Hoe je duidelijkheid over besluitvorming creëert tijdens AI-transformatie

Galen Low: Een RACI-schema is een van die dingen waar mensen van houden of een hekel aan hebben, meestal een hekel. Niet omdat het niet nuttig is, maar omdat het iets te gemakkelijk is om je te verliezen in het documenteren van wie verantwoordelijk, bevoegd, geraadpleegd of geïnformeerd is over elk aspect van je bedrijf, in plaats van gewoon het werk gedaan te krijgen. Maar naarmate organisaties verder komen in hun AI-transformatietraject en de structuren waarbinnen het werk plaatsvindt opnieuw vormgeven, wordt duidelijkheid over rollen, verantwoordelijkheden en besluitvorming iets belangrijker.

Daarom heb ik vandaag iemand uitgenodigd die naar mijn weten expert is op het gebied van besluitvormingsduidelijkheid op basis van RACI en die bovendien nauw samenwerkt met ondernemingen en overheidsinstanties aan hun AI-transformatie. Samen onderzoeken we of RACI niet alleen kan worden gebruikt als hulpmiddel om vast te leggen hoe beslissingen vandaag worden genomen, maar ook als taal en denkwijze om de organisaties van de toekomst te ontwerpen. Ik hoop dat je van deze aflevering geniet.

Welkom bij de Digital Project Manager Podcast—de show die leiders in uitvoering helpt slimmer te werken, soepeler te leveren en hun teams met vertrouwen te leiden in het tijdperk van AI. Ik ben Galen, en elke week duiken we in strategieën uit de praktijk, opkomende trends, bewezen raamwerken en af en toe een waargebeurd verhaal uit de frontlinies van projecten.

Of je nu grote transformatieprojecten aanstuurt, AI-werkwijzen beheert of gewoon probeert de chaos onder controle te houden, je bent hier op de juiste plek. En als je de laatste tijd hebt genoten van wat je van ons hebt gehoord, overweeg dan om ons te volgen waar je ons ook vindt en misschien zelfs een beoordeling achter te laten. Goed, laten we erin duiken.

Vandaag hebben we het over AI, besluitvorming en waarom duidelijkheid over rollen en verantwoordelijkheden belangrijker is dan ooit. Bij mij is Cassie Solomon, president en CEO van The New Group en vriendin van de podcast. Cassie is een bekroonde auteur en organisatieadviseur en expert in het leiden van succesvolle verandering.

Ze heeft senior leiders geholpen hun bedrijfsvoering te transformeren bij organisaties zoals Twitter, Pandora, Bayer Pharmaceuticals, Penn Medicine, Geisinger Health Systems en ChristianaCare Health Systems. Daarnaast geeft ze leidinggevenden les aan de Wharton School of Business. Haar boek, Leading Successful Change: Eight Keys to Making Change Work, is nog steeds een handleiding die veel leiders helpt bij het navigeren door het huidige tempo van verstoring.

Voor mensen die deze podcast al jaren volgen, is Cassie echter vooral degene met wie je moet praten over het gebruik van RACI als hulpmiddel en als taal om rollen, verantwoordelijkheden en besluitvorming te verduidelijken, zodat organisaties hun transformatiesnelheid kunnen verhogen.

Cassie, heel erg bedankt dat je vandaag bij me bent.

Cassie Solomon: Heel erg bedankt, Galen, dat je me hebt uitgenodigd. Het is altijd erg leuk om met je te praten.

Galen Low: Om te beginnen wilde ik je een prikkelende vraag stellen waar mijn luisteraars graag je mening over horen. Daarna hoop ik dat we die kunnen vertalen naar praktische tips om chaos rond AI-rollen en verantwoordelijkheden in projecten en bij organisatorische besluitvorming in het algemeen te voorkomen.

En om af te ronden kunnen we misschien kijken naar de toekomst van besluitvorming, teamwork en organisatiestructuren wanneer AI volledig is ingebed, en naar wat we vandaag goed moeten regelen om ervoor te zorgen dat dit iets positiefs wordt—en niet iets negatiefs. Hoe klinkt dat?

Cassie Solomon: Dat klinkt geweldig.

Galen Low: Laat me beginnen met een enigszins prikkelende vraag. Op dit moment probeert bijna elke organisatie waarmee ik praat AI-agenten te creëren en die in het bedrijfsmodel op te nemen. Deze agenten moeten grotendeels autonoom werken, wat ook betekent dat ze zelfstandig beslissingen nemen.

