AI-training voor bedrijven

Leerdoel: U deelt de vier risicoklassen van de EU AI Act in, legt de plichten uit art. 4 en art. 26 uit, past AVG-beginselen toe op AI-gebruik en schetst een interne AI-richtlijn.

De juridische ruggengraat van het curriculum — toepassingsgericht in plaats van academisch: juridische eisen zo ver begrijpen dat geïnformeerde beslissingen mogelijk zijn en risico's herkend worden. Van AVG-basis via de AI-verordening tot auteursrecht, ondernemingsovereenkomst en een volledige casestudy.

Kernboodschappen

• De EU AI Act geldt voor iedereen die AI beroepsmatig inzet — als exploitant bent u adressaat, ook zonder eigen AI-ontwikkeling.
• De meeste kantoortools zijn minimaal of beperkt risicovol; AI in HR is het vaakst voorkomende hoogrisicogeval (bijlage III nr. 4).
• AVG en AI Act vullen elkaar aan: de een beschermt persoonsgegevens, de ander regelt veiligheid en transparantie van systemen.

Lesenheden

1. Eenheid 11 AI-volwassenheidsmodellen voor bedrijven
2. Eenheid 12 Voortgangstoets 1 (quiz en reflectie)
3. Eenheid 13 AVG-basis in de AI-context
4. Eenheid 14 Persoonsgegevens in prompts vermijden
5. Eenheid 15 EU AI Act: opbouw, tijdlijn, adressaten
6. Eenheid 16 Risicoklassen van de EU AI Act
7. Eenheid 17 Exploitantplichten volgens art. 26 EU AI Act
8. Eenheid 18 AI-geletterdheidsplicht volgens art. 4 EU AI Act
9. Eenheid 19 Auteursrecht en AI-gegenereerde inhoud
10. Eenheid 20 Bedrijfsgeheimen en vertrouwelijkheid in de AI-context
11. Eenheid 21 Ethiekkaders: OESO, EU HLEG en Asilomar
12. Eenheid 22 Bias, fairness en discriminatie door AI
13. Eenheid 23 Ondernemingsovereenkomst AI
14. Eenheid 24 Casestudy: juridische beoordeling van een AI-use case

Leerdoel: U structureert prompts volgens het vijflagenmodel (rol, context, taak, format, beperkingen), past zero-shot, few-shot en chain-of-thought toe en bouwt een eigen promptbibliotheek op.

De praktische kerncompetentie waar alle toepassingsmodules op bouwen: AI-systemen precieze, gestructureerde instructies geven. Prompt engineering is geen geheime wetenschap, maar een leerbare methode van precies communiceren.

Kernboodschappen

• De kwaliteit van de invoer bepaalt de kwaliteit van de uitvoer — vaagheid, overlading en ontbrekende context zijn de drie meest gemaakte fouten.
• Een precieze prompt van 80 woorden verslaat een vage van 400 — lengte is geen kwaliteitskenmerk.
• Terugkerende taken horen in een geversioneerde promptbibliotheek, niet in het hoofd van enkele collega's.

Lesenheden

1. Eenheid 25 Anatomie van een prompt — rol, context, taak, format
2. Eenheid 26 Zero-shot vs. few-shot prompting
3. Eenheid 27 Chain-of-thought & redeneertechnieken
4. Eenheid 28 Systeemprompts & persona-ontwerp
5. Eenheid 29 Gestructureerde output (JSON, Markdown, tabellen)
6. Eenheid 30 Iteratief prompten & verfijningslussen
7. Eenheid 31 Negatieve prompts, beperkingen, guardrails
8. Eenheid 32 Promptpatronen (CRISPE, RTF, TAG, RISEN)
9. Eenheid 33 Omgaan met lange documenten — samenvattingsstrategieën
10. Eenheid 34 Promptbibliotheek opbouwen & versioneren
11. Eenheid 35 Meta-prompts & promptoptimalisatie door de AI zelf
12. Eenheid 36 Praktijkoefening: 10 prompts voor de eigen werkplek

Leerdoel: U integreert AI-assistentie in echte werkstromen — e-mail, vergaderingen, teksten, onderzoek, kennismanagement, presentaties — en houdt de kwaliteitscontrole bij de mens.

