De directeur van Zapier zegt dat het echte voordeel van AI in cultuur ligt, niet in technische verfijning

Brandon Sammut is de directeur Personeel & AI-transformatie bij Zapier. Hij en het team van Zapier hebben de afgelopen drie jaar AI geïntegreerd in hun systemen, werkstromen en personeelspraktijken.

We gingen met Brandon in gesprek om te ontdekken waarom zijn functie veranderde van "Personeel" naar "Personeel en AI-transformatie". Hij vertelde ons dat echte AI-transformatie een mensenuitdaging is, geen technische uitdaging.

Systemen bouwen die het menselijk potentieel maximaliseren

Ik ben Brandon Sammut, directeur Personeel & AI-transformatie bij Zapier. Ik richt me op de toekomst van werk op het snijvlak van talent en technologie.

Mijn route hiernaartoe was allesbehalve lineair. Ik begon in het onderwijs—eerst als directeur van een studentenresidentie aan de University of Texas at Arlington—en werkte daarna zes jaar bij Teach For America op het gebied van werving, financiën, operationele activiteiten en zakelijke partnerschappen.

Later behaalde ik een MBA en een master in onderwijskunde aan Stanford, liep ik stage in durfkapitaal bij Owl Ventures en belandde ik uiteindelijk in mijn eerste functie als directeur Personeel bij LiveRamp (NYSE: RAMP). Wat deze ervaringen gemeen hebben, is een rode draad die me diep motiveert. Hoe bouwen we systemen die het menselijk potentieel maximaliseren, en hoe koppelen we dat potentieel op schaal aan kansen? 

Ik kwam in 2021 bij Zapier, nog vóór de revolutie van generatieve AI. In maart 2023 vaardigde onze CEO een bedrijfsbrede "AI-code rood" uit—een oproep tot actie die alles veranderde. We realiseerden ons dat de AI-kans van Zapier (en het risico van niets doen) enorm was.

Ons personeelsteam en ik hebben de afgelopen drie jaar gewerkt aan AI-transformatie binnen de volledige werknemerservaring—van de manier waarop we mensen aannemen tot de manier waarop we mensen ontwikkelen en het werk zelf opnieuw vormgeven.

Eind 2025 formaliseerden we dit werk door mijn functie uit te breiden, zodat ik naast Personeel expliciet verantwoordelijk werd voor AI-transformatie. De logica was eenvoudig: echte AI-transformatie is een mensenuitdaging, niet alleen een technische uitdaging.

Zapier is een platform voor AI-orkestratie met een volledig op afstand werkend team van 800 mensen in meer dan 40 landen. Mijn verantwoordelijkheden omvatten de volledige personeelsfunctie, van talentwerving tot talentontwikkeling, personeelsactiviteiten en totale beloning—plus de bedrijfsbrede AI-transformatie van Zapier. Daaronder vallen ons excellentiecentrum voor AI-transformatie, 11 ingebedde AI-transformatieteams op afdelingsniveau en ons open-source AI-transformatieraamwerk, dat we publiekelijk delen met de bredere markt.

Kort gezegd: ik ben verantwoordelijk voor zowel de mensen als de AI-systemen die deze mensen helpen hun beste werk te leveren. Ik werk ook samen met onze klantgerichte teams om andere organisaties te helpen succesvol te zijn in hun eigen AI-transformaties.

Hoe AI werk menselijker maakt

In ons hele bedrijf gebruikt 97% van de medewerkers AI-codeerhulpmiddelen in hun kernwerk. Achtentachtig procent zegt dat dit hun prestaties aantoonbaar heeft verbeterd en de medewerkersbetrokkenheid ligt in onze korte enquêtes boven de 80%. Dit vertelt me dat AI de werknemerservaring op dit moment niet uitholt, maar we zeggen dit met de nodige bescheidenheid en blijven nieuwsgierig naar de impact van AI op de manier waarop mensen hun werk ervaren.