Jij bent voor mij de expert als het gaat om RACI gebruiken als taal om gezamenlijk begrip te creëren over wie verantwoordelijk, bevoegd, geraadpleegd en geïnformeerd is bij beslissingen die tijdens samenwerking worden genomen. Mijn vraag is daarom: is RACI nog wel relevant in het tijdperk van AI?

Cassie Solomon: Ik denk van wel.

Ik wil je bedanken voor het noemen van het boek Leading Successful Change. Het beschrijft een systeem. Een van de acht hefbomen heeft betrekking op besluitvorming. Een van de dingen die ik graag benadruk wanneer ik dat model onderwijs, is dat dit een aspect van ons organisatorische leven is dat grotendeels onzichtbaar blijft.

Ik kan je mijn beloningsplan laten zien, mijn organisatieschema en mijn technologie, maar het is erg moeilijk om je mijn besluitvorming te laten zien. Toch is dat een belangrijk onderdeel van het systeem. Daarom is het een interessante lens om naar AI-transformatie te kijken: we staan aan het begin van een verandering die onze besluitvormingspraktijken ingrijpend kan veranderen, terwijl we vaak niet eens weten hoe we daarover moeten praten.

Galen Low: Ik vind het goed dat je transformatie noemt, en vooral AI-transformatie. Deze dingen schrijven we niet altijd op. In veel opzichten zijn ze onofficieel en onzichtbaar en worden ze maar beperkt gedocumenteerd. Dat is om twee redenen problematisch.

Ten eerste is het slecht voor AI. Als we AI hier niet op hebben getraind en de informatie niet beschikbaar is, weet het systeem het niet totdat we het vertellen. Ten tweede vereist transformatie duidelijkheid. Iedereen beweegt snel, probeert dingen snel te doen en concurrerend te blijven. Juist nu moeten besluitvorming, rollen en verantwoordelijkheden en alles wat in beweging is worden besproken en vastgelegd, zodat we snel kunnen blijven gaan en niet vastlopen in besluitvormingslimbo of grote ambiguïteit.

Cassie Solomon: In de populaire media wordt er vaak over AI gesproken alsof het gaat om het vervangen van iemands werk. Maar dan komt het begrip oordeel om de hoek kijken: wat betekent menselijk oordeel?

Oordeel verwijst eigenlijk naar expertise en bevoegdheid. Het komt vaak aan bod wanneer iemand zegt: dat is een goede beslissing, dat is een slechte beslissing, of wacht even, ik moet die beslissing nemen, want ik heb 25 jaar ervaring. In het begrip oordeel zit al een aanwijzing dat we ons op het terrein van besluitvorming bevinden.

Daarnaast wil ik het hebben over het boek Power and Prediction van Ajay Agrawal, Josh Gans en Avi Goldfarb. Het verscheen in 2022, dus vóór de lancering van ChatGPT, maar het helpt ons AI te begrijpen als een voorspellingsmotor en als een manier om betere beslissingen te nemen.

We worden momenteel overspoeld door AI-projecten en AI-gesprekken. Een goede studie uit 2025 liet zien dat ongeveer 80% van de AI-projecten geen productiviteitswinst oplevert. Dat was een onderzoek van MIT. Een onderzoek van McKinsey uit 2026 zei in feite hetzelfde.

Hun model helpt te begrijpen over welk soort AI-project we praten. Het raamwerk is eenvoudig. Eerst is er een puntsgewijze oplossing: één taak die mensen vroeger uitvoerden wordt nu door AI uitgevoerd. Denk bijvoorbeeld aan AI vragen om een maaltijdplan voor de week te maken of onderzoek voor een paper te doen.

Dat is nuttig, maar beperkt. Het volgende niveau is een toepassingsoplossing, waarbij je meerdere dingen tegelijk verandert. Daar komen we met AI-agenten waarschijnlijk dichter bij. Het hoogste niveau bestaat uit systeemtoepassingen: je stapt terug en vraagt hoe je het volledige systeem met deze technologie kunt transformeren.

Dat is veel moeilijker te bereiken en er zijn minder voorbeelden van. Maar daar zal volgens mij de echte impact op het bedrijfsresultaat ontstaan, als we tot volledige transformatie komen.

