Modern leiderschap is geen algoritme

Waar gaat dit boek over?

In bijna elk MT en directieoverleg waar de afgelopen twee jaar over AI is gesproken, dook hetzelfde patroon op: de organisatie kondigt een ambitieus AI-programma aan, koopt licenties, schoolt een paar mensen om, en oogst een jaar later vooral pilots die nooit opgeschaald zijn, copilots die nauwelijks worden gebruikt en een groeiend gevoel dat het geld niet terugkomt. Modern leiderschap is geen algoritme van Jolanda ter Maten beschrijft dit patroon zoals het is: een leiderschapsprobleem dat zich vermomt als een technologisch probleem.

Het centrale argument is eenvoudig en oncomfortabel. AI-investeringen leveren geen rendement omdat het overgrote deel van het budget naar de technologie gaat, en het kleinste deel naar wat het verschil maakt: hoe mensen ermee gaan werken, welke beoordelingsmomenten je inbouwt, hoe je signalen van verandermoeheid serieus neemt, en welk moreel kompas je bestuur eigenlijk vasthoudt. Ter Maten noemt dat de 40-30-30-omkering: de verhouding waarin succesvolle implementaties investeren is precies omgekeerd aan de verhouding waarin de meeste organisaties hun budget verdelen.

Het boek is geen technisch handboek en geen prompt-cookbook. Het is een bestuurdersgids, geschreven voor wie de uiteindelijke handtekening zet onder de AI-roadmap. De toon is rustig, de voorbeelden zijn herkenbaar, en de aanbevelingen zijn bedoeld om de gespreksagenda van een MT te verschuiven, niet om een nieuwe trend te lanceren.

Over de auteur

Jolanda ter Maten, MSc combineert dertig jaar veranderpraktijk met een gespecialiseerde achtergrond in AI-governance. Ze is afgestudeerd in Human Resource Development aan de Universiteit Twente en volgde een postacademisch programma Strategisch HR-management. Haar carrière begon eind jaren tachtig met de implementatie en het onderwijs van kantoorautomatisering in Midden-Amerika, een periode die haar oog vormde voor wat technologie doet met de mensen die ermee moeten werken.

Terug in Nederland werkte ze voor grote ondernemingen en de overheid als adviseur en programmamanager op het snijvlak van ICT, HR en management. Ze werkt nu bij Levada Consultancy en wordt geregeld ingehuurd als expert bij de Europese Commissie rond het Blockchain Observatory & Forum. Sinds september 2025 is ze Fellow van de KNVI voor het brede vakgebied van kunstmatige intelligentie en de impact daarvan op medewerkers en organisaties.

Die combinatie, dertig jaar zien hoe technologie organisaties verandert en gespecialiseerd zijn in AI-compliance, verklaart waarom het boek twee dingen tegelijk doet. Het neemt AI serieus als technologische realiteit, en het neemt mensen serieus als de plek waar het succes of de mislukking zich daadwerkelijk voltrekt. Ter Maten is geen technofoob en geen techno-optimist; ze is een ervaren waarnemer die heeft gezien hoe dezelfde tool in twee vergelijkbare organisaties tot tegengestelde uitkomsten leidt.

Het kerninzicht: de 40-30-30-omkering

De meeste organisaties verdelen hun AI-budget intuïtief over drie categorieën: technologie (licenties, infrastructuur, integraties), processen (workflow-aanpassingen, governance, monitoring) en mensen en cultuur (training, verandermanagement, communicatie, evaluatie). De typische verhouding ziet er ongeveer zo uit:

Categorie	Mislukte trajecten	Succesvolle trajecten
Technologie	~40%	~30%
Processen	~30%	~30%
Mens en cultuur	~30%	~40%

De getallen zijn geen wet, ze zijn een denkkader. Wat ter Maten daarmee blootlegt is dat veel besturen onbewust de eerste verhouding kiezen omdat technologie tastbaar is, een leverancier heeft, een factuur, een dashboard, een opleverdatum. Mens en cultuur zijn diffuus, hebben geen factuur, geen contract en geen duidelijk eindpunt. In een MT dat onder druk staat om snel te leveren, wint het tastbare bijna altijd van het diffuse.

