Het verhaal van Amber: van nieuwe collega tot erkend expert

Een nieuwe collega, een leeg profiel

Amber begint op maandag aan haar eerste werkdag bij het team Sociaal Domein. Ze opent LearningPro en ziet een dashboard dat nog bijna leeg is: een handvol expertises die bij haar rol horen — Wmo-toekenningen, gespreksvoering, juridische onderbouwing — allemaal nog op nul. Het systeem nodigt haar uit zichzelf een startniveau te geven op een aantal basisvaardigheden. Ze vult in wat ze denkt te weten — bescheiden, want ze is nog nieuw.

Die zelfinschatting is de lichtste vorm van bewijs die het systeem kent, en dat is bewust zo ingericht: hoe zeker Amber zichzelf ook voelt, haar score kan hierdoor nooit boven de 35 punten uitkomen. Pas als er een tweede, ander soort bewijs bijkomt, telt haar dossier als betrouwbaar. Voor nu is het niet meer dan een startpunt — maar wel het begin van een competentiescore die vanaf nu automatisch meegroeit met alles wat ze doet.

Kennis die zichzelf bewijst

Een paar weken later krijgt Amber een lastige casus: een aanvraag voor een traplift, met een cliënt die niet goed in het standaardplaatje past. In plaats van te bladeren door een handboek, stelt ze de vraag rechtstreeks in de kenniscommunity. Binnen een kwartier reageert een ervaren collega met een toelichting en een verwijzing naar de lokale verordening. Amber verwerkt het antwoord, rondt de casus af en deelt kort hoe ze het heeft opgelost.

In de dagen erna bevestigen drie collega's in de community dat haar aanpak klopte — precies genoeg voor het systeem om dit als volwaardig peer-feedback-bewijs te laten meetellen; bij minder dan drie reacties was het nooit meegeteld. Maar de zwaarste laag komt van iets anders. De AI-Dossier-Buddy, die meeleest in de community, herkent dat Amber zelfstandig een complexe casus tot een goed einde heeft gebracht en labelt dit automatisch als praktijkbewijs — het bewijstype met het hoogste gewicht van allemaal, omdat het niet is gebaseerd op wat iemand zégt te kunnen, maar op wat diegene daadwerkelijk heeft gedaan.

Amber ziet op haar dashboard hoe de balk naast 'Wmo-toekenningen' een stuk opschuift. Met twee, straks drie verschillende soorten bewijs erachter is haar score niet langer een losse schatting, maar een betrouwbare competentiescore.

Zo bouwt die score zich verder op: niet als een vast cijfer, maar als een optelsom van gewogen bewijs, waarbij praktijkbewijs en praktijkobservaties het zwaarst tellen, gevolgd door toetsen, certificeringen en peer-feedback, met zelfinschatting als lichtste en laatste laag. Bewijs veroudert bovendien met de tijd: elk stuk verliest binnen twaalf maanden de helft van zijn waarde, zodat een score altijd een uitspraak blijft over het heden. Blijft Amber een tijd stil op een onderwerp, dan zakt de balk langzaam terug, wordt de expertise in de overzichten als verouderd gemarkeerd, en krijgt ze een vriendelijke suggestie om iets op te frissen. Boekt ze juist zichtbare vooruitgang tussen twee meetmomenten, dan beloont een leerwinstbonus dat extra.

De andere klok: certificering

Twee maanden na haar start meldt het systeem iets heel anders. Amber's BHV-certificaat, behaald tijdens haar introductieweek, loopt over zestig dagen af. Waar haar competentiescore op Wmo-onderwerpen organisch mag groeien en verwateren, ligt hier een harde grens: een vastgestelde geldigheidsduur, een vaste vervaldatum, en een verplichting om op tijd te hernieuwen.

In plaats van een geïsoleerde herhalingscursus die los van haar werk staat, koppelt de AI-Buddy de hernieuwing aan wat er op dat moment in haar team speelt: een recente community-discussie over een ontruimingsoefening. Amber krijgt een korte, gerichte micro-toets die daarop aansluit en rondt hem ruim boven de vereiste 70% af. Tijdens de oefening zelf loopt haar leidinggevende, als praktijkobservator, een kort beoordelingsformulier langs — een paar schaalvragen die het systeem automatisch normaliseert. Die observatie levert het zwaarst wegende bewijs van allemaal en wordt samen met de vernieuwde certificering aan haar dossier gekoppeld. De compliance-rapportage van de organisatie toont automatisch dat Amber weer volledig up-to-date is — zichtbaar voor de arbo-coördinator, zonder dat iemand er handmatig achteraan hoefde.

Wanneer bekwaamheid een rol wordt

Een half jaar verder is Amber's dashboard een heel ander beeld dan op haar eerste dag. Haar competentiescore op meerdere, onderling verwante expertises binnen het sociaal domein — toekenningen, gespreksvoering, juridische onderbouwing — ligt inmiddels ruim boven de zeventig punten. In 'Mijn expertiseprofiel' ziet ze hoe die score zich vertaalt naar een niveau van boven de 4 op de vijfpuntsschaal van de Expertise Navigator — ruim boven het niveau 3 dat haar functieprofiel vereist.

Maar een hoge score alleen is niet wat haar tot expert maakt. Wat de doorslag geeft, is iets anders: Amber is inmiddels degene die in de community regelmatig vragen van nieuwere collega's beantwoordt, en die antwoorden worden geregeld door anderen als behulpzaam gemarkeerd — inmiddels al vijf keer in het afgelopen half jaar, het maximum dat in die periode meetelt. Pas wanneer alle voorwaarden samenkomen — minstens drie expertises binnen een cluster boven de score-drempel, én dat aantoonbare vermogen om anderen te helpen — herkent het systeem haar automatisch als verdiend expert binnen het sociaal domein. Geen aparte beoordeling, geen los formulier: dezelfde gegevens die haar competentiescore opbouwden, worden nu ook gebruikt om haar rol te bepalen.

Vanaf dat moment verandert er iets in hoe het platform haar inzet. Wanneer een collega een vraag stelt die de AI-Buddy niet zelf met voldoende zekerheid kan beantwoorden, wordt die niet langer willekeurig doorgezet, maar rechtstreeks gerouteerd naar Amber en de andere actief beschikbare experts binnen dat onderwerp.

Wat er gebeurt als het stil wordt

Een paar maanden later verandert Amber van team. Ze blijft actief in de organisatie, maar haar aandacht verschuift naar een ander domein en ze beantwoordt geen vragen meer over Wmo-casuïstiek. Niemand hoeft haar expertstatus handmatig in te trekken: doordat er geen nieuwe behulpzaam-signalen meer bijkomen en haar competentiescore op die expertises via de halfwaardetijd langzaam onder de drempel van zeventig zakt, verdwijnt haar expertstatus vanzelf uit het sociaal domein — precies zo automatisch als hij ooit werd toegekend. Op haar nieuwe onderwerp begint, precies zoals op haar eerste werkdag, een nieuw dossier met een bescheiden, tot 35 punten afgetopte zelfinschatting.

Ergens anders in de organisatie wordt een collega, net aangenomen op een geheel nieuwe functie zonder enige historie in het systeem, door zijn leidinggevende handmatig aangewezen als aanspreekpunt voor een specifiek onderwerp. Het platform respecteert die keuze, maar toont het label zichtbaar anders: als 'aangewezen expert', ter onderscheid van een status die het systeem zelf, op basis van opgebouwd bewijs, heeft berekend.