Blog · 2026-09-01 Blog · 2026-09-01

The modern leader's cave De grot van de moderne leider

Translated from the original in Dutch.

Something strange is going on with AI in boardrooms.

On one side, the urgency has almost fully landed. In a recent Deloitte study among 501 senior managers and C-suite executives, 74% of leaders say they expect that within four years nearly half of their business processes will be redesigned or rebuilt around AI agents. That is no longer a cautious technology option; it is a reorganisation of the work itself. At the same time, the same study shows that only 5% of those organisations believe their processes are already well prepared for it, and that only 15% have reached genuinely scaled, cross-functional multi-agent adoption. The ambitions are large. The organisation lags behind.

That is the first trace of a deeper problem. Not that leaders underestimate AI, but that they often still understand AI as something to decide about, rather than something to work with themselves.

It is tempting to write that off as reluctance or inertia. But that is too simple. The reality is more layered, and more human. Most leaders today see AI through summaries, management presentations, dashboards, pilots and vendor stories. They see output, not a way of working. They read about agents, but have rarely let a single agent run a real chain of work: gathering sources, creating files, using systems, taking intermediate steps and delivering a final result under supervision.

That puts many leaders in a modern version of Plato's cave. They describe the shadows of AI, not the object itself.

A man in a jacket stands in the mouth of a dark cave, looking out towards the light

From assistant to operator

The confusion is understandable, because the first wave of business AI really did look like assistance. Chatbots helped with writing, summarising, brainstorming and analysis. Impressive, but still mentally filed as a smart contributor to existing work. Agentic AI is something else. There, the relationship shifts from asking questions to delegating work.

OpenAI describes that shift explicitly as a move from assistance to execution. In June 2026, 64% of the combined enterprise output tokens from Codex and ChatGPT came from Codex. In other words: from systems that do not only give answers, but carry out work. OpenAI also shows that the fastest-growing organisations do not treat agents as a convenient interface, but as working structures with context, tools and persistence. That distinction is the crucial one. Anyone whose only experience is chat AI sees a smarter search engine or writing aid. Anyone who genuinely puts an agent to work sees a new kind of operational colleague.

The usage figures point the same way. Frontier firms, the top 10% of organisations by intensity of AI use, now generate 8.3 times as many output tokens per active user as typical organisations. That is not a marginal difference. It suggests that the real gap is not created by who has the best model, but by who has embedded AI most deeply in daily work. OpenAI adds a striking detail: six months after adoption, early-career employees send on average thirteen more messages per week than executives. The practical implication is uncomfortable but interesting: in many organisations, the real AI experience builds up at the bottom, while the decisions about it are made at the top.

That explains why so many leaders do understand that AI matters, yet still struggle to see clearly what agentic AI means for processes, accountability and organisational design. Anyone who has never experienced first-hand how an agent needs context, where such a system gets stuck, when it is surprisingly strong and where human control remains essential, judges AI as an abstraction. Not as work.

The brake is rarely unwillingness

It is tempting to conclude from this that leaders simply need to be braver. But that misses the point too. Recent sources paint a different picture: leaders are slow to experiment not because they do not want to, but because they sense very well that agentic AI introduces new risks and responsibilities.

Take security. In Okta's Global CISO Insights 2026, 81% of CISOs say they are concerned about excessive AI access. Fewer than half are confident that they can identify every agent in their environment, centrally control what those agents have access to, or precisely authorise what individual agents are allowed to do. Only 31% of CISOs feel fully aligned with the C-suite and the board on acceptable AI risk; in the United States that figure is just 12%. That is not a cultural curiosity, it is a governance problem of real size.

And it is not only about access. Gallagher's AI Adoption and Risk Survey 2026 points to compliance, governance and data privacy as persistent concerns, with AI errors, misuse, disinformation and privacy risks at the top of the list of leadership worries. Ethisphere's recent report on AI in ethics and compliance shows the same pattern: accuracy and hallucination risk score high, as do confidentiality and data sensitivity. In other words: many leaders are not afraid of AI as an idea, but of AI they cannot properly explain to their board, their auditor or their CISO.

There is one more thing: money. The market is maturing, which means open-ended experimentation is becoming less self-evident. KPMG's Global AI Pulse Q2 2026, based on input from more than 2,100 senior leaders, shows a shift from deployment to accountability, AI economics and value. According to Forbes' reading of that data, 49% of executives have slowed or scaled back agent deployments once costs outran benefits, while only 26% have real-time visibility into what AI costs at scale. That is not a retreat driven by fear of technology; it is the end of undisciplined experimentation.