Banen worden interessanter, en dat is het kwalitatieve verhaal waar ik het meest enthousiast over ben. Wanneer we repetitieve taken automatiseren, doen mensen meer creatief, strategisch en menselijk werk.

Ons talentwervingsteam krijgt regelmatig lof voor de kandidaatervaring. Niet omdat ze een uitzonderlijk groot team hebben, maar omdat een doordachte orkestratie van automatisering en AI de personalisatie vergroot.

Er ontstaan nieuwe carrièrepaden. Mensen die handmatig, repetitief werk deden, bouwen nu automatiseringen, vervullen functies op het gebied van AI-transformatie en dragen bij aan volledig nieuwe functies.

AI neemt werk met lage waarde weg en onthult toppresteerders

Ons klantenserviceteam heeft de gemiddelde afhandelingstijd van tickets met 50% verlaagd dankzij samenvattingen op basis van AI. Dat betekent dat ze nu twee keer zo snel antwoord geven op vragen van klanten. Datzelfde team wordt nu betaald op het 90e percentiel van de markt. Dat is geen toeval.

Wanneer AI repetitief werk met weinig toegevoegde waarde wegneemt, doen mensen daadwerkelijk moeilijk werk waarvoor veel beoordelingsvermogen nodig is — en kun je ze daar passend voor betalen. Het zijn toppresteerders die waardevolle resultaten leveren.

Ons team voor vraaggeneratie heeft een door AI aangedreven werkstroom gebouwd die onderzoek naar potentiële klanten automatiseerde en in realtime gepersonaliseerde benadering voor AEs genereerde. Daarmee kwam de capaciteit van 4,5 FTE vrij, bespaarden we $15–20K aan kosten voor hulpmiddelen en genereerden we $1.2M aan verkooppijplijn. Eén werkstroom.

Omzetactiviteiten draaien nu 25 AI-werkstromen en agenten en besparen daarmee het equivalent van 34 volledige werkweken per maand. De financiële afdeling heeft de afsluiting aan het einde van de maand met 25% verkort ondanks de toegenomen complexiteit — met een team van 8 personen voor een bedrijf dat meer dan $5 miljard aan jaaromzet genereert.

Het moeilijke is geweest dat het tempo van verandering vermoeidheid veroorzaakt. Niet iedereen beweegt met dezelfde snelheid, en dat is prima. Maar die ongelijkheid binnen 800 mensen managen vereist doelgerichtheid, en sommige door AI aangedreven werkstromen hadden meerdere iteraties nodig voordat ze resultaten opleverden waar we echt tevreden over waren.

Ik noem dat geen mislukkingen. Dat is de aard van het werk. De intelligentie blijft groeien. Iets wat vandaag nog niet helemaal voldoet, kan er over een maand compleet anders uitzien.

Brandon deelt

De vraag is niet “Hoe indrukwekkend is dit?” maar “Verbetert dit iemands werk echt?“

Waarom eenvoud complexiteit overstijgt bij AI-initiatieven

In het begin gingen mijn team en het bedrijf er automatisch van uit dat de waardevolste AI-toepassingen technisch geavanceerd zouden zijn. Dit leidde tot over-engineering. In werkelijkheid is een deel van ons werk met de grootste impact vrij eenvoudig geweest: kandidaatcommunicatie automatiseren en personaliseren voor elke functie, een eenvoudige AI-coach voor het stellen van doelen bouwen en lange ondersteuningstickets samenvatten tot bruikbare inzichten.

Als ik opnieuw kon beginnen, zou ik mezelf vertellen dat ik moest starten met de eenvoudigste oplossing die een echt menselijk pijnpunt aanpakt. Verwar technische complexiteit niet met bedrijfswaarde. De vraag is niet "Hoe indrukwekkend is dit?" maar "Verbetert dit iemands werk echt?"

Hoe een beoordeling van AI-vaardigheid de lat hoger legt voor nieuwe medewerkers

We beoordelen nu de AI-vaardigheid van 100% van de kandidaten, voor elke afdeling en elke functie. Dit is de grootste operationele verandering die we vanwege AI hebben doorgevoerd. AI wordt een basisvereiste voor de manier waarop werk wordt gedaan.

