Je verzoek om AI-training is een diagnoseprobleem
Verkeerde diagnose: Verzoeken om AI-training verhullen vaak onduidelijke resultaten, gebrekkige werkprocessen, onbenutte expertise of onvoldoende discipline bij het beoordelen.
Beperkte impact: 85 procent van de werknemers zegt dat AI-training hen niet helpt om hulpmiddelen effectief in hun functie toe te passen.
Eigenaarschap over werkprocessen: Succesvolle toepassing van AI vereist het herontwerpen van processen en het toewijzen van eigenaarschap buiten teams die zich bezighouden met de invoering.
Verborgen kosten: Niet-beoordeelde AI-uitvoer verschuift het beoordelingswerk stroomafwaarts, verspilt de tijd van ontvangers en vermindert het vertrouwen tussen teams.
Strategische rol: HR zou het herontwerp van AI-werkprocessen moeten leiden, omdat technologische veranderingen functies, vaardigheden, budgetten en loopbaanpaden opnieuw vormgeven.
Een manager klopt op de deur van de directeur voor ondersteuning. De boodschap is altijd een variant op: “mijn team adopteert de nieuwe tools niet zoals ik had gehoopt, dus we hebben meer training nodig om dat op te lossen.”
Markus McKay-Fleisch werkt al twintig jaar in volwasseneneducatie en heeft zich de afgelopen twee jaar specifiek gericht op AI-adoptie bij Smartsheet, waar hij leiding geeft aan ondersteuning voor AI binnen professionele dienstverlening.
Onlangs sprak hij op AI4, waar hij het verzoek omschreef als het meest voorkomende verzoek dat hij krijgt en het verzoek dat het vaakst verkeerd wordt geïnterpreteerd. Zijn reactie is geen cursuscatalogus, maar een vraag: welk resultaat probeer je te bereiken?
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
Een trainingsverzoek is een symptoom. Het komt al met een diagnose en die diagnose is meestal verkeerd.
Dat blijkt uit de gegevens waar ondersteuningsteams al over beschikken. De voltooiingspercentages zien er goed uit, vaak omdat de training verplicht is. Het gebruik vertelt een ander verhaal.
In sommige organisaties raken mensen de tools nauwelijks aan. In andere gebruiken ze ze voortdurend, kiezen ze standaard voor de duurste beschikbare modellen en komt de financiële afdeling vragen om training die het verbruik weer moet terugbrengen. Beide patronen leiden tot hetzelfde verzoek. Geen van beide is een kennisprobleem.
Er zijn lichtpuntjes, maar die zijn vaak geïsoleerd. De mensen die hun eigen werkprocessen opnieuw opbouwen en werkelijk transformerende resultaten behalen? Al te vaak blijft die kennis op de plek waar ze is ontstaan en verspreidt ze zich niet.
De training komt aan en werkt niet
Het rapport over de kloof in AI-gereedheid van Docebo uit 2026, uitgevoerd door Centiment onder 2.000 respondenten in de VS, het VK, Canada, Frankrijk, Duitsland en Italië, stelde vast dat 85% van de werknemers zegt dat de training die ze krijgen hen niet helpt om AI in hun functie te gebruiken.
Docebo verkoopt software voor leren, wat het vermelden waard is gezien de richting waarin deze bevinding wijst, maar laten we er voor deze bespreking van uitgaan dat dat cijfer klopt. Afgaande op de stemming in de zaal tijdens de lezing van McKay-Fleisch zou ik zeggen dat het niet heel ver van de werkelijkheid afstaat.
Een op de vijf respondenten had helemaal geen AI-training gekregen, wat betekent dat een deel van die 85% een afwezigheid beschrijft in plaats van een mislukking. Laat die groep buiten beschouwing en het cijfer beschrijft nog altijd een meerderheid van werknemers die ergens naar hebben geluisterd en er niet toe in staat waren het toe te passen.
Het veelzeggendste cijfer staat aan de andere kant van het onderzoek. Van de leiders op het gebied van leren zegt 79% AI te gebruiken voor taken zoals het genereren van inhoud. Slechts 9% zegt dat hun organisatie AI heeft gebruikt om een werkproces opnieuw te definiëren.
