Generatieve AI heeft de afgelopen jaren de boardrooms veroverd. Vandaag experimenteert bijna elke organisatie met copilots, chatbots en AI-gedreven assistenten. Toch blijft het voor veel CIO's en CTO's in België en Nederland dezelfde vraag overeind: hoe maken we de stap van slimme antwoorden naar gecontroleerde acties binnen échte bedrijfsprocessen?

‍

De markt schuift snel op. Waar AI vandaag vooral ondersteunt bij het genereren van content, inzichten en analyses, ontstaat een nieuwe fase waarin AI niet alleen adviseert, maar ook handelt: Agentic AI.

‍

Een nieuwe fase waarin AI niet simpelweg antwoord geeft op een prompt, maar bedrijfsdoelen helpt realiseren door systemen aan te sturen, informatie op te halen, acties uit te voeren en samen te werken met mensen én andere AI-agents.

Geen chatbot met een functietitel, maar een gecontroleerde softwarecomponent die doelen vertaalt naar acties binnen vooraf bepaalde kaders.

‍

Analisten verwachten dat Agentic AI de komende jaren steeds vaker zijn weg zal vinden naar enterprise software en operationele IT-omgevingen. Tegelijk wordt duidelijk dat autonomie zonder voldoende controlemechanismen nieuwe risico's introduceert op het vlak van security, kostenbeheersing en operationele stabiliteit. Dat is de uitdaging waar veel organisaties nu voor staan: niet de vraag óf Agentic AI doorbreekt, maar hoe je deze technologie veilig, beheersbaar en schaalbaar inzet.

‍

Vanuit die uitdaging zijn we binnen Harmony begonnen met het AI Agentic Lab. Geen experimentele speeltuin, maar een omgeving waarin we samen met klanten onderzoeken hoe AI-agents veilig kunnen worden geïntegreerd in bestaande processen, systemen en architecturen. Het doel: de stap verkleinen tussen een veelbelovende pilot en een productierijpe oplossing. Maar zeker ook niet te vergeten: wat dit voor investeringen met zich meebrengt. Want het verdienmodel van AI tooling staat op de deur te kloppen en de prijzen hiervan wisselen nogal op dit moment. Vandaar ook dat we in het AI Agentic Lab de kosten voor een eerste MVP of POC goed in kaart brengen.

‍

De kloof in de Benelux: van pilot naar productie

‍

De uitdaging in België en Nederland is niet langer het wekken van interesse in AI. De interesse is er overduidelijk.
De échte kloof zit tussen experimenteren en operationaliseren.

‍

Uit lokaal marktonderzoek blijkt dat veel organisaties inmiddels beschikken over AI-strategieën en pilots, maar dat slechts een beperkt deel AI daadwerkelijk op schaal in productie draait. Een gebrek aan gespecialiseerde integratie-expertise en complexe governance-vraagstukken worden steevast genoemd als de grootste obstakels voor verdere adoptie.

‍

Precies op dat snijvlak van AI, integratie, architectuur en governance richt het Harmony AI Agentic Lab zich. Niet door te vertrekken vanuit technologie alleen, maar vanuit concrete bedrijfsprocessen en meetbare businesswaarde.

‍

De verschuiving van taakgericht naar doelgericht

‍

Traditionele automatisering is taakgericht. Je definieert vooraf welke stappen uitgevoerd moeten worden en in welke volgorde. Een AI-agent werkt fundamenteel anders: in plaats van een taak krijgt de agent een doel.

‍

Bijvoorbeeld: "Verlaag de doorlooptijd van klantdossiers met 15%."

‍

Om dat doel te bereiken kan de agent procesinformatie analyseren, ontbrekende gegevens identificeren, relevante systemen raadplegen en vervolgstappen voorstellen of uitvoeren. Denk bijvoorbeeld aan een HR-agent die na het tekenen van een contract zelfstandig de IT-rechten toewijst, hardware bestelt en een onboarding-schema klaarzet.