This matters for the story about leadership. It means leaders do not necessarily need to be convinced of the power of AI. They usually know that already. What they are looking for is grip: clear scope, ownership, governance, accessible data, visibility into costs and a way to make value demonstrable. Microsoft frames that in its AI Strategy Roadmap as the move from isolated wins to repeatable, governed progress. In organisations with advanced strategy and execution maturity, leadership alignment plays an explicit part: more than 70% of those organisations have leaders who communicate an AI vision tied to business strategy.

Why pilots so often stall

Here a second paradox appears. Plenty of organisations are now doing AI. Real transformation still fails to arrive. Insight Global sums it up sharply: 83% of organisations are actively adopting, deploying, scaling or operationalising AI, but 89% report that at least one AI initiative stalled during implementation. The biggest obstacles are not that models are insufficiently impressive, but that data quality, security, systems integration, change management and measuring business impact get in the way. In other words: AI rarely fails in the demo. It fails in the real work.

That should not be a surprise. Harvard Business School AI Institute recently published a piece on startup founders that makes the same mechanism visible in a smaller, sharper setting. There, adoption on its own turns out to say remarkably little. Of the founders studied, 96% use AI internally, but the big difference only appears with formal integration into workflows. Founders who have genuinely anchored AI in systems and processes estimate that without AI they would need 91% more people for the same output, while informal users land at 24%. That difference is not about enthusiasm for technology, but about organisational choices: where you let AI work, how you delegate, which roles you set up differently and where you deliberately keep human expertise at the centre.

That is exactly the lesson for established organisations too. Value does not appear from reading, watching or isolated pilots. Value appears from redesign. Microsoft makes that concrete with an example from its own organisation: the Cloud Supply Chain teams first simplified six end-to-end workflows and then built more than seventy purpose-built agents for planning, sourcing, fulfilment and logistics. The result: 75% lower cycle time on selected workflows. The order is essential here. Understand the work first, then automate. Not the other way round.

Stanford uses a fine historical comparison for this. When electricity arrived in factories, it initially delivered very little. Only once manufacturers stopped laying out their plants around steam engines and started organising them around the logic of electricity did real productivity gains appear. The technology changed faster than the organisation. That is precisely what we are seeing again. Organisations bolt AI agents on top of existing routines and call it innovation, while the real breakthrough only comes when the work itself is redesigned.

The real question for leaders

That changes the leadership question as well. The question is no longer: "Do I understand AI well enough?" That question stays too abstract, too intellectual and too far from the shop floor. The better question is: "Which real process have I delegated to an agent myself?"

Not hypothetically. Not through a taskforce. Not only inside an innovation programme. But a concrete, recognisable piece of work with something at stake: market research, preparing a decision, contract analysis, recruitment follow-up, board reporting, competitor intelligence, customer replies, inventory questions, sales playbooks. Something where you notice what an agent can do, where it lacks context, where review is needed, where access becomes painful and where governance turns out to be a precondition rather than a brake.

Deloitte accordingly advises organisations not only to raise general AI literacy, but to give people hands-on time with AI tools, role-specific training, sandbox environments and protected space to test agents on real workflows. That framing gets at the heart of good leadership in this phase. You do not need to become an AI engineer. But you do need enough experience of the way of working to judge speed, limits, risk, quality and organisational impact meaningfully.

That also produces a far more human leadership agenda. Not "the leader as AI evangelist", but the leader as someone who sets the example in taking new ways of working seriously. Someone who does not only ask why things are not scaling yet, but who has felt for themselves why that is hard. Someone who does not only insist that more should be done with agents, but who knows what it means to hand work over to them without losing accountability.

Perhaps that is ultimately the most honest way to look at AI leadership. Not as a question of knowledge, but as a question of experience. The leaders who speak most convincingly about AI right now are not necessarily the ones with the best slides or the sharpest technical definitions. They are the ones who know what it feels like when AI stops advising and starts executing. They have seen that the limit does not sit with the model, but with context, tooling, governance and organisational design. They understand that AI does not only speed up tasks, but changes who does which work, how quality is judged and where human responsibility remains.

The modern leader therefore does not need to know everything about AI. But only watching shadows from inside the cave is no longer an option.

At BlueHouse, we do not believe another report, webinar or abstract AI strategy is the place to start. We believe leaders only really understand agentic AI once they work with it themselves. With personal AI assistants that are available 24/7, that have their own computer and tools and can carry out complete workflows, AI turns from a shadow on the wall into a concrete colleague you delegate work to, check and improve. No more speculating about what AI might mean, but experiencing what it already does today.

