Uw compliancetraining zegt dat iedereen slaagde. Ik bouwde een model dat weet van niet.

Een compliance-officer bij een bank nam me ooit mee door haar jaarlijkse hercertificering voor de bestrijding van witwassen. Vijfhonderd mensen in de compliancefunctie, één module van vier uur, iedereen kreeg dezelfde inhoud toegewezen: cliëntenonderzoek, melding van ongebruikelijke transacties, detectie van gestructureerde transacties, handelsgerelateerd witwassen, sanctiescreening. Aan het eind produceerde haar leersysteem vijfhonderd groene vinkjes. Ze liet ze me zien zoals je iemand een bonnetje zou laten zien.

Toen zei ze iets dat ik sindsdien niet meer uit mijn hoofd heb kunnen zetten — dat ze geen idee had wie van die vijfhonderd mensen daadwerkelijk wist hoe je een melding van een ongebruikelijke transactie indient.

Die kloof — tussen voltooid en weet het — is de hele reden waarom ik mijn tijd nu besteed aan het bouwen van adaptieve leer-AI voor bedrijfstrainingen. Niet het soort aanbevelingsengine dat je volgende cursus voorstelt. Het diagnostische soort, gebouwd op een techniek genaamd knowledge tracing, die modelleert wat elke individuele medewerker daadwerkelijk weet, concept voor concept, en die schatting bijwerkt telkens wanneer ze een vraag beantwoorden. Haar LMS registreerde afronding. Wat ze nodig had, was een systeem dat competentie registreerde. Wij bouwen die competentielaag, en het is de oplossing waar mijn team elke dag aan werkt.

Een groen vinkje vertelt een auditor dat een video is afgespeeld. Het zegt niets over de vraag of iemand heeft geleerd het werk te doen.

De kloof van $102,8 miljard tussen "klaar" en "kent het"

Amerikaanse bedrijven gaven in 2025 $102,8 miljard uit aan training, tegenover $98 miljard het jaar daarvoor — dat is het cijfer van Training Magazine, en het komt neer op ongeveer $874 per lerende. Het meeste van dat geld koopt afrondingsgegevens. SCORM, het bestandsformaat waarin het merendeel van de bedrijfscursussen nog steeds wordt geleverd, is ontworpen rond een 1.2-specificatie die geslaagd, gezakt en afronding registreert. Meer niet. Het is een presentielijst met betere productiewaarden.

Ik vind dat echt vreemd als je erbij stilstaat. We hebben twee decennia besteed aan het optimaliseren van de levering van training — strakkere video, mobiel, microlearning — en vrijwel niets van die inspanning ging naar het meten of de training veranderde wat iemand kan doen. The Josh Bersin Company bracht in februari 2026 een stuk uit met het argument dat AI op het punt staat $400 miljard aan bedrijfsleren te transformeren, en de statistiek die me bijbleef was deze: minder dan 5% van de bedrijven heeft daadwerkelijk AI-native leertechnologie ingezet. Iedereen heeft een LMS. Bijna niemand heeft er intelligentie in zitten.

En de kosten van die kloof zijn niet langer abstract. Uit de gegevens van Bersin blijkt dat bedrijven die AI-native leren gebruiken zes keer meer kans hebben om hun financiële doelen te overtreffen. Aan de andere kant zegt 74% van de bedrijven dat ze de vraag naar nieuwe vaardigheden niet kunnen bijbenen, en de halfwaardetijd van een professionele vaardigheid is gedaald van ongeveer tien jaar in 2000 naar minder dan vijf jaar nu. Ik heb L&D-teams zien reageren op die instorting op de enige manier die hun gereedschap toelaat — door meer content te leveren, sneller. Ik begrijp die reflex, want twintig jaar lang was meer content de enige hefboom die de systemen ons gaven. De hefboom was nooit het probleem. Het instrument waarmee we meten of iets ervan werkte wél.

De eerste versie die ik bouwde was fout, en zag er geweldig uit

Dit is het deel waar ik niet trots op ben. Toen ik hier voor het eerst aan begon te bouwen, greep ik naar het voor de hand liggende model. In de literatuur over knowledge tracing bestaat een bekende benadering genaamd Deep Knowledge Tracing — DKT — die een LSTM gebruikt, een soort recurrent neuraal netwerk, om te voorspellen of een lerende de volgende vraag goed zal beantwoorden. Het is het canonieke startpunt. We zetten het op, voedden het met interactiegegevens, en de dashboards waren prachtig. Beheersingscurves die stegen, voorspellingsnauwkeurigheid die er respectabel uitzag.

