Zelflerende organisaties: wat Googles Knowledge Catalog er wel en niet aan verandert

Elke organisatie van enige omvang heeft een woord dat in elke afdeling iets anders betekent. Klant. Actief project. Omzet. Op de maandagvergadering komen financiën en sales met twee verschillende cijfers binnen, en het eerste deel van de vergadering gaat over wie gelijk heeft. Meestal hebben ze allebei gelijk. Ze rekenen alleen met een andere definitie.

Google Cloud wil een deel van dat probleem naar software verschuiven. Eind oktober kondigde het aan dat Knowledge Catalog, tot dit voorjaar bekend als Dataplex Universal Catalog, zelf voorstellen kan doen om zijn kennis bij te werken. Die catalogus is de plek waar AI-agents, programma's die zelfstandig taken uitvoeren, opzoeken wat een tabel betekent, hoe een begrip gedefinieerd is en welke gegevens bij welke vraag horen. Het nieuwe onderdeel stelt betere definities, beschrijvingen en instructies voor. In de meest verregaande, optionele stand leert het ook uit wat mensen en agents vragen en waar ze vastlopen. Het gaat om een preview, een testversie waarvoor bedrijven toegang moeten aanvragen.

Wat de software leert

Het systeem leest documenten uit onder meer Google Workspace, Confluence en SharePoint, en als een organisatie dat wil ook de interacties van gebruikers en agents. Het zoekt naar dubbelzinnige velden, begrippen zonder definitie en cijfers zonder onderbouwing. Wat het vindt, komt terug als voorstel, met de bron erbij en een inschatting van hoe zeker het systeem is. Wat bijleert, is volgens Google de catalogus, niet de onderliggende modellen.

Dat is nuttig, maar het is nog geen lerende organisatie. De Japanse managementdenker Ikujiro Nonaka beschreef kenniscreatie als een voortdurend heen en weer tussen wat op papier staat en wat in hoofden en gewoontes zit. Hij leende daarvoor een zin van de filosoof Michael Polanyi: "We can know more than we can tell." Een catalogus ziet wat in documenten en gesprekken terechtkomt, niet wat iemand weet en nooit uitspreekt. Nonaka verwees ook naar wat Chris Argyris en Donald Schön double-loop learning noemden: het kader zelf ter discussie stellen, in plaats van enkel een fout binnen dat kader te herstellen.

Googles eigen voorbeeld is de netto-omzet die per afdeling anders gedefinieerd wordt. De catalogus kan die definities scherper formuleren en netjes uit elkaar houden. Of die verschillen mogen bestaan, welke definitie bij welke toepassing hoort en wie daarover beslist, bepaalt hij niet. Zo lees ik Googles beschrijving: de software verfijnt binnen het kader, mensen kiezen het kader. De maandagvergadering wordt er misschien korter van. Overbodig wordt ze niet.

Slimmer gebouwd dan de scepsis aanneemt

Het voor de hand liggende bezwaar is dat zo'n systeem rommel versterkt. Het is geen overdreven angst: onderzoek naar taalmodellen toont dat opgehaalde documenten actuele en verouderde informatie door elkaar kunnen bevatten, en dat modellen dan geregeld de versie volgen die het vaakst voorkomt. Wie ooit een gedeelde map vol bestanden met "definitief_v3" heeft gezien, weet hoe makkelijk de verkeerde versie in de meerderheid raakt.

Googles ontwerp houdt daar rekening mee. Automatisch publiceren kan aan of uit. Voorstellen waar het systeem minder zeker van is, en gevoelige wijzigingen zoals verwijderingen, gaan als verzoek naar een data steward, de medewerker die voor bepaalde gegevens verantwoordelijk is. Die keurt goed, past aan of wijst af. Elke wijziging wordt gelogd met haar herkomst en kan worden teruggedraaid. Voorstellen worden getoetst aan een evaluatieset, een reeks controlevragen met een bekend juist antwoord; gaan de resultaten te ver achteruit, dan stopt het automatisch publiceren. Wat tegenstrijdig of dubbelzinnig is, belandt op een aparte lijst die "Needs attention" heet. Zo beschrijft Google de werking van een preview waarvan nog geen onafhankelijke test bekend is. Op papier is het degelijk werk, en de makkelijkste kritiek mist hier haar doel.

