Informatieve publicatie — geen normatieve specificatie
Beschikbaar voor onderzoek; onafhankelijke replicatie moet nog plaatsvinden. ArtiProof is ontworpen om organisatiekennis op basis van bewijs te beoordelen. De methode is nog niet breed onafhankelijk gevalideerd. Reproduceerbaarheid tussen onafhankelijke beoordelaars en proportionaliteit in de praktijk blijven open vragen; de eerste onafhankelijke replicatie moet nog plaatsvinden.
Nederlandse conceptvertaling. De inhoudelijke gelijkwaardigheid met de Engelse tekst is nog niet onafhankelijk tweetalig beoordeeld; dit is nog geen officieel aanvaarde vertaling.
Samenvatting
Organisaties digitaliseren, automatiseren en gebruiken steeds meer artificiële intelligentie. Daardoor kunnen ze sneller werken, meer informatie verwerken en taken uitvoeren die vroeger sterk afhankelijk waren van ervaren medewerkers.
Maar er kan tegelijk iets anders gebeuren: de organisatie blijft resultaten produceren, terwijl ze stilaan minder goed weet waarom het werk zo gebeurt, wie de moeilijke uitzonderingen nog begrijpt, waarop een antwoord eigenlijk steunt en hoe ze verder zou kunnen als een sleutelfiguur, toepassing of leverancier wegvalt.
ArtiProof is ontworpen om dat zichtbaar te maken.
ArtiProof biedt een gestructureerde manier om te onderzoeken van welke kennis belangrijk werk afhangt en welk bewijs verantwoord gebruik ondersteunt. De methode is ontworpen om afhankelijkheden, onzekerheid en mogelijke zwaktes zichtbaar te maken. Onderzoek moet uitwijzen hoe consequent dat lukt en welke waarde dit in de praktijk toevoegt.
De methode onderscheidt drie soorten kennis: Source Knowledge, Craft Knowledge en Generated Knowledge. In gewoon Nederlands gaat het om kennis uit bronnen, kennis uit vakmanschap en ervaring, en kennis die door systemen wordt gegenereerd of sterk bewerkt.
ArtiProof kijkt vervolgens naar vijf vaste assurance properties: Integrity, Provenance, Authority, Understandability en Resilience. In een gesprek hoeven die woorden niet voortdurend voorop te staan. De praktische vragen zijn eenvoudiger: Is de kennis voldoende volledig en intact? Waar komt het vandaan? Wie kan ervoor instaan? Kan een ander het begrijpen en bevragen? Kunnen we verder of herstellen als het wegvalt?
ArtiProof wil geen nieuw managementsysteem worden. Het is geen maturiteitsladder, geen AI-norm en geen documentenfabriek. Het is een extra kennislens die gebruikmaakt van wat een organisatie al heeft en alleen verder gaat waar de gevolgen dat rechtvaardigen.
1. Waar gaat het eigenlijk om?
Elke organisatie heeft zichtbare infrastructuur: gebouwen, toepassingen, processen, contracten, databanken, procedures en organisatiestructuren.
Daaronder zit een minder zichtbare infrastructuur: kennis.
Een proces werkt omdat iemand weet wat een regel in de praktijk betekent. Een overheidsdienst past wetgeving correct toe omdat tekst is omgezet in interpretatie, afspraken en ervaring. Een technicus weet wanneer een handleiding niet genoeg zegt. Een medewerker herkent een uitzonderingssituatie. Een team weet wie er moet worden betrokken als iets misloopt.
Die kennis zit zelden op één plaats. Een deel staat in documenten. Een deel zit in hoofden en handen van mensen. Een deel zit in software, configuraties, historische keuzes en gegevens. Steeds vaker wordt een deel door systemen of artificiële intelligentie gegenereerd.
De centrale vraag van ArtiProof is daarom niet: hebben we genoeg informatie?
De vraag is: wat moeten we als organisatie blijven weten om ons belangrijke werk te kunnen begrijpen, verantwoorden, uitvoeren en herstellen?
