Het moeilijke deel begint nadat AI werkt
![[OPT 1] IMG PMP – Editorial – Dinner Conversation with CHROs-14152](https://peoplemanagingpeople.com/cdn-cgi/image/format=auto,quality=82,onerror=redirect,width=792,height=446,fit=crop/wp-content/uploads/sites/3/2026/09/OPT-1-IMG-PMP-–-Editorial-–-Dinner-Conversation-with-CHROs-14152.jpg)
Begin met het werk: Bedrijven moeten werkprocessen opnieuw ontwerpen rond bedrijfsproblemen voordat ze AI-hulpmiddelen selecteren of het verwachte rendement meten.
Beoordeling van toepassingen: AI-training creëert meer waarde wanneer medewerkers leren waardevolle problemen te identificeren, in plaats van alleen nieuwe hulpmiddelen te leren gebruiken.
Functieherontwerp: Een succesvolle invoering van AI dwingt leiders om verantwoordelijkheden, vaardigheden, prestatienormen en loopbaanpaden opnieuw te definiëren wanneer taken veranderen.
Schaal zorgvuldig op: Pilots zijn zelden rechtstreeks overdraagbaar tussen functies; organisaties moeten bewezen werkwijzen standaardiseren en ze tegelijkertijd aanpassen aan werkprocessen, risico's en gegevens.
Gelijke toegang: Ongelijke toegang tot AI kan beoordelingen van prestaties, ontwikkelingsmogelijkheden en productiviteitsvergelijkingen tussen medewerkers die vergelijkbaar werk doen vertekenen.
Afgelopen week zat ik in Atlanta samen met een groep CHRO's om te praten over het opschalen van AI binnen de hele organisatie.
We begonnen met ROI, maar het gesprek keerde steeds terug naar het werk zelf: welke problemen AI-investeringen verdienen, wat organisaties moeten doen met de capaciteit die daardoor ontstaat en wanneer er zoveel taken zijn veranderd dat een functie mee moet veranderen.
Kia Painter gaf ons een vertrekpunt. Begin met het bedrijfsprobleem, begrijp het werkproces, herontwerp het proces en beslis daarna waar AI thuishoort.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Painter ging onlangs met pensioen bij Cox Communications, na 28 jaar bij het bedrijf te hebben gewerkt. Meest recent was ze daar directeur personeelszaken. Haar volgorde is belangrijk, omdat organisaties volop mogelijkheden hebben om AI te gebruiken. De moeilijkere discipline is bepalen welke toepassingen tijd, geld en organisatorische verandering verdienen.
Oordeelsvermogen over toepassingsscenario's kan belangrijker zijn dan training in hulpmiddelen
Een paar weken voor het diner hield ik een informele peiling in onze AI Signal-nieuwsbrief met de vraag waarom managers meer AI-opleidingen aanvroegen voor hun teams. De belangrijkste reden: mensen wisten niet zeker welke toepassingsscenario's ertoe deden.
Dat wijst op een probleem met de manier waarop veel bedrijven AI-ondersteuning aanpakken. Mensen leren hoe ze prompts moeten schrijven, documenten moeten samenvatten of inhoud moeten genereren, waardoor ze vertrouwd raken met de technologie. Het helpt hen nauwelijks om te bepalen waar AI een betekenisvol bedrijfsresultaat kan verbeteren.
Angela Cheng-Cimini, directeur personeelszaken bij The Chronicle of Philanthropy, beschreef een aanpak die draait om problemen van medewerkers in plaats van om de mogelijkheden van hulpmiddelen. Ze zei dat haar organisatie van plan was om dagelijkse uitdagingen onder medewerkers te verzamelen, er enkele te kiezen die breed relevant waren en korte hackathons te organiseren om ze op te lossen. Een medewerker had die aanpak zelf al toegepast door een agent te bouwen die repetitieve factuurverzoeken afhandelde die de inbox van de klantenservice overspoelden.