Ik was klaar om ermee te pronken. Toen ging ik terug naar die AML-usecase en probeerde de eigenlijke vraag van de compliance-officer te beantwoorden — welk concept kent deze specifieke analist niet? — en het model kon het me niet vertellen. Het kon me vertellen of iemand het over het algemeen "goed deed." Het kon niet helder zeggen "ze is sterk in cliëntenonderzoek en gevaarlijk in handelsgerelateerd witwassen."

Het duurde langer dan het had moeten duren voordat ik begreep waarom. Er is een paper uit 2025 van de Educational Data Mining-gemeenschap die een stilletjes vernietigend punt maakt: standaard-DKT leert bekwaamheid, niet kennis per vaardigheid. Het modelleert een algemeen signaal van "deze persoon is goed in de toets" in plaats van beheersing op conceptniveau. Erger nog, onderzoekers hebben aangetoond dat ongetrainde RNN's — netwerken met willekeurige gewichten — op sommige benchmarks even goed presteren als getrainde DKT-modellen. Mijn prachtige dashboard mat, in zekere zin, gewoon een onderbuikgevoel.

Ik had een model gebouwd dat zelfverzekerd was, er nauwkeurig uitzag, en niet in staat was de ene vraag te beantwoorden waarvoor het hele project bestond.

Die maand voelde als een doodlopende weg. Ik had bewijs van competentie beloofd en een zelfvertrouwenmeter gebouwd die niet wist waar hij zo zelfverzekerd over was.

Waarom we opnieuw bouwden op aandacht in plaats van geheugen

De uitweg kwam van de nieuwere generatie knowledge-tracing-modellen — de self-attentive varianten. We stapten over op SAKT, Self-Attentive Knowledge Tracing, en vervolgens op AKT, de context-bewuste attentive variant. In plaats van de hele geschiedenis van een lerende in één recurrent geheugen te proppen, gebruiken deze modellen aandacht om voor elke nieuwe vraag te vragen: welke van je eerdere antwoorden zijn op dit moment daadwerkelijk relevant voor deze vaardigheid? AKT gaat verder en verweeft ideeën uit de onderwijsmeettheorie, waarbij het de moeilijkheidsgraad gaandeweg aanpast.

De praktische voordelen waren wat mij interesseerde. SAKT doet dit met ongeveer 700.000 parameters en een AUC van bijna 0,80 — klein genoeg om efficiënt te draaien, nauwkeurig genoeg om te vertrouwen, en cruciaal: het produceert een beheersingskans per concept in plaats van één vage competentiescore. AKT bleek de betere keuze wanneer een scenario echt geïndividualiseerde instructie nodig heeft, wat compliance-hercertificering absoluut is. Er is een stil voordeel dat bedrijfsdata heeft ten opzichte van de academische benchmarks waarop deze modellen zijn gebouwd: compliancesequenties zijn kort en risicovol, niet de bijleslogs met duizend interacties die langesequentievoorspelling tot het moeilijke open probleem in de literatuur maken. Datgene waar de papers het meest mee worstelen is grotendeels niet ons probleem.

Toen kwam het AML-voorbeeld eindelijk tot leven zoals het hoort. Stel je een heatmap voor: rijen zijn medewerkers, kolommen zijn de vijf AML-concepten, elke cel een kans dat deze persoon dat concept beheerst. Een senior BSA-analist met acht jaar in de functie licht groen op bij cliëntenonderzoek, melding van ongebruikelijke transacties, sancties — maar kleurt oranje bij handelsgerelateerd witwassen. Een filiaalmanager die zes maanden in de functie zit, is nergens groen en dieprood op SAR-melding en TBML. Zelfde module, radicaal verschillende behoeften.

De senior analist zou geen vier uur moeten uitzitten om opnieuw te bewijzen wat ze aantoonbaar weet; ze zou de beheerste concepten snel moeten verifiëren en haar tijd moeten besteden aan die ene zwakke plek. De nieuwe manager heeft ondersteunde, tragere paden nodig precies daar waar zijn kansen het laagst zijn. We stelden drempels vast die we tegenover een auditor konden verdedigen: boven ongeveer 0,75 behandelen we het concept als beheerst en verifiëren we kort; in de middenband, dat is de productieve worstelzone waar leren daadwerkelijk plaatsvindt; onder 0,35 stoppen we en bieden we remediëring met ondersteuning. Het model werkt elke cel bij met elke reactie.

