AI-klaar is een uitdrukking, geen strategie
AI-personeelsbestand: De aandacht verschuift van de impact van AI naar het voorbereiden van het personeelsbestand op functies waarin AI is geïntegreerd.
Benodigde vaardigheden: Programmeren, aanpassingsvermogen en helderheid worden benadrukt als belangrijke vaardigheden voor AI-gereedheid binnen het personeelsbestand.
Organisatieontwerp: Huidige kaders voor gereedheid richten zich op individuen in plaats van systemische uitdagingen op het gebied van organisatieontwerp aan te pakken.
Meetwaarden: AI-gereedheid mag niet uitsluitend gebaseerd zijn op gebruiksstatistieken. Succes wordt bepaald door verbeteringen in resultaten.
Urgentieprobleem: De urgentie rond de invoering van AI wordt benadrukt, maar precisie en een duidelijke richting ontbreken vaak.
Op de agenda van elke grote conferentie dit voorjaar stond een variant van dezelfde sessietitel: wat er echt nodig is om een personeelsbestand op te bouwen dat klaar is voor AI.
De formulering was overal te horen. Een betrouwbaar signaal dat de sector de vraag of AI het werk verandert achter zich heeft gelaten en is aangekomen bij de moeilijkere vraag hoe mensen moeten worden voorbereid op wat hierna komt.
De echte vraag bleek moeilijker te beantwoorden dan verwacht.
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
Tijdens sessies op Transform in Las Vegas en HumanX in San Francisco dit voorjaar gaven sprekers doordachte, zij het enigszins algemene, visies op hoe personeelsgereedheid eruitziet in een door AI versneld werkklimaat.
Andrew Ng, oprichter van DeepLearning.AI, verdedigde provocerend het standpunt dat iedereen, ongeacht zijn of haar rol, zou moeten leren programmeren.
Coursera-CEO Greg Hart wees op de sterk stijgende vraag naar cursussen in kritisch denken, die op het platform bijna 200% hoger ligt dan een jaar eerder, als bewijs dat organisaties beginnen te begrijpen dat alleen technische vaardigheid niet het antwoord is.
Robin Daniels van Sensai betoogde dat de fundamentele AI-vaardigheid helderheid is. Met andere woorden: als je niet duidelijk genoeg kunt definiëren wat je wilt zodat een persoon het kan uitvoeren, kun je het zeker niet duidelijk genoeg definiëren voor een agent.
Sarah Franklin, CEO van Lattice, verzette zich tegen de neiging om AI-gereedheid af te meten aan gebruiksstatistieken. Volgens haar is het belangrijk of mensen betere resultaten behalen, niet of ze meer tokens genereren.
Dit zijn geen loze observaties. Er zit echt denkwerk achter. Maar samen onthullen ze iets wat het conferentiecircuit nog niet heeft opgelost: 'klaar voor AI' blijft een richtinggevende formulering in plaats van een operationele.
Je kunt drie dagen sessies bijwonen en vertrekken met een overtuigend gevoel van urgentie, maar vrijwel zonder mogelijkheid om te beoordelen waar je organisatie daadwerkelijk staat.
Dat is het onderzoeken waard, want de kosten van het verwarren van inspiratie met strategie worden nu zichtbaar in echte organisaties.
Wat de conferentie definieert als klaar
De werkdefinitie van AI-gereedheid die tijdens de sessies naar voren kwam, bestaat uit enkele consistente onderdelen.
Het eerste is vooral technische vaardigheden. Ng's betoog voor leren programmeren is hiervan de scherpste versie. Naarmate AI softwareontwikkeling toegankelijker maakt, zullen mensen die op dat niveau kunnen werken beter presteren dan mensen die dat niet kunnen, ongeacht hun functietitel.
Hij beschreef hoe hij zag dat marketeers, recruiters en financiële professionals die konden programmeren afstand namen van collega's die dat niet konden, en stelde dat de kloof groter wordt.
