AI Strategie

De kennis van je beste medewerker vastleggen voordat hij vertrekt

Kennis van vertrekkende medewerkers vastleggen met AI: hoe je hun ervaring en vuistregels doorzoekbaar maakt en actueel houdt voordat ze de deur uit lopen.

AI WorkTalent Redactie · 29 juli 2026 · 10 min leestijd

Kennis van vertrekkende medewerkers vastleggen betekent dat je hun ervaring, uitzonderingen en vuistregels vóór hun laatste werkdag omzet in doorzoekbare tekst — meestal door gesprekken op te nemen die AI verwerkt tot een eerste versie, die de medewerker zelf corrigeert. In veel mkb-bedrijven draait de tent voor een verrassend groot deel op het hoofd van twee of drie mensen. Niet op het handboek, niet op het kwaliteitssysteem, maar op wat de hoofdmonteur, de inkoper of de vaste klantcontactpersoon in twintig of dertig jaar heeft geleerd. Zodra zo iemand met pensioen gaat of vertrekt, verdwijnt die kennis vaak in één klap. Nieuw is dat AI het voor het eerst haalbaar maakt om die kennis vast te leggen, zonder dat iemand daar maandenlang handboeken voor hoeft te schrijven. Dat maakt dit een concrete, urgente reden om er nu mee te beginnen, niet pas over een jaar.

Waarom kennis van vertrekkende medewerkers vastleggen urgenter is dan je denkt

Dit voelt makkelijk om voor je uit te schuiven, want de collega in kwestie werkt vandaag nog gewoon. Maar de demografische cijfers laten zien dat de druk groter is dan de meeste bedrijven beseffen. Sinds begin 2025 telt Nederland voor het eerst meer 65-plussers dan jongeren onder de twintig: 3,76 miljoen tegenover 3,72 miljoen. Dat verschil wordt de komende decennia alleen maar groter, meldt het CBS in zijn bevolkingsprognose. Het aandeel van de bevolking in de werkzame leeftijd van 20 tot 65 jaar daalt volgens diezelfde prognose van ongeveer 59 procent nu naar 55 procent in 2040.

Wat dat voor werkgevers betekent, brengt UWV in kaart. Er ontstaan jaarlijks zo'n 1,4 tot 1,5 miljoen vacatures. Het grootste deel daarvan komt niet door banengroei, maar door vervangingsvraag: mensen die met pensioen gaan of van baan wisselen. UWV signaleert bovendien dat de krapte in veel beroepen hardnekkig blijft, mede doordat vergrijzing tot meer uitstroom dan instroom leidt. Voor een mkb-bedrijf betekent dat concreet: als je hoofdmonteur, je inkoper of je vaste aanspreekpunt vertrekt, staat er allang niet meer automatisch iemand klaar om één-op-één in te vallen. De vacature komt er, maar de vervanger heeft de kennis niet, en die kennis was nooit ergens vastgelegd.

Welke kennis het écht betreft

De vergissing die de meeste bedrijven maken: ze denken dat de oplossing een handboek is. Maar het handboek kent iedereen al, of kan iedereen in tien minuten opzoeken. De kennis die verdwijnt als een ervaren medewerker vertrekt, zit in de uitzonderingen — het deel dat nooit is opgeschreven omdat het "vanzelfsprekend" leek voor wie het al twintig jaar doet:

• Welke klant je op welke manier benadert — wie je met droge feiten kunt bedienen, en wie je eerst moet geruststellen voordat hij een offerte accepteert.
• Waarom je voor bepaald werk altijd dezelfde leverancier belt bij een specifiek probleem, ook als er op papier goedkopere alternatieven zijn.
• Hoe je een lastige storing herkent aan een geluid, een geur of een patroon, ruim voordat die zich in een foutmelding vertaalt.
• Welke afwijking van de standaardprocedure in de praktijk is gegroeid, en waarom die afwijking er wél of juist niet zou moeten zijn.
• Welke twee collega's of afdelingen je er in een lastig geval bij haalt, en in welke volgorde.

Dit is precies het soort kennis dat je niet boven tafel krijgt door iemand te vragen een document te schrijven. Je krijgt het boven tafel door te vragen naar concrete gevallen.

Een voorbeeld uit de praktijk

Ter illustratie: een bedrijf dat onderhoud pleegt aan landbouwmachines heeft één hoofdmonteur die er al sinds de jaren negentig werkt en over twee jaar met pensioen gaat. Hij kent van vrijwel elk merk de zwakke plekken. Hij weet ook bij welke oudere machine je eerst een bepaald onderdeel moet checken voordat je verder zoekt. En bij een specifiek type storing belt hij altijd dezelfde onderdelenleverancier — niet de goedkoopste, maar de enige die het onderdeel binnen een dag op voorraad heeft. Niets daarvan staat ergens op papier.