De praktijk laat zien dat juist de diffuse component bepaalt of de tastbare component werkt. Een organisatie kan honderdduizenden euro's investeren in een geavanceerde copilot, maar als medewerkers niet weten wanneer ze de output mogen vertrouwen, wanneer ze die juist moeten betwijfelen en hoe ze hun eigen oordeel daarboven moeten zetten, blijft het rendement uit. De licentie wordt afbetaald, de tool wordt sporadisch gebruikt, en aan het einde van het jaar concludeert het MT dat "AI nog niet rijp is voor onze organisatie".

Dat is een verkeerde diagnose. De technologie was niet onvolwassen, de implementatie was onvolwassen.

De zeven principes uitgewerkt

Principe 1, De 40-30-30-omkering als bestuursagenda

Het eerste principe is meer dan een budgetkader, het is een gespreksagenda. Wie de omkering in zijn MT ter sprake brengt, dwingt drie vragen op tafel:

1. Hoe verdelen wij momenteel ons AI-budget over technologie, processen en mensen?
2. Welke posten staan op de begroting die nu eigenlijk tot een andere categorie behoren? (Een 'training' die in feite een productdemonstratie is, telt mee onder technologie.)
3. Wie in ons MT is verantwoordelijk voor de mens-en-cultuurinvestering, en heeft die persoon dezelfde sturingskracht als de CIO?

In veel organisaties wijst die laatste vraag een leemte aan. De CIO heeft een team, een budget, een dashboard en directe rapportagelijnen. De HR-directeur die over verandermanagement gaat, heeft vaak minder middelen, een vaag mandaat en moet bij elke nieuwe golf opnieuw aansluiten bij iets dat al loopt. Wie de 40-30-30-omkering serieus neemt, moet dat mandaat structureel versterken.

Bestuursoefening. Pak het meest recente AI-investeringsbesluit uit jullie MT. Reken uit hoe het budget verdeeld is over de drie categorieën. Bespreek met je MT: zijn we trots op deze verdeling, en zo nee, wat houdt ons tegen om hem aan te passen?

Principe 2, Leiderschap is de vermenigvuldigingsfactor

Dezelfde tool, twee organisaties, twee uitkomsten. Ter Maten laat met cases zien dat het verschil zelden in de software zit en bijna altijd in het leiderschap eromheen. Concreet: hoe bestuurders zichzelf zichtbaar in de leersituatie plaatsen, hoe ze omgaan met mislukkingen in pilots, hoe ze medewerkers die het moeilijk vinden niet stigmatiseren, en hoe ze het tempo afstemmen op het absorptievermogen van de organisatie.

Een directie die zegt "wij geloven in AI" maar zelf nooit een tool aanraakt, zendt een dubbele boodschap. Een directie die in vergaderingen openlijk de eigen prompts laat zien, ook de mislukte, normaliseert leren. Dat lijkt cosmetisch, maar het bepaalt mede de cultuur waarin honderden medewerkers hun eigen experimenten al dan niet aandurven.

Vuistregel. Voordat je nieuwe AI-tools uitrolt, vraag je MT: wat is ons eigen gebruik? Als het antwoord "we lezen erover" is, ben je niet klaar om uit te rollen.

Principe 3, AI-geletterdheid als leiderschapscompetentie

Een van de scherpere observaties in het boek is dat AI-geletterdheid in veel organisaties wordt afgeschoven naar IT of L&D, alsof het een technische vaardigheid is zoals een nieuwe ERP-module beheersen. Ter Maten betoogt dat het iets anders is. Echte AI-geletterdheid combineert drie elementen:

• Wat doet het model? Een basisbegrip van waar de output vandaan komt, wat een taalmodel wel en niet kan, en waarom dezelfde vraag verschillende antwoorden oplevert.
• Wat doet het niet? Inzicht in hallucinaties, bias, het ontbreken van werkelijk begrip en de gevolgen daarvan voor besluitvorming.
• Wat verandert er aan menselijk werk? Het vermogen om te zien welke beoordelingstaken er anders uitzien, welke nieuwe risico's ontstaan, en welke vaardigheden in de organisatie schaarser of juist overbodig worden.

Die drie samen zijn een leiderschapscompetentie, geen technische cursus. Een bestuurder die alleen het derde punt mist, kan geen zinvol gesprek voeren over reskilling. Een bestuurder die alleen het tweede mist, accepteert outputs die het bedrijf in juridische of reputationele problemen brengen. Een bestuurder die alleen het eerste mist, kan niet inschatten of een leverancier overpromiset.

