uitrol draait de automatisering onder een eigen account met minimale rechten. In de beheerfase wordt gelogd wat het systeem doet, zodat je achteraf kunt reconstrueren waarom een ticket bij het verkeerde team belandde of waarom een veld leeg bleef.
Die volgorde voor veilige AI-automatisering leert iemand zelden uit een tutorial. Tutorials laten zien hoe je iets werkend krijgt, en slaan meestal over hoe je het werkend houdt en afschermt. Dat verschil tussen een demo en een productiesysteem is waar gestructureerd opleiden zich terugbetaalt, een afweging die we ook maakten bij uitbesteden of intern opbouwen.
Wie je hiervoor opleidt
De meest logische deelnemer voor AI-automatisering komt uit IT-beheer of applicatiebeheer en kent de systemen al: welke koppelingen er zijn, waar data staat, wie welke rechten heeft. Die omgevingskennis is lastiger aan te leren dan het bouwen van een bot. Een functioneel beheerder of developer met interesse in automatisering is net zo geschikt. Programmeerervaring helpt, en is geen voorwaarde.
Een tweede vraag is wie de beveiligingskant borgt. In een kleine organisatie is dat dezelfde persoon. In een organisatie met een eigen SOC ligt het voor de hand om security-automatisering, zoals playbooks en SOAR, bij het securityteam te houden. Daarvoor is de opleiding SOC T3 Analyst bedoeld, met een eigen module over security automation en SOAR engineering. De AI Practitioner richt zich op AI-automatisering in de bredere organisatie. Waar de grens ligt tussen wat machines doen en wat mensen beoordelen, verschilt per proces en is een keuze die je bewust maakt.
Wat de opleiding AI Practitioner inhoudt
De opleiding AI Practitioner beslaat 427 academische uren en vraagt geen technische vooropleiding, wel basiskennis van Windows. De lessen zijn in het Nederlands; materiaal, tools en examens zijn in het Engels. Deelnemers beginnen bij de fundamenten van AI en werken in de module Natural Language Processing met taalmodellen en Transformer-architectuur. Voor AI-automatisering telt vooral de module Automatisering, Integraties & Development: 72 uur waarin deelnemers bots, RPA-workflows, API-integraties en cloud deployment bouwen, Python-scripts schrijven en leren hoe je AI-systemen veilig en schaalbaar opzet. Het eindproject is een volledige AI-applicatie met meerdere modellen en autonome agents.
Eerlijk is eerlijk: een flink deel van het programma gaat over generatieve beeld- en videomodellen. Voor een organisatie die alleen procesautomatisering zoekt, is dat breder dan strikt nodig. Het levert wel iemand op die het volledige veld kent, en die dus ook verzoeken uit marketing of communicatie kan beoordelen voordat daar een eigen tool opduikt.
Er zijn drie studievormen. Voltijd: 32 uur per week, vijftien weken. Deeltijd: zestien uur per week over twee dagen, zes maanden. En een avondvariant: twee avonden per week, tien tot twaalf maanden. Die avondvariant is voor veel werkgevers de praktische keuze, omdat de medewerker overdag gewoon inzetbaar blijft. De lesvorm is online, met Schiphol-Rijk als locatie. Actuele startmomenten staan in de agenda, en een overzicht per niveau vind je bij alle opleidingen.
Zo begin je
Kies vóór de start één proces uit de tabel, of een vergelijkbaar proces uit je eigen organisatie. Een deelnemer die tijdens het traject aan een echt probleem werkt, leert sneller en levert aan het eind iets bruikbaars op. Leg vooraf vast welke rechten de eerste AI-automatisering krijgt en wie die goedkeurt, zodat de beveiligingsdiscussie niet achteraf gevoerd hoeft te worden. Reken op een realistische horizon: de eerste automatisering die in productie mag, komt pas nadat de deelnemer de module over automatisering en integraties heeft afgerond.
Vergeet de rest van de organisatie niet. Collega’s die met de uitkomsten werken, moeten weten wat ze wel en niet aan een AI-systeem aanleveren; dat hoort thuis in een awareness-training voor iedereen. Hoe je dit verantwoordt in je budgetverdeling en tegenover het MT, en waar het past in je maturity model, hebben we eerder uitgewerkt. Dat AI-automatisering de komende jaren een vaste plek krijgt, lieten we zien in de trends voor 2027.
Voor werkgevers die meerdere medewerkers willen opleiden of een traject op maat zoeken, staan de mogelijkheden op de pagina voor werkgevers. Wil je bespreken wie in jouw team deze rol kan oppakken, plan dan een kennismaking.