Galen Low: Ik vind dit raamwerk goed omdat het duidelijk maakt dat niet alle AI-transformatieprojecten en AI-toepassingen hetzelfde zijn. Een hulpmiddel vervangen door ChatGPT of een agent aan een workflow toevoegen is iets anders dan een hele organisatie opnieuw ontwerpen. De gevolgen, ontwerpuitdagingen en problemen zijn dan veel groter.

Cassie Solomon: Als we beginnen met puntsgewijze oplossingen, ontstaat al snel de gedachte dat we een personeelsbestand van achtduizend mensen niet meer nodig hebben voor een bepaalde taak. Maar uit recent onderzoek uit het Verenigd Koninkrijk bleek dat ongeveer 30% van de organisaties die mensen ontslaan vanwege de invoering van AI, hen uiteindelijk weer in dienst neemt. Een tweede onderzoek stelde bovendien dat deze mensen bij hun terugkeer duurder zijn.

Door breder te denken en ons op oplossingen en transformatie te richten, kunnen we betere vragen stellen. Als medewerkers niet langer tijd besteden aan deze taak, wat kunnen ze dan nog meer doen? Het klassieke voorbeeld zijn geldautomaten. Mensen dachten dat bankmedewerkers zouden verdwijnen omdat machines geld konden uitgeven. Maar het beroep verdween niet. Banken ontdekten dat medewerkers waardevol waren omdat ze gesprekken met klanten konden voeren. Ze gingen meer doen op het gebied van bedrijfsontwikkeling.

Dat soort denken kan de angst voor de toekomst van werk verminderen. AI hoeft niet alle banen te vervangen. Het kan juist ruimte creëren voor mensen om waardevoller werk te doen.

Galen Low: Het lijkt erop dat juist de puntsgewijze oplossing het engst is, omdat die aanvoelt als een eenvoudige ruil: nu doet een robot mijn werk. Als we uitzoomen naar het systeem, zien we dat er nog steeds waarde kan worden gecreëerd, maar dat we daar op een volledig nieuwe manier over moeten nadenken.

Cassie Solomon: Het is voor honderd procent een kwestie van mindset. Ik ben gefascineerd door de overgang van de stoommachine naar de elektromotor. Die overgang duurde twintig tot vijfentwintig jaar. Mensen konden zich moeilijk voorstellen wat de nieuwe technologie mogelijk maakte.

Bedrijven die het begrepen, groeiden en floreerden. Bedrijven die het niet begrepen, verdwenen. Zelfs nadat de elektromotor was ingevoerd, bouwden bedrijven nieuwe fabrieken met de motor op dezelfde centrale plek waar vroeger de grote stoommachine stond, omdat ze zich geen andere fabrieksindeling konden voorstellen.

Veel hiervan draait om mindset: wat kunnen we ons voorstellen dat anders kan?

Galen Low: Dat is vandaag nog steeds relevant. Waar plaatsen we de nieuwe motor? Op dezelfde plek als altijd. Er zijn duidelijke parallellen met de vraag waar beslissingen worden genomen. In het nieuwe model plaatsen we de besluitvorming precies waar die vroeger lag, omdat dat vertrouwd voelt. Soms moeten we echter groter denken en erkennen dat besluitvorming niet langer op dezelfde plek hoeft plaats te vinden.

Cassie Solomon: Ik wil het terugbrengen naar besluitvorming met een voorbeeld van McKinsey over Blackstone. Het bedrijf wilde zijn juridische en compliancewerk transformeren omdat het een enorme volumegroei verwachtte. Alles werd handmatig verwerkt en ze konden niet zomaar 25% meer personeel aannemen.

McKinsey zei dat ze niet simpelweg technologie bovenop het oude proces moesten leggen. Eerst moesten ze het omslachtige proces opruimen, de besluitvorming stroomlijnen, zo veel mogelijk regelgebaseerde beslissingen automatiseren en een escalatiepad creëren voor situaties waarin iemand het niet eens was met de uitkomst. Pas daarna moesten ze AI toevoegen.

Toen ze het proces hadden opgeschoond en AI hadden ingevoerd, behaalden ze indrukwekkende productiviteitswinst: ongeveer 30% meer productiviteit. Senior medewerkers hoefden niet langer meerdere controles uit te voeren en konden zich op ander werk richten.

