Gedrag en cultuur auditen met AI

Een manager reageert als volgt op een auditbevinding: ‘Van fouten kunnen we alleen maar leren. We zullen de lijn nogmaals wijzen op de procedures en ze waar nodig aanscherpen.’ De auditors verlaten opgewekt de bespreking. Maar is er werkelijk iets geleerd? Of is dit een patroon waarin problemen blijven terugkomen?

Dit voorbeeld, ontleend aan de auditpraktijk, illustreert een belangrijk vraagstuk waar interne auditors dagelijks mee te maken hebben. We auditen processen, systemen en regelgeving. We toetsen opzet, bestaan en werking. Maar de factor die uiteindelijk bepaalt of beheersing in de praktijk functioneert, menselijk gedrag, blijft vaak buiten beeld. Een veelgenoemde oorzaak is capaciteitsgebrek. Dat is niet langer houdbaar. Kunstmatige intelligentie biedt nu de mogelijkheid om de meest arbeidsintensieve stap in gedragsonderzoek, de kwalitatieve data-analyse, te versnellen. Dit artikel beschrijft waarom auditors gedrag en cultuur serieus moeten nemen, welke onderzoeksmethoden geschikt zijn om gedrag en cultuur te onderzoeken en hoe AI de analyse daarvan kan versnellen.

Waarom gedrag ertoe doet

Achter ieder risico staat een keuze. Achter iedere keuze staat een mens. En achter die mens staat een context die onzichtbaar richting geeft: waarden, normen en overtuigingen. Je kunt de beste processen ontwerpen, de strengste regels opstellen en de meest geavanceerde tooling inzetten: als gedrag niet meebeweegt, blijft beheersing een papieren belofte.

Die overtuiging wordt inmiddels breed gedragen. De Nederlandse Corporate Governance Code benoemt cultuur nadrukkelijk als verantwoordelijkheid van het bestuur. Schandalen in zowel de publieke als de private sector laten keer op keer zien dat papieren beheersing onvoldoende bescherming biedt. En met de introductie van de IIA Organizational Behavior Topical Requirement wordt gedrag formeel gepositioneerd als een alomtegenwoordig en belangrijk risicogebied.

Achter ieder risico staat een keuze. Achter iedere keuze staat een mens. En achter die mens staat een context die onzichtbaar richting geeft

Voor auditors is het essentieel om te begrijpen dat cultuur meer is dan een set geformuleerde kernwaarden. De cognitief psycholoog Chris Argyris maakt een belangrijk onderscheid tussen ‘theory espoused’, wat mensen zeggen belangrijk te vinden, en ‘theory-in-use’, wat hen in werkelijkheid stuurt. Precies daar liggen de echte risico’s. En precies daar moet de auditor kijken.

Kwalitatief onderzoek als koninklijke weg

Percepties en mentale modellen kunnen niet eenvoudigweg worden gekwantificeerd. Vragenlijsten en surveys meten wat mensen zeggen te vinden en te doen: hun theory espoused. Ze brengen gemiddelde scores in kaart, geven een momentopname en zijn gevoelig voor sociaal wenselijke antwoorden. Voor het in kaart brengen van wat mensen werkelijk drijft, hun theory-in-use, zijn ze ontoereikend.

Kwalitatieve onderzoeksmethoden richten zich op ervaringen die niet ‘geteld’ kunnen worden. Ze onderzoeken percepties, gedragsstrategieën en mentale modellen en helpen ons te begrijpen wat mensen echt denken, waarom mensen denken wat ze denken en waarom ze doen wat ze doen. Het verschil is cruciaal. Waar een survey met de vraag: ‘hoe veilig voelt u zich om fouten te melden?’ op een schaal van een tot vijf slechts een beperkt beeld geeft, is het mogelijk om met een kwalitatief gesprek te onderzoeken wat er feitelijk gebeurde toen iemand voor het laatst een fout wilde melden. Welke afweging maakte die persoon? Welke signalen uit de omgeving speelden mee? Wat deed het voorbeeld van de leidinggevende?