‍

Niet elke stap hoeft daarbij direct volledig autonoom te verlopen. In volwassen agentic architecturen wordt autonomie stapsgewijs opgebouwd:
‍

1. Assistive Agent – adviseert en stelt acties voor, de mens beslist.

2. Supervised Agent – werkt acties uit, de mens keurt goed vóór uitvoering.

3. Bounded Execution Agent – voert laag-risicotaken zelfstandig uit binnen vooraf gedefinieerde grenzen.

4. Orchestrated Multi-Agent Process – coördineert activiteiten over meerdere systemen heen, met continue monitoring en escalatie.

‍

Voor IT-leiders betekent dit een verschuiving van software die uitsluitend reageert op input, naar intelligente uitvoeringslagen die actief bijdragen aan bedrijfsdoelstellingen.

‍

De echte uitdaging zit niet alleen in AI, maar zeker ook in integratie

‍

Een werkende AI-agent demonstreren is relatief eenvoudig geworden. De echte uitdaging begint wanneer een agent toegang moet krijgen tot bedrijfskritische systemen en actuele gegevens. Daar komen complexe vragen naar boven:

‍

• Welke datasets mag de agent gebruiken?

• Welke rechten krijgt hij in het ERP- of CRM-systeem?

• Hoe voorkomen we dat een agent buiten zijn bevoegdheden opereert?

‍

Een AI-agent zonder toegang tot de juiste systemen blijft uiteindelijk een slimme gesprekspartner. Pas wanneer AI gecontroleerd kan lezen, schrijven en handelen binnen de operationele realiteit ontstaat échte businesswaarde.

‍

Daarom bouwen wij binnen Harmony IT voort op jarenlange expertise. Met technologieën zoals MuleSoft, Frends, Oracle en OutSystems verbinden we agents met achterliggende systemen, zodat zij gecontroleerd acties kunnen uitvoeren. Agentic AI wordt daarmee geen afzonderlijke technologie, maar een krachtige uitbreiding van uw bestaande applicatielandschap.

‍

RAG: van modelkennis naar bedrijfskennis

‍

Publieke AI-modellen beschikken niet over uw interne documenten, beleidsregels of contractafspraken. Daarom bouwen veel enterprise AI-oplossingen op Retrieval-Augmented Generation (RAG).

‍

Via RAG krijgt een agent gecontroleerde toegang tot relevante bedrijfsinformatie op het exacte moment dat die nodig is. Hierdoor wordt de output beter onderbouwd, herleidbaar naar bronnen en verankerd in gevalideerde bedrijfsinformatie, waardoor antwoorden beter worden verankerd in gevalideerde bedrijfsinformatie en het risico op hallucinaties aanzienlijk kan worden verminderd.

‍

Van losse agents naar een gecontroleerd ecosysteem

‍

In de praktijk wordt een proces zelden door één agent afgehandeld. Steeds vaker zien we gespecialiseerde agents samenwerken, zoals een service-agent voor klantvragen, een integratie-agent voor data-ophaling en een compliance-agent voor controles.

‍

Samen vormen zij een ecosysteem waarin verantwoordelijkheden zijn verdeeld. Human-in-the-loop blijft daarbij essentieel. Niet omdat de technologie tekortschiet, maar omdat context, verantwoordelijkheid en strategische afwegingen menselijk toezicht vereisen.

‍

Governance hoeft geen rem op innovatie te zijn

‍

Naarmate AI meer autonomie krijgt, stijgt ook het belang van governance. Voor organisaties die opereren onder de strenge regels van de GDPR en de stapsgewijs ingevoerde Europese AI Act, is dat een absolute randvoorwaarde.