Hart onderstreepte de technische dimensie met inschrijvingsgegevens. In 2025 schreef zich op Coursera elke vier seconden iemand in voor een AI-cursus, twee keer zo snel als in 2024.
Het tweede onderdeel is aanpassingsvermogen, losjes gedefinieerd als het vermogen om veranderingen bij te houden.
'De ene menselijke eigenschap die nodig is, is aanpassingsvermogen', zei Adit Jain, CEO van Leena AI, waarvan het bedrijf AI-collega's bouwt voor G&A- en backofficefuncties.
Hij beschreef wat hij ziet wanneer ondernemingen automatisering invoeren. De mensen die de overgang overleven, zijn niet per se de meest ervaren of technisch meest geavanceerde mensen. Het zijn degenen die bereid zijn hun rol opnieuw vorm te geven rond het toezicht op en verbeteren van AI, in plaats van het werk te verdedigen dat AI heeft vervangen.
Het derde onderdeel laat zich moeilijk onder één duidelijke noemer vangen. Franklin noemde het AI behandelen als een teamgenoot, niet als een hulpmiddel. Daniels noemde het helderheid. Bianca Anghelina, CEO van AILY Labs, omschreef het als het vermogen om bedrijfsproblemen te vertalen naar uitdagingen die met AI kunnen worden aangepakt.
De kern van Ng's betoog voor leren programmeren is eigenlijk dat programmeren een manier is om systeemdenken te leren: problemen op te delen in componenten die een geautomatiseerd proces kan afhandelen.
Onder deze drie onderdelen ligt een impliciet vierde: de bereidheid om onbeperkt te blijven leren. Elke spreker kwam hier uiteindelijk op uit. De noodzaak van een leven lang leren is minder een definitie van gereedheid dan een erkenning dat geen enkele vaste vaardighedenreeks voldoende zal blijven.
Als beschrijving van de richting waarin een organisatie zich moet bewegen, is dit redelijk. Als raamwerk om te beoordelen waar een specifieke organisatie staat, is het vrijwel nutteloos. 'Wees aanpasbaar' en 'blijf leren' zijn niet evalueerbaar. Ze vertellen een CHRO niet wat hij of zij moet meten, ontwikkelen of hoe een voldoende score eruitziet.
Bovendien wordt zelden genoemd wat nodig is wanneer je met dit proces begint, hoewel we dit in de podcast hebben behandeld.
Waar de definitie tekortschiet
Het nuttigste moment in een HumanX-sessie over bijscholing op grote schaal kwam niet voort uit een raamwerk, maar uit een getal. Jain beschreef wat er doorgaans gebeurt wanneer zijn bedrijf een bedrijfsproces automatiseert voor een grote zakelijke klant: 60% van de mensen die dat werk uitvoeren, is niet langer nodig.
Van de resterende 40% kan ongeveer 20%, oftewel circa 12% van het totaal, opnieuw in het proces worden opgenomen als menselijke managers van de AI. De overige 48% vormen een transitieprobleem waarvoor de meeste organisaties nog geen oplossing hebben.
Hij gaf een concreet voorbeeld van een zorgklant die medewerkers van de HR-ondersteuning, die waren vrijgemaakt van het afhandelen van routinematige tickets, inzette voor het bouwen en beheren van agents die op grote schaal compliancewerk rond patiëntgegevens uitvoeren. Werk dat voorheen echt niet werd gedaan, omdat het te veel middelen vergde om het met mensen uit te voeren.
Voor de herplaatsing was het nodig dat deze medewerkers het nieuwe werk konden begrijpen, snel nieuwe vaardigheden konden verwerven en een fundamenteel andere relatie met hun functie konden accepteren.
Hier stuit de conferentiedefinitie van gereedheid op haar structurele probleem. Gereedheid wordt, zoals de meeste sessies die definiëren, gezien als een eigenschap van individuen: hun technische vaardigheden, hun aanpassingsvermogen en hun bereidheid om te leren.