Van kunnen naar routine: hoe bouwt u AI-ondersteuning in dagelijkse werkstromen zonder het werk te versnipperen? Elke eenheid heeft een uitgebreide praktijkvariant voor teams en organisaties — inclusief het 90-minuten hands-on lab 'Een werkdag met AI-assistentie'.

Kernboodschappen

• Productiviteitswinst ontstaat door enkele goed geïntegreerde routines, niet door meer tools.
• Bronkritiek en factchecking zijn verplichte competenties — AI-onderzoek vervangt geen verificatie.
• Gedeelde promptbibliotheken schalen kennis in teams — met oog voor eenvormige resultaten.

Lesenheden

1. Eenheid 37 Overzicht productiviteits-AI (Copilot, Gemini for Workspace, ChatGPT Enterprise)
2. Eenheid 38 E-mailtriage en antwoordconcepten met AI
3. Eenheid 39 Notulen, samenvattingen en actiepunten uit vergaderingen
4. Eenheid 40 Tekstproductie: offertes, rapporten, blogposts
5. Eenheid 41 Vertalen, herformuleren, tonaliteit aanpassen
6. Eenheid 42 Onderzoek met AI-zoekmachines: Perplexity en You.com
7. Eenheid 43 Bronkritiek en factchecking bij AI-antwoorden
8. Eenheid 44 Kennismanagement met NotebookLM en vergelijkbare tools
9. Eenheid 45 Presentaties genereren met Gamma en Copilot PPT
10. Eenheid 46 Toegankelijkheid: alt-teksten, eenvoudige taal, inclusief formuleren
11. Eenheid 47 Persoonlijke productiviteitsroutines met AI
12. Eenheid 48 Hands-on lab: een werkdag met AI-assistentie (90 minuten)

Leerdoel: U gebruikt AI voor formules, dataopschoning, pivot-analyses en rapportages, kent de grenzen van statistische betrouwbaarheid van LLM-analyses en respecteert daarbij de privacyregels.

Promptcompetentie ontmoet het meest praktijkrelevante toepassingsgebied: gestructureerde data en office-tools. Van natuurlijk-talige Excel-formules via Code Interpreter tot controlling-forecasts — inclusief de vraag wanneer LLM-analyses ongeschikt zijn.

Kernboodschappen

• AI verklaart en genereert formules betrouwbaar — kwantitatieve analyse vraagt tools als Code Interpreter, geen pure tekstgeneratie.
• Vóór elke upload: dataclassificatie controleren, persoonsgegevens anonimiseren.
• LLM's beschrijven patronen goed, maar rekenen niet betrouwbaar — cijfers altijd nalopen.

Lesenheden

1. Eenheid 49 Excel/Sheets met AI — formules in natuurlijke taal
2. Eenheid 50 Dataopschoning met AI (duplicaten, formaten, validatie)
3. Eenheid 51 Pivot- en dashboardsuggesties door AI
4. Eenheid 52 Diagrammen & visualisaties automatisch maken
5. Eenheid 53 Introductie Code Interpreter / Advanced Data Analysis
6. Eenheid 54 CSV- en PDF-analyse met LLM's
7. Eenheid 55 Gegevensbescherming bij upload van gevoelige data
8. Eenheid 56 AI in controlling — forecasts en variantieanalyses
9. Eenheid 57 Power BI / Looker met AI-copilot
10. Eenheid 58 Minicase: rapportages optimaliseren
11. Eenheid 59 Grenzen van statistische betrouwbaarheid van LLM-analyses
12. Eenheid 60 Praktijkoefening: eigen dataset analyseren

Leerdoel: U formuleert beeldprompts volgens gestructureerde methoden, kent toepassingsvelden van transcriptie tot videogeneratie en herkent juridische en ethische risico's van synthetische media.

Van tekst naar alle modaliteiten — met een evenwichtige, deskundige blik in plaats van hype of afwijzing: wat kunnen beeld-, audio- en video-AI werkelijk, waar liggen grenzen, en welke vangrails hebben marketing en interne communicatie nodig? Inclusief deepfake-detectie en merkenrecht.