Verspreid over vijfhonderd medewerkers is dat het verschil tussen tweeduizend uur identieke aanwezigheidstijd en ergens rond de helft daarvan — met sterker bewijs aan het eind, niet zwakker. Tegen $874 per lerende komt de teruggewonnen productiviteit bij één enkele compliancefunctie van vijfhonderd personen uit op enkele honderdduizenden dollars per jaar. Dit is geen prognose die ik heb verzonnen. Fulcrum Labs en Allegiant Airlines documenteerden dat de trainingstijd daalde van 51 dagen naar 23 — een reductie van 55% — met ongevallen en materiële schade 60% lager. En het zijn niet alleen banken en luchtvaartmaatschappijen: een wereldwijd medtechbedrijf dat dezelfde adaptieve aanpak hanteerde, bespaarde meer dan 16.000 trainingsuren over 113.000 lerenden, en een zorgorganisatie verkortte de inwerktijd met 22%. Het onderwerp verandert — het verwerken van patiëntgegevens, apparaatprotocollen, AML-typologieën — maar het diagnostische probleem niet. Een Amerikaanse top-tienbank voerde adaptieve compliance uit onder meer dan 70.000 medewerkers en zag 75% meer verkeer naar verplichte cursussen. De vermindering van aanwezigheidstijd is reëel en is bewezen door mensen die niet ik zijn.

"Doet Cornerstone dit niet al?"

Dit is de eerste vraag die ik krijg, elke keer, en het is een terechte vraag. In maart 2026 lanceerde Cornerstone wat het een Adaptive Learning Agent noemt binnen zijn Galaxy AI-systeem. Docebo nam 365 Talents over om vaardighedenbeoordeling erop vast te schroeven. De hele branche stempelt "AI-aangedreven adaptief leren" op de doos. Dus waarom iets op maat bouwen?

Omdat het meeste van wat als adaptief wordt verkocht collaborative filtering is, geen knowledge tracing — en het verschil is de hele wedstrijd. Collaborative filtering is de Netflix-truc: mensen die cursus A afrondden, volgden daarna vaak cursus B, dus hier is cursus B. Het beveelt aan op basis van wat je collega's deden. Knowledge tracing doet iets categorisch anders: het modelleert wat jij specifiek wel en niet beheerst, en richt zich op de kloof. Het ene is een aanbevelingsengine. Het andere is een diagnostische engine. De agent van Cornerstone beveelt aan wat je vervolgens moet leren; hij meet geen beheersing op conceptniveau. De vaardigheidsregistratie van Docebo is grotendeels gebaseerd op verklaring of afronding — de medewerker zegt dat hij het weet, of hij heeft de cursus afgemaakt — niet gemeten aan de hand van hoe hij daadwerkelijk met het materiaal omging.

Er zijn leveranciers die knowledge tracing echt goed doen. Fulcrum Labs heeft een eigen engine en de casestudy's om het te onderbouwen. De EdTech-spelers — bedrijven als Riiid, dat $256 miljoen ophaalde — hebben echte knowledge-tracing-modellen. Maar Fulcrum vereist dat je je content naar zijn platform migreert, en de EdTech-modellen zijn gebouwd voor gestandaardiseerde toetsen en het funderend onderwijs, niet voor AML-workflows en auditbewijs. En de Big Four? Deloitte en PwC rekenen je een workforce-transformatietraject van $500.000 tot $5 miljoen aan en installeren Cornerstone of SAP prachtig. Ze configureren het platform van de leverancier. De adaptieve intelligentie blijft van de leverancier, niet van jou.

De meeste ondernemingen hoeven hun LMS er niet uit te rukken. Ze hebben een intelligentielaag nodig die aansluit op het systeem dat ze al hebben.

Dat is het gat waarin wij bouwen: een knowledge-tracing-engine die boven op je bestaande leersysteem draait en ermee communiceert via open standaarden — xAPI om gedetailleerde interactiegegevens vast te leggen, LTI om lerenden heen en weer door te geven. Je houdt je LMS. Wij voegen het brein toe.

Het echte risico is niet het model — het is de tagging

Ik vertel je het ding dat de demo's nooit vermelden, want het is het ding dat daadwerkelijk bepaalt of zo'n project slaagt. Het moeilijkste deel van het bouwen van adaptief leren is niet het neurale netwerk. Het is het taggen van content.

Een knowledge-tracing-model kan alleen kennis traceren die het kan zien. Elke vraag in je compliancemodule moet aan een concept worden gekoppeld — dit item test handelsgerelateerd witwassen, dat item test sanctiescreening — anders heeft het model niets om bij te werken. De meeste bedrijfscontent komt binnen als een stapel SCORM 1.2-pakketten die één enkele afrondingsvlag afgeven en helemaal geen conceptstructuur. Overstappen op xAPI betekent het opzetten van een Learning Record Store, het heroverwegen van je datagovernance en netwerkarchitectuur, en vaak het opnieuw taggen van content, vraag voor vraag. Het is roemloos werk, het is waar de echte arbeid zit, en het is de reden waarom ik wantrouwig ben tegenover iedereen die je vertelt dat adaptief leren een knop is die je omzet.