Voorbij het klassieke interview

Door deze feiten voor te leggen en te vragen hoe de geïnterviewde ertegen aankijkt, ontstaat een gesprek dat niet draait om het toetsen van kennis over regels, maar om het blootleggen van de achterliggende logica. Waarom lijkt het ‘normaal’ dat de vierogencontrole niet serieus wordt genomen? Welke druk zorgt ervoor dat incidentmeldingen worden uitgesteld? Welke opvattingen over verantwoordelijkheid spelen mee bij het (tijdig) aanleveren van de rapportage? De gesprekstechniek volgt de ‘ladder van gevolgtrekkingen’: van zichtbare feiten via betekenisgeving en aannamen naar overtuigingen, en terug naar de implicaties voor beheersing.

Dit type gesprek vraagt andere vaardigheden dan het klassieke auditinterview. Geen gesloten vragen die de geïnterviewde in een vooraf bepaald kader dwingen, maar open, niet-sturende vragen die ruimte bieden voor reflectie. Daarbij is het onmisbaar om op meerdere niveaus te kunnen luisteren naar inhoud, emotie, spanning en incongruentie. Niet voor niets is kwalitatief interviewen zowel een kunde als een kunst.

Van handwerk naar AI

De kracht van kwalitatief onderzoek schuilt in de diepgang van de inzichten. De achilleshiel lag altijd in de data-analyse. Alle interviews worden opgenomen en volledig getranscribeerd. Die transcripties met al snel honderden pagina’s tekst vormen het ruwe materiaal voor de analyse. Traditioneel doorloopt die analyse drie fasen: 1) open coderen, waarbij fragmenten worden gelabeld, 2) axiaal coderen, waarbij codes worden geclusterd tot thema’s, 3) selectief coderen, waarbij patronen en verbanden worden gezocht.

Dit proces is buitengewoon arbeidsintensief. Een ervaren onderzoeker besteedt gemakkelijk tientallen uren aan het handmatig coderen, clusteren en interpreteren van interviewmateriaal. Dit capaciteitsbeslag en deze kennisdrempel vormden tot voor kort de belangrijkste barrières voor een bredere toepassing van gedragsonderzoek in de auditpraktijk.

Dat is nu veranderd. Met de komst van geavanceerde AI-taalmodellen is het mogelijk geworden om de kwalitatieve data-analyse grotendeels te automatiseren. Niet door het mensenwerk te vervangen door een algoritme, maar door AI in te zetten als analytisch instrument dat het onderzoeksteam ondersteunt, versnelt en versterkt.

Patroonkaarten genereren

Concreet betekent dit dat AI de getranscribeerde interviews analyseert en op basis daarvan patroonkaarten genereert. Een patroonkaart is een gestructureerde weergave van een terugkerend gedragspatroon dat uit de data naar voren komt.

Elke patroonkaart bevat vijf elementen:

• Patroonbeschrijving – Een heldere, beknopte formulering van het geïdentificeerde gedragspatroon. Bijvoorbeeld: ‘voorwaardelijke openheid onder hiërarchische druk’. Medewerkers spreken zich uit over operationele kwesties, maar zwijgen zodra thema’s de positie of het oordeel van leidinggevenden raken.
• Bewijsankers – Letterlijke citaten uit de interviews die het patroon illustreren en onderbouwen. Deze citaten vormen de directe verbinding met de onderzoeksdata en garanderen de navolgbaarheid van de analyse.
• In standhoudende mechanismen – Een analyse van de factoren die het patroon in stand houden. Welke informele regels, beloningsstructuren, voorbeeldgedrag of defensieve routines zorgen ervoor dat het patroon zich reproduceert?
• Impact en risico’s – De concrete consequenties van het patroon voor de organisatie. Hoe raakt het de effectiviteit van beheersmaatregelen, de kwaliteit van besluitvorming, de bereidheid tot melden of de samenwerking tussen afdelingen?
• Handelingsalternatieven – Concrete suggesties voor interventies die het patroon kunnen doorbreken. Niet als eindoordeel van de auditor, maar als startpunt voor de dialoog met de organisatie.