In plaats van hem te vragen dit alles op te schrijven, neemt het bedrijf een reeks gesprekken met hem op, telkens rond een echte, recente storing. De vragen zijn daarbij steeds hetzelfde: wat zag je, wat vermoedde je, wat deed je, en waarom in die volgorde? AI zet die gesprekken om in korte, doorzoekbare uitleg per storingstype, met de naam van de monteur en de datum van het gesprek erbij. Hij leest elke tekst door en corrigeert waar nodig een detail. Pas dan komt de tekst in de gedeelde kennisbank. Het kost hem daardoor geen schrijftijd meer, alleen nog corrigeertijd.

De praktische aanpak, stap voor stap

De volgorde waarin je dit aanpakt, bepaalt of het traject slaagt of ergens halverwege doodbloedt:

• Begin met vragen, niet met schrijven. Neem gesprekken op waarin iemand uitlegt hoe hij iets aanpakt, en laat AI daar een eerste versie van een tekst van maken. Praten kost een fractie van de tijd die schrijven kost. Reken als richtlijn op zo'n vier tot zes gesprekken van drie kwartier tot een uur per afgebakend onderwerp. Je hebt er niet meer voor nodig dan een gewone opname-app of een vergadertool die meetypt; gespecialiseerde software is niet nodig. Zo'n gesprek levert bovendien details op die iemand nooit uit zichzelf zou opschrijven maar wel spontaan vertelt.
• Werk vanuit echte gevallen uit het verleden. Vraag niet "hoe pak je een storing aan" in het algemeen, maar "wat deed je bij die ene lastige storing vorige maand". Abstracte procedures leveren abstracte, halfbakken antwoorden op; concrete gevallen leveren de details op waar de kennis in zit.
• Laat de vakman corrigeren, niet schrijven. Een eerste versie vanuit het gesprek doorlezen en aanscherpen is voor de meeste mensen merkbaar lichter werk dan iets vanaf nul opschrijven. Dat verschil is precies waarom dit nu wél haalbaar is, en tien jaar geleden niet.
• Maak het doorzoekbaar. Een verzameling losse documenten helpt niemand; collega's moeten er in gewone taal een vraag aan kunnen stellen en het relevante antwoord terugkrijgen, met verwijzing naar wie het heeft verteld. In de praktijk betekent dat: zet de teksten op een vaste plek waar iedereen bij kan, en hang er een zoekfunctie of een chatfunctie op je eigen documenten aan, zodat een collega een vraag kan stellen in plaats van door mappen te bladeren.
• Houd het bij. Kennis die je niet onderhoudt, kan binnen een jaar misleidend zijn. Wijs iemand aan die verantwoordelijk is om het actueel te houden, en koppel updates aan een vast moment — bijvoorbeeld elke keer dat een procedure, leverancier of machine wijzigt.

Dit patroon — beginnen met één afgebakend stuk kennis, de waarde bewijzen, dan uitbreiden — is hetzelfde patroon dat voor vrijwel elke AI-toepassing in het mkb werkt. Zie het stappenplan voor AI in het mkb voor hoe je dat breder aanpakt.

Kennis vastleggen: welk type, hoe je het ophaalt en hoe je het actueel houdt

Niet elk type kennis vraag je op dezelfde manier uit, en niet elk type veroudert op dezelfde termijn:

De twee valkuilen

De eerste valkuil is kennis die alleen klopte in een oude situatie. Een uitzondering die vijf jaar geleden terecht was, kan inmiddels achterhaald zijn zonder dat iemand dat heeft gemeld — denk aan een leverancier die toen als enige voorraad had, of een klant die toen een specifieke aanpak nodig had. Vastgelegde kennis die niemand herziet, veroudert onzichtbaar. Ze ziet er nog precies zo betrouwbaar uit als op de dag dat ze is opgeschreven, terwijl de werkelijkheid intussen al is veranderd.