Daar komen we weer bij RACI. Kun je RACI gebruiken om het huidige proces in kaart te brengen? Kun je zien hoe omslachtig het is en hoeveel goedkeuringen nodig zijn? Kun je dat eerst stroomlijnen voordat je AI invoert?

Galen Low: Kwelling is een sterk en passend woord voor sommige aspecten van besluitvorming. Je lanceert momenteel een RACI-certificeringsprogramma. Het doel is om ondernemingen te helpen mensen op verschillende niveaus te trainen, zodat besluitvorming binnen de hele organisatie op elkaar wordt afgestemd.

Wat is fundamenteel anders aan RACI gebruiken in het AI-tijdperk?

Cassie Solomon: De RACI-certificeringscursus bevindt zich momenteel in de bètafase. Het hulpmiddel zelf is eenvoudig, maar wij proberen het als vaardigheid en vermogen te onderwijzen. Het heeft veel toepassingen voor betrokkenheid en goed presterende teams.

Een van de vaardigheden is leren hoe je een besluitvormingsaudit uitvoert. Hoe ziet je huidige besluitvormingspraktijk eruit? Je kunt die in kaart brengen zoals je een workflow in kaart brengt. We leggen veel nadruk op wat we doen en hoe we het doen, maar weinig op waar macht en bevoegdheid liggen en hoe die in de organisatie worden gebruikt.

Eerst moet je je huidige situatie begrijpen. Daarna vraag je waarom het zo langzaam gaat. Vervolgens ontwerp je de besluitvorming opnieuw met het oog op empowerment, zodat beslissingen dichter bij de plek worden genomen waar het werk en de waarde ontstaan.

Veel organisaties komen uit een hiërarchisch systeem met een sterke command-and-controlcultuur. Platte en minder hiërarchische organisaties zijn vaak wendbaarder en sneller. De eerste stap is dus vaststellen hoe besluitvorming nu werkt. De tweede stap is die situatie onderzoeken. De derde stap is het systeem opnieuw ontwerpen.

Galen Low: Dat sluit aan bij wendbaarheid. Eén verantwoordelijke beslisser leek ooit het efficiëntst, maar kan nu juist een knelpunt zijn. Die persoon beschikt misschien niet over genoeg informatie of expertise. Als bovendien niet duidelijk is wie de beslisser is, ontstaat er wachttijd en vertraagt alles.

Teams die meer bevoegdheid krijgen om beslissingen te nemen aan de randen van de organisatie, dichter bij waar waarde wordt gecreëerd, kunnen veel wendbaarder werken. RACI is dan niet alleen een acroniem of matrix, maar een raamwerk en mindset om te begrijpen waar beslissingen worden genomen.

Cassie Solomon: Eén beslisser werkt goed voor start-ups. Wanneer een start-up groeit, wordt die aanpak pijnlijk. Een oprichtersteam dat gewend is elke beslissing aan te raken, kan niet eenvoudig honderden nieuwe medewerkers blijven aansturen. Dan ontstaan problemen rond beslissingsrechten.

De verspreiding van elektromotoren door een fabriek is een goede metafoor voor het platter maken van organisaties. Dat gebeurt dankzij betere toegang tot informatie. Als informatie naar de randen van de organisatie stroomt, moet besluitvorming die informatie volgen.

We willen echter nog steeds een mens in de besluitvormingslus houden. Dat geldt bijvoorbeeld voor drones en klinische zorg. AI kan informatie leveren en patronen herkennen, maar menselijke ervaring en oordeel blijven belangrijk.

Galen Low: Alleen de juiste informatie geven betekent niet automatisch dat iemand goede beslissingen kan nemen. Mensen hebben ook training en inzicht in het grotere geheel nodig. Hoe zorgen organisaties ervoor dat medewerkers, zodra ze de informatie hebben, ook goede beslissingen kunnen nemen?

Cassie Solomon: Ons empowermentmodel is gebaseerd op jarenlange RACI-consultancy. Een belangrijk onderdeel is vaardigheid, gebaseerd op het onderzoek van Dreyfus. Beginners hebben gedetailleerde stappenplannen nodig. Naarmate mensen ervaring opdoen, ontwikkelen ze oordeel. Experts hebben de checklist zo geïnternaliseerd dat ze die niet meer bewust nodig hebben.

