De grootste uitdagingen voor leiderschap in projectlevering van 2026
AI-integratie: AI zorgt momenteel voor druk bij projectleiders, waarbij de invoering vaak niet wordt ondersteund door voldoende strategie en voorbereiding.
Uitdagingen met data: Ongestructureerde en bevooroordeelde data ondermijnt de effectiviteit van AI, waardoor beter databeheer en meer datageletterdheid nodig zijn.
Menselijke zorgen: De implementatie van AI veroorzaakt bezorgdheid binnen teams over baanzekerheid, waardoor leiders vertrouwen effectief moeten bevorderen.
Expertparadox: Diepgaande expertise blijft essentieel voor effectief AI-gebruik, omdat AI afhankelijk is van menselijke beheersing om waarde te leveren.
Focus op uitvoering: Het succes van projecten loopt vaak spaak in de uitvoering door multitasking en een te hoge werkdruk, niet door gebrekkige planning.
Er is iets veranderd aan oplevering in 2026. Het gaat niet alleen om het feit dat de tools zijn veranderd, of dat het tempo van verandering is versneld — het is dat elke grote kracht die de manier waarop organisaties werken ontwricht, tegelijkertijd lijkt te zijn gearriveerd. Kunstmatige intelligentie is in slechts enkele jaren veranderd van een curiositeit in een operationele verwachting. Geopolitieke instabiliteit hervormt markten en toeleveringsketens. De druk om op te leveren is toegenomen, terwijl teams kleiner en meer verspreid zijn dan ooit. En gedurende dit alles wordt aan de mensen die verantwoordelijk zijn voor het daadwerkelijk realiseren van projecten gevraagd om door een terrein te navigeren dat door geen enkel draaiboek volledig in kaart is gebracht.
Om te begrijpen wat dit moment werkelijk vereist, spraken we met verschillende opleveringsleiders uit uiteenlopende sectoren. Dit zijn hun gedachten.
De afrekening met AI — kansen, zorgen en onbeantwoorde vragen
Kunstmatige intelligentie is niet langer een toekomstige overweging voor projectmanagers — het is een actuele druk. Maar in onze gesprekken kwam steeds dezelfde spanning naar voren: het enthousiasme voor AI loopt aanzienlijk vooruit op de organisatorische bereidheid om AI goed te gebruiken. De vraag is niet langer of je AI moet invoeren, maar hoe je dat verantwoord doet en wat er gebeurt wanneer organisaties het fundamentele werk overslaan dat nodig is om AI daadwerkelijk goed te laten werken.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
De druk om AI zonder fundament in te voeren
De vraag om "AI te gebruiken" komt dringend vanuit de top van organisaties, maar vaak zonder de strategie om dit te ondersteunen. Marcus Glowasz, executivecoach en adviseur op het gebied van verander- en projectcommunicatie bij Projects & Data, beschreef een patroon dat hij steeds opnieuw ziet: "Ik hoor vaak: ‘We moeten AI gebruiken. Omdat iedereen het gebruikt, moeten wij dat ook.’ En dan springt iedereen erop. Maar misschien is er een betere oplossing dan AI." De druk is reëel, maar de gekozen richting is vaak voorbarig.
Ik hoor vaak: ‘We moeten AI gebruiken. Omdat iedereen het gebruikt, moeten wij dat ook.’ En dan springt iedereen erop. Maar misschien is er een betere oplossing dan AI.
Deze druk van bovenaf wordt versterkt door een gebrek aan overleg met de mensen die daadwerkelijk verantwoordelijk zijn voor de oplevering. Emmanuels Magaya, oprichter van Project Managers Africa, beschreef een situatie die hij talloze keren is tegengekomen: "AI komt vaak vanuit het niveau van de hele organisatie; ze zeggen dat iedereen deze tool moet gaan gebruiken. Het komt van bovenaf als een helikopter... Maar niemand heeft het PMO-team geraadpleegd." Het resultaat is een implementatie zonder aansluiting — en een mislukte invoering die scepsis voedt.
AI komt vaak van bovenaf als een helikopter… maar niemand heeft het PMO-team geraadpleegd.