Principe 4, Compliance als ontwerpvraag

De Europese AI Act is in 2026 voor steeds meer organisaties operationeel werkelijkheid geworden, naast de bestaande AVG en sectorale regels (DNB voor financiële instellingen, IGJ voor de zorg, OCW voor het onderwijs). Veel bestuurders denken bij compliance aan een vinkenlijst voor de jurist aan het eind van het traject. Ter Maten draait dat om: compliance is een ontwerpvraag aan het begin.

Concreet betekent dat: voordat je de tool kiest, weet je welke risicoclassificatie de toepassing heeft, welke documentatieverplichtingen daarbij horen, welke menselijke toezichtmomenten je moet inbouwen en welke transparantie je naar betrokkenen schuldig bent. Niet als rem, maar als kader dat ontwerpkeuzes scherper maakt. Een organisatie die dit aan het eind probeert te repareren, ontdekt soms dat de hele toepassing structureel niet houdbaar is, en heeft dan al miljoenen uitgegeven.

Voorbeeld. Een financiële instelling die een AI-tool wil gebruiken voor klantsegmentatie ontdekt aan het eind van het traject dat de tool besluiten neemt met materiële impact op klanten zonder uitlegbare menselijke tussenkomst. Dat is met de AI Act geen detail meer. Het ontwerp moet terug naar de tekentafel. Wie compliance vooraan had meegenomen, had die toepassing nooit zo opgezet.

Principe 5, Verandermoeheid lezen als signaal

Wanneer medewerkers afhaken bij een nieuwe AI-pilot, is de eerste reflex van bestuurders vaak om weerstand te benoemen. Ter Maten weerlegt dat resoluut. Verandermoeheid is geen koppigheid, het is informatie. Het signaleert dat eerdere veranderingen niet zijn afgemaakt, niet zijn geëvalueerd, of niet hebben opgeleverd wat was beloofd. Wie dat patroon negeert en met meer overtuigingskracht de volgende ronde inzet, versterkt het probleem.

De remedie is onaantrekkelijk en daarom effectief: erken eerst de oude tekorten. Niet defensief, niet uitleggend, maar door concreet te benoemen wat in eerdere rondes niet is afgerond. Pas daarna kun je geloofwaardig een nieuwe golf aankondigen. Een organisatie die drie jaar achter elkaar grote programma's heeft beloofd en nooit heeft afgemaakt, heeft eerst een schoonmaak nodig voordat de volgende belofte serieus wordt genomen.

Diagnose-vraag. Loop met je MT de afgelopen drie veranderingsinitiatieven door. Zijn ze concreet afgerond, geëvalueerd en gevierd? Of zijn ze stilletjes verdwenen onder de volgende prioriteit? Het eerlijke antwoord voorspelt hoe de volgende AI-uitrol gaat lopen.

Principe 6, Maak menselijke beoordeling expliciet

AI-systemen presenteren uitkomsten met een schijn van zekerheid die ze niet altijd verdienen. De gegenereerde tekst klinkt vloeiend, de score lijkt nauwkeurig, het advies oogt afgewogen. Onder druk neigen mensen ertoe die output te accepteren, zeker als er weinig tijd is en niemand verantwoordelijk is gemaakt voor het tegenoordeel.

Ter Maten pleit voor het expliciet maken van menselijke beoordelingsmomenten in elk AI-werkproces:

• Wie tekent waar voor? Welke output mag direct worden gebruikt, welke vereist menselijke goedkeuring?
• Welke criteria gelden? Wanneer is een AI-advies "goed genoeg", wanneer moet het overgedaan worden, en wie beslist daarover?
• Wat doe je bij afwijking? Als de mens en het model van elkaar verschillen, wat is het protocol?

Het is geen bureaucratie, het is waarborgenontwerp. Een advocatenkantoor dat AI gebruikt voor concept-pleitnota's heeft duidelijke afspraken nodig over wie wat goedkeurt voordat het de deur uitgaat. Een gemeente die AI inzet voor besluitvoorbereiding heeft expliciete logica nodig over welke besluiten een mens nooit zonder eigen oordeel mag tekenen. Onuitgesproken verwachtingen verdwijnen onder werkdruk; expliciete waarborgen houden stand.