Maar het probleem van die 48% is in de eerste plaats geen individueel probleem. Het is een probleem van organisatieontwerp. Of deze medewerkers de overstap kunnen maken, hangt niet alleen af van hun persoonlijke aanpassingsvermogen, maar ook van de vraag of hun organisatie heeft vastgesteld waar zij naartoe zouden kunnen gaan, wat die functies vereisen, welke ontwikkelingsinvesteringen hen daar kunnen brengen en hoelang de organisatie die transitie kan volhouden voordat economische druk haar richting eenvoudigere oplossingen duwt.
‘AI-gereed’ als concept voor het personeelsbestand behandelt niets van dit alles, althans niet op de manier waarop we er vandaag de dag over denken. Het richt zich op de capaciteitskant van de vergelijking en laat de implementatiekant grotendeels buiten beschouwing.
Daniels maakte een scherpe observatie over de ontslagronde bij Oracle eerder dit jaar.
Er is bovenaan een ernstig gebrek aan moed om een personeelsbestand bij te scholen. Wat doe je als je op bergen geld zit en niet de tijd neemt om je medewerkers bij te scholen of om te scholen?
De nadruk lag op moed van leidinggevenden. Maar wat hier wordt beschreven, is ook een tekortkoming in de organisatorische capaciteit. Oracle had vrijwel zeker mensen die zich konden aanpassen en bereid waren om te leren. Wat het bedrijf blijkbaar ontbeerde, was een systeem om vast te stellen wie die mensen waren, waar zij naartoe konden en hoe zij zich konden ontwikkelen in het tempo dat de transitie vereiste.
Moed is belangrijk. Maar moed zonder diagnose is geen strategie.
Het meetprobleem
Franklins punt dat AI-gereedheid moet worden gemeten aan de hand van gebruiksstatistieken verdient meer gewicht dan het tijdens de conferentie kreeg. Ze beschreef iets wat organisaties regelmatig verkeerd doen. Ze volgen adoptie, het aantal aanmeldingen bij tools, de hoeveelheid prompts en het tokengebruik, en concluderen dat ze vooruitgang boeken.
De meting is overzichtelijk en eenvoudig naar boven toe te rapporteren. Ze is ook gemakkelijk te manipuleren en houdt slechts losjes verband met wat er werkelijk toe doet.
Alleen het gebruik van AI meten betekent dat je door de bomen het bos niet meer ziet. Je moet nog steeds meten wat mensen kunnen doen, omdat wij er sterk van overtuigd zijn dat AI in dienst moet staan van het succes van mensen.
Dit is vooral belangrijk in de context van personeelsontwikkeling, omdat de neiging om adoptie te meten al bepaalt hoe sommige organisaties hun vereisten voor AI-training vormgeven. Koppel AI-gebruik aan functioneringsgesprekken en je krijgt AI-gebruik. Je krijgt niet noodzakelijk betere beslissingen, sneller werk of vaardigere medewerkers.
Jain beschreef een variant van dit probleem vanuit de andere richting: toen hij een laagdrempelige aanpak voor bijscholing probeerde, waarbij hij medewerkers vroeg om gedurende drie maanden in hun eigen tempo een cursus te doorlopen, deden slechts twee van de dertig dat.
Toen hij hetzelfde programma opnieuw uitvoerde met een deadline van 90 dagen, een formeel examen en een salarisverhoging voor degenen die slaagden, rondde meer dan 85% het af. De motiverende uitkomst is interessant. Maar de belangrijkere implicatie gaat over wat de organisatie daadwerkelijk aan het meten was.
Voltooiing en beloning waren traceerbaar. Of de mensen die slaagden daardoor daadwerkelijk beter in staat waren om het nieuwe werk te doen, was een andere vraag.
Wat zou dit tot een echte beoordeling maken in plaats van een vinkje? Dat is de vraag die de conferentiesessies niet volledig konden beantwoorden.