‍

Binnen het Harmony AI Agentic Lab hanteren we daarom het principe van Governance by Design. Een agentic omgeving bestaat niet uit één model, maar uit een redeneerlaag, een integratielaag, en robuust Identity & Access Management (IAM). Met expliciete identiteiten voor agents, fijnmazige toegangsrechten, en uitgebreide audit trails zorgen we dat AI voorspelbaar, controleerbaar en verantwoord is. Security, guirdrails en soevereiniteit mogen hierin uiteraard niet ontbreken.

‍

Van demo naar digitale collega: Harmony Agentic Lab

‍

De komende jaren zullen veel organisaties AI-agents bouwen. Sommige projecten blijven indrukwekkende demo's. Andere groeien uit tot een fundamenteel onderdeel van de bedrijfsprocessen.

‍

Het verschil wordt niet bepaald door het model alleen. Het wordt bepaald door de kwaliteit van de integraties, de enterprise architectuur, de governance en het vermogen om AI veilig te laten samenwerken met mensen en systemen.

‍

Dat is precies waarom we het AI Agentic Lab binnen Harmony hebben opgericht: om organisaties te helpen de stap te zetten van experiment naar productie, en van AI-tool naar digitale collega.

‍

Samen onderzoeken we welke processen het meeste potentieel bieden, welke architectuur nodig is om agents veilig te laten samenwerken met bestaande systemen en welke governance-maatregelen vereist zijn om risico's beheersbaar te houden.

‍

Daarbij focussen we niet op losse demonstraties, maar op concrete resultaten:

• identificatie en validatie van use-cases;

• een business case en ROI-inschatting;

• architectuur- en integratieblauwdrukken;

• governance- en securitykaders;

• werkende prototypes;

• een roadmap richting productie.

‍

Zo ontstaat een gestructureerd traject waarmee organisaties gecontroleerd kunnen groeien van experiment naar enterprise-adoptie.

‍

Explore. Experiment. Accelerate.

Niet om AI te demonstreren. Maar om AI daadwerkelijk te laten werken.
‍

Klaar om de stap van demo naar digitale collega te maken?

Ontdek de mogelijkheden voor uw organisatie in het Harmony AI Agentic Lab en transformeer experimenten in meetbare businesswaarde. Neem vandaag nog contact met ons op.

‍

AI-agents verschuiven razendsnel van vragen beantwoorden naar acties uitvoeren. Ze halen klantgegevens op, starten workflows, maken documenten aan, communiceren met bedrijfssystemen en automatiseren beslissingen. Met die nieuwe macht komt een nieuwe uitdaging: naarmate agents capabeler worden, worden ook de gevolgen van falen een stuk groter.

Op de recente OutSystems ONE 2026-conferentie kwamen security en governance keer op keer terug in de gesprekken over agentic systemen. Het patroon is moeilijk te missen: een agent bouwen wordt elke maand makkelijker, terwijl hem beveiligen echt moeilijk blijft.
‍

Bij Harmony Group werken we steeds vaker met organisaties die agentic willen werken, en één les bewijst zich steeds opnieuw: security mag geen bijzaak zijn.

‍
‍

De grote misvatting

‍

Wie het over AI-risico's heeft, denkt vaak meteen aan dataprivacy. Vragen zoals:
‍

• Worden onze eigen data gebruikt om publieke modellen te trainen?
• Maskeren we persoonsgegevens (PII)?
• Kan gevoelige klantinformatie in prompts lekken?
  ‍

Dat zijn belangrijke vragen, en degelijke privacycontroles blijven onmisbaar.
‍

Maar privacy en security zijn niet hetzelfde.
‍

De incidenten die organisaties het meest verrassen, zijn vaak helemaal geen privacyproblemen, maar fouten in systeemontwerp, governance en security. Aanvallers richten zich steeds vaker op AI-systemen via technieken als prompt injection, jailbreak-pogingen, vergiftigde content en gecompromitteerde integraties. Het doel is vaak niet om rechtstreeks bij data te komen, maar om het gedrag van de agent te manipuleren.
‍

Als een AI-agent zo wordt gemanipuleerd dat hij zijn instructies negeert, gevoelige processen blootlegt of onbedoelde acties uitvoert, dan is niet alleen de modelleverancier daarvan de dupe. De organisatie die de agent inzet, draagt de verantwoordelijkheid, en ook het reputatierisico.