So the question for leaders is no longer: "Do I understand AI well enough?" The question is: which real process are you going to delegate to an agent yourself this month?

Sources

In bestuurskamers is iets vreemds aan de hand met AI.

Aan de ene kant is de urgentie bijna volledig doorgedrongen. In een recente Deloitte-studie onder 501 senior managers en C-suite executives zegt 74% van de leiders dat ze binnen vier jaar verwachten dat bijna de helft van hun business processes rond AI-agents wordt herontworpen of herbouwd. Dat is geen voorzichtige technologie-optie meer; dat is een herinrichting van het werk zelf. Tegelijk blijkt uit dezelfde studie dat slechts 5% van die organisaties vindt dat hun processen daar nu al goed op zijn voorbereid, en dat slechts 15% werkelijk geschaalde, cross-functionele multi-agent adoptie heeft bereikt. De ambities zijn groot. De organisatie blijft achter.

Dat is het eerste spoor van een dieper probleem. Niet dat leiders AI onderschatten, maar dat ze AI vaak nog vooral begrijpen als iets om over te beslissen, niet als iets om zelf mee te werken.

Het is verleidelijk om dat af te doen als terughoudendheid of traagheid. Maar dat is te simpel. De werkelijkheid is gelaagder, en menselijker. Veel leiders zien AI vandaag vooral via samenvattingen, managementpresentaties, dashboards, pilots en leveranciersverhalen. Ze zien output, geen werkwijze. Ze lezen over agents, maar hebben nog zelden één agent een echte keten van werk laten uitvoeren: bronnen verzamelen, bestanden maken, systemen gebruiken, tussenstappen nemen en onder toezicht een eindresultaat opleveren.

Daarmee zitten veel leiders in een moderne versie van de grot van Plato. Ze beschrijven de schaduwen van AI, niet het object zelf.

Een man in colbert staat in de opening van een donkere grot en kijkt naar het licht buiten

Van assistent naar uitvoerder

Die verwarring is begrijpelijk, omdat de eerste golf van zakelijke AI inderdaad vooral op assistentie leek. Chatbots hielpen schrijven, samenvatten, brainstormen en analyseren. Indrukwekkend, maar mentaal nog te plaatsen als een slimme bijdrager aan bestaande werkzaamheden. Agentic AI is iets anders. Daar verschuift de relatie van vragen stellen naar werk delegeren.

OpenAI beschrijft die verschuiving expliciet als een beweging van assistance naar execution. In juni 2026 kwam 64% van de gecombineerde enterprise-outputtokens van Codex en ChatGPT van Codex. Met andere woorden: van systemen die niet alleen antwoorden geven, maar werk uitvoeren. OpenAI laat ook zien dat de snelst groeiende organisaties agents niet behandelen als een handige interface, maar als werkvormen met context, tools en persistentie. Juist dat onderscheid is cruciaal. Want wie alleen ervaring heeft met chat-AI, ziet een slimmere zoekmachine of schrijfhulp. Wie een agent echt aan het werk zet, ziet een nieuwe soort operationele collega.

Dat blijkt ook uit de cijfers over gebruik. Frontier firms, de top 10% van organisaties naar intensiteit van AI-gebruik, genereren inmiddels 8,3 keer zoveel output tokens per actieve gebruiker als typische organisaties. Dat is geen marginaal verschil. Het suggereert dat de echte kloof niet ontstaat door wie het beste model heeft, maar door wie AI het diepst in het dagelijkse werk heeft ingebed. OpenAI voegt daar een opvallend detail aan toe: zes maanden na adoptie sturen early-career employees gemiddeld dertien berichten per week meer dan executives. De praktische implicatie is ongemakkelijk maar interessant: in veel organisaties ontstaat de echte AI-ervaring onderaan, terwijl de besluiten erover bovenaan worden genomen.

Dat verklaart waarom zoveel leiders wel degelijk begrijpen dat AI belangrijk is, maar toch moeite hebben om scherp te zien wat agentic AI betekent voor processen, verantwoordelijkheid en organisatieontwerp. Wie nooit zelf heeft ervaren hoe een agent context nodig heeft, waar zo'n systeem vastloopt, wanneer het verrassend sterk is en waar menselijke controle essentieel blijft, beoordeelt AI als abstractie. Niet als werk.

De rem is zelden onwil

De verleiding is groot om hieruit af te leiden dat leiders gewoon moeten durven. Maar ook dat mist het punt. Uit recente bronnen komt juist een ander beeld naar voren: leiders experimenteren niet traag omdat ze niet willen, maar omdat ze heel goed aanvoelen dat agentic AI nieuwe risico's en verantwoordelijkheden introduceert.