Wie de lijst afwerkt

Dezelfde documentatie is even eerlijk over wat het systeem niet doet. Conflicten die het vindt, moet de gebruiker zelf oplossen. De evaluatieset levert de organisatie zelf aan, en zonder die set kan automatisch publiceren fouten doorlaten. Voor productieomgevingen raadt Google een instelling aan waarin niets vanzelf gepubliceerd wordt. Experts schrijven de context volgens Google niet langer zelf, ze beoordelen wat de machine voorstelt.

Het werk verschuift dus van documenteren naar valideren. Iemand moet bepalen waar een begrip per afdeling mag verschillen. Iemand moet de controlevragen opstellen en bijhouden. Iemand moet de lijst met aandachtspunten afwerken, ook in de week van de jaarafsluiting. Een rol in een systeem is nog geen persoon met tijd en mandaat. Google omschrijft de menselijke inspanning bij deze aanpak als laag: stewards hoeven "alleen" voorstellen te beoordelen en goed te keuren. Voor het klikwerk kan dat kloppen. Beslissen wat een woord betekent, is ander werk.

Onderzoek bij bedrijven wijst dezelfde kant op, al is het bewijs zacht. In de wereldwijde survey van McKinsey uit 2025 herontwierp de kleine groep organisaties die het meeste uit AI haalt, veel vaker haar werkprocessen. BCG schatte een jaar eerder dat het merendeel van de problemen bij AI-implementaties bij mensen en processen ligt. McKinsey steunt op wat bedrijven zelf rapporteren, BCG op een schatting die het ook als eigen adviesregel hanteert. Allebei verkopen ze transformatietrajecten, en geen van beide bewijst een oorzaak.

Ook een merk is bedrijfskennis

Positionering, toon en wat aan klanten beloofd wordt, zijn ook kennis. In mijn ervaring staan ze verspreid over presentaties, webteksten en offertes, en zelden overal in dezelfde versie. Voor zover ik kon nagaan, bestaat er nog geen degelijk onderzoek naar wat er met merkconsistentie gebeurt wanneer agents uit zulke bronnen putten, dus wat volgt is een inschatting. Een systeem dat tegenstrijdige formuleringen opmerkt, kan een communicatieteam zoekwerk besparen. Welke formulering het merk draagt, blijft een keuze die iemand moet maken en kunnen verdedigen. Software kan zien dat er twee versies van een belofte bestaan. Welke van de twee de klant onthouden heeft, staat in geen enkel document.

Kan de technologie het leren zelf op gang brengen?

Het sterkste tegenargument is dat technologie organisatieleren net kan uitlokken. De economen Erik Brynjolfsson, Danielle Li en Lindsey Raymond volgden duizenden klantenservicemedewerkers die een AI-assistent kregen. Ze losten meer problemen per uur op, volgens de onderzoekers omdat het systeem de werkwijze van de beste medewerkers verspreidde. Het gaat om één bedrijf, één beroep en individuele prestaties, en over directies zegt de studie niets. Ze toont wel dat een tool kennis kan verspreiden die anders in een paar hoofden blijft steken. Toch verwacht ik dat een catalogus die elke week dezelfde tegenstrijdige definities op tafel legt, een directie kan aanzetten om eindelijk te kiezen.

Dat argument neem ik over. Het systeem kan het leren uitlokken, maar het kan de beslissing niet nemen in de plaats van de organisatie. Een lijst met tegenstrijdigheden is een uitnodiging, en wie haar laat liggen, krijgt volgende week dezelfde uitnodiging.

Vier vragen voor de uitrol

• Wie bepaalt of een begrip per team mag verschillen en welke definitie bij welke toepassing hoort, en weet die persoon dat zelf?
• Wie stelt de controlevragen op waaraan voorstellen getoetst worden, en wie houdt ze actueel?
• Wie werkt de lijst met tegenstrijdigheden af, en hoeveel tijd krijgt die persoon daarvoor?
• Welke kennis, van productdefinities tot merkbeloftes, mag nooit automatisch veranderen?

Google bouwt een systeem dat ontworpen is om te zien waar kennis ontbreekt of botst, en dat voor productie zelf aanraadt dat mensen het laatste woord houden. Een zelflerende organisatie begint dus niet bij de software. Ze begint op die maandagvergadering, bij de vraag wie antwoordt wanneer de software een vraag stelt.