Principe 7, Schaal vanuit zichtbaar succes

De zevende les is misschien wel de moeilijkste voor besturen die onder druk staan om snelheid te tonen. AI-trajecten worden vaak te vroeg uitgerold over de hele organisatie, omdat het MT snel wil oogsten en omdat een grote uitrol indruk maakt op de raad van commissarissen of het bestuur. Dat patroon mislukt voorspelbaar.

Schaalbaarheid ontstaat namelijk niet door een mandaat van bovenaf. Het ontstaat als één team aantoonbaar beter werkt met de nieuwe tool en collega's er vrijwillig op af komen. Dat moment moet je laten ontstaan, niet forceren. Tot dat moment is elke uitrol een gokje met onnodige risico's.

Bestuursdiscipline. Voor elke AI-toepassing: identificeer één team dat de toepassing wil dragen, geef het ruimte en faciliteiten om het te laten werken, evalueer eerlijk wat er gebeurt, en pas dan ga je nadenken over uitrollen. Dat duurt langer, maar de uitkomst is duurzaam.

Het beslisraamwerk: vijf vragen voor elke AI-investering

Het rode-draadgereedschap dat ter Maten aanreikt voor bestuurders is een vragenlijst die je voor elk significant AI-besluit doorloopt. Niet in je hoofd, in een gesprek met je MT, op papier vastgelegd.

1. Hoe is ons budget verdeeld? Welk percentage gaat naar technologie, processen, en mens-en-cultuur? Klopt die verhouding met wat we eerder hebben geleerd over wat werkt?
2. Wie in ons MT draagt de mens-en-cultuurkant? Heeft die persoon dezelfde middelen, mandaat en sturingsruimte als de technologische trekker?
3. Welke beoordelingsmomenten zijn expliciet ingebouwd? Wie tekent waar voor, en wat gebeurt er als mens en model van elkaar verschillen?
4. Hoe komt compliance in het ontwerp terug? Welke risicoclassificatie heeft deze toepassing, en welke ontwerpkeuzes volgen daaruit?
5. Wat is ons signaal van zichtbaar succes voordat we uitrollen? Welke meetbare uitkomst in welke pilotomgeving overtuigt ons om op te schalen?

Wie deze vijf vragen oprecht beantwoordt, zal merken dat veel lopende investeringen tussentijds bijstelling vragen. Dat is ongemakkelijk, maar het is goedkoper dan een jaar later concluderen dat het geld is verdampt.

Vier praktijkscenario's uit het boek

Scenario 1, Een advocatenkantoor en de AI-copilot

Een middelgroot advocatenkantoor schaft een AI-copilot aan voor het opstellen van conceptdocumenten, contractanalyse en juridische research. Het bestuur ziet de potentie van enorme tijdwinst en koopt vijftig licenties voor de hele praktijk. Na zes maanden blijkt het gebruik teleurstellend: een handvol partners en associates werkt er actief mee, de rest gebruikt het sporadisch of helemaal niet.

Klassieke diagnose. "Onze advocaten zijn nog niet klaar voor AI."

De ter Maten-aanpak. De diagnose ligt elders. Er is geen expliciete afspraak over welke output direct mag worden gebruikt en welke handmatig moet worden gevalideerd. Er is geen ruimte gecreëerd waarin senior advocaten openlijk hun eigen mislukte prompts kunnen delen. De training was twee uur over de functionaliteit, niet over de beoordelingsvragen. En de partners zelf gebruiken het niet, waardoor de signaalwaarde naar de juniors negatief is.

De correctie kost geen extra technologie. Het kost een paar maanden bewuste werkstructurering: één team dat zichtbaar succesvol werkt, partners die hun gebruik delen, en duidelijke afspraken over wat wanneer wel of niet mag.

Scenario 2, Een verzekeraar en de claimbeoordeling

Een verzekeraar implementeert een AI-systeem dat eenvoudige schadeclaims automatisch beoordeelt en goedkeurt. De business case is sterk: minder handmatig werk, snellere doorlooptijd, lagere kosten. Na een jaar komt de DNB op bezoek. De toezichthouder constateert dat het systeem besluiten neemt met materiële impact op klanten zonder dat de menselijke tussenkomst, controle of uitlegbaarheid voldoen aan de eisen van de AI Act.

Valkuil. De juridische afdeling was niet vooraan in het traject betrokken. Compliance werd als toetssteen aan het eind gezien, niet als ontwerpkader.

