Welke vragen moeten bestuursraden aan AI stellen voordat ze strategische beslissingen nemen?

Het strategieteam komt binnen met een zelfverzekerd geformuleerde aanbeveling, onderbouwd met een scenariomodel, drie grafieken en een samenvatting die een AI-systeem in enkele minuten heeft gemaakt. In de raad is dit niet opgesteld, niemand snapt volledig hoe de conclusie is bereikt en de vergadering is al begonnen. De verleiding is groot om gewoon akkoord te gaan. Tegen de tijd dat iemand twijfels krijgt, is de vergadering al bij de volgende pagina van de vergaderstukken. 

Een overtuigend antwoord aanvaarden is niet hetzelfde als een goede vraag stellen. Ook raden die van continue monitoring een gewoonte hebben gemaakt, de discipline die we in een eerder artikel over voortdurende strategische aanpassing behandelden, hebben nog een afzonderlijke vaardigheid nodig: weten wat ze moeten vragen voordat een aanbeveling een besluit wordt.  De effectiviteit van beslissingen die door AI worden ondersteund, is eveneens afhankelijk van de zorgvuldigheid van de vragen die bestuurders stellen over de input die deze tools aanbieden. 

Dit artikel beschrijft vier vragen die de moeite waard zijn voordat een door AI ondersteunde aanbeveling in stemming wordt gebracht. Daarnaast leest u wat ervoor nodig is om deze gewoonte te verankeren in de manier waarop de raad vergadert, en krijgt u een korte test om te bepalen of de gewoonte al is ingebed. 

In dit artikel: 

• Waarom AI de raad niet ontslaat van verantwoordelijkheid voor een beslissing. 
• Vier vragen die de moeite waard zijn voordat een door AI ondersteunde aanbeveling in stemming wordt gebracht. 
• Wat er verandert in de manier waarop vergaderingen verlopen zodra kritisch doorvragen de norm wordt in plaats van de uitzondering. 
• Een korte test om te bepalen of het door AI ondersteunde oordeel van uw raad standhoudt. 

Waarom AI de verantwoordelijkheid van de raad niet wegneemt 

Wat is de rol van de raad bij door AI ondersteunde besluitvorming? Die is niet veranderd sinds de komst van AI: een afgewogen oordeel vormen en de gevolgen dragen, ongeacht hoeveel menselijke of machinaal gegenereerde analyse eraan ten grondslag ligt. AI kan de aanbeveling produceren. AI kan niet verantwoordelijk worden gehouden als de aanbeveling onjuist blijkt. 

Toezichthouders maken dat onderscheid expliciet in plaats van het als vanzelfsprekend te beschouwen. Volgens bepaling 29 van de UK Corporate Governance Code, die geldt voor boekjaren die beginnen op of na 1 januari 2026, moeten raden verder gaan dan het opsommen van de beheersmaatregelen die zij hebben ingesteld. Ze moeten aantonen dat ze werkelijk begrijpen waarom die maatregelen zouden kunnen falen. Toegepast op door AI ondersteunde beslissingen is dat een directe uitdaging voor raden die een verzorgde aanbeveling zien als bewijs dat deze deugdelijk is. Een nette samenvatting en een werkende beheersmaatregel zijn twee verschillende zaken. Een raad die niet kan uitleggen waarom hij een bepaalde door AI ondersteunde aanbeveling vertrouwde, voldoet niet aan die norm. 

Raden die de laatste jaren een soortgelijke expertise hebben ontwikkeld op het gebied van cyberrisico's en gegevensbeheer, hebben al een model ontwikkeld voor de praktijk van dit onderwerp. Toezicht op AI past grotendeels dezelfde zorgvuldigheid toe op een nieuwere categorie beslissingen. Het vereist geen volledig ander soort toetsing. 

Goed bestuur van door AI ondersteunde beslissingen is een bestuursvraagstuk waarbij AI toevallig een rol speelt, geen technologievraagstuk: wie is verantwoordelijk, wat is getest voordat de raad erop vertrouwde en zou de eigen toetsing van de raad maanden later nog standhouden? De vier vragen hieronder laten zien hoe die toetsing er in de praktijk uitziet. 

Een praktisch vragenkader voor bestuurders 

Welke vragen moeten raden aan AI stellen?  Vier vragen die voortdurend worden gesteld, behandelen het merendeel van de belangrijkste onderwerpen: welke veronderstellingen maakt AI, welk bewijs ontbreekt, welke alternatieven nooit zijn overwogen en waar kan AI simpelweg ongelijk hebben? 

Welke aannames maakt AI? 