‍
‍

Hoe dit er in de praktijk uitziet

‍

Abstracte waarschuwingen over "prompt injection" worden pas echt tastbaar met een concreet voorbeeld. Neem EchoLeak (CVE-2025-32711), een kwetsbaarheid in Microsoft 365 Copilot die in 2025 werd ontdekt.

‍

Het gevaarlijke hieraan? Het was een zero-click aanval. Het slachtoffer hoefde alleen maar een kwaadaardige e-mail te ontvangen; openen was niet eens nodig. Zodra de gebruiker Copilot later vroeg om bijvoorbeeld documenten samen te vatten, las de AI op de achtergrond ook die e-mail mee. De verborgen instructies van de aanvaller werden direct uitgevoerd, wat ongemerkt leidde tot het lekken van bedrijfsgegevens.

‍

Er werd geen firewall doorbroken en er zijn geen wachtwoorden gestolen. De assistent deed simpelweg wat hij moest doen: content lezen en verwerken. Alleen kwamen de instructies van de verkeerde persoon.

‍

Dit fenomeen heet indirecte prompt injection: vijandige instructies die niet van de gebruiker zelf komen, maar verstopt zitten in externe content die de AI binnenhaalt.

‍

Al in 2023 werd dit theoretisch beschreven (Greshake e.a.), maar EchoLeak bewijst dat het inmiddels een reëel risico is voor enterprise-software.

‍

Securityonderzoeker Simon Willison verklaart deze kwetsbaarheid door de "lethal trifecta". Elk AI-systeem dat de volgende drie eigenschappen combineert, is by design vatbaar voor datadiefstal:

1. Toegang tot privédata.
2. Blootstelling aan niet-vertrouwde content (zoals e-mails of websites).
3. De mogelijkheid om extern te communiceren.

‍

Omdat de meeste nuttige enterprise-agents precies deze drie functies nodig hebben om hun werk te doen, is het beveiligen ervan zo extreem complex.

‍

Architectuurprobleem

Een van de grootste fouten die organisaties maken, is daarom ook aannemen dat AI-security kan worden uitbesteed aan de modelleverancier.
‍

Moderne AI-systemen zijn veel meer dan één LLM. Ze bestaan uit prompts, orchestratielagen, API's, databases, vector stores, externe tools, businesslogica en gebruikersinterfaces die samenwerken.
‍

Zelfs het meest geavanceerde model kan een securityrisico worden zodra het in een onveilige architectuur wordt ingebouwd.

De echte uitdaging is dus niet het model zelf beveiligen, maar het hele ecosysteem eromheen. En dat vraagt om een bredere blik op hoe agentic systemen worden ontworpen, uitgerold en bestuurd.

‍
‍

Een manier om naar de AI-stack te kijken

‍

Het helpt om agentic systemen te zien als een gelaagd probleem, waarbij elke laag andere risico's introduceert en andere bescherming vraagt. Het is minder een eigen framework dan een praktische manier om te zorgen dat niets over het hoofd wordt gezien.

‍

Grofweg valt het uiteen in drie domeinen.
‍

1. De capability-laag (modellen)

‍

Deze laag bevat de large language models, embeddingmodellen en reasoning-engines die de agent aandrijven.

Deze modellen zijn ongelooflijk capabel, maar het zijn geen deterministische securitysystemen. Ze zijn te beïnvloeden met zorgvuldig opgestelde input en blijven gevoelig voor prompt injection en jailbreak-technieken. Prompt injection staat bovenaan de OWASP Top 10 voor LLM-applicaties, en die beperkingen begrijpen is de eerste stap naar een veilige implementatie.
‍

2. De intelligence-laag (pipelines en orchestratie)

‍

Hier leeft de echte businesslogica. De intelligence-laag verbindt modellen met API's, databases, bedrijfsapplicaties, kennisbronnen en andere agents. Ze orchestreert workflows en bepaalt hoe informatie door het systeem stroomt.