2. Sneller werken kan kennis verbergen
Digitalisering heeft informatie veel makkelijker beschikbaar gemaakt. AI maakt het bovendien goedkoop om samenvattingen, adviezen, classificaties, voorstellen en antwoorden te genereren.
Dat is nuttig. Maar sneller toegang krijgen tot informatie betekent niet automatisch dat de organisatie sterker wordt in kennis.
Een proces kan sneller worden terwijl minder mensen nog begrijpen waarom het zo is ingericht. Een AI-assistent kan goede antwoorden geven terwijl de bron, interpretatie of uitzonderingslogica minder zichtbaar wordt. Een team kan alle procedures netjes bewaren en toch één ervaren medewerker verliezen die als enige weet wanneer de procedure niet volstaat.
Dat is een belangrijk spanningsveld: de werking kan verbeteren terwijl de kennisweerbaarheid achteruitgaat.
Dat hoeft niet onmiddellijk tot fouten te leiden. De kwetsbaarheid kan jaren verborgen blijven. Ze wordt pas zichtbaar wanneer een expert vertrekt, een leverancier verandert, regelgeving wijzigt, een uitzonderlijk geval opduikt, een toepassing uitvalt of iemand achteraf moet uitleggen waarom een beslissing is genomen.
ArtiProof probeert die kwetsbaarheid te zien vóór ze een incident wordt.
3. Informatie hebben is nog niet hetzelfde als iets weten
Een map met vijfduizend documenten bevat informatie. Weten welke drie documenten bepalend zijn voor een belangrijke beslissing is kennis.
Een databank bevat gegevens. Begrijpen wat een veld betekent, waarom een uitzondering bestaat en wanneer je een waarde niet mag vertrouwen is kennis.
Een AI-systeem kan een antwoord geven. Weten waarom dat antwoord betrouwbaar genoeg is, wie het mag tegenspreken en wat er gebeurt wanneer het fout is, is organisatorisch vermogen.
Daarom begint ArtiProof niet met inventariseren wat er allemaal bestaat. Het begint bij het belangrijke werk en volgt van daaruit de kennis, bronnen, mensen, systemen en beslissingen waarop dat werk echt steunt.
4. Waarom AI dit urgenter maakt
Het probleem bestond al vóór generatieve AI. Pensioengolven, outsourcing, reorganisaties, fusies, personeelsverloop, oude systemen en leveranciersafhankelijkheid kunnen allemaal kennis doen verdwijnen.
AI versnelt het proces omdat systemen rechtstreeks tussen informatie en handelen komen te staan.
Vroeger moest iemand lezen, interpreteren en beslissen. Vandaag kan een systeem samenvatten, adviseren of genereren. Morgen wordt dat systeem misschien de standaardmanier van werken.
De overgang kan bijna ongemerkt verlopen: eerst begrijpt de mens het werk en helpt het systeem. Daarna adviseert het systeem. Vervolgens wordt de output het vertrekpunt. De menselijke kennis wordt minder vaak gebruikt en daardoor minder geoefend. Pas veel later merkt de organisatie dat ze afhankelijk is geworden.
ArtiProof wil menselijke taken niet bewaren omdat ze vroeger door mensen werden gedaan. Het wil wel zichtbaar maken welke menselijke kennis en welk professioneel oordeel nog nodig zijn om geautomatiseerd werk te begrijpen, te controleren en te herstellen wanneer dat ertoe doet.
5. Drie soorten kennis
ArtiProof gebruikt drie kennistypes omdat niet alle kennis op dezelfde manier ontstaat of verloren gaat.
Source Knowledge is kennis die steunt op een herkenbare bron: wetgeving, beleid, contracten, standaarden, specificaties, goedgekeurde documenten, handleidingen, dossiers of gevalideerde gegevens. Het sterke punt is dat er een referentie bestaat. Maar een bron kan actueel zijn en toch verkeerd worden begrepen. Een procedure kan formeel goedgekeurd zijn en in de praktijk achterhaald. Een handleiding kan de normale werking beschrijven en de moeilijke uitzonderingen missen.
