Mensgerichte AI‑oplossingen
voor het dagelijkse werk en de grote keuzes van je team:
meer bekwaamheidbekwaamheid,
minder afhankelijkheidangst.

Je engineering-team gebruikt waarschijnlijk al AI — sommigen merkbaar productiever, anderen shippen subtiele bugs die ze niet zagen, de meesten ertussenin zonder gedeelde normen en met een stille onrust eronder over wat het betekent voor hun vak. Twee weken sluiten die gap door de SDLC opnieuw op te bouwen rond AI-assistentie, met het oordeel van de engineers in het midden.

Week 1 is observatie en ontwerp. We zitten met het team en kijken hoe ze AI-coding-assistenten daadwerkelijk gebruiken door de levenscyclus heen. We brengen elke fase in kaart — requirements, design, implementatie, review, test, deploy, observe — vinden waar AI echt werk versnelt en waar het stille regressies binnenglipt, en ontwerpen samen de AI-augmented SDLC van het team: eval gates in CI, regressiesuites afgestemd op jouw codebase, prompt- en context-versioning, telemetrie op agent-geraakte changes, en review- en rollback-praktijken voor AI-geassisteerde PR's.

Week 2 is praktijk en overdracht. Echte PR's gaan door de nieuwe setup, we kalibreren faalmodi met de senior engineers, dragen het runbook over, en doen een retro over wat standhoudt en wat meer bijstelling nodig heeft. De seniors bepalen wat goed en geshipped betekent; wij instrumenteren het. We houden ook de menselijke kant in de gaten — zorgen dat niemand zich stilletjes vervangen voelt of langs de verkeerde meetlat wordt gelegd — want een praktijk waar het team een hekel aan heeft, is een praktijk die het team omzeilt.

Je team loopt weg met een AI-augmented SDLC die onder druk standhoudt en die het team echt volgt, werkende evals die regressies in CI vangen voordat ze mergen, telemetrie die laat zien welke assistentie helpt en welke dwarsligt, en het vertrouwen dat AI-geassisteerd werk in je codebase reviewbaar, omkeerbaar en herkenbaar van hen blijft. Om het te laten beklijven includen we tweewekelijkse check-ins gedurende het volgende kwartaal.

Veel leiderschapsteams blijven kwartalen lang in de over-AI-praten-fase. Deze sprint brengt je daar in twee weken voorbij. Het doel is bewust nuchter: een echt werkmodel voor je leiderschap, een heldere blik op één van jullie eigen workflows, en een eerste stap waar je achter kunt staan — geen theater, geen half gebouwd en verlaten systeem.

Week 1 is werkmodel en discovery: hoe moderne AI daadwerkelijk werkt onder de motorkap, waar het faalt, agents versus pipelines, wat human-in-the-loop oplevert, en hoe je vendor-claims leest. We brengen je cross-functionele workflows in kaart en, net zo belangrijk, benoemen wie elke verandering raakt — wiens werk verschuift, wiens rol zich kwetsbaar voelt, en waar je mensen nu al over inzitten. Daarna kiezen we één workflow met echte hefboomwerking om van dichtbij te bekijken.

Week 2 is toegepast en menselijk: we prototypen de gekozen workflow met AI in de loop, draaien het tegen echte data, en reviewen samen — inclusief hoe het zou landen bij de mensen die het echt zouden gebruiken, en waar People-First principes lijnen trekken die je niet overschrijdt. De week sluit met een beslisdag: een realistische roadmap waar je team op aligneert, met een duidelijke, afgebakende eerste stap in plaats van een te grote belofte.

Je leiderschap loopt weg met gedeelde technische vlotheid, een uitgewerkt voorbeeld op één van jullie echte workflows, een roadmap die het team kan uitvoeren, en de menselijke zorgen in de open met een plan voor elk. We includen tweewekelijkse check-ins gedurende het volgende kwartaal om het momentum eerlijk te houden.

De meeste AI-roadmaps komen van iemand die over AI heeft gelezen, niet van iemand die tien jaar software heeft geshipped en productstrategie heeft vormgegeven. Twee weken draaien dat om: we auditten je roadmap, je workflows, je operationele wrijving — en identificeren welke AI-zetten het eerst bij jouw bedrijf passen.

Week 1 is discovery: we interviewen product, engineering, ops, sales en leiderschap; lezen je roadmap en kwartaalplannen; brengen in kaart waar de tijd van je team heen gaat en waar de frictie zit. Week 2 is roadmap-synthese: we brengen senior product- en engineering-oordeel naar jouw situatie — elke kandidaat AI-zet gewogen tegen je fase, teamcapaciteit, risicobereidheid, technical debt en culturele fit — en convergeren op een geprioriteerde lijst met de trade-offs uitgespeld, niet verstopt.

Je loopt weg met een geschreven rapport dat vijf tot twaalf specifieke AI-zetten dekt (ja/nee/later voor elk), een eerlijke lezing van welke zouden landen in jouw cultuur, en een aanbevolen volgorde voor de komende twee kwartalen.

Skip het interview-theater. Vervang cv-roulette, take-home tests en rondes gedragsinterviews door één oefening die daadwerkelijk voorspelt hoe iemand zal presteren: 90 minuten waarin de kandidaat een realistische nabootsing van de rol doorloopt — vormgegeven rond wat de baan echt vraagt — samen met iemand van je team, geobserveerd tegen een raamwerk dat je managers zelf draaien.