Kernboodschappen

• Beeldprompting volgt leerbare patronen: compositie, stijl, licht — iteratie verslaat toeval.
• AI-gegenereerde media vallen onder labelplichten (art. 50) en merkenrecht — goedkeuringsprocessen horen in elke workflow.
• Deepfake-risico's raken elk bedrijf — detectiecompetentie is deel van de veiligheidscultuur.

Lesenheden

1. Eenheid 61 Beeldgeneratie: Midjourney, DALL·E en Stable Diffusion
2. Eenheid 62 Beeldprompting: compositie, stijl en licht
3. Eenheid 63 Beeldbewerking met AI: inpainting, upscaling, achtergrond verwijderen
4. Eenheid 64 Juridische aspecten van gegenereerde beelden en merkenrecht
5. Eenheid 65 Speech-to-text en transcriptie
6. Eenheid 66 Text-to-speech en synthetische stemmen
7. Eenheid 67 Videogeneratie: Sora, Runway en Veo
8. Eenheid 68 Avatars en AI-presentatoren: HeyGen en Synthesia
9. Eenheid 69 Deepfake-risico's en detectie
10. Eenheid 70 Inzetscenario's marketing en interne communicatie
11. Eenheid 71 Ethische vangrails bij synthetische media
12. Eenheid 72 Praktijkoefening: eigen uitlegclip met AI

Leerdoel: U onderscheidt AI-agenten van chatbots, begrijpt tool-use, RAG en orkestratie conceptueel, selecteert geschikte processen en ontwerpt human-in-the-loop-patronen inclusief ROI-berekening.

De kwalitatieve drempel van het curriculum: van passieve assistent naar deels autonoom systeem dat plant, tools gebruikt en taken uitvoert. Dat verandert de risicodimensie fundamenteel — en daarmee de competentie-eisen voor gebruikers en leidinggevenden.

Kernboodschappen

• Agenten = taalmodel + toolgebruik + planning + geheugen — elke laag verhoogt waarde én risico.
• RAG verbindt taalmodellen met eigen bedrijfskennis — de basis van betrouwbare interne assistenten.
• Frequente, regelgebaseerde processen met duidelijke waarde komen het eerst in aanmerking — monitoring en menselijke goedkeuring zijn verplicht.

Lesenheden

1. Eenheid 73 No-code-automatisering: Zapier, Make, n8n
2. Eenheid 74 Microsoft Power Automate met AI-bouwstenen
3. Eenheid 75 AI-agenten vs. chatbots — architectuuroverzicht
4. Eenheid 76 Tool-use, function calling, het MCP-protocol
5. Eenheid 77 Retrieval-augmented generation (RAG) begrijpen
6. Eenheid 78 Custom GPT's en Copilot Studio-agents bouwen
7. Eenheid 79 Agenten orkestreren (CrewAI, LangGraph — concept)
8. Eenheid 80 Proceskeuze: welke taken passen bij agenten?
9. Eenheid 81 Human-in-the-loop-ontwerppatronen
10. Eenheid 82 Monitoring & logging van AI-agenten
11. Eenheid 83 ROI-berekening voor automatiseringen
12. Eenheid 84 Praktijkoefening: eigen no-code-agent

Leerdoel: U identificeert AI-potentieel langs de waardeketen, prioriteert use cases met ICE/RICE, neemt build-vs-buy-beslissingen en maakt een 12-maandenroadmap met business case.

Perspectiefwissel: van individuele toepassingscompetentie naar organisatorisch strategievermogen. Voor leidinggevenden, multiplicatoren en iedereen die betrokken is bij AI-invoering — met potentieelmatrix, use-case-canvas, pilotontwerp en governancemodel.

Kernboodschappen

• Processen vóór technologie: de potentieelmatrix (frequentie × regelgebaseerdheid × waarde) vindt de juiste kandidaten.
• Pilots hebben hypothesen, KPI's en stopcriteria nodig — anders worden het eindeloze projecten zonder bewijs.
• Zonder verandermanagement en governance blijft elke roadmap papier.