Craft Knowledge is kennis die groeit door ervaring, oefening en professioneel oordeel. Het is weten wanneer een regel uitleg nodig heeft, een ongewoon patroon herkennen, begrijpen waarom iets ooit zo is afgesproken, weten wie je in een bijzonder geval moet bellen en zien welke afhankelijkheden niet op een procesdiagram staan.
Die kennis laat zich niet altijd volledig in procedures gieten. Dat is geen tekortkoming. Vakmanschap is vaak waardevol net omdat het met context kan omgaan. Tegelijk kan het kwetsbaar worden wanneer alles bij één persoon blijft zitten.
Generated Knowledge is kennis die door technologie wordt geproduceerd, afgeleid, gecombineerd of sterk omgevormd. Dat kan een AI-antwoord zijn, een voorspelling, een classificatie, een automatische berekening, een samenvatting of een resultaat uit een rules engine.
ArtiProof beschouwt Generated Knowledge niet als automatisch slechter of beter dan menselijke kennis. De vraag is welke bewijzen nodig zijn om erop te mogen vertrouwen voor het concrete gebruik.
In de praktijk lopen de drie soorten vaak door elkaar. Een dossierbehandelaar gebruikt wetgeving, ervaring en een systeemvoorstel tegelijk. Daarom bekijkt ArtiProof kennis als een netwerk, niet als drie aparte dozen.
6. Vijf vragen om op kennis te kunnen vertrouwen
De formele methode gebruikt vijf assurance properties. In een werkgesprek kunnen die heel eenvoudig worden gesteld.
Integrity — Is de kennis voldoende volledig en intact? Is belangrijke kennis volledig genoeg, wordt ze beschermd tegen ongewenste wijziging of aantasting, en worden veranderingen voldoende zichtbaar?
Provenance — Waar komt het vandaan? Kunnen we voldoende terugvinden welke bronnen, mensen, systemen of bewerkingen tot de huidige kennis hebben geleid?
Authority — Wie kan hiervoor instaan? Is duidelijk waarom deze kennis voldoende gezag heeft voor het gebruik dat we ervan maken?
Understandability — Kan iemand anders het begrijpen en bevragen? Kan de organisatie niet alleen het antwoord gebruiken, maar ook begrijpen wat het betekent, waar de grenzen zitten en wanneer twijfel nodig is?
Resilience — Kunnen we verder of herstellen als dit wegvalt? Wat gebeurt er als een expert vertrekt, een toepassing wordt vervangen, een leverancier stopt of een bron niet meer beschikbaar is?
Die vijf vragen worden bewust niet tot één cijfer samengeperst.
Kennis kan perfect traceerbaar zijn maar toch bij één persoon geconcentreerd zitten. Ze kan formeel gezag hebben maar zo ingewikkeld zijn dat niemand ze nog kan uitleggen. Ze kan goed gedocumenteerd zijn en toch moeilijk herstelbaar.
Eén maturiteitsscore zou precies die verschillen verbergen.
7. Kijk zo breed als nodig, niet breder
Een kennisprobleem kan bij één persoon zitten, in één activiteit, in een proces, in een hele organisatie of over verschillende organisaties en leveranciers heen lopen.
Dat zijn geen niveaus die je moet beklimmen.
Een keten is niet “volwassener” dan een proces. Een organisatie hoeft niet altijd breder te kijken. De juiste grens is de kleinste grens waarbinnen de belangrijke afhankelijkheid zichtbaar wordt.
Als het probleem lokaal is, blijf dan lokaal. Als een leverancier als enige weet hoe een cruciale configuratie werkt, moet de blik breder. Als twee organisaties samen kennis nodig hebben om een publieke dienst te laten functioneren, moet die keten in beeld komen.
Zo vermijdt ArtiProof dat scope stilaan een maturiteitsladder wordt.
8. Gebruik wat er al is
Nieuwe methodes brengen vaak nieuwe formulieren, registers en rapporten mee. Dat is niet automatisch beter.
