Grenzen, risico’s & “AI of niet”

Wanneer “sneller met AI” ineens een incident wordt

Een salesmedewerker laat een AI-tool een klantmail herschrijven en plakt er “even” een stuk orderhistorie bij om de context duidelijk te maken. De mail wordt beter, sneller, en klinkt professioneel. Een week later blijkt dat die tool een publieke dienst was, en dat het bedrijf geen controle heeft over waar die data terechtkomt. Tegelijk is er een ander team dat wél veilig werkt: zij gebruiken AI alleen met geanonimiseerde voorbeelden, laten elke versie reviewen, en sturen niets extern zonder akkoord.

Dit is precies waarom grenzen en risico’s nú besproken moeten worden. In bedrijven gaat het zelden mis door slechte intenties; het gaat mis door onduidelijke spelregels, verkeerde taakkeuze, of het idee dat “als het er goed uitziet, het wel goed zal zijn”. Vibecoding kan enorm versnellen, maar versnellen zonder kader is gewoon sneller verdwalen.

In deze les leer je een praktische manier om te beslissen: “AI of niet?” Niet op onderbuikgevoel, maar op verifieerbaarheid, impact, datagevoeligheid en procesinpassing. Het doel is niet om AI “veilig te praten”, maar om het bewust inzetbaar te maken—zodat je snelheid pakt waar het kan en remt waar het moet.

Begrippen die je besluitvorming scherp maken

Grenzen zijn de expliciete afspraken over wat AI wel en niet mag doen binnen een taak. Denk aan: welke data mag erin, welk type output mag eruit, wie accordeert, en wanneer stopt de AI-iteratie en begint “normaal” werk (bijvoorbeeld een juridische check). Grenzen zijn geen bureaucratie; ze zijn de randvoorwaarden die vibecoding voorspelbaar maken. Zonder grenzen wordt de AI-chat een parallel proces dat niemand kan auditen en waar verantwoordelijkheid vervaagt.

Risico is de combinatie van kans × impact, maar in de praktijk helpt vooral de vraag: “Wat is de schade als dit één keer fout gaat?” In bedrijfscontext is de impact vaak niet technisch maar organisatorisch: reputatie, compliance, klantvertrouwen, of interne afwijkingen die doorwerken in rapportages. Vibecoding vergroot soms de kans op fouten (sneller en meer output), maar kan ook risico verlagen als het gepaard gaat met snelle checks en duidelijke acceptatiecriteria.

“AI of niet” is geen mening maar een keuze op basis van fit: de match tussen vibecoding en de taak. Uit de vorige les komen hiervoor de kerncriteria terug: controleerbaarheid (verifieerbaarheid), risicoprofiel, datagevoeligheid, en procesinpassing. De analogie blijft bruikbaar: AI als een extreem snelle junior collega. Je laat die junior veel doen waar je snel kunt reviewen, en je laat die junior níet zelfstandig beslissen op plekken waar één fout meteen extern effect heeft.

Het belangrijkste principe onder alles: plausibel is niet hetzelfde als waar. AI-output kan overtuigend klinken terwijl er aannames in zitten, woorden met juridische lading, of “net-niet” logica in een script. Vibecoding werkt professioneel als je het omdraait: niet vertrouwen op de vibe, maar vertrouwen op verificatie, guardrails en mens-in-de-loop.

De drie echte risico’s: data, waarheid en verantwoordelijkheid

1) Data-risico: wat je erin stopt, kan je organisatie verlaten

Het grootste AI-risico in bedrijven is vaak niet dat de output fout is, maar dat de input te gevoelig is. Medewerkers plakken klantdata, ticket-teksten, contractfragmenten of interne cijfers in tools zonder te weten wat er met die data gebeurt. Dit risico is extra verraderlijk omdat het “goed voelt”: je krijgt immers direct betere output wanneer je meer context geeft. Vibecoding verleidt dus tot context stapelen, terwijl bedrijfsveiligheid juist vraagt om context minimaliseren.