De aanpak. Vanaf principe één had de risicoclassificatie het ontwerp moeten sturen. Welke besluiten mogen geautomatiseerd worden, welke vereisen menselijke beoordeling, welke uitlegbaarheid moet de klant kunnen krijgen, hoe documenteren we dit? Die vragen hadden de scope van het project beperkt, maar het resultaat was houdbaar geweest. Nu staat de verzekeraar voor een herontwerp van het hele systeem onder toezichtdruk.

Scenario 3, Een onderwijsinstelling en de copilot voor docenten

Een hogeschool rolt een AI-copilot uit voor alle vierhonderd docenten, met de bedoeling de werkdruk te verlagen. Na een halfjaar is het gebruik mager en is er onder docenten openlijke wrevel ontstaan: "weer iets erbij, weer een training, weer een tool die het werk niet lichter maakt".

Diagnose. Klassieke verandermoeheid. De voorgaande drie initiatieven (een nieuw lerendmanagementsysteem, een herziening van de toetspraktijk, een digitaliseringsprogramma) zijn nooit afgerond. Telkens werd halverwege een nieuwe prioriteit gesteld. Docenten hebben geleerd dat veranderingen verdwijnen als je ze uitzit.

De aanpak. Niet doorzetten met overtuigingskracht. Eerst de oude tekorten erkennen, concreet benoemen wat niet is afgemaakt, een eerlijke evaluatie houden, en pas dan de nieuwe golf aankondigen. Bovendien: niet alle docenten tegelijk. Eén team dat het zelf wil dragen, ruimte krijgt om ermee te experimenteren, en aantoonbaar minder werk overhoudt. Andere docenten volgen vanzelf als ze zien dat het werkt.

Scenario 4, Een gemeente en de besluitvoorbereiding

Een gemeente verkent AI-ondersteuning bij de voorbereiding van vergunningenbesluiten. Het idee: het systeem destilleert relevante regelgeving, vergelijkbare cases en aandachtspunten uit grote dossiers, zodat de ambtenaar sneller een gefundeerd voorstel kan maken.

Valkuil. Onder werkdruk gaat de ambtenaar de output overnemen zonder de eigen beoordeling toe te voegen. Een burger krijgt een afwijzing waarvan later blijkt dat hij gebaseerd was op een hallucinatie of een onjuiste analogie. Het college komt in de problemen.

De aanpak. Maak vóór de implementatie expliciet welke beslissingen een menselijk oordeel vereisen, welke output puur ondersteunend is en hoe je vastlegt dat de menselijke beoordeling werkelijk heeft plaatsgevonden. Bouw periodieke controles in waarin willekeurige besluiten worden nagelopen om te zien of mens en model van elkaar afweken en hoe daarmee is omgegaan. Dat is geen bureaucratie, dat is bestuurlijke waarborg.

De drie typisch Nederlandse AI-valkuilen

Ter Maten benoemt drie patronen die typerend zijn voor de Nederlandse zakelijke en bestuurlijke cultuur en die AI-implementaties extra kwetsbaar maken.

1. Polderen tot het besluit verdampt

In Nederland zoeken we draagvlak door eindeloos te overleggen. Bij AI werkt dat tegen ons: terwijl wij polderen, lopen tools, kaders en regelgeving door. De wereld om ons heen wacht niet. Het tegenwicht is geen autocratie, het is gestructureerde besluitvorming: kortere consultatierondes met een hardere besluitknop, waarbij niet iedereen overal in meebeslist, maar wel iedereen weet wie waarover beslist.

2. Pilotitis

De Nederlandse zakelijke cultuur is dol op pilots. Ze voelen veilig: klein van schaal, snel te starten, weinig commitment. Maar veel organisaties stapelen pilots tot er niets meer wordt opgeschaald. Pilots zijn een leerinstrument, geen einddoel. Het tegenwicht: voor elke pilot vooraf vaststellen welke uitkomst leidt tot opschalen, welke tot afbreken, en wie dat besluit neemt. Een pilot zonder besluitcriteria is geen leerexperiment, het is uitstel.

3. Onuitgesproken voorzichtigheid

In de Nederlandse bestuurscultuur uiten we kritiek vaak indirect. "Interessant" betekent geregeld "ik vind het niets". Bij AI-besluiten is dat schadelijk: zorgen die niet expliciet worden uitgesproken, worden niet verwerkt in het ontwerp en duiken later op als blokkades. Het tegenwicht: vraag in elke MT-discussie expliciet om de kritische tegenstem, en bedank degene die hem geeft. Een MT waarin niemand tegen is, is geen MT met consensus, het is een MT zonder veiligheid.