ArtiProof vertrekt van Minimum Sufficient Evidence: genoeg bewijs om een redelijke conclusie te kunnen trekken, maar geen administratie omwille van de methode zelf.
Veel bewijs bestaat al. Denk aan een skills matrix, procesbeschrijving, auditrapport, opleidingsdossier, kwaliteitsregister, verantwoordelijkheidsmatrix, architectuurdocument, continuïteitsplan, beslissingsregister, systeemdocumentatie of operationele gegevens.
De regel is eenvoudig: hergebruik vóór je iets nieuws maakt.
Maar hergebruik is geen blind vertrouwen.
Een oude skills matrix kan niet meer kloppen. Een procesdiagram kan tonen hoe het zou moeten gaan en niet hoe het echt gebeurt. Een audit kan een ander risico hebben onderzocht dan de kennisvraag die nu voorligt.
Daarom moet elk bestaand bewijsstuk gekoppeld worden aan de concrete claim die het ondersteunt. Is het relevant? Is het nog actueel? Is het betrouwbaar genoeg?
Bij hoge gevolgen of twijfel kan de werkelijkheid zelf worden getest: iemand laat uitleggen waarom een uitzondering bestaat, toont hoe een moeilijke case wordt aangepakt, loopt een overdracht door met een collega of probeert een kritieke stap te herstellen zonder de vaste expert.
Bewijs is dus breder dan papier.
9. Vakmanschap hoeft niet in procedures te verdwijnen
Professioneel werk laat zich niet altijd volledig standaardiseren.
Dat is vooral zichtbaar waar mensen moeten interpreteren, afwegen, uitzonderingen herkennen of met onvolledige informatie omgaan.
De klassieke reactie is vaak: schrijf meer procedures. Maar meer tekst maakt professioneel oordeel niet automatisch betrouwbaarder.
ArtiProof vertrekt niet van de veronderstelling dat professionele ruimte het tegenovergestelde van assurance is. Dit is een implementatiepatroon in kandidaat- of experimentele status: onderzoek toetst of expliciete voorwaarden voor professioneel oordeel de beoordeling ondersteunen zonder elk oordeel voor te schrijven.
Heeft de persoon voldoende ervaring en vakkennis? Zijn de juiste bronnen beschikbaar? Is duidelijk wie mag beslissen? Kan de redenering bij belangrijke gevallen worden uitgelegd? Is er collegiale tegenspraak wanneer dat nodig is? Kan iemand anders het overnemen? Is er een manier om het werk te herstellen als de expert uitvalt?
Professionele ruimte is dus geen vrijstelling van onderbouwing.
Maar omgekeerd is veel documentatie ook geen bewijs van beheersing.
Een bruikbare regel is: beheers de afhankelijkheid en het bewijs rond vakkennis, niet automatisch het vakmanschap zelf.
10. Niet hoger, maar passend
ArtiProof wil organisaties niet naar een universeel niveau 5 duwen.
Niet alle kennis is even belangrijk. Een fout in een intern lunchmenu heeft andere gevolgen dan een fout in de interpretatie van wetgeving, een veiligheidsprocedure of een beslissing die rechten van burgers beïnvloedt.
Daarom werkt ArtiProof met gevolggerichte proportionaliteit. De methode vraagt beoordelaars om bewijs en kritische toetsing af te stemmen op de gevolgen, onzekerheid en afhankelijkheden van de case. Dit is een ontwerpregel. Die toont niet aan dat de beoordeling in de praktijk proportioneel zal zijn; extra inspanning en beslissingswaarde moeten worden geëvalueerd.
Hoe groter de mogelijke schade van verkeerde, onbegrijpelijke, onbeschikbare of niet-herstelbare kennis, hoe sterker het verwachte bewijs en de onderbouwing moeten zijn.
Het doel is dus niet maximale beheersing.
Het doel is voldoende beheersing voor het risico dat werkelijk bestaat.
Dat is bedoeld om te voorkomen dat maturiteit een doel op zich wordt en dat organisaties documenten, controles en governance opstapelen zonder aantoonbare meerwaarde.