Klassieke cybersecurityzorgen blijven hier volop relevant. Gecompromitteerde inloggegevens, blootgestelde API-sleutels, kwetsbare integraties of onvoldoende toegangscontrole kunnen aanvallers in staat stellen de gebruikersinterface volledig te omzeilen en rechtstreeks met backendservices te communiceren.
‍

Hier leeft ook het meest onderschatte agentic risico: excessive agency (te veel handelingsvrijheid). OWASP noemt dit een apart top-tien-risico voor LLM-applicaties, en het is misschien wel dé bepalende agentic kwetsbaarheid. Een agent heeft excessive agency wanneer hij meer capaciteit, rechten of autonomie heeft dan de taak vereist: te veel tools, te ruime API-scopes, of de mogelijkheid om ingrijpende acties (versturen, verwijderen, betalen, escaleren) uit te voeren zonder menselijke controle.

‍

EchoLeak is gevaarlijk omdat Copilot zowel privécontent kon lezen als kon handelen binnen een context die niet-vertrouwde input kon bereiken. Verbreek die combinatie (scheid lezen van elke externe actie, vraag bevestiging vóór ingrijpende stappen, geef de krapst mogelijke rechten die de taak nodig heeft) en dezelfde injectiepoging mislukt zonder schade. Agentic security draait in de praktijk grotendeels om het gedisciplineerd beheren van wat een agent mag doen, niet alleen wat hij mag lezen. Naarmate agents toegang krijgen tot meer bedrijfssystemen, wordt governance op deze laag cruciaal.

‍

3. De experience-laag (interactie met de gebruiker)

‍

De experience-laag omvat de applicaties, portalen en interfaces waarmee gebruikers met agents interacteren.

‍

Dit is vaak waar kwaadaardige input het systeem binnenkomt. Gebruikers kunnen, bewust of onbewust, misleidende, tegenstrijdige of manipulatieve instructies aanleveren. En zoals EchoLeak laat zien, komt vijandige input niet altijd van de persoon achter het toetsenbord; hij kan meeliften op elke content die de agent binnenhaalt. Zonder de juiste waarborgen kunnen die inputs het gedrag verderop in de keten beïnvloeden en onverwachte uitkomsten veroorzaken.

‍

Publiek toegankelijke agents zouden daarom ontworpen moeten worden vanuit de aanname dat vijandige input uiteindelijk onvermijdelijk is.

‍

‍

Hoe wij AI veilig aanpakken bij Harmony

‍

Er bestaat geen universeel securityframework dat je zomaar op elk AI-project kunt loslaten. Security begint bij context.

‍

Definieer eerst het dreigingsmodel. Een klantgerichte support-agent loopt totaal andere risico's dan een interne HR-assistent of een AI-gestuurde klinische beslissingsondersteuning. Vóór je controles inbouwt, moet je de specifieke risico's van de use case begrijpen die je oplost.

‍

Vertrouw geen enkele input, waar hij ook vandaan komt. Gebruikersprompts, opgehaalde documenten, e-mails en antwoorden van externe API's verdienen dezelfde behandeling als externe input in een klassieke applicatie. Validatie, scheiding van verantwoordelijkheden en gecontroleerde toegang blijven essentieel.

‍

Beperk bewust de handelingsvrijheid. Geef een agent de minste tools en de krapste rechten die zijn taak vereist, scheid leestoegang van schrijf- en verzendtoegang, en zet een human in the loop bij ingrijpende of onomkeerbare acties.

