AI skills in organisaties: hoe weet je of leren ook echt rendeert?

AI verandert ons speelveld in hoog tempo. Waar we een paar jaar geleden vooral aan het prutsen waren met eerste toepassingen, zien we vandaag iets anders gebeuren: AI kruipt in het dagelijkse werk. In presentaties, in mails, in analyses, in designflows, in development, in support. En tegelijk merken veel organisaties hetzelfde: er is veel goesting om ​“iets met AI” te doen, maar het blijft moeilijk om er een echte skill van te maken die breed gedragen wordt.

Want eerlijk is eerlijk: een opleiding organiseren is niet het lastigste deel. Het lastigste deel is nadien kunnen zeggen: ​“Dit heeft gewerkt. Onze mensen kunnen dit. En we zien het terug in hoe we werken en wat we opleveren.”

Dat is de kernvraag voor elke organisatie die serieus wil inzetten op AI skills:

Hoe weet je of AI-leren ook echt rendeert?

Niet in theorie, maar op de werkvloer. In gedrag. In resultaten.

Het Future of Jobs Report 2025 maakt die nood nog duidelijker: een grote meerderheid van werkgevers verwacht dat AI hun business tegen 2030 ingrijpend verandert. Tegelijk plannen veel organisaties stevige bij- en omscholing. Dat is logisch. Zonder de juiste AI vaardigheden blijft AI een belofte op papier.

De boodschap is duidelijk: leren rond AI is noodzakelijk.
De volgende stap is minstens even belangrijk: meten of dat leren ook ​“landt”.

Bij Pàu pakken we dat aan met het Kirkpatrick-model. Geen exotisch framework, geen hippe managementtaal. Gewoon een beproefd kompas dat helpt om te zien of kennis ook echt leidt tot nieuw gedrag en tastbare uitkomst. Zeker bij iets als AI, waar de stap van ​“ik snap het” naar ​“ik doe het” vaak groter is dan mensen denken.

AI skills in organisaties: het probleem zit zelden in motivatie

In veel organisaties zien we hetzelfde patroon. Er komt een inspiratiesessie. Iedereen is even mee. Daarna volgt een training. Soms nog eentje. En dan… zakt het weg.

Niet omdat mensen niet willen. Meestal is er net veel interesse. Het zakt weg omdat:

• AI voelt breed en vaag, waardoor mensen niet weten waar te starten
   
• het werk blijft gewoon binnenkomen, waardoor oefenen naar de achtergrond schuift
   
• er is onzekerheid: ​“Mag ik dit wel gebruiken?” ​“Wat met data?” ​“Wat als ik fouten maak?”
   
• er is geen ritme om kennis vast te houden of uit te wisselen
   
• succes blijft onzichtbaar, waardoor het lijkt alsof ​“niemand het gebruikt”
   

Het gevolg: er worden uren in training gestoken, maar AI skills in organisaties groeien traag. En dat voelt frustrerend. Voor HR, voor teamleads, voor product owners, voor management en vaak ook voor de deelnemers zelf.

Daarom kijken wij liever naar AI-leren zoals we naar digitale verandering kijken in consultancy: als een traject dat je in kleine stappen opbouwt, met feedback, bijsturing en duidelijke signalen dat het werkt.

Het Kirkpatrick-model: meer dan meten

Het Kirkpatrick-model is een wereldwijd gebruikt raamwerk om leertrajecten te evalueren en te verbeteren. Het kijkt verder dan ​“heeft iemand een training gevolgd?” en volgt leren in vier niveaus:

1. Reaction
    Hoe beleven deelnemers de leerervaring? Voelen ze zich gemotiveerd, prikkelt het nieuwsgierigheid, of ervaren ze drempels?
    
2. Learning
    Wat blijft er hangen van de kennis of vaardigheden? Kan iemand het uitleggen of toepassen in de eigen context?
    
3. Behaviour
    Zie je die kennis terug in nieuw gedrag op de werkvloer?
    
4. Results
    Welke concrete resultaten zie je terug in de organisatie en bij klanten?

De kracht zit in de eenvoud: je ontdekt waar de ketting breekt. Misschien was de eerste indruk matig. Misschien blijft kennis niet plakken. Misschien snapt iedereen het, maar past niemand het toe. Of misschien gebeurt er veel, maar meet je het effect niet, waardoor het onzichtbaar blijft.

Voor AI skills is dat extra relevant, omdat AI snel ​“aanvoelt” als iets dat je begrijpt zodra je er een demo van ziet. In realiteit vraagt het herhaling, veilige oefenruimte en duidelijke afspraken. Anders blijft het bij losse trucjes.

Niveau 1: Reaction

De eerste indruk bepaalt of mensen verder gaan

AI-leren start zelden bij kennis. Het start bij emotie.