11. Kennis verandert — conclusies hebben een geldigheidsgrens
Een assessment is geen foto die voor altijd geldig blijft.
Mensen vertrekken. Systemen veranderen. Leveranciers wisselen. Regels worden aangepast. AI neemt nieuwe taken over. Een incident maakt zichtbaar dat een veronderstelling niet klopte. Een vaardigheid die vroeger dagelijks werd gebruikt, wordt na automatisering nog amper geoefend.
Daarom behandelt ArtiProof assuranceconclusies als tijdsgebonden, niet als onbeperkt geldig.
Een conclusie moet haar tijdsgrens en wezenlijke voorwaarden voor ongeldigheid vermelden.
Voorbeelden van zulke veranderingen zijn het vertrek van een sleutelfiguur, een grote systeem- of AI-wijziging, een leverancierswissel, nieuwe wetgeving of broninformatie, een zwaar incident, een mislukte overdracht of het feit dat niemand een belangrijke beslissing of werkwijze nog goed kan uitleggen. Een formeel mechanisme voor gebeurtenisgestuurde herbeoordeling blijft experimenteel en onderwerp van verder methodeonderzoek en is nog geen vast onderdeel van de methode. Een vermindering van belasting of gemiste veranderingen moet worden getoetst.
Een proportionele periodieke review kan waar passend worden gebruikt. De onderzoeksvraag blijft of formelere veranderingsgestuurde benaderingen later de belasting kunnen verlagen zonder meer gemiste veranderingen of beoordelaarsverschillen te veroorzaken.
12. Eerst kalibreren, dan pas complexer maken
Wanneer beoordelaars verschillen van mening, is de verleiding groot om meer criteria, meer cijfers en meer regels toe te voegen.
ArtiProof begint liever ergens anders.
Kijken de beoordelaars naar hetzelfde bewijs? Is de scope voor iedereen duidelijk? Zijn er voldoende voorbeelden? Is duidelijk wat “voldoende” betekent voor de gevolgen van deze case? Zit er misschien echte inconsistentie in de organisatie achter het verschil?
Materiële verschillen van oordeel worden daarom best eerst zichtbaar gemaakt voordat een team naar consensus gaat.
Het doel is niet dat iedereen dezelfde woorden gebruikt.
Een reviewer moet het bewijs en de redenering achter een beoordeling kunnen volgen. Reproduceerbaarheid is een afzonderlijke vraag: komen onafhankelijke beoordelaars tot materieel vergelijkbare conclusies bij hetzelfde bewijs, dezelfde afbakening, gevolgkadering en richtlijnen? Leg hun eerste oordelen vast vóór kalibratie of overleg. Overeenstemming achteraf is geen bewijs van onafhankelijke overeenstemming.
Dat is de betekenis van Calibration before Complexity.
13. Een afgebakende beoordeling
Het ontwerp wil extra werk beperken; de werkelijke inspanning hangt af van de case en moet worden geregistreerd.
Kies eerst één belangrijk proces, dienst, beslissing of organisatorisch vermogen.
Vraag daarna welke kennis nodig is om het werk te begrijpen, uit te voeren, te verantwoorden en te herstellen.
Maak zichtbaar welke Source Knowledge, Craft Knowledge en Generated Knowledge een rol spelen.
Kijk waar de afhankelijkheden zitten: mensen, bronnen, systemen, teams, leveranciers en externe partijen.
Gebruik vervolgens het bestaande bewijs en noteer wat nog niet aannemelijk is gemaakt.
Beoordeel de relevante kennis met de vijf assurance properties, in verhouding tot de gevolgen.
Eindig ten slotte met de kleinste nuttige actie. Misschien moet een belangrijke interpretatie worden vastgelegd. Misschien moet een tweede persoon een moeilijke uitzondering kunnen overnemen. Misschien is een autoriteit onduidelijk, ontbreekt provenance van AI-output, moet een bron beter worden beschermd of is een hersteltest nodig.
Een goede beoordeling eindigt met een besluit, niet met een steeds groter wordende inventaris.