Elke door AI gegenereerde aanbeveling berust op aannames die niemand hardop heeft uitgesproken: dat een markt zich op dezelfde manier blijft gedragen, dat een leveranciersrelatie standhoudt of dat een concurrent niet als eerste handelt. Deze aannames blootleggen is de eerste taak, want een aanname die niemand benoemt, kan niemand ter discussie stellen. 

Een concreet voorbeeld: een door AI ondersteunde groeiprognose neemt stilzwijgend aan dat de huidige kosten voor klantenwerving gelijk blijven. Die aanname kan redelijk zijn. Het kan ook het meest kwetsbare aspect van de gehele aanbeveling zijn, en de raad kan niet achterhalen wat er gebeurt zonder door te vragen.  Het gaat er niet om of de aanname ergens in het ondersteunende materiaal staat. Het gaat erom of een bestuurder deze kan benoemen zonder ernaar te hoeven graven en of diegene deze überhaupt als aanname herkent, en niet gewoon als feit. 

Welk bewijs ontbreekt? 

Volledigheid is gemakkelijk te veinzen en van buitenaf moeilijk te verifiëren. Een aanbeveling kan volledig lijken, terwijl precies de categorie bewijs die de conclusie zou hebben veranderd ongemerkt ontbreekt. 

Een scherpe variant van deze vraag is of cyber- en bedrijfsrisico's samen met de businesscase zijn afgewogen, of dat ze in een afzonderlijk verslag stonden dat niemand met de aanbeveling zelf heeft vergeleken.  Een groeistrategie die niet vraagt wat er gebeurt als de onderliggende gegevensinfrastructuur in gevaar komt, vertoont een tekortkoming. Niet een fout in de logica, maar een leemte in wat überhaupt is overwogen. Bestuurders die hiernaar doorvragen, vragen wat niet is opgenomen, en niet alleen of wat wel is opgenomen geloofwaardig lijkt. Een raad die nooit heeft gevraagd om het risicoregister naast de aanbeveling te bekijken, kan niet weten of die vergelijking überhaupt is gemaakt. 

Welke alternatieve scenario's moeten worden overwogen? 

Felipe Csaszar, hoogleraar strategie aan de Ross School of Business van de University of Michigan, maakte in Harvard Business Review een scherp punt over hoe weinig echte alternatieven de meeste strategiesessies opleveren. Teams gaan naar huis met drie of vier opties, niet omdat er geen andere waren, maar omdat 'dat alles was wat uw team in de beschikbare tijd en met zijn mentale capaciteit kon ontwikkelen'. AI neemt die specifieke beperking weg. AI neemt niet de noodzaak weg om te vragen of de voorliggende alternatieven de juiste zijn of alleen de gemakkelijkste om te genereren. 

In een eerder artikel over door AI ondersteunde scenariomodellering hebben we uitgebreider beschreven hoe AI het aantal scenario's vergroot dat een raad kan testen.  De belangrijke vraag hier is beperkter en lastiger te vermijden: heeft iemand opzettelijk geprobeerd de aanbeveling te verbergen met een scenario dat is ontwikkeld om deze te weerleggen, of bevestigde elke versie stilzwijgend dezelfde conclusie, verpakt in licht afwijkende cijfers? 

Waar kan AI ongelijk hebben? 

Bestuurders herkennen blinde vlekken van AI door te vragen waar het vertrouwen van een model in zijn antwoord en de feitelijke nauwkeurigheid uiteen kunnen lopen. Dat zijn niet dezelfde zaken, en een vloeiend, goed opgemaakt antwoord kan met grote stelligheid onjuist zijn. 

De praktische versie van deze vraag luidt: wat zou waar moeten zijn om deze aanbeveling te laten mislukken, en hoe zou de raad weten dat dit is gebeurd? Een aanbeveling die daarop geen antwoord kan geven en geen voorwaarde noemt waaronder deze als onjuist zou worden beschouwd, is niet echt getest. Ze is alleen geproduceerd.  Vragen waarin AI mogelijk ongelijk heeft, zijn niet bedoeld als een confrontatie met dezelfde confrontatie. Raden die het zo opvatten, stoppen meestal na het eerste ongemakkelijke antwoord met doorvragen. Het is het verschil tussen een aanbeveling die de raad kritisch heeft onderzocht en een aanbeveling die hij alleen heeft ontvangen. 

Kritisch doorvragen verankeren in bestuursdiscussies 

Geen van de vier vragen hierboven heeft veel nut als iemand er pas aan denkt nadat de vergadering al verder is gegaan.  Om ze te integreren in de werking van een raad, zijn er bepaalde specifieke gewoonten vereist. Geen daarvan vertraagt de raad zo sterk als bestuurders soms vrezen. 