Een robuuste remedie uit de vorige les is minimum necessary context. Dat betekent: je geeft AI precies genoeg om de logica of structuur te maken, maar niet genoeg om schade te kunnen veroorzaken als die context uitlekt. In plaats van echte klantcases gebruik je kolomnamen, datatypes, synthetische voorbeeldregels, beleidssamenvattingen, of een abstract schema (“KlantType A/B”, “Orderwaarde”, “Regio”). Dit is niet alleen veiliger; het dwingt ook tot expliciete definities, waardoor de AI minder hoeft te gokken.

Een veelgemaakte denkfout is: “We gebruiken een tool met een login, dus het is wel veilig.” Login zegt weinig over opslag, training, deelbaarheid of beheer. Daarom horen grenzen altijd ook een proces-component te hebben: welke tools zijn goedgekeurd, welke data-classificaties mogen erin, en wat is het alternatief als je wél echte data nodig hebt (bijvoorbeeld interne sandbox, geanonimiseerde extracten, of handmatige verwerking).

2) Waarheidsrisico: hallucinaties, overspecificatie en ‘mooi klinkende’ claims

Het tweede risico is inhoudelijk: AI kan onjuistheden produceren die lastig te spotten zijn, juist omdat de tekst of code er professioneel uitziet. In vibecoding is dit extra relevant omdat je snel iteraties doet en daardoor “momentum” opbouwt: als de eerste versie goed klinkt, ga je door op een fundament dat misschien niet klopt. Dat is waarom verifieerbaarheid in de vorige les zo’n dominante fit-factor was: taken waarbij je kunt testen, corrigeren en falsifiëren zijn veel veiliger om te vibecoden.

Typische vormen van waarheidsrisico in bedrijven:

• Hallucinaties: verzonnen feiten, policies, bronnen of processtappen (“Volgens ISO-…”, terwijl dat niet klopt).

• Overspecificatie: AI vult ontbrekende details zelf in (deadlines, percentages, beloften), omdat het “af” wil zijn.

• Schijnzekerheid: output zonder zichtbare onzekerheden of aannames, waardoor lezers denken dat het gecontroleerd is.

Best practices uit de vibecoding-loop helpen hier direct. Shift-left kwaliteitschecks betekenen dat je per iteratie expliciet checkt op feiten, definities en risicodragende zinnen—niet pas helemaal aan het einde. En “mens-in-de-loop” is pas volwassen als het niet alleen een eindredactie is, maar ook een inhoudelijke check: klopt dit met beleid, data, contracten, en met de manier waarop het bedrijf echt werkt?

De meest voorkomende misconceptie blijft: “Als het logisch klinkt, is het waarschijnlijk goed.” In bedrijfsprocessen is “waarschijnlijk goed” vaak onvoldoende. Je wilt ofwel objectieve tests (bij code, formules, datatransformaties), ofwel expliciete accordering door de eigenaar van de waarheid (bij beleid, juridische tekst, externe claims).

3) Verantwoordelijkheidsrisico: schaduwprocessen en onduidelijk eigenaarschap

Het derde risico is organisatorisch: wie is eigenaar van de output, en kan de organisatie achteraf reconstrueren hoe een besluit of tekst tot stand kwam? Vibecoding kan onbedoeld schaduwprocessen maken: iemand automatiseert “even” een rapport of laat AI klantcommunicatie schrijven, maar zonder logging, zonder review, en zonder dat IT, Legal of compliance weet dat het bestaat. Dat voelt efficiënt tot het fout gaat; dan blijkt dat niemand kan uitleggen waarom iets zo is, of wie het had moeten bewaken.

Procesinpassing is daarom niet optioneel. Een volwassen “AI of niet”-besluit vraagt dat je vooraf bepaalt:

• Acceptatiecriteria: wanneer is het “done” en wat moet aantoonbaar kloppen?

• Review en accordering: wie controleert inhoud, toon en risico-zinnen?

• Reproduceerbaarheid: minimaal vastleggen van prompt/versie/keuze, zodat je later kunt leren en corrigeren.