14. De Knowledge Matrix
Veel organisaties kennen de skills matrix: wie kan welke taak uitvoeren en op welk niveau?
De Knowledge Matrix is een hulpmiddel in kandidaat- of experimentele status, bedoeld om kennisafhankelijkheden weer te geven. De aanvullende bruikbaarheid en proportionaliteit moeten nog worden getoetst.
De Knowledge Matrix kan tonen welke mensen welke kennis dragen, welke processen van welke kennis afhangen en welke entiteiten of teams daarvoor nodig zijn. Wanneer de afhankelijkheid over de organisatiegrens loopt, kan ook een leverancier of keten in beeld komen.
Het doel is niet om kennis tot een spreadsheet te reduceren.
Het doel is om concentratie en afhankelijkheid zichtbaar te maken.
Een afdeling kan bijvoorbeeld vijf medewerkers hebben die de normale procedure uitvoeren, maar slechts één persoon die begrijpt waarom twee uitzonderingen bestaan. Of een proces kan intern goed verdeeld lijken, terwijl een externe leverancier als enige weet hoe de historische configuratie kan worden hersteld.
Dat is precies het soort risico dat personeels- of procesoverzichten vaak niet laten zien.
15. Eén pagina voor management
Een rijke methode hoeft geen dik werkdocument te worden.
Het bewijs achter een beoordeling kan uitgebreid zijn. Een managementsynthese hoeft dat niet te zijn.
Als experimenteel hulpmiddel wordt een One-Page Knowledge Assurance View getest die kan samenvatten: waar gaat het om, welke kennis is echt belangrijk, waar zit ze, welke afhankelijkheden zijn kwetsbaar, wat weten we zeker, waar zit nog twijfel, kunnen we verder of herstellen en welke actie heeft nu prioriteit?
Die ene pagina is nooit het bewijs zelf. Ze moet altijd terugwijzen naar de onderliggende bronnen en tests.
Ze mag ook niet verworden tot één groen-oranje-rood oordeel over de hele organisatie.
Het doel is overzicht en gesprek.
De éénpaginaweergave is een managementsamenvatting in kandidaat- of experimentele status, met verwijzingen naar het bewijs. Een beperkte werklast is een ontwerpdoel, geen aangetoond resultaat over belasting.
16. Voor en na een AI-implementatie
ArtiProof kan als checkpoint worden gebruikt vóór en na de invoering van AI.
Vooraf kan de organisatie vragen: welke kennis maakt dit proces vandaag mogelijk? Wie begrijpt de moeilijke gevallen? Waar zitten de gezaghebbende bronnen? Welke vakkennis willen we niet onbewust verliezen? Van wie of wat zijn we nu al afhankelijk?
Na de invoering veranderen de vragen. Welke kennis wordt nu door het systeem gegenereerd? Welke menselijke kennis wordt minder gebruikt? Kunnen gebruikers de redenering nog voldoende begrijpen en bevragen? Is de herkomst van belangrijke output duidelijk genoeg? Is een nieuwe leverancier- of systeemafhankelijkheid ontstaan? Kunnen we tijdelijk verder zonder de toepassing? Kunnen we de kennis en het bijbehorende vermogen herstellen als dat nodig is?
Het doel is niet om AI te vertragen.
Het doel is om kennisverlies niet pas jaren later als verborgen kost van digitalisering te ontdekken.
17. Kennisvervuiling
AI verlaagt de kost om overtuigende tekst en informatie te produceren bijna tot nul.
Daardoor kan een organisatie sneller materiaal aanmaken dan ze kan controleren.
Een gegenereerde samenvatting wordt bron voor een nieuwe samenvatting. Een voorlopige interpretatie belandt in een procedure. Oude en nieuwe versies circuleren naast elkaar. Gegenereerde tekst ziet er even officieel uit als goedgekeurde kennis. Na enkele bewerkingen is nauwelijks nog duidelijk waar iets vandaan kwam.