De conferentiedefinitie toetsen aan een strengere norm
De zeven capaciteiten die organisaties die succesvol zijn in AI-transformatie betrouwbaar onderscheiden van organisaties die activiteit genereren zonder resultaten, zijn: empathie, aanwezigheid, productdenken, moed, strategisch geduld, transparantie en systeemdenken.
Ze komen consistent naar voren in het onderzoek. Opvallend is ook dat ze bijna volledig betrekking hebben op leiderschapsgedrag en niet op vaardigheden van werknemers.
Wanneer de conferentiesessies langs elk van deze capaciteiten worden gelegd, ontstaat een ongelijkmatig beeld.
Empathie
Franklins pleidooi voor AI in prestatiemanagement was gebaseerd op een echt inzicht in hoe mensen beoordelingen ervaren: het wegnemen van de beoordelingsdynamiek uit prestatiegesprekken door op bewijs gebaseerde informatie beschikbaar te maken voordat het menselijke gesprek plaatsvindt, verandert wat mensen bereid zijn te horen.
Haar beschrijving van werknemers die zich "meer op hun gemak" voelen wanneer ze begrijpen waar de AI zijn informatie vandaan haalt — betrouwbare gegevens in plaats van de subjectieve indruk van een manager — is een echte observatie over hoe mensen verandering verschillend ervaren.
De bevinding van Coursera dat lerenden die met hun AI-coach werken aanzienlijk betere resultaten behalen dan degenen die dat niet doen, wijst in dezelfde richting. Verschillende mensen hebben verschillende vormen van ondersteuning nodig, en organisaties die daar aandacht aan besteden, zien betere resultaten.
De sessies boden geen diagnostisch instrument om organisatorische empathie te beoordelen, maar het inzicht in de richting was aanwezig.
Productdenken
Anghelina's bootcampmodel is het duidelijkste voorbeeld: werknemers kregen een werkend agentframework en een concrete zakelijke uitdaging, geen abstract vaardighedenprogramma en geen theorie over AI-capaciteit.
Verminder de marketinguitgaven met 10%. De ontwerpkeuze is veelzeggend. Ze behandelt personeelsontwikkeling zoals een productteam een probleem behandelt: begin met een echte gebruikersbehoefte, bouw iets dat daaraan tegemoetkomt en verbeter het vervolgens iteratief.
Jains voorbeeld van herplaatsing in de gezondheidszorg volgt dezelfde logica. De vrijgekomen capaciteit van HR-activiteiten werd niet ingezet voor algemene bijscholing, maar voor een specifiek complianceprobleem dat de organisatie nooit had kunnen aanpakken.
Dit is productdenken in de praktijk. Geen van beide sprekers benoemde het echter als zodanig, waardoor leiders die de sessies bekijken het voorbeeld waarschijnlijk zullen opnemen zonder het onderliggende principe eruit te halen.
Moed
Dit kwam één keer duidelijk naar voren, waarna het gesprek verderging. Daniels' kritiek op Oracle was scherp: een organisatie met de financiële middelen om haar personeel bij te scholen, koos ervoor dat niet te doen, en hij benoemde dat als een gebrek aan bestuurlijke wil. Die framing kwam aan.
Wat daar niet uit voortkwam, was een discussie over hoe organisaties de institutionele moed ontwikkelen om kortetermijnkosten te dragen voor langetermijncapaciteit van hun personeel. De kloof tussen het benoemen van het probleem en het ontwikkelen van de leiderschapscapaciteit om het aan te pakken, bleef open.
Transparantie
Dit was overal impliciet aanwezig, maar werd zelden rechtstreeks onderzocht. Franklins opmerkingen over het opbouwen van organisatorisch vertrouwen als voorwaarde voor AI in prestatiemanagement kwamen het dichtst in de buurt.
