00Waarom Prodenda
Organisaties kiezen software voordat ze hun kennisvraag hebben gesteld.
De AI-discussie in veel organisaties begint bij tooling. De werkelijke beperking blijkt daarna telkens hetzelfde: de kennis waarop AI moet werken is niet expliciet, niet gevalideerd en niet onderhouden.
Drie hoofdstukken: het kennisprobleem, waarom AI het urgenter maakt, en waarom bestaande oplossingen het onderliggende probleem niet raken.
Het grootste deel van wat een organisatie kan, staat nergens.
Niet omdat er te weinig is vastgelegd, maar omdat het waardevolste deel van kennis zich slecht laat vastleggen in documenten.
Procedures beschrijven de hoofdroute. Wat een ervaren medewerker onderscheidt, zit in de uitzonderingen: wanneer een dossier niet klopt, welke risico-inschatting bij een afwijking hoort, welke stap je overslaat en welke nooit, en wanneer je iemand belt in plaats van iets vastlegt.
Die kennis is verworven in de praktijk en wordt doorgegeven in gesprekken. Ze is daarmee kwetsbaar voor drukte, uitstroom, reorganisatie en groei. Zolang niemand eigenaar is van een uitspraak, is er ook niemand die merkt dat die verouderd is.
Het gevolg is bekend: variatie in uitkomsten tussen teams, lange inwerktijd, herstelwerk en processen die merkbaar vertragen bij afwezigheid van één persoon.
Een beoordelingslijn die dagelijks wordt gebruikt, is nooit vastgelegd. Ze bestaat, ze werkt, en ze is niet toetsbaar: er is geen bron, geen eigenaar en geen moment waarop iemand haar opnieuw beoordeelt.
AI vergroot het effect van goede én van slechte kennis.
Een assistent die een verouderde procedure netjes samenvat, is niet behulpzaam. Hij is overtuigend fout. En overtuigend fout is moeilijker te herkennen dan zichtbaar fout.
Generatieve AI creëert een kennislaag die niemand beheert.
AI maakt het steeds makkelijker om deskundig te klinken. Daardoor wordt het steeds belangrijker om te kunnen aantonen waarom iets waar is.
Het risico is niet alleen dat een model feiten verzint. Het tweede, stillere risico is schaalbare schijnexpertise: taalvaardigheid en inhoudelijke autoriteit worden moeilijker van elkaar te onderscheiden. Output zelf is daardoor een zwakkere indicator voor expertise geworden dan zij ooit was.
Een overtuigend geformuleerd advies kan berusten op gevalideerde expertise, op onvolledige context, op een verkeerde aanname, of op een plausibele modelredenering die niemand inhoudelijk heeft getoetst. Aan de tekst is dat verschil niet te zien — aan de herkomst wel.
Medewerkers gebruiken assistenten dagelijks. Prompts, analyses, interpretaties en uitgewerkte casussen leven in individuele accounts en chatgeschiedenissen. Daar is geen eigenaar, geen validatie, geen versiebeheer en geen onderhoud. Vertrekt die medewerker, dan vertrekt de kennis mee — inclusief de aannames waarop besluiten zijn gebaseerd.
Tegelijk verschuift de vraag. Zodra AI antwoorden geeft die in het werk worden gebruikt, is de bruikbare vraag niet meer klinkt dit goed? maar waarom mogen we dit als betrouwbaar beschouwen? Dat vraagt om aanwijsbare herkomst: welke bron of praktijkervaring, wie heeft het vastgesteld, welke voorwaarden en uitzonderingen gelden, hoe zeker is het, en wanneer is het voor het laatst beoordeeld.
Dat is niet op te lossen met een verbod, en ook niet met één centraal platform. Het vraagt dat organisatiekennis een expliciete, beheerde plaats krijgt.
- Vorm wordt verward met onderbouwing
- Een vloeiend antwoord leest als expertise. Zonder bron, eigenaar en zekerheidsniveau is niet vast te stellen of er gevalideerde kennis achter zit of alleen een plausibele formulering.
- Twee interpretaties van dezelfde regel
- Beide ontstaan in individuele AI-gesprekken, beide plausibel, geen van beide vastgesteld. De organisatie merkt het pas bij een verschil in uitkomst.
- Antwoorden zonder houdbaarheidsdatum
- Een samenvatting is een momentopname. Zonder validatiemoment blijft ze in omloop nadat de praktijk is veranderd.
- Niemand die tegenspraak organiseert
- Waar experts elkaar zouden bevragen, sluit een assistent het gesprek juist af met één vloeiend antwoord.