Bij sommige collega’s voel je meteen energie: ​“Eindelijk, hier kan ik iets mee.” Bij anderen is er twijfel: ​“Moet ik nu ook al AI-expert worden?” En soms is er weerstand: ​“Weer een hype, straks is het iets anders.”

Die eerste reacties zijn geen detail. Ze voorspellen mee of mensen later gaan experimenteren, vragen stellen en volhouden. Als de eerste sessie te abstract is, haken mensen af. Is ze te technisch, dan gebeurt net hetzelfde. En als het vooral ​“wow” is zonder link met het dagelijkse werk, blijft het bij entertainment.

Wat in de praktijk wél werkt, is AI concreet maken. Door herkenbare use cases te tonen die aansluiten bij echte rollen, zoals marketing, design, projectmanagement of engineering. Door het klein te houden: één probleem, één flow, één tastbaar resultaat. En door vanaf het begin duidelijkheid te geven over veiligheid. Wat mag wel, wat niet, en waar kan je terecht met vragen?

Minstens even belangrijk is taal. Niet iedereen wil ​“prompting” doen, maar iedereen wil tijd winnen, fouten vermijden of betere kwaliteit leveren. Door AI zo te kaderen, verlaag je de drempel om ermee aan de slag te gaan.

Reaction meten hoeft trouwens niet zwaar te zijn. Een korte survey na een sessie, een open vraag over wat iemand de komende weken wil uitproberen, of één simpele drempelvraag over wat nog tegenhoudt, volstaat vaak al. Het doel is niet om scores te verzamelen, maar om te voelen of er energie op zit. En zo niet, waarom.

Niveau 2: Learning

Inzichten die blijven hangen, niet alleen tijdens de training

Op dit niveau draait het om wat mensen effectief leren. Niet of een training leuk was, maar of er AI-vaardigheden ontstaan die mensen ook later nog kunnen toepassen.

AI-leren is verraderlijk. Je kan tijdens een training alles volgen en toch een week later weer vastlopen, omdat de basis ontbreekt of omdat de vertaalslag naar de eigen context niet gemaakt is. In organisaties zien we dat mensen vaak losse prompts onthouden, maar het onderliggende principe niet begrijpen. Dat er weinig aandacht is voor kwaliteitscontrole. Of dat onduidelijk blijft wat wel en niet kan op vlak van data en brongebruik.

Sterke Learning begint bij een gedeelde basis. Korte, begrijpelijke basistrainingen rond generatieve AI, large language models en responsible AI helpen om iedereen op hetzelfde startpunt te zetten. Maar leren stopt daar niet. Het wordt pas krachtig wanneer mensen hun eigen taken meenemen: een mail herschrijven, een meeting samenvatten, varianten maken op copy of requirements structureren.

Daarbij zijn duidelijke afspraken cruciaal. AI is een assistent, geen bron van waarheid. Door goede en minder goede output naast elkaar te leggen, leren mensen beoordelen wat kwaliteit is en waar risico’s zitten.

Ook Learning meetbaar maken kan eenvoudig. Door mensen iets in hun eigen woorden te laten uitleggen, een korte oefening te laten doen of te laten reflecteren over waar AI hen kan helpen en waar net niet. Aan het einde van dit niveau wil je kunnen zeggen: mensen delen een basis, begrijpen wat ze doen en weten hoe ze kwaliteit bewaken. Dat is de fundering van sterke AI skills in organisaties.

Niveau 3: Behaviour

Van weten naar doen, op echte dossiers

Hier zit vaak de grootste bottleneck. Veel organisaties slagen erin om trainingen te organiseren. Veel minder slagen erin om AI echt in het dagelijkse werk te krijgen.

Behavior gaat over wat je ziet gebeuren wanneer niemand kijkt. Wordt AI spontaan gebruikt? Komt het ter sprake in projecten? Delen mensen output en inzichten? Past het in hun flow?

Dat stokt vaak omdat er weinig ruimte is om te oefenen tijdens werkuren, omdat mensen bang zijn om domme vragen te stellen of omdat het kader rond tooling en data onduidelijk blijft. Succes blijft dan individueel, terwijl teams net nood hebben aan een gedeelde manier van werken rond AI.

Bij Pàu stimuleren we gedrag door AI zichtbaar en bespreekbaar te maken. Met huddles bijvoorbeeld: korte, laagdrempelige sessies waarin collega’s tonen hoe zij AI inzetten in projecten. Geen lange presentaties, maar eerlijke verhalen: dit was mijn probleem, zo heb ik het aangepakt, dit werkte, dit niet.

Daarnaast maken we AI skills onderdeel van groei- en ontwikkelgesprekken via Individual Development Plans. Met een AI Skills Matrix als nulmeting en gespreksstarter krijgt iedereen een persoonlijk groeipad, afgestemd op rol en talent. Niet iedereen hoeft hetzelfde te kunnen. Een designer bouwt andere vaardigheden op dan een developer of project manager, en dat is net de bedoeling.