ArtiProof noemt dat Knowledge Pollution: een informatieomgeving waarin het steeds moeilijker wordt om te onderscheiden waarop je mag vertrouwen, waarom en op wiens gezag.
Het risico is groter dan een losse fout.
Een organisatie kan haar vermogen verliezen om nog te bepalen welke kennis voldoende betrouwbaar is om op te handelen.
18. Wie staat ervoor in?
Belangrijke kennis mag niet van iedereen zijn en daardoor van niemand.
ArtiProof gebruikt daarom het begrip Accountable Knowledge Authority.
Dat hoeft geen nieuwe functie te zijn. Het kan een proceseigenaar zijn, een jurist, een professional lead, een beleidsverantwoordelijke, een product owner, een governanceorgaan of een andere bevoegde rol.
De praktische vraag is eenvoudig: wie kan hier inhoudelijk voor instaan voor dit gebruik?
Dat is iets anders dan alleen weten wie eigenaar is van een document of toepassing.
19. Wat ArtiProof niet wil worden
Grenzen zijn belangrijk omdat kennis bijna met alles in een organisatie verbonden is.
ArtiProof is geen AI-model, geen cybersecuritykader, geen records-managementsysteem, geen continuïteitsnorm, geen HR-competentiemodel en geen vervanging voor kwaliteitsmanagement of algemeen management.
Als een assessment ziet dat essentiële kennis afhankelijk is van een slecht geregelde back-up, een beveiligingsprobleem of gebrekkig records management, dan maakt ArtiProof de kennisgevolgen zichtbaar en verwijst het probleem naar de discipline die erover gaat.
Signaleren, niet overnemen.
ArtiProof beweert evenmin dat een beslissing juist is omdat de methode werd gebruikt. De methode kan redenen geven om op kennis te vertrouwen, maar maakt geen waarheid door ze af te vinken.
20. Leren uit EFQM, INK en CAF zonder ze te kopiëren
ArtiProof ontwikkelt zich niet in een vacuüm.
Onderzoek naar EFQM, INK en het Common Assessment Framework laat zien wat decennia van organisatieontwikkeling ons kunnen leren: assessments moeten tot actie leiden; bestaande informatie en bewijs mogen worden hergebruikt; professionele ruimte en beheersing hoeven geen tegenpolen te zijn; context doet ertoe; een methode moet begrijpelijk zijn voor de mensen die ermee werken; en grote modellen kunnen onbedoeld leiden tot scorejacht, bureaucratie en maturiteit als doel op zich.
De les is niet dat ArtiProof een nieuw excellence model moet worden.
De les is dat we goede mechanismen kunnen gebruiken zonder de volledige architectuur over te nemen.
ArtiProof blijft daarom bij zijn eigen object: de kennis waarop betrouwbaar organisatorisch handelen steunt.
21. Wat nog bewezen moet worden
ArtiProof is een methodologie in ontwikkeling. Het validatieprogramma is bedoeld om onafhankelijke bruikbaarheid, reproduceerbaarheid tussen beoordelaars, proportionaliteit, meerwaarde boven bestaande governance, toepasbaarheid in andere contexten en organisatorische uitkomsten te onderzoeken. De eerste onafhankelijke replicatie moet nog plaatsvinden. Publicatiegereedheid en interne review beantwoorden deze empirische vragen niet.
Dat moet zichtbaar blijven.
Een coherent model is nog geen bewijs dat het in organisaties goed werkt. Een bruikbaar assessment bewijst nog niet dat het duurzaam onderdeel wordt van het dagelijks werk. En duurzaam gebruik bewijst nog niet automatisch dat kennis echt beter beschermd, begrepen of herstelbaar wordt.
Daarom onderscheiden we vier stappen.
Eerst: method validity. Zijn de begrippen en beoordelingsregels voldoende coherent om de bedoelde conclusie te dragen?