Toezichthouders, commissarissen en de AI-discussie

Een ondergewaardeerd thema in het boek is wat de raad van commissarissen of een raad van toezicht eigenlijk moet weten over de AI-strategie van een organisatie. Ter Maten geeft daarvoor concrete vragen die in elke RvC-vergadering thuishoren:

• Welke risicoclassificatie heeft elk lopend AI-initiatief volgens de AI Act?
• Welk percentage van het AI-budget besteden we aan mens en cultuur, en welke trend zien we daarin?
• Welke incidenten of bijna-incidenten met AI hebben we het afgelopen kwartaal gehad, en wat hebben we ervan geleerd?
• Hoe ziet de AI-geletterdheid van ons MT er feitelijk uit, en welke ontwikkeling is er afgesproken?
• Welke menselijke beoordelingsmomenten zijn structureel ingebouwd in onze AI-werkprocessen?

Commissarissen die deze vragen niet stellen, accepteren impliciet dat AI-risico's verborgen blijven tot er een incident is. De vragen zelf maken de governance volwassen, niet de antwoorden alleen.

Pas dit boek toe met AI: vier prompts voor jouw MT

Het is enigszins ironisch dat een boek over AI-leiderschap zich uitstekend leent voor AI-ondersteund denkwerk. De vier prompts hieronder kun je direct plakken in ChatGPT, Claude of Gemini, vul je eigen context in en gebruik de output als denkpartner, niet als beslisser.

Prompt 1, AI-investeringsdiagnose

Je bent een ervaren AI-bestuursadviseur die de 40-30-30-omkering
hanteert uit "Modern leiderschap is geen algoritme".

Mijn organisatie:
[beschrijf in 5-10 zinnen: sector, omvang, huidige
AI-initiatieven, budget, lopende uitdagingen]

Help mij ons huidige AI-investeringsbeleid te diagnosticeren:
1. Schat de huidige verdeling van ons budget over technologie,
   processen en mens-en-cultuur op basis van wat ik beschrijf
2. Identificeer drie posten die we waarschijnlijk verkeerd
   categoriseren
3. Benoem de drie grootste risico's van onze huidige verhouding
4. Stel een realistische verschuiving voor de komende vier kwartalen
   voor, in concrete acties
5. Formuleer vijf vragen die ik aan mijn MT moet stellen om de
   verschuiving in gang te zetten

Prompt 2, AI-geletterdheid van het MT

Mijn managementteam bestaat uit [omschrijf rollen en
achtergronden]. Wij moeten beslissingen nemen over [specifieke
AI-toepassing].

Help mij om de AI-geletterdheid van mijn MT te toetsen.

Geef:
- 10 vragen die de drie dimensies (wat doet het model, wat doet
  het niet, wat verandert het aan menselijk werk) testen
- Per vraag een indicatie wat een ontoereikend, een redelijk en
  een goed antwoord zou zijn
- Drie suggesties voor manieren om de hiaten gericht te dichten
  zonder de defensieve reactie op te roepen

Prompt 3, Beoordelingsmoment-ontwerp

Wij overwegen [omschrijf AI-toepassing] in te zetten voor
[werkproces].

Help mij om de menselijke beoordelingsmomenten expliciet te
ontwerpen.

Geef:
- 5 beslismomenten in dit werkproces waar menselijk oordeel kritiek
  is
- Per moment: welke criteria gelden, wie tekent, wat gebeurt er bij
  afwijking tussen mens en model
- 3 documentatie-eisen die we vooraf moeten regelen om compliance
  achteraf niet te frustreren
- 2 patronen waarin onder werkdruk de menselijke beoordeling
  wegvalt, en hoe we die voorkomen

Prompt 4, Verandermoeheid-diagnose

Mijn organisatie staat op het punt om [nieuwe AI-uitrol] aan te
kondigen. Onze afgelopen drie veranderingsinitiatieven waren
[omschrijf in 1 zin per initiatief].

Help mij om de verandermoeheid eerlijk te diagnosticeren voordat
we de volgende golf aankondigen.

