What Rabobank's Employees Taught Me About Making AI Work

Wat levert het op als een grote organisatie AI écht in de dagelijkse werkpraktijk inbedt? Change management specialist Penny de Villiers ging op zoek naar praktijkvoorbeelden en las de publieke verslagen van Rabobank-medewerkers over hun AI-projecten. Nadat ze zelf een change management-sessie bij de bank had gegeven, schreef ze op LinkedIn haar reflectie — herkenbaar voor iedereen die met AI aan de slag is.

Haar conclusie is geruststellend: geen gepolijste succesverhalen, maar concrete ervaringen. Rabobank-medewerkers delen openlijk welke use case je eerst oppakt, wat je bouwt en wat je koopt, wie eigenaar is zodra iets bestaat en hoe mensen kunnen leren terwijl het werk gewoon doorgaat. De antwoorden klinken nuchter — en zijn daarmee waardevoller dan welke handleiding ook.

GenAI-engineer Liezl-Mia Ludick beschreef het Team Swap-initiatief: veertien collega’s van andere teams konden meelopen met het GenAI-team. De opzet klonk logisch — mensen matchen aan passende taken, deliverables vaststellen, voortgang meten. In de praktijk liep dat vast: deelnemers wachtten, het gastteam kon de uitwisseling er nauwelijks naast het bestaande werk bijhouden.

Dus pauzeerde het team het initiatief een halfjaar en ontwierp het opnieuw rond exploratie: een vraag onderzoeken met een buddy, bevindingen delen en opgedane inzichten waarderen in plaats van afvinken. De les die Penny hieruit meeneemt: wie mensen laat experimenteren met AI en meteen een opleverbaar resultaat eist, knipt de leerruimte weg. Er moet ruimte zijn om te ontdekken dat iets moeilijker is dan verwacht — of dat het niet waard is om te doen.

In mijn artikel over AI in het dagelijkse bankwerk beschrijf ik hoe ons team in één maand tijd ruim een miljoen samenvattingen uitleverde aan meer dan 20.000 unieke gebruikers, met ruim een dozijn live AI-assistenten. Penny noemt die cijfers terecht substantieel — en stelt er de vraag achteraan die ik in elke Value Discovery ook stel: wat bewijzen die cijfers eigenlijk?

Een gebruiksdashboard laat zien dat een tool wordt omarmd. Of het werk er ook beter van wordt, moet je afzonderlijk aantonen: vinden mensen de informatie bruikbaar, hoeveel controle en correctie kost het, helpt het de klant verder? Adoptie is nog geen waarde. Precies die stap van gebruik naar bewezen verbetering is waar implementaties vaker struikelen dan bij de techniek.

Eén reactie in een open LinkedIn-discussie over Copilot bij de bank bleef bij haar hangen. Een medewerkster vertelde Copilot vrijwel dagelijks te gebruiken voor e-mails, teksten en feedback — positief over wat het haar werk oplevert. Maar ze ervaarde ook een perceptie: wie Copilot gebruikt, zou tekortschieten aan creativiteit of intelligentie.

Penny maakt daar de vraag van los die elke organisatie die AI introduceert zou moeten stellen: voelen mensen zich vrij om te zeggen dat ze het gebruiken? Toegang regelen en prompten leren is het makkelijke deel. Als iemand zich zorgen maakt dat hulp vragen zwak overkomt, lost geen enkele technische uitleg dat op. Haar suggestie voor leiders: vertel open over je eigen gebruik — waar AI helpt, waar je het controleert en waar jouw oordeel bepalend blijft.

Rabobank-engineer Buse Yalcinkaya Demir schreef openhartig over de ruwheid achter agent-demo’s: delegatie die onbetrouwbaar bleek, tools die foutief werden aangeroepen, citaten die niet bewaard bleven. Low-code benaderingen gaven het team te weinig zichtbaarheid op wat er gebeurde — reden om te kiezen voor expliciet gecureerde, code-based workflows.

Ook de Microsoft-casestudy over conversationele bankieren toont die bewuste afwegingen: klassieke orkestratie, generatieve AI apart via modellen in de eigen Azure-omgeving, met compliance en regionale data-eisen als richtinggevende factor. De les: een lanceringstijdlijn vertelt maar de helft van het verhaal. De architectuur en de keuzes eromheen zijn minstens zo’n verdienste — zeker in een gereguleerde sector als de bankwereld.

De vraag die alles samenvat, beschrijft Veerle van den Akker in haar artikel over het organiseren van GenAI in een grote organisatie: een eerste werkende oplossing bouwen kan snel, maar die betrouwbaar onderhouden vraagt blijvende expertise en aandacht. Rabobank koos voor een centraal team dat samen met de business herbruikbare componenten bouwt, ondersteund door monitoring, evaluatie en regels voor verantwoord gebruik.

Penny formuleert de vragen die daarachter liggen: waar breng je een idee heen, ontdek je of een ander team al iets vergelijkbaars bouwde, wie helpt je testen — en wie onderhoudt het over een halfjaar? Minder sexy dan de eerste demo, maar bepalend voor of de belofte standhoudt.

Haar afsluitende lessen voor kleinere organisaties: je hoeft geen bankinfrastructuur te kopiëren, maar wel de discipline. Start bij het echte probleem, geef mensen toegang tot gedeelde expertise, maak ruimte om te leren, bepaal wie eigenaar is van wat gebouwd wordt en blijf controleren of het de gebruiker daadwerkelijk helpt.

Dat is precies de insteek die ik hanteer bij implementaties — en de reden dat ik deze reflectie deel. Geen triomfverhalen, maar specifieke ervaringen om kritisch naar te kijken, van te leren en naar eigen hand te zetten. Voor elke organisatie die met AI aan de slag gaat is dat nuttiger dan welk succesverhaal dan ook.