Leerfuncties hebben AI opgenomen als productiviteitsversneller. Ze maken dezelfde cursussen sneller. Het heroverwegen van hoe het werk zelf wordt uitgevoerd, is vrijwel volledig achterwege gebleven. Dat is een redelijke verklaring voor het feit dat de cursussen niet aanslaan.
Taal is de interface
Vijftig jaar lang bestond bedrijfstraining grotendeels om platformkennis over te dragen. Softwareleveranciers verplaatsten knoppen, voegden functies toe, veranderden de navigatie en iemand moest mensen leren waar alles stond. Alleen Microsoft bracht hier al een kleine industrie mee voort.
Generatieve AI heeft de barrière weggenomen die het grootste deel van die lesstof rechtvaardigde. De interface is taal. Een gebruiker beschrijft het gewenste resultaat en het systeem stelt de stappen samen. De vraag “hoe doe ik dat?”, die de ruggengraat van ondersteuning vormde, kan nu rechtstreeks aan de tool worden gesteld, binnen de applicatie of via een model voor algemene doeleinden dat openbare helpdocumentatie gebruikt.
Wat volgens McKay-Fleisch overblijft als de werkelijke barrière, is organisatorisch inzicht en menselijk beoordelingsvermogen.
Het probleem van organisatorisch inzicht wordt duidelijk geïllustreerd door de gebruiksgegevens van zijn eigen bedrijf. Tijdens het doorzoeken van de gegevens over Claude Projects van Smartsheet telde hij meer dan vijftig afzonderlijke projecten die waren opgezet door werknemers van de financiële afdeling, klantenservice, verkoop en HR, die allemaal probeerden materialen in de huisstijl te genereren. Presentaties, marketingmateriaal, het gebruikelijke.
Opvallend is dat geen van die projecten afkomstig was van het marketingteam. De afdeling die verantwoordelijk is voor het merk had niets gebouwd en de meer dan vijftig mensen die het probleem eromheen oplosten, hadden er niet aan gedacht het te vragen.
Elk van die werknemers had een echt probleem vastgesteld en een geschikte tool gebruikt om het aan te pakken. Wat niemand van hen deed, was inzien dat het probleem binnen het domein van iemand anders lag, waar de expertise, het bronmateriaal en de mogelijkheid om het geheel in de loop van de tijd te onderhouden al aanwezig waren. Dat is geen tekortkoming in het formuleren van prompts. Geen enkele cursus over het schrijven van betere instructies zorgt ervoor dat iemand vanzelf op zoek gaat naar de eigenaar.
Menselijk beoordelingsvermogen is de bredere categorie, en McKay-Fleisch beperkt die tot de voornaamste manier waarop organisaties momenteel de fout ingaan. Hij noemt het het “slopkanon”. Mensen genereren uitvoer tegen vrijwel geen kosten en versturen die zonder hem te controleren, waardoor het werk van de beoordeling wordt doorgeschoven naar degene die de uitvoer ontvangt.
Het beoordelingswerk bestaat uit het begrijpen van de output die je krijgt, ervoor zorgen dat die accuraat is en ervoor zorgen dat die waardevol is. Door deze slopkanonmentaliteit komt die taak terecht bij de mensen aan wie het wordt gestuurd, en dat is niet gepast.
BetterUp Labs en het Social Media Lab van Stanford hebben die overdracht becijferd in onderzoek dat afgelopen september werd gepubliceerd in Harvard Business Review. Veertig procent van de werknemers gaf aan in de voorgaande maand te maken te hebben gekregen met wat de onderzoekers “workslop” noemden. Elk incident kostte de ontvanger ongeveer twee uur, wat de onderzoekers waardeerden op circa $186 per werknemer per maand.
De beoordelingsstap verdween niet. Die verschoof stroomafwaarts naar iemand die er niet voor had gekozen, de oorspronkelijke bedoeling niet kan zien en geen manier heeft om het terug te sturen.