Geef:
- Een kritische analyse van wat we waarschijnlijk niet hebben
  afgerond of geëvalueerd
- 5 patronen die medewerkers in onze cultuur zullen herkennen als
  signaal dat ook deze golf gaat verdampen
- Een script voor een interne aankondiging die eerst de oude
  tekorten erkent en daarna de nieuwe ambitie introduceert
- 3 vraagstukken die ik intern moet oplossen voordat ik deze
  aankondiging geloofwaardig kan doen

Bewaar deze prompts in een eigen "promptbibliotheek" en pas ze aan op basis van wat in jouw organisatie werkt. Het is bewust werk om je MT te dwingen tot scherpere vragen, niet om antwoorden te outsourcen.

Vergelijking met andere AI- en leiderschapsboeken

Het AI-managementlandschap is in 2026 voller dan ooit. Modern leiderschap is geen algoritme is geen poging om alle andere boeken te vervangen, maar een specifieke positionering: bestuurdersagenda boven praktijktools, leiderschap boven techniek.

Co-Intelligence, Ethan Mollick

Mollick richt zich op de individuele professional die AI als denkpartner inzet. Vier principes, veel anekdotes, sterk in het laten ervaren wat een taalmodel kan. Wie nieuw is in AI en zelf wil leren werken met de tools, begint hier. Wie als bestuurder de voorwaarden voor honderd of duizend medewerkers moet ontwerpen, vindt bij ter Maten een passender frame.

Doeltreffend met AI-agents

Een Nederlandstalig boek dat zich richt op de praktische implementatie van AI-agents in werkstromen. Sterker in de "hoe" van implementatie, lichter op de bestuurlijke en culturele dimensie. Mooi naast elkaar te lezen: ter Maten geeft het frame, Doeltreffend met AI-agents geeft de uitvoering.

Werk hand in hand met AI

Praktisch georiënteerd op individuele professionals en teams. Sterke complementair als je na het lezen van ter Maten op zoek bent naar concretere werkpatronen voor je eigen team.

Empire of AI, Karen Hao

Diepe journalistieke duik in de AI-industrie en haar machtsverhoudingen. Bredere context, minder direct toepasbaar voor bestuurders die maandag een MT-besluit moeten nemen. Lezen als achtergrond, niet als handleiding.

AI Selling

Sectorspecifiek voor verkoopfuncties. Niet een direct alternatief, maar relevant voor commerciële organisaties die specifiek de salesimpact van AI willen begrijpen.

Welk boek wanneer?

Wat zoek je?	Pak dit boek
Compacte bestuurdersagenda voor AI-implementatie	Modern leiderschap is geen algoritme
Individuele professional die met AI wil leren werken	Co-Intelligence
Praktische implementatie van AI-agents in werkstromen	Doeltreffend met AI-agents
Concreet werken met AI in jouw team	Werk hand in hand met AI
Brede context van de AI-industrie	Empire of AI
Sectorspecifieke AI-toepassing in sales	AI Selling

Sterke punten

De grootste kracht is de combinatie van bestuurdersfocus en compactheid. Veel AI-boeken zijn óf zo technisch dat een MT-lid afhaakt, óf zo abstract dat er geen besluit uit voortkomt. Ter Maten houdt de middenpositie vast: scherp genoeg om bruikbaar te zijn in een MT-vergadering, breed genoeg om in de bestuurskamer te overleven.

De 40-30-30-omkering is een vondst die alleen al de prijs van het boek waard is. Het is een meetbaar denkkader dat een lopende AI-discussie acuut kan herijken. Bestuurders kunnen ermee uit de eindeloze technische discussies stappen en het gesprek terugbrengen naar de werkelijke vraag: waar zit ons rendement?

Daarnaast doet het boek iets dat in veel AI-literatuur onderbelicht blijft: het neemt verandermoeheid en cultuurschade serieus, niet als sentimenteel obstakel maar als feitelijk signaal. Dat geeft het boek een morele scherpte die het ver houdt van naïef techno-optimisme.

De compliance-benadering als ontwerpvraag is in 2026, met de AI Act volop in werking, niet alleen verstandig maar noodzakelijk. Ter Maten maakt dat begrijpelijk zonder de lezer te overspoelen met juridische details.

Zwakke punten

Het compacte formaat is een kracht én een beperking. Wie als CIO of architect op zoek is naar technische diepgang, vindt die hier niet. De keuzes voor specifieke modellen, infrastructuren, evaluatiemethoden of MLOps-patronen worden bewust niet behandeld. Dat is een legitieme afbakening, maar het betekent dat dit boek een aanvulling is op technische bronnen, geen vervanger.