Dat model helpt ons te bepalen wanneer een beslissing door een mens of door AI kan worden genomen. Bij iemand aan de frontlinie moet je bijvoorbeeld rekening houden met diens ervaring. De vraag is niet alleen of je AI vertrouwt, maar ook hoeveel ervaring de menselijke beslisser heeft.

Galen Low: Ervaring ontstaat door beslissingen te nemen, fouten te maken en daarvan te leren. Machine learning doet iets vergelijkbaars op grotere schaal. Toch blijft er een menselijke comfortgrens bestaan. AI zal niet altijd de juiste beslissing nemen, maar mensen ook niet.

Moet AI in teamrollen en verantwoordelijkheden worden behandeld als teamlid of als hulpmiddel?

Cassie Solomon: Als beide. Bij een puntsgewijze oplossing is AI een hulpmiddel. Bij fraudedetectie kunnen machines bijvoorbeeld miljarden transacties controleren en verdachte patronen signaleren zonder dat een mens elke stap beoordeelt.

Als we dit naar RACI vertalen, vragen we hoeveel werk we kunnen automatiseren. De A staat voor oordeel en besluitvorming. Bij eenvoudige beslissingen kan AI daadwerkelijk bevoegd zijn. Bij ingrijpende beslissingen, zoals medische transplantaties of militaire acties, blijft een mens nodig. In dat geval is AI meer een hulpmiddel dan een teamgenoot.

Galen Low: RACI hoeft niet elk detail vast te leggen. Noteer vooral beslissingen die gevolgen hebben en onduidelijk of ambigu zijn. Wanneer verantwoordelijkheden door transformatie verschuiven van een persoon naar een agent, kan het nuttig zijn die verandering vast te leggen. Zo kunnen we bespreken wat er verandert, waar risico's ontstaan en wie geraadpleegd of geïnformeerd moet worden.

Kan AI ooit in de A-kolom van een RACI staan? Kan AI bevoegd of verantwoordelijk zijn?

Cassie Solomon: Ik denk van wel. AI-agent nummer één kan deel uitmaken van de groep belanghebbenden. Je kunt dan bespreken of de agent de eerste A krijgt en wanneer escalatie nodig is. Dat is een relatief veilige manier om bevoegdheid te definiëren.

In sommige gebieden worden AI-systemen getest die medicijnverlengingen kunnen goedkeuren zonder arts. De beslisruimte wordt daarbij steeds smaller gemaakt. Onder bepaalde voorwaarden, voor een bepaald type patiënt en na een bepaald aantal eerdere voorschriften, mag AI beslissen zonder beoordeling.

Ik vind het waardevol om dit zichtbaar te maken in een RACI. Zo kun je bespreken welke parameters je aan het systeem geeft, welke beslissingen het mag nemen en welke beslissingen voor mensen gereserveerd blijven.

Je hoeft niet het hele proces met RACI in kaart te brengen. Richt je op de pijnpunten. Waar is het proces onduidelijk? Soms volstaat het om alleen de beslissingen in kaart te brengen.

Galen Low: RACI wordt daarmee ook een document van risicotolerantie. Wat aanvaardbaar is, hangt af van de impact van het risico. Die tolerantie verandert, en daarom zijn voortdurende dialoog en een bepaalde mindset nodig.

Cassie Solomon: Het moeilijkste aan cross-functioneel teamwork is dat iedereen vanuit zijn eigen afdeling komt. Afdelingen willen vaak een deel van hun beslissingsbevoegdheid behouden. Als iedereen voor goedkeuring terug moet naar zijn eigen manager, kan het team niet vooruit.

Alleen het RACI-hulpmiddel bovenop zo'n probleem leggen helpt beperkt. De echte vaardigheid bestaat uit het onderhandelen over een gestroomlijnder systeem dat kan bewegen.

Galen Low: Kunnen we RACI doorlopen als ontwerphulpmiddel voor verandering op systeemniveau? Waar begint iemand? Hoe helpt RACI om de dialoog te voeren, de huidige situatie vast te leggen en te bepalen wat het nieuwe ontwerp moet zijn?

Cassie Solomon: Een techniek die we gebruiken, toont de workflow bovenaan en het bijbehorende RACI-schema eronder. Veel workflowdiagrammen beschrijven alleen wat er gebeurt, maar tonen niet welke mensen en rollen betrokken zijn.