Dat is een veel bruikbaarder model voor AI-opleidingen, omdat het leren koppelt aan het werk dat mensen al begrijpen. De capaciteit die bedrijven moeten ontwikkelen, is oordeelsvermogen over toepassingsscenario's: kan een manager naar een werkproces kijken, vaststellen waar tijd of kwaliteit verloren gaat en herkennen waar AI een verschil kan maken?
Dat oordeelsvermogen vergroot ook de kans op ROI. Een technisch succesvolle implementatie die gericht is op een probleem met weinig waarde, blijft een slechte investering.
Capaciteit dwingt tot beslissingen over het werk
De volgende vraag is wat je moet doen wanneer het toepassingsscenario succesvol is.
AI kan administratief werk wegnemen, doorlooptijden verkorten en mensen capaciteit geven die ze eerder niet hadden. Leiders moeten vervolgens beslissen waarvoor die capaciteit wordt ingezet.
Dat leidde aan tafel tot een discussie over functiecompressie en bredere rollen. Kesi Dorner, AGM personeelszaken bij Metro Atlanta Regional Transit Authority (MARTA), sprak over het samenvoegen van werk dat momenteel verdeeld is over gespecialiseerde HR-functies tot meer veelzijdige businesspartnerrollen.
Mijn vraag wanneer een functie zo sterk is veranderd dat deze volledig opnieuw ontworpen moet worden, bleef onbeantwoord.
Op die momenten veranderen bespaarde uren in een operationele beslissing. Een bedrijf kan de capaciteit gebruiken om de productie te verhogen, de dienstverlening te verbeteren, toekomstige aanwervingen te beperken, verantwoordelijkheden uit te breiden of werk aan te pakken dat eerder bleef liggen. Elke keuze levert een ander soort waarde op.
Het verandert ook waarvoor de medewerker verantwoordelijk is.
Dat werd nog duidelijker toen het gesprek over het personeelsbestand ging. Painter beschreef gesprekken met haar CFO over de vraag of AI de arbeidskosten kon verlagen. Haar reactie was om terug te gaan naar het werk.
Neem de crediteurenadministratie. Wat doen mensen daadwerkelijk? Welke taken kan AI overnemen? Wat blijft er over? Welk bedrijfsresultaat moet nog steeds worden geleverd?
Haar conclusie was dat AI moet worden onderzocht vanuit het operationele model en het ontwerp van het werk, voordat leiders aannames over het personeelsbestand gaan maken.
Dat is een waardevolle rol voor HR, omdat AI functies vaak geleidelijk verandert. Waar één taak verdwijnt, wordt een andere sneller. Routinematig werk kan afnemen, maar voor het resterende werk is meer beoordelingsvermogen nodig. Nieuwe verantwoordelijkheden kunnen vervolgens de ontstane ruimte opvullen.
Op een bepaald moment leiden de opgestapelde veranderingen tot een andere functie.
HR moet die grens in de gaten houden. Functiebeschrijvingen, vaardigheidseisen, beloning, loopbaanpaden en prestatieverwachtingen zijn allemaal afhankelijk van een nauwkeurig begrip van wat de functie nu vereist. Als leiders AI blijven toevoegen aan bestaande functies zonder die basis opnieuw te bekijken, kunnen medewerkers uiteindelijk ander werk doen binnen een oud functieontwerp.
Hetzelfde probleem geldt voor de verwachtingen rond teamprestaties. Als een team productiever wordt met AI, zullen leiders zich natuurlijk afvragen of het nieuwe productieniveau de norm moet worden.
Voor die beslissing is meer nodig dan bewijs dat de technologie werkte. Er is vertrouwen nodig dat de winst duurzaam is, dat medewerkers vergelijkbare toegang hebben tot de hulpmiddelen en dat het werk voldoende vergelijkbaar is om binnen de organisatie dezelfde verwachting toe te passen.
Verder opschalen dan de pilot
Hier verandert een succesvolle pilot in een uitdaging voor de hele organisatie.