Ook is het perspectief dat van het bestuur. De stem van de werkvloer, de medewerker die het werk daadwerkelijk anders moet gaan doen, komt vooral indirect aan bod. Wie een uitgebreidere medewerkersinvalshoek zoekt, vindt die beter in Werk hand in hand met AI.

Tot slot: door het brede toepassingsbereik (advocatuur, financiële instellingen, onderwijs, overheid) blijven de sectorvoorbeelden soms bij hoofdlijnen steken. Een lezer uit de zorg of de industrie zal soms wensen dat een specifiek voorbeeld dieper was uitgewerkt. De voorbeelden zijn voldoende om het principe te illustreren, niet om als blauwdruk te dienen.

Mijn oordeel

Modern leiderschap is geen algoritme is geen revolutionair boek en wil dat ook niet zijn. Het is een goed getimed correctief. Na twee jaar van AI-hype, opgejaagde investeringen, mislukte pilots en groeiende cynisme in organisaties, doet ter Maten iets eenvoudigs en waardevols: ze brengt het gesprek terug naar wat het verschil maakt. Niet de tool, maar de mensen die ermee werken. Niet de licentie, maar de beoordelingsmomenten die je inbouwt. Niet de roadmap, maar het mandaat dat je geeft aan de cultuurkant.

De grootste verdienste van het boek is dat het AI verbestuurlijkt, in de goede zin van het woord. Het maakt van AI een onderwerp dat thuishoort op de MT-agenda en in de RvC-stukken, niet als technische verantwoording achteraf, maar als strategische keuze vooraan. De 40-30-30-omkering, de vijf bestuursvragen en de RvC-checklist zijn instrumenten die meteen werken in een echte vergadering.

De beperkingen zijn eerlijk te benoemen. Het boek staat of valt niet bij conceptuele vernieuwing, het bouwt expliciet op bekende principes uit verandermanagement, organisatiekunde en AI-governance. De kracht zit in de bundeling, het Nederlandstalige perspectief en de bestuursnabijheid, niet in een doorbraak. Wie veel verandermanagementliteratuur kent, vindt hier de bekende ingrediënten in een nieuwe AI-vorm; wie nieuw is in deze materie, krijgt een toegankelijke en goed gestructureerde inwijding.

Koop dit boek als…

• Je in een MT of directie zit dat het komende jaar significante AI-besluiten neemt
• Je als HR-directeur de menselijke kant van een AI-transformatie wilt versterken
• Je als CIO of transformatieleider merkt dat je pilots niet opschalen
• Je als commissaris of toezichthouder een agenda wilt voor de AI-discussie
• Je een gemeenschappelijke taal zoekt om met je MT over AI-investeringen te praten

Sla dit boek over als…

• Je een technisch handboek zoekt over modellen, prompts of MLOps
• Je vooral op zoek bent naar AI-toepassingen voor je eigen individuele werk
• Je al diep thuis bent in verandermanagement en AI-governance en geen nieuwe synthese nodig hebt
• Je een journalistieke duik in de AI-industrie wilt (lees dan Empire of AI)

Eindscore

Criterium	Score
Praktische toepasbaarheid	8/10
Leesbaarheid	8/10
Originaliteit	7/10
Geschikt voor beginners	7/10
Algeheel oordeel	8/10

Een sterk en goed getimed boek voor bestuurders, MT-leden en HR-directeuren die AI niet als technisch project willen behandelen, maar als de leiderschapsopgave die het werkelijk is. De combinatie van compact formaat, Nederlandstalige context, scherpe denkkaders en bestuursvocabulaire maakt het tot een logische aanvulling op de bibliotheek van elke serieuze leider in 2026.

Transparantie: Deze bespreking is geschreven op basis van publiek beschikbare uitgeversinformatie, eerdere publicaties en interviews van Jolanda ter Maten (Levada Consultancy, KNVI Fellow AI, EU Blockchain Observatory & Forum), en de principes uit aanpalende vakliteratuur waarop het boek leunt (verandermanagement, AI-governance, EU AI Act). De 40-30-30-omkering en de bestuursperspectieven zijn aan het boek toe te schrijven; uitgewerkte oefeningen, scenario's en AI-prompts zijn onze eigen vertaling van die principes naar de praktijk.