Herontwerp en transformatie zijn verschillende budgetten
McKay-Fleisch maakt een onderscheid waar de meeste budgetten voor ondersteuning aan voorbijgaan. Herontwerp van workflows is de manier waarop je een resultaat bereikt. AI-transformatie omvat alles wat er daaromheen moet veranderen: de organisatiestructuren, de rollen en de vaardigheden die mensen nodig hebben om die rollen te vervullen.
De meeste AI-ondersteuning wordt gefinancierd alsof het geen van beide is. Ze wordt gefinancierd als training in tools, wat het juiste antwoord was op een belemmering die niet langer bestaat.
Grant Thorntons AI-impactonderzoek voor 2026, waaraan 950 bedrijfsleiders uit tien sectoren plus private-equitybedrijven deelnamen en die tussen 23 februari en 18 maart van dit jaar werd uitgevoerd, wees uit dat slechts 12% van de leiders hun personeelsbestand volledig klaar acht voor AI. Nog eens 81% bevindt zich ergens tussen redelijk en grotendeels klaar, en 97% erkent adoptieproblemen van welke aard dan ook.
Op de vraag waarom AI-initiatieven onder hun verwachtingen presteren, zetten die leiders kwesties rond bestuur en toezicht en naleving op de eerste plaats, met 46%. Onvoldoende training komt op de tweede plaats, met 31%. Ongeveer 34% noemt training het investeringsgebied van de organisatie waaraan het minste budget wordt toegekend.
De diagnose die leidinggevenden op grote schaal stellen, is dus dezelfde als die op het bureau van de directeur voor ondersteuning belandt. Niet genoeg training. Financier er meer van.
Grant Thorntons eigen interpretatie daarvan is het onthouden waard. Bewustwordingstraining leidt tot vertrouwdheid in plaats van bekwaamheid. Vertrouwdheid is precies wat de meeste AI-leerprogramma's moeten opleveren, en het is wat 85% van de door Docebo ondervraagde werknemers beschrijft wanneer zij zeggen dat de training hen niet heeft geholpen hun werk te doen. Het geld gaat ergens naartoe. Het gaat naar de interventie die de minste structurele verandering vereist van de mensen die er goedkeuring voor geven.
De 9% van Docebo is dezelfde bevinding vanuit de andere richting. Leerfuncties hebben AI enthousiast ingezet voor het maken van content en zijn nauwelijks toegekomen aan het herontwerpen van werk. Ik zou dat vertalen als: beide budgetten worden besteed aan het herontwerpen van niets.
Wat het verzoek in vier gevallen betekent
Wanneer een leidinggevende om training vraagt, ligt daar meestal een van vier omstandigheden aan ten grondslag. Elk daarvan heeft een signaal waaraan je het kunt herkennen en een reactie die geen cursus is.
Het resultaat is nooit benoemd
Het signaal is dat de leidinggevende de vraag wat succes inhoudt niet kan beantwoorden zonder activiteit te beschrijven. Het gebruik neemt toe of af, maar niemand kan zeggen wat het team zou moeten kunnen doen wat het eerder niet kon. Mensen experimenteren zonder een specifiek doel en het experimenteren wordt gezien als een mislukte adoptie.
De interventie is een werksessie met de leidinggevende om één meetbaar resultaat te definiëren en vervolgens terug te redeneren naar de bekwaamheid die daaraan bijdraagt.
De workflow is nooit herontworpen
Het signaal is AI die is vastgemaakt aan een proces dat was opgebouwd rond een beperking die AI heeft weggenomen. Goedkeuringsketens die waren afgestemd op de tijd die het opstellen vroeger kostte. Overdrachten die bestonden omdat twee mensen verschillende tools gebruikten. Beoordelingscycli die waren afgestemd op patronen van menselijke fouten in plaats van op patronen van modelfouten.
Mensen gebruiken de tool binnen een proces dat hen straft voor de snelheid die de tool creëert. De interventie is het in kaart brengen van het proces met de afdeling die eigenaar is van de workflow, en dat is niet iets wat je ondersteuningsfunctie alleen kan doen.