Daarna: implementation usability. Kunnen organisaties en beoordelaars de methode gebruiken zonder buitensporige last? Toets proportionaliteit in afgebakende pilots: registreer de bruto extra inspanning, tijd voor verduidelijking of nieuw bewijs, hergebruikt bewijs en eventuele beslissingsrelevante bevindingen boven een competente vergelijkingsbasis. Rapporteer waargenomen en geschatte baten afzonderlijk, met hun aannames. Beoordeel of de extra inspanning gerechtvaardigd is door de beslissingswaarde in die context. Bewaar ook nulresultaten, negatieve en tegenstrijdige resultaten.
Vervolgens: sustained integration. Blijft de werkwijze deel van het echte werk of verdwijnt ze na het project?
Ten slotte: observable knowledge-assurance effect. Verbetert de organisatie aantoonbaar haar vermogen om belangrijke kennis te vinden, begrijpen, vertrouwen, behouden of herstellen?
Een positief antwoord op één stap bewijst de volgende niet.
ArtiProof onderzoekt ook of onafhankelijke beoordelaars met hetzelfde bewijs tot materieel vergelijkbare conclusies komen. Daarnaast testen we of de Engelse en Nederlandstalige werktaal dezelfde bewijsdrempel behoudt.
Deze whitepaper is informatief. Ze is geen certificaat, accreditatie, wettelijke goedkeuring, academische validatie of onafhankelijke assuranceverklaring.
22. Ontwerpregels die de methode klein moeten houden
Een aantal regels moet voorkomen dat ArtiProof zelf het probleem wordt dat het probeert op te lossen.
Kennis eerst. Begin bij wat de organisatie werkelijk moet weten om betrouwbaar te handelen.
Hergebruik vóór creatie. Maak geen nieuw artefact als bestaand bewijs voldoende is.
Minimum Sufficient Evidence. Verzamel genoeg bewijs om de conclusie te dragen, niet meer papier omdat het kan.
Proportionaliteit. Hoe groter de mogelijke gevolgen, hoe sterker de vereiste onderbouwing.
Klein vóór complex. Begin met een afgebakende vraag en verbreed alleen wanneer de afhankelijkheid dat vereist.
Scope is geen maturiteit. Breder is niet automatisch beter.
Menselijk vermogen telt mee. Automatisering neemt niet weg dat sommige kennis en beoordelingsvaardigheid menselijk beschikbaar moeten blijven.
Signaleren, niet absorberen. Maak afhankelijkheden zichtbaar zonder van ArtiProof een universeel governancekader te maken.
Calibration before Complexity. Verbeter voorbeelden en evidentiële richtlijnen voordat nieuwe criteria, scores of properties worden toegevoegd.
Onafhankelijke methode. ArtiProof moet begrijpelijk en toepasbaar blijven zonder afhankelijkheid van één technologie, leverancier of implementator.
23. De vraag die uiteindelijk telt
Veel organisaties weten hoeveel medewerkers ze hebben, welke systemen ze gebruiken en hoeveel data ze bewaren.
Veel minder organisaties kunnen met vertrouwen en bewijs antwoorden op deze vraag:
Welke kennis moeten wij blijven bezitten om betrouwbaar te kunnen handelen, en hoe weten we dat die kennis ook begrijpelijk, betrouwbaar en herstelbaar blijft wanneer mensen, technologie en omstandigheden veranderen?
Dat is wat ArtiProof zichtbaar wil maken.
Artificiële intelligentie kan organisaties enorme nieuwe mogelijkheden geven. Ze hoeft daarvoor niet de capaciteit op te geven om zichzelf nog te begrijpen.
ArtiProof in één zin
ArtiProof is een methode die is ontworpen om belangrijke organisatorische kennisafhankelijkheden, het bewijs voor verantwoord gebruik en mogelijke zwaktes te onderzoeken; onderzoek moet nog uitwijzen hoe consequent dat lukt en welke waarde dit in de praktijk toevoegt.
Publicatienota
Deze whitepaper is een informatieve introductie. Formele definities, beoordelingsregels, validatiestatus, onderzoeksresultaten en versie-informatie worden afzonderlijk beheerd. Publieke claims mogen nooit verder gaan dan het bewijs dat voor de actuele versie beschikbaar is.