We hebben een raamwerk voor AI-vaardigheid opgesteld met vier niveaus: Onacceptabel, Bekwaam, Adopterend en Transformeerend.

• "Onacceptabel" betekent dat iemand actief weerstand biedt aan AI of het nooit doelgericht heeft gebruikt — voor ons is dat een absolute afwijzing.
• "Bekwaam" betekent dat je AI herhaaldelijk doelgericht hebt gebruikt en vooruitgang laat zien in je leerproces — we zoeken naar echte voorbeelden die kandidaten kunnen beschrijven, zelfs eenvoudige.
• "Adopterend" betekent dat je het incidentele gebruik achter je hebt gelaten en AI regelmatig en doelgericht toepast met echte impact — we zoeken naar duidelijke verhalen over rendement op investering.
• "Transformeerend" betekent dat AI de manier waarop je werkt fundamenteel heeft veranderd en dat deze nieuwe manier van werken invloed heeft op je team, projecten of organisatie — niet alleen op je eigen productiviteit.

In onze systemen hebben we de beoordeling van AI-vaardigheid ingebed in onze gestructureerde sollicitatiegesprekken en een sollicitatieagent voor het verhogen van de lat gebouwd — een door AI aangedreven hulpmiddel dat aangepaste interviewvragen genereert op basis van de functie, het niveau en ons beoordelingskader. Het hulpmiddel legt uit waarom hij elke vraag heeft gekozen, waardoor interviewers binnen onze organisatie van 800 mensen met 10 VP's consistent kunnen kalibreren.

We hebben ons wervingsteam getraind om vaardigheid te beoordelen en hebben per functie gekalibreerd hoe "goed" eruitziet op elk niveau. Op gedragsniveau beschikken wervingsmanagers nu over een gedeelde taal om te praten over AI-gereedheid.

Wat de resultaten betreft, versnelden de kwaliteit van experimenten en het onderlinge leren over AI merkbaar zodra elke nieuwe medewerker binnenkwam met ten minste een basisniveau van AI-vaardigheid. Het verhoogde de ondergrens voor het hele bedrijf.

Hoe AI de effectiviteit van 1-op-1-gesprekken vergroot

Ik bespreek onze coach voor een-op-eenvergaderingen, omdat dit ons meest geavanceerde project voor het People-team is en laat zien hoe AI de menselijke kant van management kan versterken (niet vervangen).

Probleem: Elke leidinggevende weet dat de kwaliteit van een-op-eengesprekken tussen managers en hun directe medewerkers een van de sterkste voorspellers is van betrokkenheid, behoud en prestaties. Maar de meeste managers krijgen weinig realtime coaching over hoe ze zich in die gesprekken opstellen. Stellen ze genoeg vragen? Praten ze te veel? Creëren ze ruimte voor de ander?

AI-oplossing: We hebben een AI-gestuurde coach voor een-op-eenvergaderingen ontwikkeld. Na een een-op-eenvergadering (met volledige transparantie voor beide partijen — deelname is vrijwillig en zichtbaar) analyseert het systeem het gesprek en genereert het coachingsfeedback voor de manager.

Proces van begin tot eind:

1. De manager en de directe medewerker voeren hun reguliere een-op-eengesprek (aan de vergadering zelf verandert niets).
2. Na de vergadering analyseert de AI de structuur van het gesprek — de verhouding tussen praten en luisteren, de soorten vragen die zijn gesteld en of de manager ruimte heeft gecreëerd voor de prioriteiten van de directe medewerker.
3. De coach genereert gepersonaliseerde feedback, zoals: “Je sprak 70% van de tijd tijdens deze vergadering — overweeg meer open vragen te stellen,” of: “Je stelde goede verduidelijkende vragen, maar miste een kans om te coachen op het probleem dat je medewerker naar voren bracht.” De coach geeft feedback alleen aan de manager — privé, constructief en direct toepasbaar.
4. Na verloop van tijd kan de manager patronen in meerdere een-op-eengesprekken zien en de eigen ontwikkeling volgen,