De expertise bestaat en blijft onbenut
Het signaal is een grote prestatiekloof binnen hetzelfde team dat dezelfde tools gebruikt. Ervaren gebruikers hebben het probleem al opgelost. Hun oplossingen staan in persoonlijke projectbestanden en browsertabbladen.
De interventie bestaat uit het verzamelen en verspreiden van die kennis. McKay-Fleisch beschrijft dit als het rechtstreeks inbouwen van de kennis van ervaren gebruikers in alles wat ondersteuning mogelijk maakt, in plaats van meer sessies te organiseren voor mensen die het al hebben uitgezocht.
De beoordelingsdiscipline is ingestort
Het signaal is het patroon van “werkprut”, klachten over de kwaliteit van de output die afkomstig zijn van ontvangers in plaats van producenten. De statistieken van het producerende team zien er uitstekend uit. Het volume stijgt, de doorlooptijd daalt en de kosten zijn doorgeschoven naar de volgende afdeling.
De interventie is een norm voor wat wordt beoordeeld voordat het verdergaat, gehandhaafd door managers, plus het ongemakkelijke werk om producenten met een hoog volume te vertellen dat hun cijfers deels het probleem van iemand anders vormen.
Geen van de vier wordt opgelost met een curriculum. Drie ervan zijn niet uitsluitend problemen die ondersteuning moet oplossen, en juist daarom blijven ze bij de afdeling ondersteuning terechtkomen.
Dezelfde prompt, twee antwoorden en een trainingsprogramma dat het niet kan oplossen
Onder dit alles ligt een technische laag die de meeste leidinggevenden op het gebied van personeel zijn aangemoedigd te negeren, en het negeren daarvan leidt tot slechte ondersteuning.
Werknemers komen AI op meerdere plekken tegen. Er is de assistent die in een toepassing is ingebouwd, is getraind op de documentatie van dat platform en binnen de feitelijke gegevens van de gebruiker werkt.
Daarnaast is er het model voor algemene doeleinden, dat via een verbindingsprotocol toegang krijgt tot hetzelfde platform. Het voorbeeld van McKay-Fleisch is een verzoek om een dashboard te bouwen dat laat zien welke projecten op schema liggen, risico lopen of achterstallig zijn, gegroepeerd per portefeuille en eigenaar.
Zijn standpunt is dat het resultaat identiek zou moeten zijn, ongeacht waar de gebruiker het invoert. Op veel platforms is dat momenteel niet zo.
Dat verschil wordt veroorzaakt door de systeemarchitectuur en kan niet met prompttraining worden opgeheven. Wat ondersteuning wel kan doen, is weten welke plek welk resultaat oplevert en mensen duidelijk vertellen: ga voor deze taak hierheen.
Sla je dat over, dan leer je werknemers dat de tools onbetrouwbaar zijn. Die les zullen ze breed toepassen en zich langer herinneren dan wat dan ook uit het curriculum.
De tweede technische variabele is hoeveel context het platform namens de gebruiker aanlevert. Een model voor algemene doeleinden dat met bedrijfsgegevens is verbonden, begrijpt niet automatisch wat die gegevens betekenen, hoe ze zijn gestructureerd of wat de toepassing ermee doet. De betere platforms laden dat begrip aan de serverzijde in, verpakt als herbruikbare instructiesets waarvan iedere verbonden gebruiker profiteert zonder te weten dat ze bestaan. Smartsheet doet dit met wat McKay-Fleisch “ingebouwde vaardigheden” noemt.
Het gevolg voor ondersteuning is direct en heeft gevolgen voor het budget. Waar het platform de context levert, neemt de hoeveelheid promptinstructies die gebruikers nodig hebben sterk af. Waar dat niet gebeurt, zijn prompt- en contextengineering vaardigheden die de basis dragen, en moet de training deze goed behandelen.
Leidinggevenden die verantwoordelijk zijn voor ondersteuning zouden leveranciers moeten vragen in welke van deze twee werelden zij zich bevinden. Het antwoord bepaalt een betekenisvol deel van het curriculum.