Documentatie, kennisbanken en losse AI-tools raken het probleem niet.
Alle drie zijn nuttig. Geen van drie maakt kennis toetsbaar, eigenaargebonden en onderhouden.
- Documentatie legt de uitkomst vast, niet de redenering
- Een procedure beschrijft wat er moet gebeuren. Waarom die keuze geldt, welke uitzondering hoort en wanneer je ervan afwijkt, blijft buiten het document.
- Kennisbanken verouderen zonder dat iemand het merkt
- Zoeken werkt, onderhoud niet. Er is meestal geen eigenaar per uitspraak, geen zekerheidsniveau en geen signaal dat iets opnieuw beoordeeld moet worden.
- Losse AI-tools lossen het ophalen op, niet het vaststellen
- Retrieval maakt materiaal vindbaar. Het bepaalt niet welke versie geldt, wie eigenaar is en of de uitspraak überhaupt is bevestigd.
- Alle drie missen herkomst als eerste burger
- Zolang bron, eigenaar, zekerheid en hervalidatie geen onderdeel zijn van de kennis zelf, blijft elke uitspraak een aanname met nette opmaak.
Waarschijnlijk heeft uw organisatie dit eerder geprobeerd.
Het patroon is bekend: er wordt een kennisbank opgezet, met goede bedoelingen en een heldere structuur. Medewerkers vullen hem in het begin ook echt. Daarna krijgt het dagelijkse werk voorrang, zoals altijd. Na enkele maanden weet niemand meer welke pagina nog actueel is, en wordt er weer gebeld en gemaild in plaats van gelezen.
De oorzaak is geen gebrek aan discipline. Vastleggen en onderhouden waren losse taken náást het werk, zonder eigenaar per uitspraak en zonder moment waarop iemand moest bevestigen dat iets nog gold.
Het Knowledge Operating System draait die opzet om: signalen komen zoveel mogelijk uit normaal werk, gerichte vragen worden gesteld op de momenten waarop menselijk oordeel nodig is, en eigenaarschap is onderdeel van de kennis zelf in plaats van een goede intentie.
Wij beginnen een stap eerder in de keten.
Veel platformen lossen zoeken, retrieval en een beheerde kennislaag op. Dat is nuttig, maar het veronderstelt dat al vaststaat wat de juiste informatie is.
De vraag die daarvóór ligt, blijft in de praktijk vaak onbeantwoord: weten we überhaupt wat de organisatie werkelijk weet, en waarom mag een uitspraak als betrouwbaar gelden? Dat vraagt evidence uit bronnen én praktijk, kennis uit experts, expliciete behandeling van conflict en onzekerheid, tegenspraak, validatie, provenance en governance — vóór gebruik door mensen, processen, AI en agents.
Institutional Knowledge Assurance is onze werknaam voor de discipline achter KOS: aantoonbaar vaststellen welke institutionele kennis betrouwbaar genoeg is om door mensen en AI te worden gebruikt. Het is een werkbegrip waarmee wij onze eigen probleemruimte benoemen, geen gevestigde marktcategorie en geen standaard waar wij ons op kunnen beroepen.
Eerst het probleem begrijpen. Daarna de infrastructuur.
Wie het kennisprobleem scherp heeft, ziet dat de oplossing geen tool is maar een laag: bron, context en validatie, vastgehouden in de organisatie zelf.
Prodenda is onderneming en methodiekhouder van het Knowledge Operating System. Wij leveren geen generieke AI-toepassing en geen chatbot. Wij bouwen de laag eronder: de kennis van uw organisatie, expliciet gemaakt, getoetst, gevalideerd, gestructureerd, ontsloten en onderhouden.
Dat vraagt zowel methodiek als infrastructuur — en vooral samenwerking met de mensen die het werk doen. Experts bepalen wat waar is; het systeem organiseert de vraag, de tegenspraak en de vastlegging.
Bron
Wat feitelijk is vastgelegd: documenten, systemen, dossiers, werkoutput.
Context
Waarom het zo werkt: aanleiding, uitzonderingen, historische besluiten, afwegingen.
Validatie
Wie het bevestigt: expertbeoordeling, conflictoplossing, formele goedkeuring.
Eén beslisregel met bron, context, eigenaar, status en hervalidatiemoment — bruikbaar voor mens en AI.
Ontbreekt laag 2 of 3, dan is er een document — geen kennis waarop u een uitkomst kunt verantwoorden.