Formuleer agendapunten als vragen en niet als aanbevelingen. 'Moeten we dit door AI ondersteunde groeiplan goedkeuren?' nodigt uit tot instemmen. 'Over welke aannames in deze aanbeveling zijn we het minst zeker?' nodigt uit tot een echt gesprek. 

Verspreid van AI afgeleide analyses vóór de vergadering en niet tijdens de vergadering.  Bestuurders zijn in staat om effectiever door te vragen zodra ze de gelegenheid hebben om het materiaal te doorgronden en een eigen standpunt te ontwikkelen, in plaats van het tijdens de vergadering voor het eerst te behandelen. 

Verwacht individuele beoordeling vóór de gezamenlijke bespreking. Een bestuurder die al heeft vastgesteld welke aanname zorgen baart, komt voorbereid naar de vergadering om daarop door te vragen, in plaats van eerst af te wachten wat anderen denken. 

Voorzitters moeten actief zorgen dat afwijkende standpunten worden besproken. Een aanbeveling die niet wordt uitgedaagd omdat niemand daartoe is aangewezen, is geen geteste aanbeveling, ongeacht wat de stemming suggereert. De voorzitter moet die rol bewust vervullen. Zoals Simon Laffin in de podcast Boardroom Confidential zegt: 'Je zou kunnen stellen dat als iedereen het eens is, de voorzitter moet onderbreken en zeggen: "We stemmen hier pas mee in als iemand het oneens is."' 

Bevestig het gedeelde begrip voordat u afrondt. Voordat een besluit wordt afgesloten, moet de voorzitter kunnen verwoorden wat is besloten en waarom, en de instemming van de aanwezigen daarover krijgen. Alleen het feit dat er is gestemd, volstaat niet. 

De test voor goed door AI ondersteund oordeel 

Drie vragen maken duidelijk of deze discipline reëel of alleen theoretisch is. Kan een bestuurder zonder aantekeningen uitleggen van welke ene aanname een recente door AI ondersteunde aanbeveling het sterkst afhankelijk was? Heeft iemand in de raad ooit een aanbeveling veranderd door een van deze vier vragen te stellen, of bevestigen de vragen altijd wat al was besloten? En zou de redenering van de raad standhouden als iemand die niet bij de vergadering aanwezig was deze achttien maanden later terugleest? Een raad die op een van deze vragen nee antwoordt, ontvangt aanbevelingen in plaats van ze te testen. 

Hoe Sherpany betere beraadslaging in de raad ondersteunt 

Betere beraadslaging vereist dat de bovenstaande vragen een spoor achterlaten, in plaats van na de vergadering te verdwijnen en alleen voort te leven in het geheugen van degene die ze stelde. 

Sherpany biedt raden een veilige, gestructureerde plek om dat vast te leggen: welke aannames zijn uitgedaagd, welk ontbrekend bewijs een bestuurder heeft genoemd en waarom de raad uiteindelijk wel of niet op een bepaalde door AI ondersteunde aanbeveling heeft vertrouwd. Dat controlelogboek is op twee manieren belangrijk. Het maakt kritisch doorvragen op het moment zelf zichtbaar, want een vraag die wordt gesteld en vastgelegd, weegt zwaarder dan een vraag die wordt gesteld en vergeten. Daarnaast maakt het de redenering van de raad later verdedigbaar, wanneer een toezichthouder, accountant of nieuwe bestuurder vraagt waarom een besluit op die manier is genomen. 

Dit alles neemt geen beslissingen namens de raad. Het geeft het eigen oordeel van de raad, en de vragen die dat oordeel hebben gevormd, een plek waar ze na de vergadering blijven bestaan. 

Een goed antwoord is niet hetzelfde als een getest antwoord 

Een overtuigende aanbeveling en een geteste aanbeveling zijn niet onderling uitwisselbaar. De vier vragen zijn precies bedoeld om die kloof te dichten. AI kan de eerste produceren. Alleen de raad produceert de tweede, door te vragen welke aannames zijn gemaakt, wat is gemist, wat nog meer had moeten worden overwogen en waar de aanbeveling onjuist zou kunnen zijn. 

Deze vragen goed stellen versnelt beslissingen meestal in plaats van ze te vertragen, omdat een verkeerde aanname tijdens de vergadering wordt ontdekt en niet pas achttien maanden later, wanneer de gevolgen kostbaar en openbaar zijn. De raad die dit goed doet, is niet de raad met de meest geavanceerde AI-tools. Het is de raad die blijft vragen wat die tools mogelijk hebben gemist, vergadering na vergadering, lang nadat de nieuwigheid van AI in de vergaderruimte is verdwenen. 

Wilt u zien hoe Sherpany beter gedocumenteerde en grondiger getoetste bestuursbesluiten ondersteunt? Boek een gratis demo en ontdek hoe Sherpany kan helpen