Hetzelfde patroon komt op projectniveau naar voren. Derek Fredrickson, oprichter van de COO Solution, betoogt dat de volgorde in veel organisaties fundamenteel verkeerd is: "Vaak proberen zij [leiders] AI als oplossing te initiëren voordat een mens het daadwerkelijk heeft gedaan... We moeten eerst heel duidelijk krijgen wat de mens doet, om te zien waar AI waarde kan toevoegen, in plaats van: ‘Ik heb nog geen functie of taak, maar ik wil gewoon dat AI het doet.’" Voordat AI kan worden toegevoegd, moet volgens hem het menselijke proces worden begrepen en gedocumenteerd.
Vaak proberen zij [leiders] AI als de oplossing te introduceren voordat een mens het daadwerkelijk heeft gedaan. We moeten eerst heel duidelijk krijgen wat de mens doet om te zien waar AI waarde kan toevoegen.
Het dataprobleem onder het AI-probleem
Onder de vraag over AI-adoptie ligt een fundamentelere vraag: zijn de onderliggende gegevens goed genoeg om AI nuttig te maken? Bruno Morgante, oprichter & CEO van Mantegora, is direct over het probleem dat hij ziet met AI in portfoliowerk: "het grootste probleem op dit moment is het feit dat de brongegevens niet zo schoon zijn. We hebben dus ongestructureerde, onzuivere en bevooroordeelde gegevens. En wanneer je die samenvoegt en een AI-tool vraagt om je te helpen met voorspellingen... zal het resultaat niet zo goed zijn." Slechte invoer leidt tot slechte uitvoer — de oudste regel in data geldt nog steeds, zelfs in het tijdperk van grote taalmodellen.
We hebben ongestructureerde, onzuivere en bevooroordeelde gegevens. En wanneer je die samenvoegt en een AI-tool vraagt om je te helpen met voorspellingen… zal het resultaat niet zo goed zijn.
Voor Laurel Sim, beherend partner en president bij Taleo Project Services, Inc., is het ontbreken van duidelijke grenzen rond waar en hoe AI kan worden gebruikt een van de kenmerkende leiderschapsuitdagingen van dit moment. "De snelheid van AI en het feit dat we geen vangrails hebben om af te bakenen waar AI aanvaardbare praktijk is", zegt ze, behoren tot haar grootste professionele zorgen — en organisaties zonder sterk databeheer zijn volgens haar bijzonder kwetsbaar.
Marcus Glowasz merkt op dat er ook een probleem met datageletterdheid is dat moet worden aangepakt voordat een serieuze uitrol van AI kan plaatsvinden: "Er is datageletterdheid nodig. Je moet de concepten rond de gegevens begrijpen. Als je gegevens hebt die je niet begrijpt, welk nut heb je dan van echt geavanceerde AI-hulpmiddelen?" Databeheer in combinatie met menselijk inzicht in de gebruikte gegevens is een voorwaarde, geen extraatje, voor effectief AI-gebruik.
De menselijke dimensie: teams, vertrouwen en angst voor baanverlies
Zelfs wanneer AI zorgvuldig wordt geïntegreerd, is er een uitdaging op het gebied van menselijk management die volgens leiders wordt onderschat: de angst die AI binnen teams veroorzaakt. Pam Butkowski, SVP, Levering bij Horizontal Digital, identificeert dit als de echte leiderschapstest: "Ik denk niet dat het begrijpen of uitzoeken hoe we AI-hulpmiddelen en -methoden dagelijks in onze manier van werken kunnen integreren, daadwerkelijk de uitdaging is. Vanuit leiderschapsperspectief is de uitdaging voor mij geweest om mijn team aan te moedigen om andere vaardigheden te ontwikkelen, of manieren te vinden om mijn team andere vaardigheden te laten inzetten terwijl we deze AI-hulpmiddelen invoeren... En om teamleden uit te leggen en ervan te overtuigen dat AI je baan niet zal afnemen." De technische integratie is volgens haar bijna het eenvoudigere onderdeel.
De uitdaging voor mij is geweest om mijn team aan te moedigen, of manieren te vinden om mijn team ertoe te brengen andere vaardigheden te benutten wanneer we deze AI-tools inzetten… En om teamleden uit te leggen en hen ervan te overtuigen dat AI hun baan niet zal afnemen.
Bill Dow, directeur van het bedrijfsbrede PMO bij UW Medicine, verbindt deze bezorgdheid aan een bredere realiteit in de omgeving die leiders niet kunnen negeren: "Ik denk dat je je in 2026 bewust moet zijn van de omgeving waarin we ons bevinden, van alle ontslagen als gevolg van AI, van alles wat er in de wereld gebeurt, en vervolgens moet je tot rust komen en zeggen: hoe blijven we daarvan op de hoogte? Hoe blijven we daarop vooruitlopen?" De vraag voor leiders op het gebied van oplevering is niet alleen hoe je AI gebruikt, maar ook hoe je teams aanstuurt die bang zijn voor wat dit voor hun toekomst betekent.