Lesenheden

1. Eenheid 85 Methoden voor procesopname (value stream, SIPOC)
2. Eenheid 86 AI-potentieelmatrix: frequentie × regelgebaseerdheid × waarde
3. Eenheid 87 Use-case-canvas en profielen
4. Eenheid 88 Prioritering: ICE, RICE, nutwaardeanalyse
5. Eenheid 89 Build vs. buy vs. configure-beslissingen
6. Eenheid 90 Datakwaliteit & beschikbaarheid beoordelen
7. Eenheid 91 Pilotontwerp: hypothesen, KPI's, stopcriteria
8. Eenheid 92 Verandermanagement & acceptatie in teams
9. Eenheid 93 AI-governancemodel in het bedrijf
10. Eenheid 94 AI-roadmap voor 12 maanden opstellen
11. Eenheid 95 Business-caseberekening (TCO, baten, terugverdientijd)
12. Eenheid 96 Workshop: 3 use cases identificeren en finaliseren

Leerdoel: U benoemt aanvalsvectoren zoals prompt injection en datalekken, stuurt shadow AI, beoordeelt leveranciers, begrijpt soevereiniteitsvragen (on-premise vs. cloud vs. EU-hosting) en vervult documentatieplichten.

De kritisch-reflectieve terugkeer na de competentieopbouw: systematisch omgaan met de risico's van productief AI-gebruik — van technische aanvallen en organisatorische blinde vlekken tot incident response en de rol van de AI-verantwoordelijke.

Kernboodschappen

• Shadow AI — privégebruik van niet-vrijgegeven tools — is in de meeste organisaties al realiteit; sturing verslaat verbieden.
• Prompt injection is de belangrijkste nieuwe aanvalsvector — guardrails en red-teaming horen bij de exploitatie.
• Datasoevereiniteit is een architectuurbeslissing: on-premise, EU-hosting of cloud met heldere contracten.

Lesenheden

1. Eenheid 97 Aanvalsvectoren: prompt injection, jailbreaks, datalekken
2. Eenheid 98 Beschermingsmaatregelen: red-teaming, guardrails, filters
3. Eenheid 99 Shadow AI herkennen en sturen
4. Eenheid 100 Dataclassificatie en dataminimalisatie
5. Eenheid 101 On-premise vs. cloud vs. EU-hosting (soevereiniteit)
6. Eenheid 102 Vendor-assessment-checklist voor AI-aanbieders
7. Eenheid 103 Kwaliteitsborging: evals, testsets, benchmarks
8. Eenheid 104 Monitoring in bedrijf (drift, kwaliteit, kosten)
9. Eenheid 105 Documentatieplichten volgens de EU AI Act
10. Eenheid 106 Incident response bij AI-incidenten
11. Eenheid 107 De rol van AI-verantwoordelijke in het bedrijf
12. Eenheid 108 Casestudy: risicobeoordeling van een use case

Leerdoel: U vertaalt het geleerde naar een eigen project: use case definiëren, prototype bouwen, evalueren, presenteren — en wordt als multiplicator effectief in het eigen team.

Afsluiting met dubbele functie — transfer en synthese: hoe komen de inhouden werkelijk in de praktijk, en hoe hangen de tien modules samen? Met projectcoaching, examensimulatie, colloquium en transferplan tot en met de certificaatuitreiking.

Kernboodschappen

• Competentie toont zich in projecten, niet in quizzen — daarom eindigt het curriculum met echt projectwerk.
• Train-the-trainer-elementen maken van lerenden multiplicatoren — zo schaalt AI-competentie intern.
• Het transferplan verankert het geleerde in concrete vervolgstappen voor de eigen organisatie.

Lesenheden

1. Eenheid 109 Introductie projectwerk: thema & scope bepalen
2. Eenheid 110 Projectcoaching I — use-case-definitie
3. Eenheid 111 Projectcoaching II — prototyping met AI-tools
4. Eenheid 112 Projectcoaching III — evaluatie & documentatie
5. Eenheid 113 Presentatie- en communicatietechnieken
6. Eenheid 114 Multiplicatorrol in het eigen team — train de trainer
7. Eenheid 115 Examenvoorbereiding — structuur & thema's
8. Eenheid 116 Schriftelijke examensimulatie
9. Eenheid 117 Peerreview van de projectwerken
10. Eenheid 118 Schriftelijk eindexamen (90 minuten)
11. Eenheid 119 Projectpresentaties & colloquium
12. Eenheid 120 Feedback, certificaatuitreiking & transferplan