Als je rollen opnieuw wilt ontwerpen, begin je met het werk dat moet worden uitgevoerd. Dat zijn de R's. Daarna vraag je welke beslissingen binnen een rol vallen. Welke expertise moet iemand inbrengen? Dat is waar de C-kolom relevant wordt.

Mensen stellen de beslissingsvraag niet vaak genoeg. Toch ligt daar veel van de moeilijkheid. RACI combineert besluitvorming en mensen, maar ook taken, workflows, technologie en de manier waarop werk wordt georganiseerd.

We weten niet precies hoe de toekomst eruitziet. We moeten daarom letten op signalen. Informatie kan naar de frontlinie worden gebracht, waardoor individuele medewerkers beslissingen kunnen nemen. Organisaties moeten leren herkennen wanneer besluitvorming informatie volgt naar een nieuwe plek.

Galen Low: Dit sluit aan bij vaardigheden, capaciteiten en ervaring. Organisaties proberen steeds vaker rollen te ontwerpen rond wat iemand kan, in plaats van rond functietitels. Misschien is iemand in verschillende situaties een R of A, afhankelijk van expertise en context.

Cassie Solomon: Een mooi voorbeeld komt van IKEA. Het bedrijf verving veel medewerkers door chatbots voor eenvoudige klantvragen. Toen het de vragen analyseerde, ontdekte het dat veel klanten eigenlijk om interieuradvies vroegen. De chatbot kon dat niet goed bieden.

IKEA trainde vervolgens 8.500 mensen opnieuw, zodat zij basaal ontwerp- en interieuradvies konden geven. Dat leverde veel geld op. AI kan dus laten zien waar de gaten zitten. We hebben meer gegevens en intelligentie binnen handbereik dan ooit tevoren. Het antwoord hoeft niet te zijn dat we mensen ontslaan. We kunnen de gegevens gebruiken om te ontdekken welk werk door mensen moet worden overgenomen.

Galen Low: Met een RACI-mindset kunnen we die hiaten zichtbaar maken terwijl we iets volledig nieuws creëren dat we nog nooit eerder hebben bedacht.

Cassie Solomon: Dat is een goede manier om het te zeggen.

Galen Low: Hoe ziet de toekomst er voor jou uit als het gaat om besluitvorming en samenwerking?

Cassie Solomon: We moeten allemaal echte experts worden in het gebruik van dit hulpmiddel. De behoefte om rollen te bespreken en opnieuw te ontwerpen is exponentieel gegroeid. RACI kan ons helpen de onzichtbare delen van organisaties zichtbaar te maken die ons tegenhouden of juist kansen bieden voor iets nieuws en innovatiefs.

Als we de taal van rollen niet beheersen, blijven we vastzitten. Ik kan de toekomst niet voorspellen, maar de signalen zijn vandaag al zichtbaar. Als we leren herkennen wanneer besluitvorming is verschoven en wanneer besluitvorming informatie naar een nieuwe plek volgt, kunnen we beter begrijpen hoe het nieuwe eruitziet.

Galen Low: We hebben nu een overvloed aan informatie, maar ook een taal nodig die ons helpt de dialoog te voeren. We moeten experts worden in het begrijpen van besluitvorming en samenwerking.

Cassie Solomon: Het is een angstige maar ook geweldige tijd om met deze nieuwe technologie aan de toekomst te ontwerpen.

Galen Low: Cassie, dit was geweldig. Ik heb veel geleerd. Bedankt dat je opnieuw in de show wilde komen en je inzichten wilde delen. Waar kunnen mensen meer over jou, RACI en de RACI-certificering vinden?

Cassie Solomon: RACI Solutions is de website die we hebben gebouwd rond onze RACI-consultancypraktijk. Uiteindelijk komt daar ook informatie over de certificeringscursus. We beperken de groepen tot twintig mensen, omdat we de dialoog belangrijk vinden en willen dat deelnemers in deze fase van elkaar leren.

Galen Low: Perfect. Ik neem je profiel ook op in de shownotities. Bedankt, Cassie.

Cassie Solomon: Bedankt, Galen.

Galen Low: Dat was deze aflevering van de Digital Project Manager Podcast. Als je dit gesprek interessant vond, abonneer je dan via het platform waarop je luistert.

En als je nog meer praktische inzichten, casestudy's en draaiboeken wilt, maak dan een gratis account aan via thedigitalprojectmanager.com. Tot de volgende keer, bedankt voor het luisteren.