Twee lezingen van dezelfde organisatie
Dat cijfer van 12% dat volledig klaar is, verbergt een verschil. Onder CIO's en CTO's beschrijft 39% hun personeelsbestand als volledig klaar. Onder COO's is dat 7%.
Technologieleiders meten de invoering op systeemniveau. Geïmplementeerde licenties, actieve integraties, geregistreerd gebruik. Operationele leiders meten of het werk beter is geworden. Het verschil van tweeëndertig procentpunten vertegenwoordigt het aanzienlijke werk dat nodig is om die twee vragen te beantwoorden.
De verdeling van waar ondersteuning nodig is, maakt dit nog duidelijker. Frontlijnmedewerkers zijn goed voor 37% van de gevallen waarin leiders zeggen dat de meeste ondersteuning nodig is. Middenmanagers zijn goed voor 30%. Het senior management is goed voor 8%.
De mensen die beslissingen over AI nemen, voelen zich ondersteund. De twee derde van de organisatie die met die beslissingen moet leven, voelt dat niet.
Dat is het patroon onder het trainingsverzoek. Een leider die vindt dat hij of zij voldoende is toegerust, ziet een team dat dat niet is en grijpt naar de interventie die niets van de leider vraagt. Meer training is een verzoek dat kan worden ingewilligd zonder dat de verzoeker iets hoeft te veranderen aan de manier waarop het werk is gestructureerd, wie welke beslissing bezit of wat het team moet opleveren.
Bijna niemand in die steekproef betwist dat er iets mis is. Het meningsverschil gaat over waar het probleem zich bevindt.
HR moet dit opeisen voordat het vanzelf daar terechtkomt
De afsluitende aanbeveling van McKay-Fleisch aan de zaal was om terug te gaan en vast te stellen wie binnen de organisatie verantwoordelijk is voor het herontwerpen van AI-werkstromen. Hij merkte op dat hij dat een tijdlang zelf was, totdat Smartsheet iemand voor die functie aannam.
In de meeste bedrijven is het eerlijke antwoord: niemand. En wanneer niemand hiervoor verantwoordelijk is, verdwijnt het werk niet. Het stroomt naar degene die er het dichtst bij staat, meestal L&D of ondersteuning, en komt binnen als het ene trainingsverzoek na het andere, zonder mandaat en zonder zeggenschap over de processen die daadwerkelijk opnieuw moeten worden ontworpen.
Het op die manier erven ervan is de slechtst mogelijke vorm van verantwoordelijkheid dragen. HR moet het herontwerp van werkstromen bewust naar zich toe trekken, met het bijbehorende budget en de bijbehorende bevoegdheid, want het alternatief is de verantwoordelijkheid dragen zonder een van beide.
De reden waarom HR hiervoor verantwoordelijk moet zijn, is niet sentimenteel. Het herontwerp van werkstromen bepaalt welke functies er over drie jaar bestaan, wat die functies vereisen en wie binnen het bedrijf een route ernaartoe heeft. Dat zijn personeelsbeslissingen die als bijproduct van technologiebeslissingen worden genomen. Ze overlaten aan degene die toevallig de hulpmiddelen configureert, is een keuze, en het is de keuze die de meeste organisaties momenteel standaard maken.
De afdeling die begrijpt hoe werk is gestructureerd, hoe vaardigheden worden opgebouwd en wat er met mensen gebeurt wanneer beide veranderen, is de afdeling die hierin het voortouw moet nemen. Die aanspraak moet worden gemaakt voordat het organigram zich rond iemand anders vastzet.
Wat je moet vragen
Wanneer de volgende teamleider aanklopt, open dan niet de cursuscatalogus. Stel twee vragen.
- Welke uitkomst probeer je te bereiken? Niet meer adoptie, niet een hoger gebruik. Iets wat je in het werk zelf kunt meten.
- In welke werkstroom komt die uitkomst tot stand, en wie is daarvoor verantwoordelijk?
Als de leider beide vragen kan beantwoorden, heb je iets om op te bouwen. Als dat niet lukt, zou de training nooit gaan werken, en het nuttigste wat iemand in een ondersteunende functie kan doen, is dat hardop zeggen.