Waarom het werkt: Het lost het probleem van het opschalen van HR-businesspartners op waar elk bedrijf mee te maken heeft. We kunnen niet bij elke een-op-eenvergadering een HRBP inzetten. Maar we kunnen elke manager wel een privécoach bieden die helpt om beter te worden in de gesprekken die er het meest toe doen — zonder dat de manager iemand om hulp hoeft te vragen of hoeft toe te geven dat het moeilijk gaat.

De vertrouwensarchitectuur is allesbepalend: Welke gegevens worden gebruikt? Waar worden ze opgeslagen? Wie kan ze zien? We zijn op al deze punten radicaal transparant. Het is een “Iron Man-pak” voor managers — het vergroot hun mogelijkheden — en geen AI-opperwezen dat over hun schouder meekijkt. Dat onderscheid is enorm belangrijk voor de acceptatie.

Ik deel ook een eenvoudigere, maar even krachtige workflow: onze AI-feedbackcoach, die we gebruiken bij de voorbereiding op het geven van constructieve feedback. Deze is getraind met ons interne feedbackkader en voorbeelden van uitstekende constructieve feedback.

Een medewerker kan dit privé gebruiken, de situatie beschrijven en hulp krijgen bij het structureren van de feedback vóór een livegesprek. Het lost het menselijke probleem op van: “Ik weet dat ik deze feedback moet geven, maar ik weet niet hoe ik die vakkundig moet formuleren, en ik wil er nog niet met een ander persoon over praten omdat de context te gevoelig ligt.” De AI neemt die drempel volledig weg.

Waarom uitdagingen bij AI-integratie groter zijn dan technische mislukkingen

Om volledig open te zijn: op de plekken waar AI onder de verwachtingen heeft gepresteerd, kwam dat minder doordat de technologie faalde en meer door de uitdaging van de integratie. De grootste kloof ontstond bij de overgang van individuele naar institutionele AI-adoptie.

Hoewel 97% van ons team AI gebruikt, is het fundamenteel herstructureren van kernbedrijfsprocessen van begin tot eind met AI een heel andere berg om te beklimmen.

We plukten snel het laaghangende fruit. Het moeilijkere werk met een hogere waarde — workflows opnieuw ontwerpen vanuit de eerste principes en AI-gestuurde tools strategisch met elkaar laten communiceren — verloopt trager en rommeliger dan ik had verwacht.

Intern noemen we dit de verschuiving van “individuele AI” naar “institutionele AI op schaal”, en het is onze belangrijkste focus voor 2026. Hiervoor zijn gedeelde authenticatie-infrastructuur, gegevensfundamenten tussen functies en een fundamentele heroverweging nodig van de manier waarop teams processen aan elkaar overdragen. Dat is architectuurwerk, niet alleen experimenteren.

Weer een eerlijke bekentenis: De overbelasting door AI-leveranciers is echt. Het aantal tools dat beweert AI-transformatie op te lossen, is overweldigend. Een andere les die we op de harde manier hebben geleerd, is dat het essentieel is om te consolideren naar een klein aantal kernplatforms, in plaats van meer dan tien afzonderlijke oplossingen te verzamelen. We houden nu het gebruik, de betrouwbaarheid en de ROI van elke tool bij en beëindigen actief het gebruik van tools die niet integreren.

En het laatste nadeel van AI: Er is sprake geweest van een afname van verantwoordelijkheid door het gemak dat AI creëert. Wanneer AI snel en eenvoudig resultaten genereert, kunnen leiders zaken publiceren zonder echte menselijke controle. De kwaliteitsnorm kan dalen ten gunste van snelheid als leiders niet voorzichtig zijn. Als AI bijdraagt aan het werk, blijven mensen verantwoordelijk voor de nauwkeurigheid, toon en impact ervan.