In 2026 moet je je bewust zijn van de omgeving waarin we ons bevinden, van alle ontslagen als gevolg van AI, van alles wat er in de wereld gebeurt, en vervolgens moet je tot rust komen en zeggen: hoe blijven we daarvan op de hoogte?
De expertparadox — AI heeft menselijke expertise nodig om waarde te leveren
In het hart van de invoering van AI schuilt een paradox die Markus Kopko, CPMAI-hoofdcoach bij ALVISSION, als volgt verwoordt: "Wat de meeste mensen zich nog niet hebben gerealiseerd, is dat je een expert op jouw vakgebied moet zijn om goede resultaten uit AI te halen." De implicaties zijn aanzienlijk. AI vermindert de behoefte aan diepgaande expertise niet — het is ervan afhankelijk.
Kopko gaat verder en werpt een vraagstuk voor toekomstige generaties op: "Het probleem waarmee we in de niet al te verre toekomst te maken zullen krijgen, neem ik aan, is dat als jongere mensen die kennis niet langer opdoen en na verloop van tijd geen experts worden, hoe zouden ze dan de resultaten van de uitvoer van AI kunnen beoordelen en controleren?"
AI vermindert de behoefte aan diepgaande expertise niet. Het is ervan afhankelijk.
Bijblijven — het tempo van verandering gaat mensen voorbij
Kunstmatige intelligentie is de meest zichtbare versneller, maar niet de enige. De experts met wie we spraken, hebben te maken met een veel breder snelheidsprobleem: technologische verandering gaat sneller dan de meeste mensen en organisaties kunnen verwerken, bredere ontwikkelingen zorgen voor nieuwe onzekerheid en de verwachting van snellere oplevering botst met de realiteit van menselijke grenzen. De uitdaging om bij te blijven gaat niet alleen over het leren gebruiken van nieuwe tools — het gaat over het begeleiden van mensen door een aanhoudende desoriëntatie.
Technologiesnelheid en kennisschuld
Kopko beschrijft het tempo als iets relatief nieuws: "[de grootste uitdaging] is om op de hoogte te raken van en mee te gaan met de snelle ontwikkeling van technologieën. Het AI-gebied was voor veel mensen slechts een paar jaar geleden nog relatief nieuw. En nu gebruiken we het eigenlijk dagelijks. Nu moeten we AI-geletterdheid en datageletterdheid integreren en dingen veel sneller leren dan vroeger."
Het vakgebied heeft niet zozeer moeite om AI in theorie te begrijpen — het heeft moeite om bij te blijven met de snelheid waarmee AI zelf evolueert. Wat zes maanden geleden nog de actuele werkwijze was, kan inmiddels alweer verouderd zijn, en organisaties lopen voortdurend achter de feiten aan.
De macro-omgeving: politiek, markten en onzekerheid
De snelheidsuitdaging reikt veel verder dan technologie. Laurel Sim noemt de macro-omgeving een van haar twee grootste zorgen voor het vakgebied: "mijn grootste zorg is de politieke omgeving van het land, het continent en de wereld, en hoe we ons allemaal moeten aanpassen aan de veranderingen in onze markten." Geopolitieke instabiliteit, veranderende handelsdynamiek en economische onzekerheid zijn geen abstracte zorgen voor leiders in projectuitvoering — ze vertalen zich rechtstreeks in veranderende prioriteiten, verstoorde toeleveringsketens en projecten die onder de ene reeks aannames beginnen en onder volledig andere omstandigheden moeten worden afgerond.
Mijn grootste zorg is de politieke omgeving van het land, het continent en de wereld, en hoe we ons allemaal moeten aanpassen aan de veranderingen in onze markten
De crisis rond menselijke vaardigheden — kritisch denken, uitvoering en teamdynamiek
Te midden van alle ophef over technologie kwamen de experts met wie we spraken steeds weer terug op een stillere, langzamer verlopende crisis: de uitholling van de fundamentele menselijke vaardigheden die geen enkele AI kan nabootsen.