Kijk naar security. In Okta's Global CISO Insights 2026 zegt 81% van de CISO's zich zorgen te maken over excessieve AI-toegang. Minder dan de helft is ervan overtuigd dat zij alle agents in hun omgeving kunnen identificeren, centraal kunnen beheersen waar die agents toegang toe hebben, of precies kunnen autoriseren wat individuele agents mogen doen. Slechts 31% van de CISO's voelt zich volledig aligned met de C-suite en het board over acceptabel AI-risico; in de Verenigde Staten is dat zelfs maar 12%. Dat is geen cultureel kleinood, maar een bestuurlijk probleem van formaat.

En het gaat niet alleen om toegang. Gallagher's AI Adoption and Risk Survey 2026 wijst op compliance, governance en dataprivacy als blijvende zorgen, met AI-fouten, misuse, desinformatie en privacyrisico's bovenaan de lijst van leiderszorgen. Ethisphere's recente rapport over AI in ethics en compliance laat hetzelfde patroon zien: nauwkeurigheid en hallucinatierisico scoren hoog, net als vertrouwelijkheid en datagevoeligheid. Met andere woorden: veel leiders zijn niet bang voor AI als idee, maar voor AI die ze niet goed kunnen uitleggen aan hun board, hun auditor of hun CISO.

Daar komt nog iets bij: geld. De markt groeit volwassener, en dat betekent dat vrijblijvend experimenteren minder vanzelfsprekend wordt. KPMG's Global AI Pulse Q2 2026, gebaseerd op input van meer dan 2.100 senior leaders, laat een verschuiving zien van deployment naar accountability, AI economics en value. Volgens Forbes' duiding van die data heeft 49% van executives agent-deployments vertraagd of teruggeschroefd toen de kosten boven de baten uitkwamen, terwijl slechts 26% realtime inzicht heeft in wat AI op schaal kost. Dat is geen terugtrekkende beweging uit technologieangst; het is het einde van ongedisciplineerde experimenteerdrift.

Dit is belangrijk voor het verhaal over leiderschap. Want het betekent dat leiders niet per se moeten worden overtuigd van de kracht van AI. Die weten ze meestal allang. Wat ze zoeken is grip: duidelijke scope, eigenaarschap, governance, toegankelijke data, zicht op kosten en een manier om waarde aantoonbaar te maken. Microsoft formuleert dat in zijn AI Strategy Roadmap als de overgang van geïsoleerde winst naar herhaalbare, gegovernde vooruitgang. Bij organisaties met een geavanceerde strategie en uitvoeringsrijpheid speelt leiderschapsalignment expliciet mee: meer dan 70% van die organisaties heeft leiders die een AI-visie communiceren die aan business strategy is gekoppeld.

Waarom pilots zo vaak blijven steken

Hier verschijnt een tweede paradox. Veel organisaties doen inmiddels wél aan AI. Toch blijft echte transformatie uit. Insight Global vat dat scherp samen: 83% van de organisaties is actief bezig met adoptie, deployment, scaling of operationalisering van AI, maar 89% rapporteert dat minstens één AI-initiatief stagneerde tijdens implementatie. De grootste obstakels zijn niet dat modellen onvoldoende indrukwekkend zijn, maar dat datakwaliteit, security, systeemintegratie, change management en het meten van business impact in de weg zitten. Met andere woorden: AI strandt zelden in de demo. Het strandt in het echte werk.

Dat zou geen verrassing moeten zijn. Harvard Business School AI Institute publiceerde onlangs een stuk over startup-founders dat hetzelfde mechanisme zichtbaar maakt in een kleinere, scherpere omgeving. Daar blijkt adoptie alleen opmerkelijk weinig te zeggen. Van de onderzochte founders gebruikt 96% AI intern, maar het grote verschil ontstaat pas bij formele integratie in workflows. Founders die AI echt in systemen en processen hebben verankerd, schatten dat ze zonder AI 91% meer mensen nodig zouden hebben voor dezelfde output, terwijl informele gebruikers op 24% uitkomen. Dat verschil zit niet in enthousiasme over technologie, maar in organisatiekeuzes: waar je AI laat werken, hoe je delegeert, welke rollen je anders inricht en waar je menselijke expertise bewust centraal houdt.

