De personeelsstack kreeg AI, maar niemand heeft eerst de gegevens aangepakt
De meeste HR-leiders kunnen je precies vertellen welke AI-tools hun organisatie gebruikt. Maar slechts weinigen kunnen vertellen wat die tools met elkaar doen.
Wanneer AI zijn intrede doet in recruitment, verandert dat de manier waarop kandidaten worden beoordeeld. Wanneer AI zijn intrede doet in prestatiemanagement, verandert dat de manier waarop feedback wordt gegenereerd en wie die geeft. Wanneer AI zijn intrede doet in leren en ontwikkeling, bepaalt dat mede welke vaardigheden prioriteit krijgen en voor wie. Dit zijn geen op zichzelf staande gebeurtenissen, maar ze worden zelden als samenhangend geheel aangestuurd.
Leiders nemen implementatiebeslissingen per functie, en vrijwel niemand is verantwoordelijk voor wat er op de raakvlakken gebeurt.
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
De HR-technologiestack — recruitment, prestaties, L&D, secundaire arbeidsvoorwaarden — wordt stap voor stap voorzien van AI, waarbij elke implementatie wordt beheerd door een ander team, met een andere leverancier en andere doelstellingen. De interacties tussen die systemen worden zelden gemonitord, en vrijwel niemand is verantwoordelijk voor wat er op de raakvlakken gebeurt. Daar stapelt de afwijking zich op.
Duizend bloemen, geen tuinman
Tijdens een panelgesprek vorige week bij Transform in Las Vegas lag de focus op wat er daadwerkelijk verandert wanneer AI zijn intrede doet in de peoplefunctie. Er kwam een terugkerende spanning naar voren: organisaties experimenteren breed, maar sturen beperkt aan.
Jevan Soo Lenox, directeur personeelszaken bij het snelgroeiende AI-bedrijf WRITER, beschreef wat veel leiders in stilte meemaken.
We hebben in een wereld geleefd waarin we duizend bloemen lieten bloeien. Probeer van alles, gebruik allerlei tools, organiseer elk kwartaal een hackathon. Dat creëert een geweldige experimenteercultuur. Maar voor een enorme ROI is het echt ontoereikend.
Het probleem is niet het experimenteren. Het probleem is het gebrek aan inzicht in wat daadwerkelijk succesvol is en wat binnen de organisatie voor inconsistentie zorgt.
Die inconsistentie is structureel. Wanneer een AI-tool binnen recruitment kandidaten beoordeelt aan de hand van een competentiemodel, een afzonderlijke AI-tool binnen prestatiemanagement ontwikkelingsaanbevelingen genereert op basis van een andere reeks criteria, en een derde tool binnen L&D leercontent onder de aandacht brengt op basis van weer een ander gegevenssignaal, eindigt de organisatie met drie versies van wat goed eruitziet. Niemand heeft die uitkomst ontworpen. Niemand houdt haar in de gaten.
Giovanni Luperti, CEO bij Humaans, die samenwerkt met zakelijke klanten die HR-agenten op grote schaal implementeren, formuleerde het kernverschil dat veel van deze beslissingen aanstuurt: besluitondersteuning versus besluitvervanging.
Voor repetitief, deterministisch werk — coördinatie van de introductie van nieuwe medewerkers, planning, het beantwoorden van beleidsvragen — kunnen agenten het proces betrouwbaar uitvoeren en in de loop der tijd verbeteren. Maar bij alles waarvoor beoordelingsvermogen nodig is, moet de mens betrokken blijven, niet als iemand die alleen maar goedkeurt, maar als de daadwerkelijke beslisser.
“Er is vaak niet één juist antwoord,” zei Luperti. “En dus wordt het een kwestie van besluitondersteuning.”
Het probleem is dat organisaties dat onderscheid niet altijd bewust maken. AI wordt aan een workflow toegevoegd omdat het beschikbaar is, omdat een leverancier een overtuigende pitch hield, of omdat een team snel moest handelen.
De drempel voor hoeveel autonomie van AI passend is voor een bepaalde beslissing wordt impliciet vastgesteld, niet doelbewust. En wanneer AI tegelijkertijd recruitment, prestaties en ontwikkeling beïnvloedt, gaan die impliciete drempels op manieren met elkaar interageren die zeer moeilijk te auditen zijn.
De onderliggende basis
De datalaag maakt dit erger voordat ze het beter maakt. Lennox was er duidelijk over:
Als je niet uitgaat van een geweldige, consistente kennisbank, een datalaag waartoe je toegang hebt en waarop je kunt voortbouwen, dan gaat al het andere mis.
De peoplefunctie is historisch gezien een van de slechtste gegevensomgevingen binnen elke organisatie, met gefragmenteerde systemen, inconsistente definities en jaren aan handmatige processen. AI daar bovenop inzetten maakt de basis niet schoner. Het schaalt wat er al is.
Kit Krugman, SVP van Personeel en Cultuur bij Foursquare, zei onomwonden wat deze situatie daadwerkelijk vereist.
De peoplefunctie heeft altijd moeite gehad om een strategische plek aan tafel te krijgen, en AI is een revolutie in wat we zouden kunnen bereiken. Een orkestratielaag is een van de krachtigste veranderingen die we in dit domein zullen zien. Maar je hebt de basale operationele laag nodig om dit te laten werken, dus moeten we het hele operationele model herzien.
Dat is het onderdeel dat de meeste organisaties overslaan. Ze implementeren hulpmiddelen zonder het onderliggende operationele model te herzien.
De orkestratielaag die Krugman beschreef — datgene wat AI-activiteiten in het hele HR-landschap daadwerkelijk zou coördineren en zichtbaar zou maken wat het systeem als geheel doet — bestaat in de meeste bedrijven nog niet. Wat er in plaats daarvan wel is, is een verzameling puntoplossingen die aan verschillende leidinggevenden rapporteren, op verschillende gegevens draaien en op verschillende resultaten zijn gericht.
Lenox, die het voordeel heeft gehad om bij Writer vanaf nul een peoplefunctie op te bouwen in plaats van er achteraf een aan te passen, beschreef in die context zijn aanpak van functieontwerp.
Die geduldige aanpak — de beslissing om te pauzeren, de werkelijke behoefte in kaart te brengen en er vervolgens naartoe te werken — is precies wat de meeste organisaties zich niet kunnen veroorloven over te slaan wanneer ze AI inzetten in onderling verbonden functies.
Doelgericht handelen betekent hier iets specifieks: vaststellen waar AI een meetbaar resultaat kan opleveren, voortbouwen op een betrouwbare datalaag en toezicht en besluitvorming vastleggen voordat je opschaalt. De meeste organisaties slaan die volgorde over, niet omdat ze niet beter weten, maar omdat de hulpmiddelen zo toegankelijk zijn dat de druk om snel te handelen zwaarder weegt dan de discipline om weloverwogen te werk te gaan.
Het resultaat is een HR-landschap dat er van buitenaf modern uitziet, maar in de kern inconsistent is. Wanneer AI tegelijkertijd aanbevelingen doet op het gebied van werving, prestaties en ontwikkeling, zonder gedeelde logica en zonder iemand die de interacties bewaakt, faalt het systeem niet op zichtbare manieren. Het drijft langzaam af in een richting waarvoor niemand heeft gekozen.