Een typische valkuil is “outsourcen van oordeel”: AI wordt niet gebruikt als versneller voor de eerste versie, maar als beslisser. Dat botst met hoe bedrijven aansprakelijkheid en governance organiseren. De correctie is simpel maar strikt: AI mag vormgeven, structureren en varianten maken; mensen blijven eigenaar van waarheid, beleid en besluit.

Om dit bespreekbaar te maken helpt een nuchtere vergelijking: een AI-output zonder eigenaar is alsof je een belangrijke mail verstuurt met “afzender: onbekend”. In de praktijk zal iemand het toch moeten dragen—dus maak dat expliciet vóórdat het een incident wordt.

Een praktisch “AI of niet?”-besliskader dat teams snappen

Je kunt de beslissing meestal terugbrengen tot vier vragen. Het krachtige hiervan is dat het zowel business als IT taal geeft, zonder dat je verzandt in modeldiscussies.

1. Kunnen we het verifiëren? (testen, voorbeelden, criteria, review)
2. Wat is de impact als het misgaat? (intern herstelbaar vs extern/hoog)
3. Hebben we echte gevoelige data nodig? (of kan het met minimum necessary context)
4. Past het in ons proces? (review, logging, owner, “done”)

De volgende tabel helpt om snel te zien wanneer vibecoding een verstandige keuze is en wanneer “niet doen” of “alleen met zware waarborgen” logischer is.

Dimensie	AI = meestal wél	AI = alleen met strakke waarborgen	AI = meestal niet
Verifieerbaarheid	Output is objectief te testen (tests, rekenregels, checklists). Fouten zijn zichtbaar en corrigeerbaar.	Deels te verifiëren: je kunt structuur en toon checken, maar inhoud vereist domeinreview. Je moet expliciet aannames laten markeren.	Moeilijk te falsifiëren: “klinkt logisch” is de hoofdmaatstaf. Fouten blijven lang onzichtbaar.
Impact bij fouten	Beperkt en herstelbaar voordat het extern gaat. Extra werk is de grootste schade.	Middelgroot: fout kan extern effect hebben, maar er is nog een formele menselijke gate. Je organiseert accordering strak.	Hoog en extern: reputatie, compliance, financiële schade of klantimpact door één fout.
Datagevoeligheid	Kan met geanonimiseerde of synthetische voorbeelden. Minimum necessary context volstaat.	Je hebt soms echte data nodig, maar kunt werken met masking/samenvattingen. Tooling en afspraken moeten expliciet zijn.	Correctheid vraagt om echte persoonsgegevens/contractdetails/strategie. Datarisico domineert de businesswaarde.
Procesinpassing	Past in bestaande review-loop. Prompt/versie/keuze is kort vast te leggen.	Proces moet aangepast: extra logging, extra eigenaar, extra controles. Zonder die aanpassingen niet starten.	Geen owner, geen logging, directe “copy-paste naar productie”. Dit wordt schaduw-IT of onauditbaar.

[[flowchart-placeholder]]

Belangrijk: de middelste kolom is waar de meeste bedrijfswaarde zit. Veel taken zijn niet “veilig of onveilig”, maar veilig te maken door duidelijke grenzen: toolkeuze, dataminimalisatie, reviewstappen en accordering.

Twee uitgewerkte voorbeelden uit de praktijk

Voorbeeld 1: HR-communicatie—AI versnelt vorm, maar policy blijft menswerk

Een HR-team moet communiceren over een nieuw leerbeleid: verplichte security awareness en optionele AI-training. De vraag komt binnen met tijdsdruk, meerdere doelgroepen (alle medewerkers, managers, nieuwe instroom), en meerdere kanalen (mail, intranet, Q&A). Dit is een klassieke vibecoding-kans: AI kan snel varianten maken, structuur aanbrengen, en de toon consistent houden.

Een veilige aanpak volgt een duidelijke volgorde. HR start met grenzen: doelgroep, gewenste toon, maximale lengte, en vooral “verboden claims” zoals “altijd”, “garanderen”, of “per direct verplicht” als besluitvorming nog loopt. Daarna vraagt HR de AI om drie versies (kort, lang, Q&A) én om een lijst met zinnen die als belofte of verplichting geïnterpreteerd kunnen worden. Dit is een shift-left check: je laat de AI zelf de risicoplekken markeren, zodat je review gericht en snel wordt.