De tweede valkuil is een systeem dat zelfverzekerd antwoord geeft op iets wat nergens is vastgelegd. Een AI-systeem dat je koppelt aan een kennisbank, kan de indruk wekken dat het alles weet, terwijl het in werkelijkheid gewoon niets vindt en dan iets plausibels verzint. Voor een nieuwe collega die niet weet wat hij niet weet, is dat gevaarlijker dan een systeem dat gewoon zegt: "dit staat niet vastgelegd, vraag het aan collega X". Bouw daarom twee dingen expliciet in. Het systeem moet kunnen zeggen dat het iets niet weet, in plaats van te gissen. En elk antwoord moet verwijzen naar de bron — wie het heeft verteld en wanneer — zodat een gebruiker kan navragen als iets gedateerd aanvoelt. Precies die twee ontwerpeisen zijn het verschil tussen een demonstratie die indruk maakt, en een systeem waar collega's dagelijks op vertrouwen. Ontbreken ze, dan loopt een systeem vast op precies het punt waar veel AI-proefprojecten sneuvelen; zie waarom een AI-proef in productie vaak vastloopt.

Wanneer je hier beter niet aan begint

Deze aanpak werkt niet in elke situatie, en dat weet je liever vooraf dan halverwege:

• De kennis zit in de handen, niet in taal. Sommige vaardigheden — een handgreep, een gevoel voor materiaal, timing die iemand ziet maar niet kan uitleggen — laten zich niet in woorden vangen, hoe goed je ook doorvraagt. Daar helpt meelopen en voordoen meer dan een gesprek opnemen.
• De medewerker wil niet meewerken. Dit traject staat of valt met vrijwillige medewerking. Iemand die zich onder druk gezet voelt, vertelt de randgevallen niet waar de echte kennis in zit, en dan houd je alleen de vanzelfsprekendheden over.
• Het team is te klein om de kennisbank bij te houden. Zonder iemand die structureel tijd krijgt om de kennisbank te herzien, veroudert die alsnog — en dan heb je de moeite wel gedaan, maar het risico uit de eerste valkuil hierboven niet weggenomen.

De menselijke kant: kennis delen voelt niet altijd veilig

Vraag een ervaren vakman zijn kennis over te dragen, en je vraagt hem impliciet iets anders: help mee zijn eigen positie overbodig te maken. Dat gevoel is reëel; neem het serieus, in plaats van het weg te wuiven met "dat is toch niet de bedoeling". Wees daarom vanaf het begin duidelijk over het doel: je wilt zijn kennis behouden voor het bedrijf en collega's ondersteunen, niet hem vervangbaar maken. Betrek hem bij de vraag hoe je het systeem gebruikt en wie er toegang toe krijgt. Laat hem de teksten inzien voordat je ze publiceert. En overweeg of een rol als mentor of vraagbaak — met de erkenning die daarbij hoort — een passender kader is dan "wij nemen je kennis over". Iemand die het gevoel heeft mee te bouwen aan zijn eigen nalatenschap, werkt heel anders mee dan iemand die het gevoel heeft leeggezogen te worden.

Privacy: opnemen doe je met medeweten en instemming

Gesprekken opnemen om kennis vast te leggen raakt al snel aan privacy, ook al gaat het primair over werkkennis. Neem nooit op zonder dat de medewerker weet dat het gebeurt en daarmee instemt. Leg vooraf uit:

• waarom je opneemt
• wat er met de opname gebeurt
• hoe lang je die bewaart
• wie de tekst die eruit voortkomt te zien krijgt

Dat is niet alleen een kwestie van fatsoen. Een opname die iemand niet had verwacht, ondermijnt precies het vertrouwen dat nodig is om open te praten over de twijfelgevallen en uitzonderingen waar de waardevolle kennis in zit. Zet je hiervoor een AI-tool van een externe partij in, dan gelden ook de gebruikelijke afspraken rond gegevensverwerking; zie wat de AVG in de praktijk van je vraagt.

Waar je mee begint

Begin niet bij de medewerker die morgen vertrekt — dan ben je al te laat voor een zorgvuldig traject. Begin bij wie er over een jaar of twee met pensioen gaat, of bij de functie waar je weet dat vervanging krap wordt. Kies één afgebakend onderwerp waarvan je weet dat het pijn gaat doen als de kennis wegvalt. Voer de eerste gesprekken en bewijs de waarde, voordat je het breder uitrolt. Twijfel je hoe je zo'n traject organiseert en wie je daarbij inschakelt? Bekijk dan de complete gids voor het inhuren van een AI-expert.

De kennis van je beste mensen vastleggen is niet langer een project van maanden handboeken schrijven — het is een kwestie van vragen stellen, laten corrigeren en actueel houden. Wacht niet tot iemand zijn laatste werkdag heeft. Op AI WorkTalent vind je specialisten die kennisborging met AI voor mkb-bedrijven hebben opgezet.