Onderzoekers van het Canadese Institute for Work & Health publiceerden dit najaar een kader voor veiligheid en gezondheid in de volledige levenscyclus van een AI-systeem. Ze onderscheiden zeven fasen: definitie, dataverzameling, training van het model, validatie, uitrol, opvolging en uitfasering. Het commentaarstuk verscheen in het American Journal of Industrial Medicine.
Vier van de zeven fasen liggen vast voor het contract getekend is
Een organisatie die zelf een model traint, doorloopt de zeven fasen volledig. Wie een bestaand systeem aankoopt, stapt pas in bij de uitrol (fase 5, zie hoger). De definitie, de trainingsdata, de training en de validatie zijn dan al gebeurd bij de leverancier. De onderzoekers behandelen die situatie uitdrukkelijk: bij aankoop bij derden hoort dezelfde toets in het aankoopproces te zitten.
De onderzoekers situeren twee instrumenten in de validatiefase, waar normaal de ontwikkelaar aan zet is. Modelkaarten vatten samen waarvoor het systeem bedoeld is, met welke data het geëvalueerd werd, en hoe het presteert per groep gebruikers. Stresstests tonen hoe het systeem zich gedraagt in veiligheidskritieke situaties, bijvoorbeeld wanneer het een medewerker moet waarschuwen voor een defect. Wie aankoopt, kan die twee als document opvragen. De auteurs halen daarbij het ongeval in Tempe, Arizona aan: het testvoertuig detecteerde de voetgangster wel, maar classificeerde haar verkeerd en remde niet.
Lees ook: Drie jaar AI in preventie: de baten worden geloofd, de schade is gemeten
Stress door AI treft vooral wie er zich onzeker bij voelt
In een longitudinale studie bij 416 Zuid-Koreaanse professionals ging meer AI-gebruik samen met meer stress en burn-out. Het verband was het sterkst bij medewerkers met weinig vertrouwen in hun eigen AI-vaardigheden. AI-geletterdheid krijgt daarmee een preventiedoel bovenop de verplichting uit de Europese AI-verordening. Een bevraging bij 285 voltijdse medewerkers in Zuid-Chinese horeca- en toerismebedrijven vond dat werken naast generatieve AI samenging met sterkere gevoelens van vervreemding van het werk.
De schaal is intussen aanzienlijk. In de OESO-bevraging bij ruim 6.000 middenkaders in zes landen zei 90 procent van de Amerikaanse bedrijven algoritmische monitoringtools te gebruiken, en 72 procent software die werksnelheid meet. In een bevraging uit 2025 bij 810 professionals in veiligheid en gezondheid gebruikte net geen 30 procent AI voor preventie zelf. Die adoptie lag hoger in grotere bedrijven, in gevaarlijkere sectoren en in organisaties met hybride werk.
Lees ook: AI op het werk: tussen productiviteitswinst en werkbaar werk
Het AI-toezichtcomité uit het kader lijkt sterk op een CPBW
De auteurs stellen een AI-toezichtcomité voor met vertegenwoordiging van werkgever en medewerkers. Ze vergelijken het uitdrukkelijk met een gezamenlijk comité voor veiligheid en gezondheid. Die structuur bestaat hier al. Een parallel orgaan oprichten levert weinig op; AI als vast agendapunt in het bestaande comité wel.
Het comité kan dan de vragen stellen die anders nergens landen. Welke data gaan erin, wie ziet de output, en wat gebeurt er wanneer het systeem een foute beslissing neemt? Het kader voorziet daarnaast een herkenbaar aanspreekpunt voor medewerkers met vragen over AI, veiligheid en hun rechten.
Lees ook: Richting bepalen: De invloed van AI op de gezondheid en veiligheid van werknemers
Uitfasering is de fase die zelden op papier staat
In 2020 onderzochten Canadese privacytoezichthouders het gebruik van anonieme videoanalyse in winkelcentra door Cadillac Fairview. De onderzoekers vonden ongeveer vijf miljoen biometrische registraties op een buiten gebruik gestelde server, zonder duidelijk doel. Het bedrijf stopte de technologie en wiste de gegevens. Bij uitfasering vragen de onderzoekers om een gefaseerd afbouwplan, opleiding in de procedure die het systeem vervangt, en veilige archivering of vernietiging van gevoelige gegevens.
Deze vier ingrepen passen in bestaande overlegstructuren
- Neem de aankoop van AI-systemen op in het jaaractieplan, met een toets die vóór ondertekening gebeurt.
- Vraag bij elke offerte drie stukken op: de samenstelling van de trainingsdata, de prestaties uitgesplitst per groep gebruikers, en de resultaten van tests in veiligheidskritieke situaties.
- Zet AI ook op de agenda van het CPBW, met de gemelde incidenten en de klachten van gebruikers erbij.
- Registreer bij elke incidentmelding of een AI-systeem een rol speelde, ook wanneer dat pas achteraf blijkt.
De auteurs benoemen zelf een beperking. Hun aanbevelingen vertrekken van een brede definitie van AI, en per type systeem is verdere uitwerking nodig. Het kader levert daarom vooral een vragenlijst op, geen afvinklijst. Voor organisaties die AI aankopen in plaats van bouwen, valt het zwaartepunt van die vragen op één moment. Vanaf welk bedrag of welk toepassingsgebied komt een AI-aankoop vandaag op de agenda van uw CPBW?
Wekelijks een persoonlijk essay plus het artikeloverzicht in je mailbox? Schrijf je in via onderstaande link.