Kritisch denkvermogen en communicatieve vaardigheden worden basisvaardigheden
Toen we Laurel Sim vroegen welke vaardigheden het belangrijkst zijn voor de volgende generatie projectleiders, aarzelde ze geen moment: "Kritisch denken", zegt ze. "Zodat we nadenken en creatief zijn... als we die kracht niet proberen aan te moedigen, lopen we kansen mis." Het gaat er niet alleen om dat kritisch denken onvoldoende is ontwikkeld — we slagen er actief niet in deze vaardigheid te cultiveren, terwijl die in het AI-tijdperk steeds belangrijker wordt.
Michael Gold, oprichter en fractioneel hoofd van de uitvoeringsafdeling, verbindt deze verschuiving rechtstreeks met de manier waarop AI de rol van de projectmanager zelf verandert: "zeggen dat je als projectmanager procesgericht bent, betekent niets, want wie is er niet procesgericht met AI? Met AI ligt er nog meer nadruk op de menselijke kant, relatiebeheer, stakeholdermanagement, overtuigingskracht en communicatieve vaardigheden... AI kan die één-op-één menselijke interactie niet vervangen." Nu AI de procesintensieve onderdelen van de rol overneemt, blijft datgene wat overblijft — en wat het belangrijkst is — onmiskenbaar menselijk.
Met AI ligt er nog meer nadruk op de menselijke kant, relatiebeheer, stakeholdermanagement, overtuigingskracht en communicatieve vaardigheden.
Multitasking, overbelasting en de onmenselijke werkplek
Een van de meest consistente thema's in onze interviews was de schade die wordt veroorzaakt door organisatorische overbelasting — de praktijk waarbij mensen meer werk krijgen toegewezen dan ze redelijkerwijs kunnen verwerken. Bill Dow beschrijft het treffend: "managers zetten mensen op 10 projecten... En wat er gebeurt, is dat je voortdurend van project naar project naar project blijft schakelen, toch? En geen enkel menselijk lichaam kan dat aan." Het resultaat is geen productiviteit — het is de illusie van productiviteit, die diepere organisatorische problemen verhult.
Johanna Rothman, eigenaar van Rothman Consulting Group, trekt de kritiek verder door en beschouwt multitasking niet alleen als een praktisch probleem, maar ook als een ethisch probleem: "De reden waarom ik zo beledigd ben door multitasking, is dat het de menselijkheid uit het werk haalt. In plaats daarvan hebben we stukjes en beetjes van mensen in een spreadsheet. Multitasking ontstaat dus vanuit de gedachte dat we kunnen verdelen en heersen, waardoor een onmenselijke werkplek ontstaat." Met andere woorden: wanneer we mensen behandelen als deelbare middelen die over parallelle werkstromen worden verspreid, verminderen we niet alleen de efficiëntie. We creëren ook de omstandigheden die het moeilijker maken om zinvol werk van hoge kwaliteit te realiseren.
Johanna Rothman zet ook vraagtekens bij de manier waarop organisaties werk plannen. Veel teams stellen lange werkachterstanden en routekaarten op die elke twee weken oplevering beloven, maar volgens haar is die mate van zekerheid onrealistisch: “Ik weet niet hoe lang dingen zullen duren en ik heb veel ervaring met mijn resultaten. En als ik na 30 jaar resultaatgerichte ervaring niet kan voorspellen wat ik de komende week ga doen, hoe kan een team dat dan wel?”
Haar punt is dat overbelasting en te veel toezeggingen vaak al in het systeem zelf zijn ingebouwd, waardoor degenen die verantwoordelijk zijn voor oplevering met de gevolgen moeten omgaan.
Als ik na 30 jaar resultaatgerichte ervaring niet kan voorspellen wat ik de komende week ga doen, hoe kan een team dat dan wel?
De weg vooruit
De uitdagingen die deze leiders beschrijven, staan niet op zichzelf. Ze zijn met elkaar verbonden. AI verandert de manier waarop projecten worden gepland en uitgevoerd, maar de bestuurskaders, data-infrastructuur en pijplijnen voor menselijke ontwikkeling die nodig zijn om die transformatie te ondersteunen, blijven achter. De leiders die zich in 2026 het succesvolst zullen bewegen, zijn degenen die begrijpen dat de moeilijkste problemen in de kern nog altijd menselijke problemen zijn.
Wil je meer inzichten van experts zoals de mensen die in dit artikel aan bod komen? Maak een gratis account aan voor toegang tot talloze door experts aangestuurde content en hulpmiddelen.