Dat is precies de les die ook voor gevestigde organisaties geldt. De waarde ontstaat niet bij lezen, kijken of losse pilots. De waarde ontstaat bij herontwerp. Microsoft maakt dat concreet in een voorbeeld uit de eigen organisatie: de Cloud Supply Chain teams vereenvoudigden eerst zes end-to-end workflows en bouwden daarna meer dan zeventig purpose-built agents voor planning, sourcing, fulfillment en logistics. Het resultaat: 75% lagere cycle time op geselecteerde workflows. De volgorde is hier essentieel. Eerst het werk begrijpen, dan automatiseren. Niet omgekeerd.

Stanford gebruikt daarvoor een mooie historische vergelijking. Toen elektriciteit fabrieken binnenkwam, leverde dat aanvankelijk weinig op. Pas toen fabrikanten hun fabrieken niet langer inrichtten rond stoommachines, maar rond de logica van elektriciteit, ontstonden echte productiviteitswinsten. De technologie veranderde sneller dan de organisatie. Precies dat zien we nu opnieuw. Organisaties hangen AI-agents bovenop bestaande routines en noemen dat innovatie, terwijl de echte doorbraak pas komt als werk zelf opnieuw wordt ontworpen.

De echte vraag voor leiders

Daarmee verandert ook de leiderschapsvraag. De vraag is niet langer: "Begrijp ik AI voldoende?" Die vraag blijft te abstract, te intellectueel en te ver van de werkvloer. De betere vraag is: "Welk echt proces heb ik zelf aan een agent gedelegeerd?"

Niet hypothetisch. Niet via een taskforce. Niet alleen in een innovatieprogramma. Maar een concreet, herkenbaar stuk werk waar iets op het spel staat: marktonderzoek, voorbereiding van besluitvorming, contractanalyse, recruitment-opvolging, board reporting, competitor intelligence, klantreacties, voorraadvragen, salesplaybooks. Iets waarin je merkt wat een agent wél kan, waar hij context mist, waar review nodig is, waar toegang pijnlijk wordt en waar governance geen rem maar een voorwaarde blijkt.

Deloitte raadt organisaties dan ook niet alleen aan om algemene AI-kennis te vergroten, maar om mensen hands-on tijd te geven met AI-tools, role-specific training, sandbox-omgevingen en beschermde ruimte om agents op echte workflows te testen. Die formulering raakt de kern van goed leiderschap in deze fase. Je hoeft geen AI-ingenieur te worden. Maar je moet wel voldoende ervaring hebben met de werkwijze om betekenisvol te kunnen oordelen over snelheid, grenzen, risico, kwaliteit en organisatie-impact.

Zo ontstaat ook een veel menselijkere leiderschapsagenda. Niet "de leider als AI-evangelist", maar de leider als iemand die het voorbeeld geeft in het serieus nemen van nieuwe werkvormen. Iemand die niet alleen vraagt waarom er nog niet wordt geschaald, maar die zelf heeft gevoeld waarom dat lastig is. Iemand die niet alleen roept dat er meer met agents moet worden gedaan, maar die weet wat het betekent om werk aan ze over te dragen zonder verantwoordelijkheid te verliezen.

Misschien is dat uiteindelijk de meest eerlijke manier om naar AI-leiderschap te kijken. Niet als een kennisvraagstuk, maar als een ervaringsvraagstuk. De leiders die nu het meest overtuigend over AI praten, zijn niet per se degenen met de beste slides of de scherpste technische definities. Het zijn degenen die weten hoe het voelt als AI niet langer adviseert, maar uitvoert. Die hebben gezien dat de grens niet bij het model ligt, maar bij context, tooling, governance en organisatieontwerp. Die begrijpen dat AI niet alleen taken versnelt, maar verandert wie welk werk doet, hoe kwaliteit wordt beoordeeld en waar menselijke verantwoordelijkheid blijft.

De moderne leider hoeft daarom niet alles over AI te weten. Maar alleen vanuit de grot naar schaduwen kijken, dat kan niet meer.

Bij BlueHouse geloven we dan ook niet in nog een rapport, webinar of abstracte AI-strategie als startpunt. We geloven dat leiders agentic AI pas echt begrijpen als ze er zelf mee werken. Met persoonlijke AI-assistenten die 24/7 beschikbaar zijn, een eigen computer en tools hebben en complete workflows kunnen uitvoeren, verandert AI van een schaduw op de muur in een concrete collega aan wie je werk delegeert, controleert en verbetert. Niet meer speculeren over wat AI zou kunnen betekenen, maar ervaren wat het vandaag al doet.

De vraag voor leiders is daarom niet meer: "Begrijp ik AI voldoende?" De vraag is: welk echt proces ga jij deze maand zelf aan een agent delegeren?

Bronnen

← Back to blog ← Terug naar blog