Aanzienlijke opbrengst

Goed uitgevoerd kan de opbrengst aanzienlijk zijn. Wat voorheen weken kostte, kan nu in een fractie van die tijd worden gerealiseerd. Door middel van een goede promptbeheersing analyseert AI consistent. AI wordt niet moe en overziet het gehele databestand in samenhang. Bovendien levert AI een gestructureerde audittrail op: elke conclusie is traceerbaar naar specifieke citaten uit de interviews. Dat versterkt de efficiëntie en de deugdelijkheid van het onderzoek.

Tegelijkertijd blijft de rol van de auditor onverminderd centraal. AI levert het ruwe analytische materiaal, maar het is aan het auditteam om de patroonkaarten te interpreteren, te wegen en te verbinden met de specifieke context van de organisatie. Het professionele oordeel, de kennis van de beheersomgeving en het vermogen om bevindingen betekenisvol te communiceren blijven mensenwerk. AI vervangt de auditor niet. AI maakt de audit, en daarmee ook de auditor, efficiënter en effectiever.

Behavioral Auditing 2.0

De integratie van AI in de kwalitatieve data-analyse is de kern van wat inmiddels wordt aangeduid als Behavioral Auditing 2.0. Deze doorontwikkeling van de oorspronkelijke behavioral-auditmethodiek, die ruim 25 jaar geleden werd ontwikkeld, combineert de beproefde kwalitatieve onderzoeksaanpak met moderne AI-ondersteuning.

Wat Behavioral Auditing 2.0 onderscheidt van zijn voorganger is niet de achterliggende filosofie, maar een wezenlijk andere uitvoering. De methodiek kent vijf verbeteringen ten opzichte van de klassieke aanpak (zie figuur 1). De kracht van dit model schuilt in de combinatie van diepgang en uitvoerbaarheid. Het onderzoek brengt in beeld waarom patronen bestaan en wat deze patronen in stand houdt. En dat in een tijdsbestek en met een capaciteitsbeslag dat past bij de realiteit van een auditafdeling.

Van soft topic naar scherp instrument

Terug naar het voorbeeld uit de inleiding. De manager die belooft ‘nogmaals op de procedures te wijzen’ demonstreert wat Argyris ‘single loop learning’ noemde: de actie aanpassen zonder de onderliggende aannamen te onderzoeken. Het gevolg laat zich raden: meer bureaucratie, eenzijdige druk op het lijnmanagement en een afzwakkende prikkel om te leren. De echte oorzaak van het niet-naleven blijft ongemoeid.

Een behavioral audit doorbreekt dat patroon door double loop learning te faciliteren: niet alleen anders doen, maar anders denken. Door de drijfveren en overtuigingen die ten grondslag liggen aan het gedrag inzichtelijk te maken, wordt het mogelijk om de verandering te laten aangrijpen op de eigenlijke oorzaak.

De introductie van AI in dit proces is een belangrijke stap voorwaarts. AI maakt het mogelijk om gedrag en cultuur te onderzoeken met de diepgang die het verdient, binnen de tijds- en capaciteitsgrenzen die de praktijk dicteert. Dat is relevant voor elke auditfunctie die serieus werk wil maken van de Organizational Behavior Topical Requirement en die de ambitie heeft om niet alleen vast te stellen wat er misgaat, maar vooral ook waarom het misgaat.

Auditen van cultuur en gedrag gaat niet over zachte onderwerpen, maar over harde risico’s met een menselijke oorsprong. Met AI als bondgenoot is die investering nu toegankelijker dan ooit.