Vervolgens komt de menselijke gate: de beleidseigenaar checkt inhoudelijke waarheid (deadlines, uitzonderingen, wie valt onder verplichting), en Legal of compliance kan meekijken naar formuleringen met juridische lading als het extern kan lekken of later in discussies terugkomt. De output wordt pas “done” als die accordering er is en als de versie kort is vastgelegd (prompt/versie/finale tekst). De impact is duidelijk: HR wint tijd en consistentie, maar houdt controle over waarheid en aansprakelijkheid. De beperking is ook duidelijk: AI kan geen ontbrekend beleid oplossen; als de organisatie het nog niet besloten heeft, moet de tekst dat expliciet maken.

Voorbeeld 2: Finance/Operations—automatisering is sterk, zolang je testbaar en dataminimaal werkt

Een operations medewerker maakt wekelijks een rapportage: CSV exporteren, kolommen opschonen, uitzonderingen markeren, en een samenvatting sturen. Dit is “fit” voor vibecoding omdat je de output kunt testen: dezelfde input moet dezelfde output geven, en je kunt controles bouwen rond randgevallen. Tegelijk is de data gevoelig: klantnamen, bedragen, marges. De valkuil is dan dat iemand het echte bestand in een tool plakt om sneller resultaat te krijgen.

Een volwassen aanpak herformuleert de vraag naar logica en structuur. De medewerker beschrijft de input met kolomnamen, datatypes en definities (“Orderwaarde excl. btw”, “Status”, “Regio”), en geeft synthetische voorbeeldregels. Daarna laat je AI een eerste script of pseudocode maken plus een lijst van ingebouwde checks (ontbrekende waarden, dubbele regels, vreemde datums, drempel X). Dit is precies waar vibecoding sterk is: de eerste 60–80% staat snel.

Dan volgt de verificatie die het professioneel maakt. Je test op een kleine dataset, vergelijkt met een handmatige berekening, en jaagt expres op edge cases. Als het klopt, stabiliseer je het: logging toevoegen, aannames documenteren (“drempel X is…”, “wat doen we bij lege velden?”), en het in je workflow opnemen met een reviewmoment vóór verzending. De impact is week-op-week consistentie en minder handwerk; de beperking is dat wijzigingen in definities meteen tests en documentatie raken. Dat is geen nadeel van AI, maar een realiteit van bedrijfsprocessen—vibecoding maakt het alleen sneller zichtbaar.

Tot slot: grenzen zijn wat snelheid veilig maakt

Als je één zin meeneemt: vibecoding is een accelerator, geen autopilot. Het werkt goed waar je kunt verifiëren, waar fouten herstelbaar zijn, waar je dataminimaal kunt werken, en waar de output in een review- en eigenaarschapstructuur past. Het werkt slecht waar AI het oordeel moet vervangen, waar de schade bij één fout hoog is, of waar je de workflow niet kunt auditen.

Kijk daarom bij elke “AI of niet?”-vraag naar een paar harde ankers:

• Wat is de definitie van ‘done’ en wie tekent ervoor?

• Welke data is echt nodig, en kan het met minimum necessary context?

• Welke checks doen we per iteratie (shift-left), zodat plausibel niet wordt verward met waar?

Waar je nu staat na dit deel

• Vibecoding werkt pas zakelijk met guardrails: minimale context, snelle iteratieve checks, en heldere acceptatiecriteria.

• Fit beslis je op verifieerbaarheid, impact, datagevoeligheid en procesinpassing—niet op enthousiasme of tool-hype.

• De grootste risico’s zijn voorspelbaar: datalekken door te veel context, onwaarheden die “mooi” klinken, en schaduwprocessen zonder eigenaar of logging.

Met deze bril kun je in gesprekken met teams, IT en management veel sneller tot volwassen afspraken komen. Je hoeft AI niet te verbieden om veilig te zijn—je moet het zo inzetten dat het past bij hoe een organisatie kwaliteit, verantwoordelijkheid en risico beheerst.