AI uitleggen in de boardroom. Zonder technisch jargon

Je zit voor een MT of een raad van bestuur.

Ze weten dat ze iets met AI moeten. Ze hebben het gelezen in de krant. Ze hoorden het op het laatste congres. Een concurrent lijkt ermee bezig. En dus staat het op de agenda.

Maar als je begint te spreken over modellen, trainingdata, en large language models, zie je de blikken veranderen. Ze knikken beleeft. Ze stellen weinig vragen. En na de vergadering verandert er niets.

Dat is niet hun schuld. Het is een communicatieprobleem.

Waarom technisch jargon niet werkt

Bestuurders en MT-leden zijn slimme mensen. Ze begrijpen complexe vraagstukken. Ze navigeren door politieke en strategische complexiteit op een niveau dat de meeste technici nooit zullen bereiken.

Maar ze zijn niet getraind in de technische basisconcepten van AI. En ze zijn ook niet van plan dat te worden.

Als jij spreekt over "foundation models" en "prompt engineering," vraag jij hen om een mentale vertaling te maken die ze niet kunnen maken. En als ze die vertaling niet maken, haken ze af. Niet door onwil, maar door gebrek aan referentiekader.

Wat bestuurders werkelijk willen weten

Dit is wat er in hun hoofd speelt. Niet altijd expliciet, maar altijd impliciet.

"Wat kost ons dit als we het niet doen?" Bestuurders denken in risico's. De vraag "wat brengt AI ons?" is minder urgent dan "wat missen we als we niet bewegen?" Positioneer AI als een risicobeheervraagstuk, niet alleen als een kansenverhaal.

"Wie doet dit goed, en wat kunnen we daarvan leren?" Concrete voorbeelden uit vergelijkbare organisaties zijn oneindig waardevoller dan theoretische mogelijkheden. Eén echt voorbeeld werkt beter dan tien hypothetische.

"Wat vragen ze van mij?" Bestuurders willen weten wat de beslissing is die ze moeten nemen. Niet een informatiesessie over AI in het algemeen. Een concrete keuze met de implicaties van elk pad.

Hoe je het gesprek opbouwt

Ik heb een aanpak die werkt. Niet als magische formule, maar als structuur die helpt.

Begin met het probleem, niet met de oplossing. "We verliezen wekelijks vijf uur per medewerker aan handmatige rapportage die we kunnen automatiseren" is een opening die iedereen begrijpt. Dat is een concreet probleem met een meetbare omvang.

Gebruik analogieën, geen definities. AI uitleggen als "een systeem dat patronen herkent en daarop reageert" zegt weinig. Uitleggen dat het werkt "zoals een ervaren medewerker die op basis van duizenden vorige gevallen weet wat de beste aanpak is" zegt meer. Niet technisch correct tot op de komma, maar begrijpelijk genoeg om mee te werken.

Laat zien, niet vertellen. Demonstreer een concrete toepassing. Geen algemene demo, maar een toepassing op iets wat de bestuurder herkent uit zijn of haar eigen wereld. Een vergaderverslag dat in drie minuten is samengevat. Een klantvraag die automatisch is gerouteerd. Iets tastbaars.

De drie vragen die je altijd moet beantwoorden

Als je het gesprek goed wilt afsluiten, zijn er drie vragen die je voor de vergadering moet hebben beantwoord. Niet voor jezelf. Voor hen.

Wat is de eerste concrete stap? Bestuurders willen bewegen, maar weten niet hoe te beginnen. Geef hen een eerste stap die haalbaar is. Niet de vijfjarenroadmap. Eén pilot, eén afdeling, één meetbaar resultaat.

Wie is intern verantwoordelijk? Elk AI-initiatief heeft een eigenaar nodig. Iemand die er verantwoordelijk voor is en erop afgerekend kan worden. Als dat niet helder is, is er geen beslissing genomen, alleen een discussie gevoerd.

Hoe meten we succes? Zonder meetcriterium is er na zes maanden geen basis om te beoordelen of het de moeite waard was. Definieer dat criterium vóórdat je begint, niet erna.

Wat je niet moet doen

Geen slides vol grafieken die bewijzen hoe groot de AI-markt in 2030 is. Dat is irrelevant voor de beslissing die nu voorligt.

Geen lange uitleg over hoe AI werkt. Ze hoeven het niet te begrijpen. Ze moeten beslissen of ze het willen gebruiken.

Geen beloftes die je niet kunt waarmaken. "AI gaat ons x miljoen besparen" is een belofte die je later moet waarmaken. Wees eerlijk over onzekerheid. Dat bouwt meer vertrouwen dan optimisme.

Na de vergadering

De vergadering is het begin, niet het einde.

Een goede boardroom-sessie over AI leidt tot één beslissing: groen licht voor een concreet eerste experiment. Met een eigenaar. Met een budget. Met een tijdlijn. Met meetcriteria.

Geen open einde. Geen "we kijken hier verder naar." Een beslissing.

En als je die beslissing hebt: zorg dat het eerste experiment zichtbaar succes oplevert. Want de tweede boardroom-sessie is makkelijker als de eerste concrete resultaten heeft opgeleverd.

Tot slot

AI uitleggen in de boardroom is niet een technische vaardigheid. Het is een communicatieve.

De vraag is niet hoe goed jij AI begrijpt. De vraag is hoe goed jij kunt communiceren in de taal van je publiek. En hoe goed je weet wat ze werkelijk nodig hebben om een beslissing te nemen.

Dat is de vaardigheid die het verschil maakt. Niet de technische kennis. De communicatieve intelligentie.

Wat is de AI-beslissing die in jouw organisatie al maanden op de agenda staat maar nooit tot actie leidt?