EXIN VFB Functioneel Beheer en AI cheat sheet

Functioneel beheer (FB) vertaalt bedrijfsdoelen naar eisen aan informatiesystemen en bewaakt de aansluiting tussen gebruikersorganisatie en IT-leveranciers.

BiSL onderscheidt sturende processen (strategie, beleid), uitvoerende processen (specificeren, gebruiken, beheren) en ondersteunende processen (kwaliteit, informatievoorziening).

Rolverdeling: opdrachtgever stelt prioriteiten en budget vast; functioneel beheerder specificeren en valideren; technisch beheer realiseert en beheert infrastructuur.

AI verschuift FB-taken van handmatig specificeren naar het beoordelen en valideren van door AI gegenereerde eisen, testscripts en analyses.

Beslisregel: AI inzetten voor repetitieve, data-gedreven FB-taken (triage, classificatie, samenvatting); menselijke beslissing behouden bij prioritering, acceptatie en conflictbeslechting.

FB is eigenaar van de functionele vraagarticulatie; AI is een hulpmiddel, geen verantwoordelijke rol in de governance-structuur.

Bij AI-ondersteund FB moet de functioneel beheerder de uitkomsten kunnen uitleggen aan gebruikers en auditors; transparantie van het model is daarmee een FB-eis.

Positionering: FB staat tussen business en IT en is daardoor de natuurlijke eigenaar van use-case-afweging en van de acceptatiecriteria voor AI-oplossingen.

Informatievoorziening omvat mensen, processen, applicaties en data die nodig zijn om informatie te leveren; informatiemanagement stuurt hierop.

Het NORA-vijf-lagenmodel onderscheidt: besturingslaag, organisatielaag, informatielaag, applicatielaag en technische infrastructuur.

Gegevens worden data zolang ze geen betekenis in context hebben; informatie is data met context en relevantie; kennis is geïnterpreteerde informatie.

Informatiehuishouding omvat alle activiteiten voor het verwerven, verwerken, opslaan, beveiligen en verwijderen van gegevens gedurende de levenscyclus.

Beslisregel: een informatiestroom wordt als bedrijfskritisch aangemerkt als uitval binnen 4 uur leidt tot directe schade aan klanten, financiën of wettelijke verplichtingen.

Datagedreven werken vereist een expliciete definitie van eigenaarschap (data owner, data steward) en van de bron van waarheid per gegevenselement.

Interoperabiliteit tussen systemen wordt bepaald door afspraken over koppelvlakken, gegevensmodellen en semantiek; AI-koppelingen vereisen daarnaast versiebeheer van modellen.

Informatiemanagement levert de kaders (architectuur, standaarden, portfoliosturing) waarbinnen functioneel beheer de functionele eisen realiseert.

Kernprocessen FB: specificeren van eisen, beheren van wijzigingen, beheren van informatievoorziening, ondersteunen van gebruikers en beheren van leveranciers.

Wijzigingsproces: intake, impactanalyse, prioritering, ontwerp, realisatie, test, acceptatie, implementatie en evaluatie; elke stap heeft een expliciet beslismoment.

Incident versus probleem: een incident is een verstoring van de dienstverlening; een probleem is de onderliggende oorzaak die herhaling veroorzaakt.

Prioritering via impact-urgentie-matrix: impact op bedrijfsprocessen en aantal getroffen gebruikers bepalen urgentie, niet de luidste melder.

Acceptatiecriteria moeten toetsbaar zijn (SMART) en vooraf worden vastgelegd; achteraf geformuleerde criteria ondermijnen de acceptatie.

Release- en deploymentbeheer: releases bundelen wijzigingen, deployments brengen ze in productie; scheiding van beide voorkomt onbeheerste uitrol.

Beslisregel: een wijziging met impact op meer dan één bedrijfsproces of op een keten vereist een ketenimpactanalyse en afstemming met ketenpartners.

Testmanagement binnen FB: unit-, systeem-, integratie-, acceptatie- en regressietests; AI-functionaliteit vraagt aanvullend bias- en robuustheidstests.