Geen AI-scoring. Geen algoritmische rangschikking. Geen geautomatiseerde afwijzing. Een deel van het werk is het afleren van de reflex om het oordeel te automatiseren. We laten je managers zien waarom cv-scorers en rangschik-modellen stilletjes de bias van gisteren inbakken, optimaliseren voor proxies die weinig met het werk te maken hebben, en mensen afwijzen op signaal dat nooit voorspellend was — en waarom een mens die een kandidaat een getrouwe nabootsing van de rol ziet aanpakken zowel eerlijker is als een betere voorspelling.

Twee weken installeren dit voor één rolfamilie. Week 1 is modelontwerp: we zitten met je hiring-team, spreken af hoe goed er werkelijk uitziet in het werk zelf, distilleren het tot een oefening van 90 minuten die de rol nabootst, en bouwen het observatieraamwerk dat de beoordeling consistent houdt. Week 2 is pilot: trial-sessies met echte kandidaten, kalibratie tegen echt signaal, en manager-training in faciliteren in plaats van verhoren.

Je loopt weg met een werkend hiring-model dat je draait voor elke rol in die familie, een manager-runbook, de observatienotities — en een team dat begrijpt waarom dit oordeel bij mensen blijft in plaats van bij een algoritme.

De meeste competitive intelligence in een mkb-bedrijf is één persoon die LinkedIn-posts via screenshots naar Slack doorstuurt. We vervangen dat met een gestructureerd systeem dat je team zelf bezit en bedient — dicht genoeg op je strategie- en sales-werk dat het een hands-on traject verdient in plaats van een instap-tool.

We beginnen met systeemontwerp: samen met je strategie- en sales-leads de concurrenten vastpinnen die ertoe doen, de signalen die de moeite waard zijn (productlanceringen, aannamepatronen, prijswijzigingen, partnerships, verschuivingen in marketing-taal), en de cadans die je aanhoudt. Daarna bouwen we en dragen we over — een lichte stack van feeds, watchers en een gestructureerde werkruimte, training voor je team op de operationele discipline, en de eerste cyclus samen gedraaid zodat het ritme blijft hangen voordat we wegstappen.

Je loopt weg met een werkend competitive intelligence-systeem dat je team zelf draait, de eerste briefs al opgeleverd, een watchlist van de concurrenten en signaaltypes die er voor je strategie echt toe doen, en de wekelijkse cadans die al loopt.

De meeste AI-beleidsdocumenten worden geschreven door legal, getekend door de CEO, en door iedereen anders genegeerd. Eén maand produceert beleid dat je team mede heeft geschreven — wat betekent dat ze het vertrouwen, volgen, en de cases blootleggen voordat het incidenten worden. EU AI Act-afstemming inbegrepen.

Week 1 is blootleggen: gefaciliteerde workshops met cross-functionele groepen om bloot te leggen waar AI-angst echt is en welke use cases mensen stilletjes verkennen. Week 2 is use-case mapping: catalogiseer de echte use cases, classificeer tegen risico en waarde. Weken 3-4 zijn opstellen en mede-schrijven: we stellen op in begrijpelijke taal met je team in de kamer, werken meningsverschillen door, stemmen af op EU AI Act-verplichtingen.

Je loopt weg met een getekend AI-beleid dat je team heeft geschreven, een werkende bibliotheek van goedgekeurde en verboden use cases, een escalatiepad voor nieuwe cases, en een personeelsbestand dat gekalibreerd is in plaats van bang.

Als je de volledige overhaul wilt — je hiring-praktijk herbouwd als organisatorische capaciteit, over rolfamilies heen — is dit het traject. Eén maand installeert een werkende hiring-praktijk rond right-fit signaal over je top twee rolfamilies. Geen AI-scoring. Geen algoritmische rangschikking. Geen geautomatiseerde afwijzing.

Week 1 — hiring process audit. We lopen door elke stap, identificeren waar signaal zwak is, waar de kandidaat-ervaring corroderend is, waar AI-scaffolding zou helpen.

Week 2 — beleids-mede-ontwikkeling. Een werkend hiring-beleid dat People-First principes codificeert in taal specifiek voor jouw bedrijf, ondertekend door de mensen die het gaan opereren.

Weken 3-4 — bouw en trainen. Twee trial-omgevingen passend bij je top twee rolfamilies, pilot-sessies met echte kandidaten, hiring-manager training, het runbook dat je operationele standaard wordt.

Je loopt weg met een hiring-praktijk die kandidaten respecteert als mensen, beoordeeld op werk dat de rol nabootst, twee werkende trial-omgevingen die je team beheert, en een hiring-beleid dat getekend en geleefd is.

Organisatorische AI-capaciteit opbouwen zit tussen een workshop van één dag en een opleiding van een jaar. Zes weken produceren gedeeld AI-oordeel bij een team van tien tot vijfentwintig: wekelijkse live-sessies van 90 minuten, async leeswerk, praktische oefeningen die zich opstapelen.

Modules bouwen op elkaar voort: hoe moderne AI's werken, faalmodi, hoe je het stochastische karakter van modellen op deterministische manieren benut, augmentatie versus automatisering (het People-First filter), veiligheid en security-basics, ethiek in de praktijk (wat human-in-the-loop betekent als het je iets kost), dagelijks opereren met agents, organisatorisch oordeel opbouwen. Elke sessie koppelt concept aan praktisch werk met jouw eigen context — geen generieke oefeningen.

Je team loopt weg met gedeelde technische vlotheid die standhoudt in echte beslissingen, werkende AI-praktijk in hun dag-tot-dag, en het organisatorisch oordeel om de volgende golf AI-leveranciers te evalueren zonder ons terug te bellen. Gebouwd voor 10-25 deelnemers per cohort.