Gedrag opvolgen hoeft ook hier niet zwaar te zijn. Door AI te bespreken in projectretro’s, lichte signalen van adoptie op te pikken of te kijken of learnings gedeeld worden tussen teams, krijg je al snel een goed beeld. En wanneer iemand vertelt dat een AI-tool een halve dag werk bespaarde, werkt dat vaak aanstekelijker dan eender welke extra training.

Niveau 4: Results

Impact zichtbaar maken, anders voelt het alsof er niets verandert

Results is het niveau waar management vaak op wacht. ​“Wat levert het op?” En dat is een terechte vraag. Alleen laat AI-impact zich zelden vangen in één cijfer.

Bij AI skills in organisaties gaat het over een combinatie van effecten. Tijdswinst op repetitieve taken, kwaliteitswinst door betere structuur en consistentie, snellere doorlooptijden in projecten, betere kennisdeling en meer ruimte voor werk met hogere waarde. Denk aan meer tijd voor strategie, creativiteit en menselijk contact.

Results gaat ook over risicobeheersing. Responsible AI is geen apart hoofdstuk, maar onderdeel van het resultaat. Organisaties met sterke AI skills weten waar AI thuishoort, maar ook waar net niet. Ze weten hoe ze data beschermen en hoe ze fouten opvangen.

Impact zichtbaar maken vraagt dus nuance. Korte succescases helpen, net als het delen van resultaten op momenten die ertoe doen, zoals teammeetings of Connects. Door impact tastbaar te maken voor klanten en een beperkt aantal KPI’s te kiezen die passen bij de realiteit van de organisatie, vermijd je dat AI-inspanningen onzichtbaar blijven. Want zonder zichtbaarheid ontstaat snel het gevoel: we doen veel, maar ik zie het niet. En dat is funest voor motivatie.

Waarom dit werkt

Het Kirkpatrick-model helpt om leren te benaderen als een proces dat je begeleidt, niet als iets dat je afvinkt. Het toont hoe eerste indruk, kennis, gedrag en resultaat met elkaar verbonden zijn.

Voor AI skills in organisaties is dat cruciaal. Zonder die samenhang eindig je snel met losse trainingen en individuele trucjes. Met dit model bouw je stap voor stap aan een gedeelde basis, veilige oefenruimte en zichtbare vooruitgang. En als het ergens stokt, weet je ook waar je moet bijsturen, zonder drama.

Een korte reality check voor organisaties die AI skills willen opbouwen

Wie wil weten hoe het in de eigen organisatie gesteld is met AI skills, hoeft niet meteen dashboards of maturity models boven te halen. Een paar gerichte vragen volstaan vaak al om een duidelijk beeld te krijgen.

Op het niveau van Reaction kan je je afvragen of mensen AI vandaag relevant vinden voor hun werk. Voelen ze nieuwsgierigheid, of vooral twijfel? En welke drempels hoor je het vaakst terug in gesprekken met teams?

Bij Learning gaat het erom of mensen kunnen uitleggen wat ze doen en waarom. Begrijpen ze de principes achter hun gebruik van AI, en weten ze hoe ze output controleren en beoordelen? Of blijft het bij proberen en hopen dat het goed zit?

Voor Behavior kijk je naar wat er gebeurt in de praktijk. Wordt AI effectief ingezet op echte taken en dossiers? Duikt het op in projecten en samenwerkingen? En worden learnings gedeeld tussen collega’s, of blijft kennis vooral individueel?

En op het niveau van Results kan je jezelf de vraag stellen of je enkele concrete voorbeelden kan benoemen van impact. Is er zicht op tijdswinst, kwaliteitsverbetering of risicobeheersing? Of blijft het gevoel hangen dat er veel gebeurt, maar moeilijk te benoemen is wat het oplevert?

Als je op één van deze niveaus moet antwoorden met ​“geen idee”, dan is dat geen falen. Het is gewoon een signaal. Een signaal waar je best start met meten, bijsturen en het gesprek aangaan.

Onze filosofie: people first, impact als resultaat

Bij Pàu draait het om mensen. Technologie is nooit het doel op zich, maar een middel om samen betere oplossingen te maken en waarde te creëren. Dat geldt in ons werk met klanten, en dat geldt evengoed in hoe we zelf omgaan met AI.

Het Kirkpatrick-model helpt ons om die overtuiging concreet te maken. Het toont hoe kennis pas betekenis krijgt wanneer ze wordt omgezet in gedrag, en hoe gedrag pas telt wanneer je het terugziet in resultaten die ertoe doen.

AI kan veel. Maar alleen mensen kunnen er richting, context en waarde aan geven. En net daar ligt, voor ons, de echte impact van sterke AI skills in organisaties.