AI heeft het probleem gevonden. Het zijn jouw beslissingen
AI-adoptie: Minder dan 30% van de organisaties die AI gebruiken, ziet betekenisvolle resultaten. Het opnieuw ontwerpen van besluitvorming is cruciaal.
Productiviteitstheater: AI verhoogt de snelheid, maar verbetert de besluitvorming niet. Organisaties belanden vaak in de valkuil van de 'mens-in-de-lus'.
Organisatieontwerp: AI vereist het veranderen van besluitvormingsstructuren, niet alleen het implementeren van tools, om processen en resultaten te verbeteren.
Gedragsbenadering: De menselijke reactie en procesintegriteit zijn essentieel bij AI-adoptie, naast alleen het inzetten van technologie.
Leiderschapsverschuiving: AI vereist adaptief leiderschap dat verder gaat dan traditionele kaders en zich richt op begeleiding in plaats van controle.
Minder dan 30% van de organisaties die AI proberen te implementeren, behalen er betekenisvolle opbrengsten mee. Dat cijfer blijft hardnekkig stabiel, zelfs nu de toepassing van tools is versneld.
Paul Gibbons, consultant en auteur van "AI adopteren: de mensgerichte aanpak", kijkt al drie decennia toe hoe technologie-implementaties om dezelfde onderliggende reden mislukken.
De obstakels zijn organisatorisch. Silo’s, cultuur, mindset, vaardigheden.
Wat doorgaans niet in evaluaties achteraf naar voren komt, is dit: de organisatie heeft nooit opnieuw ontworpen hoe zij beslissingen nam.
Create a Free Account to Keep Reading—and Keep Leading Smarter
Unlock this piece and join a community of forward-thinking leaders discovering tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Die observatie klinkt abstract totdat je kijkt naar hoe een mislukking er van binnenuit daadwerkelijk uitziet. Jurgen Appelo, auteur van "Mens, robot, agent" en oprichter van de Solo Chief-nieuwsbrief, noemt het meest voorkomende patroon productiviteitstheater.
Leidinggevenden schrijven de inzet van AI-tools voor. Teams leren ze te gebruiken, samenvattingen stapelen zich op en notulisten vullen elke vergadering. Vervolgens realiseert de organisatie zich bijna ongemerkt dat alles sneller gaat, maar dat er fundamenteel niets is veranderd.
Bedrijven strooien AI over kapotte werkprocessen heen, en dat is te zien.
De besluitvormingsstromen die onder die werkprocessen liggen — wie een beslissing neemt, welke gegevens die beslissing informeren, waar menselijk oordeel vereist is en waar het slechts om gewoonte gaat — zijn volledig intact gebleven.
Appelo noemt dit de valkuil van de mens-in-de-lus: elke AI-interactie begint en eindigt nog steeds bij een mens, de systemen praten nooit met elkaar en alles beweegt met de snelheid van de langzaamste bottleneck. Met andere woorden: de tools werden slimmer, maar de architectuur veranderde niet.
Hoe ziet het eruit als dat wel gebeurt?
Wanneer de tool presteert, maar de organisatie niet
Carla Catelan leidt al meer dan twintig jaar talentwervingsactiviteiten op grote schaal en heeft teams aangestuurd die jaarlijks honderden mensen aannamen bij onder meer Thoughtworks, Cognizant en Hewlett-Packard. Wanneer ze over AI bij werving praat, heeft ze het niet over AI als tool. Ze beschouwt het als een ontwerpprobleem.
Leiderschap in een AI-eersttijdperk draait om het ontwerpen van besluitvormingsarchitecturen en het creëren van systemen waarin mensen, gegevens en AI samenwerken om betere resultaten te behalen.
Die invalshoek kwam voort uit een moeizaam verworven inzicht.
Toen Thoughtworks voorspellende analyses begon toe te passen op zijn wervingsproces, ontdekte het team van Catelan iets onverwachts. De doorlooptijd — het aantal dagen vanaf het openstellen van een functie tot aan de invulling ervan — was al sterk en lag consequent tussen de 30 en 35 dagen. Snelheid was niet het probleem. Daarom ging het team op zoek naar wat dat wel was.