Een toepassing kan in één team goed werken omdat het werkproces gestructureerd is, de gegevens schoon zijn, de manager de technologie begrijpt of de medewerkers tijd hebben gehad om te experimenteren. Een andere afdeling heeft mogelijk geen van die voordelen.
Painter beschreef hoe zij samenwerkte met het hoofd AI van haar organisatie aan een routekaart voor de gewenste eindsituatie, waarin technologiekeuzes werden gekoppeld aan het toekomstige operationele model.
Het bedrijf richtte ook een multidisciplinaire AI-raad op met HR, technologie, financiën en juridische zaken. Het doel was om investeringen en governance af te stemmen op bedrijfsprioriteiten, in plaats van elke afdeling zijn eigen verzameling hulpmiddelen en projecten te laten opzetten.
Dit is een essentieel onderdeel van opschaling, omdat je niet zomaar kunt kopiëren wat ergens anders werkte. Leiders moeten bepalen welke onderdelen van een succesvolle aanpak kunnen worden gestandaardiseerd en welke afhankelijk zijn van het werk, de medewerkers of het risicoprofiel van een specifieke afdeling.
Dat zou ook brede aannames over productiviteit moeten temperen. Eén sterke pilot kan bewijs leveren over een toepassing. Dat levert niet automatisch bewijs op over een volledig personeelsbestand.
Toegang tot hulpmiddelen maakt deel uit van de prestatievergelijking
Opschaling leidt ook tot een eerlijkheidsprobleem.
Deelnemers beschreven organisaties waar medewerkers toegang hebben tot verschillende AI-hulpmiddelen, afhankelijk van afdeling, budget of beleid. Sommige medewerkers vullen wat hun werkgever aanbiedt aan met betaalde hulpmiddelen die ze thuis of op persoonlijke apparaten gebruiken. Anderen hebben die mogelijkheid niet.
Zodra AI invloed heeft op de hoeveelheid of kwaliteit van het werk dat iemand kan leveren, zijn die verschillen relevant voor prestatiemanagement.
Kara Miller, voormalig vicepresident talent, leren en personeelstransformatie bij Visa, bracht nog een ander aandachtspunt naar voren: als twee medewerkers aan dezelfde prestatienorm worden gehouden, maar één van hen toegang heeft tot een krachtiger hulpmiddel, welk deel van het prestatieverschil komt dan voort uit individuele capaciteiten en welk deel uit de omgeving die de organisatie voor hen heeft gecreëerd?
Hetzelfde probleem kan ontwikkeling en loopbaanmobiliteit beïnvloeden als sommige functies medewerkers veel meer mogelijkheden bieden om AI-vaardigheden op te bouwen dan andere.
Bedrijven zijn het erover eens dat niet elke medewerker exact dezelfde hulpmiddelen nodig heeft. Ze moeten echter wel begrijpen wanneer ongelijke toegang invloed begint te hebben op de normen die ze gebruiken om mensen te beoordelen.
Een betere maatstaf voor AI-volwassenheid
Bijna aan het einde van de avond vroeg ik wat er het komende jaar zou moeten veranderen voordat leiders er vertrouwen in zouden hebben dat hun organisaties hadden ontdekt hoe ze AI konden opschalen.
De antwoorden draaiden om beter beoordelingsvermogen binnen de hele organisatie: leidinggevenden die de technologie met enige kennis van zaken konden bespreken, medewerkers die verantwoord gebruik begrepen, managers die zinvolle toepassingen konden herkennen en duidelijkere beslissingen over toegang.
Dat biedt HR-leiders een nuttige manier om na te denken over de volgende fase van AI-adoptie.
Als je meer waarde uit AI wilt halen, zul je beter moeten worden in het kiezen van de juiste problemen om aan te pakken, het opnieuw ontwerpen van werk wanneer die problemen zijn opgelost en het bepalen welke voordelen elders kunnen worden gereproduceerd.
HR zal ook bewuster moeten omgaan met wat nieuwe capaciteit betekent voor functies en prestatieverwachtingen.
