AI-geletterdheidseisen: praktische gids voor SaaS-teams

AI-geletterdheid is geen gewone HR-training en ook geen los juridisch memo. Voor SaaS-teams is het een operationele eis: mensen die AI-systemen ontwikkelen, inzetten, verkopen, ondersteunen, monitoren of besturen, moeten genoeg begrijpen om die systemen verantwoord in hun werk te gebruiken.

Artikel 4 van de EU AI Act is sinds 2 februari 2025 van toepassing. De Europese Commissie legt uit dat aanbieders en deployers een voldoende niveau van AI-geletterdheid moeten waarborgen voor personeel en andere personen die namens hen met AI-systemen omgaan, rekening houdend met technische kennis, ervaring, opleiding, training en gebruikscontext.

Een generieke cursus is dus niet genoeg. Een supportmedewerker die tickets samenvat, een productmanager die een feature goedkeurt, een salesteam dat AI-mogelijkheden beschrijft en een engineer die promptlogica wijzigt, hebben verschillende kennis nodig.

Waarom dit telt

Zwak begrip van AI maakt normaal productwerk tot onbeheerst risico. AI kan zitten in klantfeatures, interne copilots, supporttriage, salesprocessen, securitytools, analytics, documentreview en compliancemonitoring.

Als mensen de grenzen van het systeem niet begrijpen, kunnen zij nauwkeurigheid overdrijven, verboden data in prompts plaatsen, menselijke review overslaan, drift negeren of gegenereerde output als geverifieerde feiten behandelen.

Daarom moet AI-geletterdheid verbonden zijn met AI-governance en met controles die kopers vragen: waar wordt AI gebruikt, welke grenzen gelden, wie is getraind en welk bewijs toont dat het operationele model werkt?

Wanneer dit geldt

Een SaaS-bedrijf moet AI-geletterdheid beoordelen wanneer het AI-systemen ontwikkelt, integreert, aanbiedt of wezenlijk gebruikt. Dit omvat klantfeatures, admin-tools, interne systemen met klantdata, modelondersteunde beslissingen, AI-gegenereerde klantcommunicatie en third-party tools die teams namens het bedrijf gebruiken.

Het raakt niet alleen engineering. Product, design, security, compliance, legal, customer success, sales, marketing, support, HR, procurement en leadership kunnen in scope zijn als zij AI-systemen gebruiken, uitleggen, begeleiden of escaleren.

AI-geletterdheid vervangt andere verplichtingen niet. Afhankelijk van het systeem blijven risicoclassificatie, transparantie, high-risk controles, documentatie, vendorgovernance, incidentprocessen en monitoring nodig.

Wat "voldoende" betekent

"Voldoende" hangt af van rol en use case. De praktische vraag is: kan deze persoon het AI-systeem gebruiken, uitleggen, monitoren of escaleren zoals de functie vereist?

Productteams moeten doel, bedoeld gebruik, beperkingen, human review, datagrenzen en release gates begrijpen. Engineers moeten gedrag, evaluaties, datastromen, logging, change control, monitoringsignalen en incidenttriggers begrijpen. Klantgerichte teams moeten weten welke claims zijn goedgekeurd en wanneer legal, security of product moet worden betrokken. Leadership moet scope, risicobereidheid, verantwoordelijkheid, investering en verwacht bewijs begrijpen.

Sterk is een gelaagd model: basiskennis voor relevante medewerkers, rolspecifieke richtlijnen en diepere training voor hogere risico's.

Operationele workflow

Begin met de AI-inventaris. Noteer systemen, ondersteunde features, ingebouwde leveranciers, interne copilots en experimentele tools. Neem ook systemen op die klanten niet zien als ze klantdata, support, compliance of beslissingen beinvloeden.

Koppel daarna rollen aan systemen: wie ontwerpt, keurt goed, configureert, gebruikt, beoordeelt output, beantwoordt klantvragen, monitort problemen en escaleert?

Definieer minimale kennis per rol. Support moet weten wanneer AI-antwoorden menselijke review nodig hebben. Sales moet goedgekeurde taal gebruiken. Engineering moet logging, evaluatie en change control kennen. Product moet bedoeld gebruik, disclosures en releasebewijs controleren.

Koppel vervolgens bewijs aan de workflow: materiaal, deelname, bevestigingen, gedekte systemen, reviewdata en triggers voor hertraining.

Nuttig bewijs

Nuttig bewijs omvat een AI-inventaris, rolkaarten, trainingsmateriaal, rolspecifieke gidsen, completion- of bevestigingsrecords, goedgekeurde sales- en supporttaal, release notes over AI-wijzigingen, escalatiepaden en periodieke reviews.

Het sterkste bewijs verbindt geletterdheid met productwijzigingen. Als een AI-feature verandert, een leverancier wordt vervangen, een nieuw datatype wordt toegevoegd of een workflow verder wordt geautomatiseerd, moeten betrokken personen bijgewerkte instructies krijgen. Ook eigenaarschap moet zichtbaar zijn: wie scope goedkeurt, materiaal onderhoudt, completion bevestigt en beslist of een wijziging nieuwe training vereist.

Veelgemaakte fouten

De eerste fout is AI-geletterdheid beperken tot engineering. Veel risico ontstaat wanneer niet-technische teams AI-output gebruiken, beschrijven of vertrouwen.

De tweede fout is iedereen hetzelfde trainen. Een gemeenschappelijke basis helpt, maar rolspecifieke kennis voorkomt slechte beslissingen.

De derde fout is interne AI-tools vergeten. Externe assistenten voor supportnotities, contracten, data-analyse of complianceconcepten kunnen ook in scope vallen.

De vierde fout is training niet bijwerken na productwijzigingen. Kennis veroudert snel als systemen, prompts, leveranciers, datastromen en klantbeloften sneller veranderen dan documentatie.

FAQ

Is een AI-policy genoeg?

Meestal niet. Een policy zet verwachtingen, maar teams hebben rolgidsen, bewijs, escalatiepaden en updates na relevante wijzigingen nodig.

Heeft iedereen dezelfde training nodig?

Nee. Het niveau moet rol, kennis, ervaring, training en gebruikscontext weerspiegelen.

Wie is eigenaar?

Compliance of legal kan de eis leiden, maar product, engineering, security, HR, customer success en sales leveren vaak het operationele bewijs.