Ik ben liever vooraf eerlijk daarover dan dat ik een project win met een belofte die ik niet kan waarmaken. Het model is het deel dat ik je binnen een paar weken kan overhandigen. De tagging is het deel dat we samen doen, en het is het deel dat het verschil maakt tussen een systeem dat beheersingsbewijs van auditkwaliteit produceert en een systeem dat mooiere vinkjes produceert.

Maakt de EU AI Act het bijhouden van afronding waardeloos?

Lange tijd was "competentie versus afronding" een kwaliteitsargument — mooi meegenomen, moeilijk te financieren. Dat verandert door de EU AI Act. Artikel 4, de verplichting inzake AI-geletterdheid, is van kracht sinds 2 februari 2025, en toezicht door nationale markttoezichtautoriteiten begint op 2 augustus 2026. Het vereist dat personeel wordt opgeleid in AI-geletterdheid op een manier die passend is bij hun rol — en de eigen richtsnoeren van de EU zijn expliciet dat er geen eenheidsformaat bestaat. Rolgebaseerd, of het telt niet.

Denk na over wat dat doet met het model van groene vinkjes. "Iedereen heeft dezelfde AI-ethiekvideo bekeken" is precies datgene wat Artikel 4 bedoeld is te verwerpen, en de boetes op de bepalingen voor hoog risico lopen op tot €35 miljoen of 7% van de wereldwijde omzet. Toezichthouders hebben aangetoond dat ze enorme boetes uitschrijven voor trainingsfalen in aangrenzende domeinen — TD Bank kreeg een boete van $3,1 miljard vanwege een ontoereikend AML-complianceprogramma. De kosten van het behandelen van training als toneel zijn niet langer hypothetisch.

Er is een tweede druk die ik niet had voorzien toen ik begon, en het is bijna grappig. Medewerkers hebben ontdekt dat ze op AI-assistenten kunnen leunen om moeiteloos door compliancemodules heen te razen — beantwoord de quiz, klik op voltooien, leer niets. HR Morning berichtte erover in 2026, en Gartner ging zelfs zo ver te voorspellen dat tot en met 2026 de helft van de organisaties "AI-vrije" vaardigheidsbeoordelingen zal vereisen vanwege het wegkwijnen van kritisch denken. Wanneer je personeelsbestand op grote schaal afronding kan faken, betekent afronding helemaal niets meer. Het enige duurzame antwoord is meten wat iemand daadwerkelijk weet — en dat is precies waarvoor knowledge tracing is gebouwd.

Wat ik die compliance-officer nu zou vertellen

Mensen vragen me of dit alles het wel waard is voor uitgerekend training — is dit niet het over-engineeren van een bedrijfsverplichting waar niemand van geniet? Mijn antwoord is dat we het twintig jaar lang hebben ondergeëngineerd, en de rekening komt uit twee richtingen tegelijk: een vaardighedenhalfwaardetijd die is ingestort tot onder de vijf jaar, en een toezichthouder die op het punt staat om bewijs te vragen dat we grotendeels niet hebben. Slechts 26% van de leiders voelt zich vandaag überhaupt in staat om de ROI van training te meten. Datgene wat we ervoor kozen niet te meten, is datgene wat opeisbaar werd.

Ik denk terug aan die ordner met vijfhonderd groene vinkjes. De tragedie ervan was niet dat de training slecht was. Het was dat de organisatie echt geld en echte uren had besteed en uiteindelijk minder wist dan ze dacht — zelfverzekerd, op schrift, met audittrails. De senior analist verveelde zich en de nieuwe manager was de weg kwijt, en het systeem rapporteerde beide als een succes.

Als ik terug kon gaan en haar één ding kon overhandigen, zou het geen betere video zijn. Het zou de heatmap zijn — vijfhonderd rijen, vijf concepten, elke cel een getal dat ze daadwerkelijk kon verdedigen. Niet "iedereen is geslaagd." Iets waarders en veel bruikbaarders: hier is precies wat elk van deze mensen weet, en hier is wat we aan de rest gaan doen. Dat is het systeem dat wij bouwen, en hoe langer ik dit doe, hoe meer ik ervan overtuigd raak dat "voltooid" nooit het antwoord was op een vraag die iemand daadwerkelijk had.