Hoe AI de behoefte aan een formeel curriculum verandert

Ik ging ervan uit dat de ontwikkeling van vaardigheden een formeel curriculum vereist, maar dat bleek niet te kloppen. Jarenlang bestond de standaardaanpak binnen People/L&D uit het identificeren van een vaardigheidstekort, het ontwerpen van een trainingsprogramma, het geven ervan en het meten van de voltooiing.

AI heeft dat model voor ons doorbroken. De technologie verandert zo snel dat een traditioneel curriculum al verouderd zou zijn tegen de tijd dat we het konden schrijven.

We hebben het vervangen door een leerfilosofie die is gebaseerd op leersnelheid in plaats van op kennisvoorraad. We hebben geen formeel AI-curriculum bij Zapier. In plaats daarvan integreren we AI-leren en experimenteren in zoveel mogelijk bestaande praktijken van Zapier — hackweken werden AI-hackweken, onboarding werd een opstap naar AI-vaardigheid en peer-to-peer vraag-en-antwoordkanalen met aangewezen AI-hoofdgebruikers werden de ondersteuningslaag.

Het diepere inzicht hierbij is dat hoeveel we op een bepaald moment weten minder belangrijk is dan hoe snel we leren. En de ingrediënten die de leersnelheid maximaliseren — psychologische veiligheid, een experimenteercultuur, het delen van wat wel en niet werkt — zijn ingrediënten van de organisatiecultuur die niet elk bedrijf op orde heeft.

Waarom AI-transformatie een culturele uitdaging is

Brandon deelt

Als je cultuur experimenteren niet ondersteunt — als mensen zich niet veilig voelen om dingen te proberen, te falen en te delen — zal geen enkele AI-tool je brengen waar je naartoe wilt.

AI-transformatie is een uitdaging voor mensen, geen technische uitdaging. Elk bedrijf heeft het over AI-transformatie, maar weinig bedrijven pakken het goed aan omdat ze zich eerst op tools richten.

Echte transformatie begint bij mensen, cultuur en leiderschap. Als je cultuur experimenteren niet ondersteunt — als mensen zich niet veilig voelen om dingen te proberen, te falen en te delen — zal geen enkele AI-tool je brengen waar je naartoe wilt.

De People-functie is zelden belangrijker geweest dan in het AI-tijdperk. Veel zaken waarin we zijn opgeleid — personeelsplanning, verandermanagement en leiderschapsontwikkeling — zijn nu belangrijker, niet minder belangrijk.

De organisaties die het snelst AI zullen leren, zijn de organisaties waar mensen zich veilig voelen om dingen te proberen die misschien niet werken, die experimenten openlijk te delen en publiekelijk van mislukkingen te leren. Als je cultuur falen bestraft of kennis voor zichzelf houdt, zullen AI-tools je niet redden.

We hebben evenveel tijd besteed aan het zorgen dat die culturele componenten aanwezig zijn als aan traditionele bijscholing. De tools zijn basisvereisten — de cultuur maakt het verschil.

Waarom prestatiemanagement opnieuw moet worden ontworpen

Prestatiemanagement is een gebied dat actief opnieuw moet worden ontworpen voor een door AI ondersteunde toekomst. De traditionele cyclus van prestatiebeoordelingen — jaarlijks of halfjaarlijks, terugblikkend en sterk afhankelijk van het geheugen en de schrijfvaardigheid van een manager — moet verdwijnen.