Maar geen enkele sessie behandelde hoe eerlijke communicatie eruitziet wanneer een organisatie oprecht onzeker is over welke functies een AI-transitie overleven, of hoe leiders eerlijk kunnen zijn over die onzekerheid zonder de angst te versterken die de invoering ondermijnt.
Onderzoek van Boston Consulting Group en Columbia Business School bracht het verschil van 51 procentpunt in kaart tussen wat leidinggevenden denken dat werknemers begrijpen van AI-strategie en wat werknemers daadwerkelijk begrijpen, maar dit kwam niet ter sprake. Dat had wel gemoeten. Die kloof is geen communicatieprobleem. Het is een transparantieprobleem, en de kloof is groot genoeg om implementaties die technisch gezien verder degelijk zijn, te laten ontsporen.
Aanwezigheid
In een tijdperk dat bekendstaat om machtige mensen die weinig zelfbewustzijn hebben, ontbrak aanwezigheid — passend genoeg — vrijwel volledig. De sessies waren op strategisch niveau ingestoken, en de vraag of leiders begrijpen hoe werk in hun organisaties daadwerkelijk wordt uitgevoerd — of ze dicht genoeg bij de praktijk staan om te weten wat een AI-implementatie daadwerkelijk zal veranderen voor de mensen die het werk doen — bleef onbesproken.
De cijfers van Jain impliceren het: als 60% van de mensen in een bedrijfsproces na automatisering overbodig wordt, moet iemand aan de top een duidelijk beeld hebben gehad van wat die mensen daadwerkelijk deden en waar gelijkwaardig werk zou kunnen bestaan.
Maar hoe organisaties die operationele nabijheid ontwikkelen, vooral in grote ondernemingen waar het siliconenplafond tussen directieteams en werk op de werkvloer al is gedocumenteerd, maakte geen deel uit van het gesprek.
Strategisch geduld
De overheersende toon van de conferentie was urgentie. Kom nu in beweging of raak achterop. De pilotfases zijn voorbij, het is tijd om uit te rollen. Anghelina's claim dat integratie binnen één dag mogelijk is. Jain's waarschuwing dat een CEO die niet snel genoeg handelt, analisten tegenover zich krijgt die vragen waarom concurrenten betere marges hebben.
Robin Daniels' afsluitende correctie, "snelheid plus onzekerheid is gewoon chaos, haal adem", was de enige tegenkracht in alle sessies en kwam in de laatste dertig seconden voordat de tijd om was.
Onderzoek naar wat daadwerkelijk leidt tot duurzame AI-adoptie wijst in een andere richting: 79% van de medewerkers die meer dan vijf uur AI-training kregen, werd een regelmatige gebruiker, tegenover 67% van degenen die minder training kregen. De J-curve is echt.
Het opbouwen van capaciteiten dat duurzame resultaten oplevert, duurt langer dan de urgentie van conferenties erkent. Ook de organisatorische kosten van het beëindigen van initiatieven voordat ze volwassen zijn, waarbij S&P Global het percentage AI-projecten dat niet in productie komt op 42% schat, worden niet meegenomen in het frame van "snel bewegen of achterblijven".
Systeemdenken
Geen enkele sessie ging inhoudelijk in op de manier waarop AI-inzet in één functie gevolgen stroomafwaarts creëert in andere functies. Denk bijvoorbeeld aan:
- Hoe het herontwerpen van werkprocessen binnen HR verandert wat klantenservice moet kunnen
- Hoe het automatiseren van kredietgoedkeuring de productmanagementaanpak voor de volledige kredietverleningsfunctie verandert
- Hoe de inzet van agents in één afdeling governancevraagstukken blootlegt die elke afdeling raken.
Ng's voorbeeld van kredietgoedkeuring bevatte hier feitelijk de kiem van, door te beschrijven hoe top-down herontwerp van werkprocessen nieuwe producten mogelijk maakt in plaats van alleen incrementele efficiëntie, maar de implicaties op systeemniveau voor de manier waarop organisaties moeten worden ingericht om die kansen te zien en erop te handelen, werden niet uitgewerkt.