Ze ontdekten dat variatie in functieomschrijvingen betrouwbaarder tot slechtere wervingsresultaten leidde dan de kwaliteit van kandidaten. Functieomschrijvingen die onduidelijk, overdreven of inconsistent gestructureerd waren, verstoorden het leerproces van de AI stroomopwaarts. Dat leidde tot lagere conversieratio's, meer afwijzingen in een laat stadium en zwakkere prestaties in de beginfase, ongeacht wie er in de kandidatenpool zat.
De oplossing was geen nieuw model. Thoughtworks herbouwde zijn functieomschrijvingen tot wat Catelan 'voorspellende artefacten' noemt, waarbij vereisten die eerder met ruis dan met succes correleerden werden verwijderd en het signaal dat het model inging werd versterkt. De AI verbeterde omdat de input voor de beslissingen verbeterde.
Die logica aan de voorkant, namelijk dat de kwaliteit van wat de beslissingsarchitectuur ingaat de kwaliteit bepaalt van wat eruit komt, loopt door elke toepassing die Catelan heeft gebouwd.
AI wordt ingezet om patronen zichtbaar te maken, longitudinale gegevens te bundelen en kwantitatieve signalen te structureren. Mensen behouden het eigenaarschap over kwalitatieve oordeelsvorming en de uiteindelijke beslissingen. De grens tussen beide is expliciet en wordt niet verondersteld.
Pilots schalen niet. Architectuur wel.
De meest voorkomende fout die Catelan ziet bij organisaties die dit proberen te repliceren, is dat ze AI behandelen als een reeks pilots in plaats van als een fundamentele verandering in de manier waarop beslissingen over werk worden genomen.
De meeste bedrijven investeren flink in AI-tools en verwachten verbeteringen," zegt ze. "Maar ze houden dezelfde prikkels, dezelfde hiërarchische structuren en dezelfde beperkte datageletterdheid binnen het leiderschap. Het resultaat is dat AI onderbenut of verkeerd gebruikt wordt. Krachtige modellen leveren inzichten op die niet worden vertrouwd, begrepen of benut.
Thoughtworks pakte dit aan door een crossfunctionele werkgroep op te richten die zich specifiek richt op AI-ondersteund beslissingsontwerp binnen talentacquisitie.
De groep werkt aan de hand van expliciete doelen op bedrijfsniveau:
- Conversiepercentages in de volledige wervingsfunnel met 50% verhogen door voorspellende segmentatie
- Het aantal interviewuren met 30% verminderen door kandidaten met een lage waarschijnlijkheid eerder in het proces uit te sluiten.
Die cijfers zijn niet slechts ambities. Ze vormen het mandaat.
De volgorde is net zo belangrijk als de doelen. Voordat enige automatisering wordt geïntroduceerd, brengt de groep in kaart waar cruciale beslissingen worden genomen, wie daarvoor verantwoordelijk is, welke gegevens nodig zijn en waar menselijk oordeel centraal moet blijven staan.
Pas wanneer die architectuur duidelijk is, komt AI in beeld: het ondersteunt specifieke stappen in plaats van bovenop niet-onderzochte processen te worden gelegd.
"We herontwerpen besluitvormingsprocessen voordat we automatisering introduceren," zegt Catelan. "Niet daarna."
Wat 90% van de implementaties overslaat
Yannick Fouagou, directeur personeelsoperaties en -oplossingen bij Greenshield, kwam vanuit een andere invalshoek tot een vergelijkbare conclusie. Zijn achtergrond ligt in elektrotechniek en kwaliteitsmanagementsystemen binnen de olie- en gassector, omgevingen waarin procesintegriteit niet onderhandelbaar is en fouten fysieke gevolgen hebben. Toen hij overstapte naar personeelsoperaties, bracht hij diezelfde nauwgezetheid mee naar de menselijke kant van AI-adoptie.