Veelvoorkomende FB-use cases: automatische classificatie van incidenten, samenvatten van gebruikersvragen, genereren van testscenario's en signaleren van afwijkingen in logbestanden.

Klassieke AI (regelgebaseerd, beslisbomen) is geschikt voor voorspelbare, uitlegbare FB-rules; machine learning voor patronen in historische data.

Generatieve AI is geschikt voor conceptteksten, specificaties en gesprekssamenvattingen, maar niet voor definitieve acceptatiebeslissingen zonder menselijke toets.

RAG (retrieval-augmented generation) combineert een taalmodel met een kennisbank, waardoor antwoorden op eigen FB-documentatie zijn te gronden en te controleren.

Beslisregel: kies een AI-oplossing alleen als het probleem voldoende data-gedreven is en het foutpercentage lager is dan de huidige handmatige foutmarge.

Een use-case-canvas legt vast: probleem, gebruiker, data, model, output, menselijke tussenkomst, KPI en risico's.

Pilot eerst met een beperkte scope en meetbare KPI's (doorlooptijd, eerste-tijd-oplossing, klanttevredenheid) voordat opschaling plaatsvindt.

AI als copiloot voor de functioneel beheerder: voorstellen doen, nooit zelfstandig productiewijzigingen doorvoeren zonder vier-ogenprincipe.

Datakwaliteitsdimensies: juistheid, volledigheid, tijdigheid, consistentie, uniciteit en validiteit; elke dimensie vraagt een meetbare norm.

Governance-structuur: rollen (eigenaar, steward, beheerder), besluitrechten en escalatiepaden moeten schriftelijk zijn vastgelegd.

AI-governance omvat modelregister, versiebeheer, dataprovenance, periodieke hervalidatie en een expliciet eigenaarschap per model.

EU AI Act: risicoklassen zijn verboden, hoog risico, beperkt risico en minimaal risico; hoog-risico AI vereist risicobeheer, documentatie en menselijk toezicht.

AVG-eisen bij AI: rechtmatige grondslag, doelbinding, dataminimalisatie, transparantie en het recht op uitleg bij geautomatiseerde besluitvorming.

Beslisregel: persoonsgegevens mogen alleen voor modeltraining worden gebruikt als grondslag, doel en bewaartermijn expliciet zijn vastgelegd en gedocumenteerd.

Audit trail: log vast welke data, welk model en welke versie tot een beslissing leidden, zodat reproduceerbaarheid en verantwoording mogelijk zijn.

Compliance toetsen: DPIA bij hoog risico op persoonsgegevens, AI-impactassessment bij beslissingen met materieel effect op mensen.

Ethische principes voor AI: rechtvaardigheid, transparantie, verantwoordelijkheid, privacy, menselijke waardigheid en duurzaamheid.

Bias ontstaat door representativiteit van trainingsdata, labelkeuzes en proxy-variabelen; mitigeer via datacontrole, eerlijkheidsmetrieken en periodieke audits.

Menselijke tussenkomst (human-in-the-loop) is vereist bij beslissingen met rechtsgevolg of materiële impact op individuen.

Transparantie-eis: betrokkenen moeten weten dat AI wordt gebruikt, welke gegevens worden verwerkt en hoe bezwaar kan worden gemaakt.

Organisatorisch: AI-gebruik vraagt een eigenaarsrol, een meldplicht voor incidenten, een acceptabel-gebruikbeleid en scholing van medewerkers.

Leveranciersrisico: contractueel vastleggen wie eigenaar is van data en modellen, welke auditrechten gelden en hoe wordt omgegaan met modelwijzigingen.

Beslisregel: bij twijfel over juridische grondslag of ethische aanvaardbaarheid geldt het voorzorgsbeginsel; niet in productie nemen tot toetsing is afgerond.

Uitlegbaarheid versus prestaties: kies een eenvoudiger, uitlegbaar model als het prestatieverschil met een complex model niet aantoonbaar relevant is voor het doel.