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 voortgang van vijf procent, een paar aanbevolen artikelen over de Wmo, en een uitnodiging om zichzelf een startniveau te geven op een aantal basisvaardigheden. Ze vult in wat ze denkt te weten over gespreksvoering en wetgeving — bescheiden, want ze is nog nieuw. Dat is de eerste, lichtste laag van wat het systeem straks haar competentie zal noemen: een zelfinschatting. Niet meer dan een startpunt, maar wel het begin van een dossier dat 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.

Die collega bevestigt in de community dat de aanpak klopte — een peer-validatie, de tweede bewijslaag. Maar het systeem stopt daar niet. 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 bewezen praktijkcompetentie: de sterkste vorm van bewijs, omdat die 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-toekenning’ een stukje opschuift. Geen examen, geen vinkje — gewoon het resultaat van haar werk.

Zo bouwt haar skill-sterkte zich op: niet als een vast cijfer, maar als een optelsom van bewijs uit vier bronnen — zelfinschatting, peer-validatie, AI-gevalideerd praktijkbewijs en, waar van toepassing, een gekoppelde certificering. Blijft ze een tijd stil op een onderwerp, dan zakt de balk langzaam terug en krijgt ze een vriendelijke suggestie om iets op te frissen. Geen deadline, geen escalatie — gewoon een zachte herinnering dat kennis vers gehouden moet worden.

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 Wmo-kennis 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. Ze rondt hem af, haar certificering wordt vernieuwd, en de compliance-rapportage van de organisatie toont automatisch dat zij 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 skill-sterkte op meerdere, onderling verwante onderwerpen binnen het sociaal domein — toekenningen, gespreksvoering, juridische onderbouwing — ligt inmiddels ruim boven het gemiddelde. Maar dat 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. Pas wanneer beide dingen samenkomen — een stevig skill-cluster én aantoonbaar het vermogen en de bereidheid om anderen te helpen — herkent het systeem haar automatisch als expert binnen het sociaal domein. Geen aparte beoordeling, geen los formulier: dezelfde gegevens die haar competentie 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 expert-status handmatig in te trekken: doordat haar helper-signaal wegvalt en haar skill-sterkte op dat onderwerp langzaam verzwakt, verdwijnt haar expert-label vanzelf uit het sociaal domein. Op haar nieuwe onderwerp begint, precies zoals op haar eerste werkdag, een nieuw dossier met een bescheiden zelfinschatting.

Ergens anders in de organisatie wordt een collega, die net is 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 expert-status die het systeem zelf, op basis van opgebouwd bewijs, heeft berekend.