Wat hem verraste, was hoe weinig de technologie ertoe deed in vergelijking met de menselijke reactie erop.
AI-adoptie bestaat voor 10% uit technologie en voor 90% uit menselijke psychologie. Aanvankelijk ging ik ervan uit dat iedereen deze tools even enthousiast zou willen gebruiken, maar ik besefte al snel dat AI hetzelfde traditionele verandermanagement vereist dat we al tientallen jaren gebruiken. Als je het menselijke werk overslaat van het aanpakken van angst, weerstand en de veranderingscurve, zal zelfs de meest geavanceerde technologie nog steeds mislukken.
Voor Fouagou is beslissingsarchitectuur niet uitsluitend een vraagstuk van organisatieontwerp. Het is ook een gedragsvraagstuk. Zijn aanpak segmenteert belanghebbenden op basis van hun positie op de adoptiecurve, sluit vervolgens bij hen aan en legt de nieuwe manier van werken daarna vast in formele processen en documentatie, zodat de verschuiving structureel wordt in plaats van een tijdelijke opleving van enthousiasme.
"We rollen niet alleen tools uit," zegt hij. "We leggen de nieuwe manier van werken vast in SOP's en beleidsregels om verantwoordingsplicht te waarborgen."
Die codificatie creëert een feedbacklus. Het systeem houdt bij wat medewerkers vragen, identificeert waar documentatie ontbreekt en genereert aanbevelingen om de hiaten op te vullen. De kennisbank leert van de patronen van de mensen die deze gebruiken. Zo ziet besluitvormingsarchitectuur eruit wanneer de gedragslaag ingebouwd is in plaats van achteraf toegevoegd.
De lus waar leiders uit moeten komen
De professionals die hier op functieniveau aan werken, hebben ruimte om opnieuw te ontwerpen. Het moeilijkere probleem bevindt zich aan de top.
Gibbons heeft programma's voor AI-geletterdheid voor managementteams uitgevoerd en vond de resultaten ontnuchterend. Toen hij een groep van twaalf leiders vroeg hoeveel formele opleiding zij het voorgaande jaar hadden gevolgd, kwam het totaal voor hen allemaal samen uit op drie dagen.
"Dat is gewoon niet genoeg", zegt hij.
Het probleem is eerder structureel dan individueel. Succes heeft er volgens Gibbons voor gezorgd dat de meeste senior leiders weerstand bieden aan het soort leren dat AI-adoptie vereist. Hun gezag is gebaseerd op kennis. AI destabiliseert dat.
Appelo beschrijft de leiderschapsuitdaging anders, maar komt op hetzelfde punt uit. Wanneer AI mensen op de meeste analytische taken overtreft, draait leiderschap er niet langer om de antwoorden te hebben.
De meeste leidinggevenden zijn opgeleid met managementkaders die zijn ontwikkeld voor omstandigheden met een relatieve voorspelbaarheid. Appelo verwijst specifiek naar transformationeel leiderschap, een model dat uit de jaren zeventig stamt en uitgaat van een leider die de informatiestroom beheerst, beslissingen goedkeurt en zich in het centrum van de lus bevindt.
Juist dat model moet door AI-adoptie worden afgebroken. Managers in de lus worden knelpunten. Managers boven de lus, die richting geven, bijsturen en hun oordeel vellen over de werkelijk moeilijke beslissingen, zijn wat de nieuwe architectuur vereist.
Gibbons noemt de gelijkwaardige verschuiving adaptief leiderschap. Ontwikkeld voor snelheid, voor ontwikkeling en voor werken zonder te weten hoe het eindpunt eruitziet.
"We weten niet welke vorm pilots zullen aannemen of hoe gemakkelijk ze zullen opschalen," zegt Gibbons. "Oude leiderschapsparadigma's waren gebouwd voor een voorspelbaarheid die niet meer bestaat."
Een besluitvormingsarchitectuur voor AI bouwen
De professionals hierboven werken niet vanuit een gedeelde methodologie, maar hun aanpak volgt wel een consistente logica. Zo pas je die toe.