‍

Zet guardrails en governance in. Moderne AI-platformen bieden steeds vaker dedicated governance-mogelijkheden. Waar een low-code platform zoals OutSystems met Agent Guardrails focust op het monitoren en beschermen van prompts en responses op applicatieniveau, trekt MuleSoft die governance door naar de data- en integratielaag. Via MuleSoft kun je strikte API-policies afdwingen op de gateways die LLM's en (externe) AI-services verbinden met je enterprise systemen. Zulke controles elimineren het risico niet, maar vormen een belangrijke laag binnen een bredere defence-in-depth-strategie.

‍

Blijf dicht bij het onderzoek. Het AI-securitylandschap verandert in een opmerkelijk tempo, en veel opkomende aanvalstechnieken duiken op in onderzoekspublicaties lang voordat ze mainstream worden in de sector. Op de hoogte blijven betekent academisch onderzoek, securitycommunity's en frameworks volgen zoals de OWASP-richtlijnen voor de security van LLM- en agentic applicaties.

‍

‍

Bouwen voor enterprise-eisen

‍

Bij Harmony IT helpen we klanten niet alleen AI te adopteren. We zoeken ook uit hoe je het draaiende houdt in streng gereguleerde omgevingen, met private ontwikkelomgevingen, gecontroleerde CI/CD-pipelines en herbruikbare AI-assets die aansluiten op echte compliance-eisen.

‍

We experimenteren ook via intern onderzoek en communityprojecten, waaronder werk aan AI-benchmarking en evaluatietooling, want je kunt niet beveiligen of vertrouwen wat je niet kunt meten.

‍
‍

De weg vooruit

‍

AI-agents worden razendsnel onderdeel van het IT-landschap. De vraag is niet langer óf organisaties ze gaan inzetten, maar hoe ze dat verantwoord doen.

‍

Security kan niet langer een compliance-vinkje zijn dat je aan het einde van een project toevoegt. Het moet vanaf dag één in de architectuur zitten.

‍

Want terwijl een agent bouwen elke maand makkelijker wordt, is een agent bouwen die onder druk betrouwbaar blijft de échte engineeringuitdaging.

‍

Zet je agents in productie en wil je een frisse blik op waar ze mogelijk te veel rechten hebben? Daar praten we graag over mee.

‍

Toen ik begon te werken in digitale transformatie, draaide voor mij alles rond technologie.

Efficiënter werken, processen verbeteren, organisaties helpen groeien. Nieuwe tools, nieuwe manieren van samenwerken waren de focus.
‍

Maar hoe langer ik in deze sector werk, hoe duidelijker het wordt: echte vooruitgang gaat niet alleen over systemen. Het gaat over mensen. Over energie. Over welzijn. En over de impact die je als bedrijf hebt op de wereld rondom je.
‍

Die vraag kwam het afgelopen jaar steeds vaker terug bij ons:

Als wij organisaties helpen veranderen, hoe zorgen we er dan voor dat we zelf ook een positieve impact maken?

Niet alleen voor onze klanten. Maar ook voor onze collega’s, onze omgeving en de maatschappij.
‍

MVO begint soms met een vraag

‍

Maatschappelijk verantwoord ondernemen klinkt soms alsof je meteen een groot strategisch plan nodig hebt. Duurzaamheidsrapporten, doelstellingen tot 2030, het hele pakket.

Bij ons begon het veel eenvoudiger. Eén collega nam het initiatief, stuurde een mail uit om te vragen wie wilt helpen en zo werd de werkgroep MVO geboren!

We plaatsten een inzamelbox voor lege batterijen op kantoor. Geen grote aankondiging. Geen communicatie-campagne. Gewoon nodig.
‍
Dat moment typeert eigenlijk hoe we hiermee omgaan: kleine, concrete acties die mensen zelf mee dragen. Geen grote woorden. Gewoon doen. Zo zijn er nog wel enkele voorbeelden van activiteiten die we doen, bij deze: een kort en eerlijk overzichtje!
‍

Transformatie vraagt energie. Van jezelf, van je team.