De bevinding van BCG dat 52% van de organisaties die succesvol zijn met AI nu gebruikmaakt van multidisciplinaire teams van leiders uit het bedrijfsleven en de technologie, tegenover 5% een jaar eerder, suggereert dat dit een van de meest ingrijpende structurele veranderingen is die momenteel plaatsvinden. De sessies behandelden dit als veronderstelde achtergrond in plaats van als een actieve uitdaging.
Het patroon bij alle zeven capaciteiten? Leiders lijken beter voorbereid op de capaciteiten die het meest lijken op de ontwikkeling van individuele vaardigheden (empathie, productdenken) en het zwakst op de capaciteiten die herontwerp van de organisatie vereisen (systeemdenken, strategisch geduld, aanwezigheid).
Die onbalans weerspiegelt iets wat momenteel daadwerkelijk speelt in het gesprek over AI. De ontwikkeling van individuele vaardigheden is behapbaar. Er zijn leveranciers, curricula en meetbare voltooiingscijfers. Het herontwerpen van organisaties verloopt trager, is politiek ingewikkelder en laat zich moeilijker verpakken in een sessie van 45 minuten.
Het gesprek richt zich daarom op wat het concreet kan beschrijven, en we noemen het resultaat een gereedheidskader.
Wat actiegerichte gereedheid vereist
Het onderscheid tussen aspiratiegerichte en actiegerichte gereedheid gaat niet over pessimisme versus optimisme. Zowel Ng als Hart waren duidelijk dat de organisaties die dit goed doen, echte vooruitgang boeken.
Hart beschreef een groot professioneel dienstverleningsbedrijf dat 5.000 medewerkers bijschoolde voor gespecialiseerde AI-rollen, en een wereldwijd technologiebedrijf waar betrokkenheid bij Coursera samenhing met een verbetering van 50% in personeelsbehoud. Dit zijn resultaten, niet alleen intenties.
Wat die organisaties volgens de beschikbare beschrijvingen gemeen hebben, is dat ze begonnen met een specifiek bedrijfsprobleem in plaats van een algemeen doel voor gereedheid. Het professionele dienstverleningsbedrijf probeerde betere resultaten te leveren voor klanten in AI-ondersteunde opdrachten. Het technologiebedrijf probeerde medewerkers te behouden die effectiever werden. In beide gevallen was de ontwikkeling van vaardigheden gekoppeld aan iets concreets genoeg om te evalueren.
Anghelina bracht dit punt het meest rechtstreeks naar voren, hoewel in de context van die bootcamps en het doel om marketinguitgaven te optimaliseren om 10% meer verkoop te genereren. Het mechanisme is niet abstract. Het resultaat is meetbaar. Het is de taak van de medewerker om uit te zoeken hoe AI kan worden toegepast om dat resultaat te bereiken.
Wanneer gebruikers de impact van AI op het bedrijf zien. Worden ze creatiever. De vaardigheden ontwikkelen zich omdat het probleem specifiek genoeg is om zich daarop te ontwikkelen.
Hier lopen veel inspanningen voor bijscholing vast. Ze beginnen met vaardigheden omdat vaardigheden inzichtelijk, aan te leren en meetbaar zijn. De inschrijvingsaantallen van Coursera zijn echt. De gegevens over de voltooiing van microcertificaten zijn echt. De 91% van de lerenden die binnen zes maanden positieve loopbaanresultaten rapporteert, is echt. Maar vaardigheden die losstaan van de organisatorische context neigen naar het algemene. En algemene paraatheid is geen paraatheid voor iets specifieks.
Franklin maakte hetzelfde punt vanuit HR-perspectief toen ze zei dat HR ongeveer 60% van zijn tijd besteedt aan het documenteren van wat er in het verleden is gebeurd.