Bij Zapier zijn we al begonnen dit op meerdere niveaus opnieuw te ontwerpen:

• Laag 1 – Bewijs verzamelen (de workflow "Blobnotities"): We hebben een uiterst eenvoudige Slack-integratie gebouwd. Wanneer er iets noemenswaardigs gebeurt — uitstekend werk, een moment van leiderschap, een ontwikkelpunt — reageert een manager of teamlid op het relevante Slack-bericht met een specifieke emoji (we noemen dit "blobnotities": 📝). Die reactie activeert een Zapier-workflow die het bericht vastlegt, het samenvat met behulp van AI en een duidelijke vermelding van prestatiebewijs vastlegt in een gestructureerd document. Geen formulieren, geen wisselen tussen contexten en geen afhankelijkheid van maanden later op te halen herinneringen. We leggen bewijs op het moment zelf vast, met één klik op een emoji.
• Laag 2 – Beoordelingen opstellen (de AI-coach voor prestatiebeoordelingen): Wanneer het tijd is voor beoordelingen, geef je de naam, het functieniveau en het verzamelde prestatiebewijs op. De AI stelt een beoordeling op die is afgestemd op onze impactgedragingen — onze prestatienormen, gedifferentieerd naar functieniveau — en gebruikt concrete voorbeelden van uitstekende beoordelingen als referentie. Dit leidt tot duidelijkere, meer op bewijs gebaseerde en beter uitvoerbare beoordelingen, en vermindert de belasting voor managers aanzienlijk.
• Laag 3 – Doelen stellen (de AMP-doelcoach): Een chatbot helpt alle medewerkers in slechts enkele minuten om uitvoerbare, meetbare en doelgerichte doelen te stellen via begeleide prompts. Zo worden rommelige intenties omgezet in duidelijke, traceerbare resultaten.

Maar dit is nog steeds AI-adoptie — het bestaande systeem beter laten werken. De kans op transformatie is veel groter.

Wat als prestatiebewijs continu werd vastgelegd en passief werd verzameld via alle werkoppervlakken — niet alleen Slack? Wat als AI patronen aan het licht bracht in de prestatiegegevens van een heel team die één manager nooit zou zien? Wat als coaching over feedback in realtime beschikbaar was en in Slack klaarstond, in plaats van alleen vóór een gepland gesprek?

We bewegen die kant op. Leiders die dit systeem nu opnieuw ontwerpen — terwijl ze de menselijke verantwoordelijkheid voor de daadwerkelijke beslissingen behouden — zullen een aanzienlijk voordeel hebben op het gebied van talentdichtheid en de werknemerservaring.

Hoe AI leiderschaps- en personeelsstrategieën verandert

We hebben voor onze AI-transformatie binnen de hele organisatie, niet alleen binnen HR, geen nieuwe medewerkers aangenomen. We hebben geen rapportagelijnen gewijzigd. Dit was een zeer bewuste beslissing.

In plaats daarvan hebben we een hub-en-spaakmodel voor de personeelsbezetting opgezet. De hub, ons excellentiecentrum voor AI-transformatie, is een klein team dat normen vaststelt, gedeelde tools beheert, onze scorecard voor AI-transformatie bijhoudt en teams helpt succesvolle aanpakken op te schalen zonder het wiel opnieuw uit te vinden.

De spaken zijn 11 AI-transformatie­managers die binnen elke afdeling zijn geplaatst (Bouw, Verkoop & Succes, Marketing, Ondersteuning, People, Uitvoerend Operations, Financiën, Data, Ecosystemen, Bedrijfsvoering, Juridische zaken). Elke manager is verantwoordelijk voor het opleveren van ten minste één casestudy over AI-transformatie per kwartaal vanuit de eigen afdeling.

Cruciaal is dat we onze functies voor engineers voor AI-automatisering hebben ingevuld vanuit ons bestaande People-team, omdat deze mensen al inhoudelijke HR-expertise hebben. Hiermee laten we de organisatie zien wat we werkelijkheid willen maken: hoewel er verstoring zal optreden in het soort functies dat we hebben, zetten we in op ons huidige talent.

Een HR-leider begrijpt intuïtief de valkuilen van het gebruik van het organigram om transformatie aan te sturen. Daarom is de centrale rol van de People-organisatie in dit werk zo belangrijk.

We hebben de beloning ook verhoogd van het 50e naar het 90e percentiel — een concept dat we "talentdichtheid" noemen. Wanneer AI je team aanzienlijk productiever maakt, deel dan de welvaart. Ons klantenserviceteam is een goed voorbeeld: uitblinkers die uitzonderlijke resultaten behalen en daarvoor passend worden beloond.