‍

In onze sector gaat alles snel. Projecten volgen elkaar op, veranderingen zijn constant, en voor je het weet blijf je gewoon doorgaan. Daarom hebben we vorig jaar bewust aandacht besteed aan rust, veerkracht en slaap.

‍

Geen "zweverig" concept. Maar praktisch: Hoe zorg je dat mensen de ruimte hebben om goed werk te doen? Hoe voorkom je dat je jezelf en je team uitbrand? We organiseerden praktische sessies met het team.
‍

Na één van zo'n sessies zei een collega: "Ik dacht dat ik gewoon slecht sliep. Maar eigenlijk neem ik nooit echte pauzes."
‍

Dat is waar het om gaat. Technologie verandert organisaties, maar mensen maken die verandering mogelijk. Zorg dragen voor die mensen is cruciaal.
‍

Voor elkaar zorgen is soms ook iets praktisch

‍

Een ander initiatief waar veel positieve reacties op kwamen, was de EHBO-opleiding.

‍

Niet omdat we verwachten dat er elke dag iets misgaat. Maar omdat het een goed gevoel geeft om te weten dat je kan helpen als het nodig is.

‍

De training zelf was typisch Harmony: serieus in de inhoud, maar met ruimte voor humor en echte gesprekken.

‍

Impact buiten onze eigen deur

‍

Wat misschien nog het meeste indruk maakte, waren de acties buiten onze eigen organisatie.

‍

We doneren vaak aan verschillende organisaties. Maar de kerst-inzamelactie voor voedselbanken in Nederland en Bosnië en Sint-Vincentius in België maken altijd veel los. We vullen elk jaar op kantoor enkele dozen.

‍

Collega's brengen niet zomaar spullen mee. Ze kiezen bewust. Doen wat extra inkopen voor "de doos". Sommige collega's vertellen waarom ze willen bijdragen. Over moeilijke periodes. Over hoe dicht kwetsbaarheid soms bij huis ligt.
‍

Op dat moment voelt het niet als "bedrijfsinitiatief." Het voelde als iets wat we samen deden.
‍

Niet alles is vanzelfsprekend

Niet elke actie had meteen veel deelnemers. Soms moesten we extra herinneren. Soms vroegen we ons af of we het wel op de juiste manier aanpakten.
‍

Ook als het niet loopt zoals verhoopt kunnen we er iets uithalen. Om dicht bij onszelf te blijven bijvoorbeeld. Want maatschappelijk verantwoord ondernemen werkt alleen als het oprecht is. Niet omdat het goed staat op LinkedIn, maar omdat het past bij wie je bent als organisatie.
‍

Dus houden we het vaak simpel. Klein beginnen. Luisteren. Bijsturen.
‍

Eigenlijk precies zoals we ook digitale transformaties aanpakken.

‍

Waarom dit veel zegt over hoe we werken

‍

Wat ik persoonlijk het mooiste vind, is dat deze initiatieven niet van bovenaf opgelegd aanvoelen.
‍

Ze ontstaan uit gesprekken. Ideeën van collega’s. Kleine voorstellen die groeien omdat mensen er zelf energie van krijgen.

Die no-nonsense mentaliteit past ook bij onze sector. We geloven in proberen, leren en verbeteren. Niet wachten op het perfecte plan, maar starten en onderweg beter worden.
‍

En misschien is dat wel de belangrijkste les van het afgelopen jaar: Cultuur verander je niet met grote woorden.

Cultuur bouw je met kleine, consistente acties.

‍

Waar we heen willen

‍

We staan met onze MVO werkgroep nog aan het begin. Dat is okay.
‍

MVO is geen project met einddatum. Het is een manier van werken. Een manier van kijken naar wat je verantwoordelijkheid is.

We willen blijven investeren in welzijn, duurzaamheid en maatschappelijke impact. Niet omdat het op een checklist staat, maar omdat we het oprecht belangirjk vinden.
‍

Digitale vooruitgang is krachtig. Digitale vooruitgang met aandacht voor mensen, dat is waar we heen willen.

‍