De kans ligt niet in HR beter maken in documentatie. De kans ligt in het vrijmaken van HR-capaciteit om te werken aan problemen die daadwerkelijk menselijk beoordelingsvermogen vereisen, problemen die specifiek genoeg zijn om iemand nodig te hebben die de organisatie, haar mensen en de beslissingen die daadwerkelijk resultaten bepalen begrijpt.
Een echte AI-paraatheidsstrategie begint daar. Niet met "welke vaardigheden hebben onze mensen nodig", maar met "waartoe moet deze organisatie over 18 maanden in staat zijn wat ze vandaag nog niet kan, en wat moet elke rol daaraan bijdragen?"
Door vanuit die vraag terug te redeneren ontstaat iets wat geëvalueerd kan worden. Het Kader met zeven capaciteiten bestaat precies om die terugwaartse mapping te structureren, een doel voor bedrijfscapaciteit te vertalen naar de specifieke menselijke capaciteiten die nodig zijn om het te bereiken, en de afstand tussen de huidige en de vereiste situatie nauwkeurig genoeg te beoordelen om er een ontwikkelingsprogramma omheen te bouwen.
De urgentie vertroebelt
Een dynamiek die het conferentiecircuit waarschijnlijk onbedoeld versterkt, is dat urgentie de plaats inneemt van precisie.
Elke sessie die ik de afgelopen 6 weken heb bijgewoond, of het nu de grote balzalen bij Transform waren, het dramatisch verlichte podium bij HumanX of de workshopsessies op kleinere, meer lokale conferenties hier in Atlanta, waar ik woon, verwees naar het tempo van verandering.
Verschillende sprekers merkten op dat volgens Ng drie tot vier maanden achterlopen op de nieuwste AI-codeerhulpmiddelen aanzienlijke prestatieverschillen tussen ingenieurs veroorzaakt. De impliciete boodschap is dat de snelheid van adoptie de belangrijkste variabele is.
Het is een variabele. Het is niet de belangrijkste.
Daniels zei het het duidelijkst, ook al werd het enigszins bedolven onder het omliggende gesprek.
Snelheid plus duidelijkheid is geweldig. Snelheid plus onzekerheid is gewoon chaos.
Het meeste van wat momenteel AI-paraatheid wordt genoemd, wordt in hoog tempo aangestuurd. De urgentie is reëel in die zin dat we die allemaal voelen, en door ons eraan te committeren houden we haar in stand.
Maar de organisaties die daadwerkelijk concurrentievoordeel opbouwen uit AI-ontwikkeling van het personeelsbestand, zijn de organisaties die specifiek genoeg hebben bepaald waar ze naartoe bouwen, zodat snelheid ergens naartoe kan.
De test is eenvoudig, en de conferentiesessies laten dit onbedoeld zien. Als je de AI-paraatheidsdefinitie uit een van deze sessies zou nemen en die zou proberen te gebruiken om een ontwikkelingsprogramma voor jouw organisatie op te bouwen, zou je onmiddellijk een reeks vragen moeten beantwoorden die de definitie niet behandelt.
- Welke rollen zijn het belangrijkst voor onze specifieke AI-strategie?
- Hoe ziet capaciteit eruit op elk niveau, en hoe meten we die?
- Wat is de ontwikkelingsvolgorde waarmee we het snelst van de huidige naar de vereiste situatie komen?
- Welke organisatorische veranderingen moeten naast de ontwikkeling van individuele vaardigheden plaatsvinden om dit te laten werken?
Dat zijn geen ambitieuze vragen. Ze zijn operationeel. En het beantwoorden ervan is wat het vermogen om AI-klare personeelsbestanden op te bouwen onderscheidt van het vermogen om AI-trainingsprogramma's uit te voeren.
De uitdrukking is een afkorting geworden voor een doel waar iedereen het over eens is. De strategie is het werk dat volgt uit het precies bepalen wat dat doel betekent.