Begin met de beslissing, niet met de tool
Breng voordat je een AI-toepassing selecteert elke belangrijke beslissing in de workflow die je wilt aanpakken in kaart. Wie is verantwoordelijk voor elke beslissing? Welke gegevens vormen de basis ervan? Waar is menselijk oordeel echt nodig en waar is het slechts een gewoonte?
Het team van Catelan deed dit werk binnen talentwerving voordat het voorspellende modellen introduceerde. Uit de analyse bleek dat de grootste bron van fouten verderop in het proces niet het selectieproces was, maar de functieomschrijvingen die eraan ten grondslag lagen.
Controleer de invoer
AI leert van wat je het voert. Als de gegevens die een model binnenkomen inconsistent, opgeblazen of slecht gestructureerd zijn, zullen de resultaten dat weerspiegelen. De herziening van functieomschrijvingen door Catelan verbeterde de modelprestaties zonder het model zelf aan te raken.
Onderzoek voordat je AI op een workflow toepast de kwaliteit en consistentie van de invoer waarvan die workflow afhankelijk is. Rommel erin schaalt nu sneller.
Stel doelstellingen op bedrijfsniveau vast, geen processtatistieken
Vage doelen leveren vage resultaten op. De werkgroep van Catelan werkt met specifieke cijfers: een stijging van 50% in conversiepercentages binnen de funnel en een vermindering van 30% in interviewuren.
Die doelstellingen creëren druk voor duurzame prestaties op systeemniveau in plaats van geïsoleerde experimenten. Als je niet kunt verwoorden wat een succesvol herontworpen AI-workflow in bedrijfstermen oplevert, is het ontwerp nog niet klaar.
Definieer de grens tussen mens en AI expliciet
Elk herontwerp vereist duidelijke antwoorden op twee vragen: waar is AI verantwoordelijk voor en waar zijn mensen verantwoordelijk voor? Het principe van Catelan is dat AI kwantitatieve signalen structureert en inzichten zichtbaar maakt, terwijl mensen het kwalitatieve oordeel en de uiteindelijke beslissingen behouden.
Die grens moet worden gedocumenteerd, gedeeld en opnieuw bekeken naarmate het systeem volwassener wordt. Zonder die grens wordt verantwoordelijkheid diffuus en worden fouten ontraceerbaar.
Bouw governance in voordat je opschaalt
Bouw vanaf het begin de mogelijkheid voor menselijke tussenkomst, monitoring van vooringenomenheid en afwijkingen, en duidelijke verantwoordelijkheid voor modeluitkomsten in de architectuur in. Fouagou legt wijzigingen vast in beleid in plaats van ze als informele praktijk te laten bestaan.
Besturing die achteraf wordt toegevoegd, komt meestal pas nadat er al iets is misgegaan.
Beschouw adoptie als een gedragsprobleem
Fouagous 10/90-observatie is de laag die de meeste organisaties volledig overslaan, wat vaak leidt tot dure fouten bij het meten van het rendement op AI-investeringen. Technische implementatie en menselijke adoptie zijn niet hetzelfde proces.
Deel je belanghebbenden in segmenten in. Bepaal waar weerstand waarschijnlijk is en pak die aan vóór de uitrol, niet tijdens de uitrol. Meet niet alleen efficiëntiewinst, maar ook of de vrijgekomen tijd daadwerkelijk wordt besteed aan werk met een hogere waarde.
Er is een kloof waar de meeste organisaties nog geen rekening mee hebben gehouden. Die bevindt zich tussen de hulpmiddelen die ze hebben geïmplementeerd en de besluitvormingslogica die ze onveranderd hebben gelaten.
Catelans kijk op AI-gereedheid verdient nadere overweging.
Het betekent dat je consequent betere vragen stelt," zegt ze. "Welke signalen zijn belangrijk, waar bestaat onzekerheid en hoe kunnen gegevens het menselijk oordeel informeren.
De hulpmiddelen brachten de vraag aan het licht. Het ontwerpwerk biedt het antwoord.