Waarom het belangrijk is om productiviteitswinst door AI met teams te delen

Ik hoop dat managementteams zichzelf de vraag stellen: "Wat moet er gebeuren met de economische waarde die AI-ondersteunde teams creëren?" Ik hoop dat ze overwegen de extra productiviteit die teams bereiken door creatief na te denken en werk opnieuw vorm te geven met behulp van AI, met hen te delen.

Ons klantenserviceteam heeft de gemiddelde afhandeltijd gehalveerd. Ze zijn nu uitblinkers die resultaten behalen die in de wereld van klantenservice vrij zeldzaam zijn. En ze worden overeenkomstig beloond — in het hoogste 10e percentiel van de markt.

Dit zorgt voor een goede afstemming. Als AI-transformatie meer van mensen vraagt — meer experimenteren, meer leren en meer nadenken over hun eigen rollen — dan moeten de voordelen naar hen terugvloeien, en niet alleen naar de balans. Ik denk dat de leiders die deze afstemming weten te bereiken, het beste talent zullen aantrekken en behouden in een door AI ondersteunde wereld.

Vijf manieren waarop leiders AI-gedreven transformatie effectief kunnen navigeren

Hier zijn vijf dingen waar leiders over moeten nadenken bij het navigeren door AI-transformatie (waarvan sommige misschien contra-intuïtief klinken):

1. Begin met cultuur, niet met hulpmiddelen. Doe een gezondheidscheck: Heb je een sterk gevoel van psychologische veiligheid? Is er vertrouwen in het management? Heerst er een oprechte cultuur van experimenteren? Deze culturele ingrediënten zijn minstens net zo belangrijk als de vaardigheden. Ze zullen je in de rug blazen — of je tegenwind bezorgen — terwijl je deskundigheid opbouwt.
2. Zie AI als een hulpmiddel, niet als een resultaat. Dit geldt voor technologie in het algemeen. Technologieën zijn hulpmiddelen — media — manieren om dingen voor elkaar te krijgen. Wanneer je op deze manier naar AI kijkt, houd je op met het najagen ervan omwille van zichzelf en begin je te vragen: "Welk probleem lost dit op, en hoe ziet 'beter' eruit voor de betrokken mensen?"
3. Publiceer je richtlijnen vroegtijdig. Zonder duidelijke grenzen zullen mensen zichzelf verder beperken dan nodig is. Dit beperkt de creativiteit. Het eerste wat we na onze Code Red deden, was richtlijnen voor AI-gebruik opstellen. Daardoor konden we méér experimenteren, niet minder.
4. Wijs één verantwoordelijke leider aan. Geen commissie. Geen werkgroep die maandelijks bijeenkomt. Eén persoon die verantwoordelijk is voor de AI-transformatie, met de macht om prioriteiten te stellen en middelen toe te wijzen. Bij Zapier ben ik dat — en duidelijk eigenaarschap bracht ons van versnipperd experimenteren naar gecoördineerde transformatie.
5. Handhaaf de “regel van drie”. Als je team iets drie keer handmatig doet, automatiseren ze het de vierde keer. Of ze leggen uit waarom het niet kan of niet geautomatiseerd zou moeten worden. Zo ontstaat een culturele norm: automatisering is niet iets waar je alleen naar streeft — het wordt verwacht. Het ontwikkelt ook de vaardigheid om herhaalbare taken op te merken, de eerste stap naar het opnieuw ontwerpen van werk.

En nog één bonus: maak je draaiboek open source. Deel wat je leert. Door openhartig vooruitgang te delen, versnel je het hele vakgebied. Voor AI-transformatie helpt open source ons allemaal om sneller en samen te leren.

Blijf op de hoogte

Je kunt het werk van Brandon Sammut volgen op LinkedIn. Bekijk ook Zapier's raamwerk voor AI-transformatie.

Er volgen nog meer interviews met experts op People Managing People!