Vertaalt de 70-20-10-regel voor AI-transformatie zich naar organisaties van verschillende omvang?
Bedrijf A besteedde vorig jaar $8 miljoen aan AI-transformatie. Bedrijf B besteedde de helft daarvan. Toch loopt Bedrijf B op alle belangrijke punten—adoptiepercentages, productiviteitswinst, medewerkerstevredenheid en rendement op investering—zijn concurrent met het grotere budget voorbij.
Het verschil zit niet in de technologie. Beide bedrijven namen licenties op dezelfde LLM's voor ondernemingen. Beide huurden consultants in. Beide kondigden hun AI-initiatieven aan met de fanfare waar leidinggevenden zo van houden. Het verschil ligt in één beslissing die aan het begin werd genomen: hoe ze hun budgetten toewijzen.
Bedrijf A volgde de gebaande weg: 60% voor technologie, 15% voor training, 25% voor "al het overige". Bedrijf B keerde de piramide volledig om: 70% voor mensen en processen, 20% voor infrastructuur, 10% voor algoritmen.
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
Het patroon dat Bedrijf B volgde, is niet uit het niets ontstaan. Het kwam voort uit onderzoek van Boston Consulting Group en MIT Sloan naar honderden AI-transformaties. Hun conclusie was duidelijk: de bedrijven die daadwerkelijk resultaten boekten met AI, waren niet de bedrijven die de meest geavanceerde tools aanschaften. Het waren de bedrijven die het meest in hun mensen investeerden.
Maar zoals altijd is de context belangrijk. Dat onderzoek richtte zich op ondernemingen met AI-budgetten van minstens $10 miljoen, oftewel bedrijven met speciale transformatieteams, volwassen data-infrastructuur en legers aan specialisten.
Voor middelgrote bedrijven met 5.000 of minder medewerkers zien de beperkingen er fundamenteel anders uit. Veel van deze bedrijven beschikken niet over een basisinfrastructuur voor data. Ze kopen AI via SaaS-abonnementen, waarbij de kosten van het algoritme zijn verwerkt in de maandelijkse tarieven. Dezelfde bedragen hebben een andere impact wanneer je met $2 miljoen werkt in plaats van met $20 miljoen.
Geldt het 70-20-10-model dan nog steeds? Of hebben middelgrote bedrijven een heel andere aanpak nodig?
Het model ontrafeld
De 70-20-10-regel beschrijft in essentie waar succesvolle AI-transformaties hun geld en energie daadwerkelijk aan besteden. De cijfers staan voor de verdeling over drie fundamentele categorieën:
- De 70%: Mensen en processen. Dit omvat programma's voor verandermanagement, training per functie, het herontwerpen van werkprocessen, governancekaders, communicatie-infrastructuur, coaching van managers en gebruikersondersteuning. Het is het weinig glamoureuze werk van verduidelijken wie waarvoor verantwoordelijk is, hoe beslissingen anders tot stand komen wanneer AI deel uitmaakt van het proces en welke prikkels moeten veranderen.
- De 20%: Technologische infrastructuur. Dit omvat datavoorbereiding, integratielagen, beveiligingskaders, monitoringsystemen en architectuur voor schaalbaarheid. Het gaat om alles wat moet werken voordat de AI-tools daadwerkelijk in jouw omgeving kunnen functioneren.
- De 10%: Algoritmen en modellen. Dit zijn de AI-tools zelf—licenties, API-kosten, het verfijnen van modellen en de selectie van leveranciers.
Het patroon kwam voort uit harde data. Uit onderzoek van BCG bleek dat bedrijven die deze verdeling volgden, aanzienlijk hogere adoptiepercentages en meetbare productiviteitswinst behaalden. MIT Sloan stelde vast dat 70% van de waarde van AI afhankelijk is van aanvullende investeringen in mensen en processen, en niet van de geavanceerdheid van de technologie.
De reden is dat AI-modellen snel een standaardproduct worden. Elk middelgroot bedrijf heeft toegang tot dezelfde geavanceerde modellen van OpenAI, Anthropic of Google. Maar het vermogen van een organisatie om te veranderen? Dat is niet te koop.
Het vermogen om werkprocessen opnieuw in te richten, managers te trainen in het begeleiden van AI-adoptie en governancekaders op te bouwen die mogelijk maken in plaats van beperken, is de onderscheidende factor.
Toch rijst er bij middelgrote leiders die dit model bekijken een redelijke vraag: kunnen bedrijven zonder volwassen data-infrastructuur daar echt slechts 20% aan besteden? Hoe zit het met organisaties die SaaS-AI-producten kopen waarbij de kosten van het algoritme zijn inbegrepen in de abonnementstarieven? Klopt de rekensom dan nog?
Whitney Munro, oprichter van FLEX Partners, dat bedrijven begeleidt bij AI-transformaties, ziet deze spanning voortdurend in de praktijk.
"De 70-20-10-benadering klopt over het algemeen," zegt ze, "maar waar de problemen beginnen, is bij een gebrek aan volgorde en doelgerichtheid. Het overslaan van het 'weinig glamoureuze' werk—het verduidelijken van verantwoordelijkheden, doel, prikkels, werkprocessen enzovoort—voordat je überhaupt aan de tools toekomt."
Het model is niet bedoeld als een rigide voorschrift, maar als een principe. AI-transformatie is in de eerste plaats een uitdaging op het gebied van mensen en de organisatie, en niet op het gebied van technologie. Voor middelgrote bedrijven geldt dat principe nog steeds, maar de specifieke percentages moeten mogelijk worden aangepast op basis van hun uitgangspositie.
Waarom bedrijven de verdeling verkeerd maken
De druk om eerst in technologie te investeren komt van alle kanten. AI-leveranciers verkopen natuurlijk technologie. Bestuursleden willen dashboards en tools zien, zichtbaar bewijs dat het bedrijf "met AI bezig is". Investeerders vragen tijdens financiële presentaties naar AI-initiatieven. IT-afdelingen spreken de taal van infrastructuur en modellen.
Wat moeilijker te zien, moeilijker te meten en moeilijker te verkopen is, is het trage werk van capaciteitsopbouw. Trainingsprogramma's zorgen niet voor spannende presentaties voor de raad van bestuur. Het herontwerpen van werkprocessen komt niet goed tot zijn recht in het jaarverslag. Bestuurskaders klinken eerder bureaucratisch dan innovatief.
Specifiek voor middelgrote bedrijven zorgen verschillende valkuilen ervoor dat de technologie-eerstbenadering nog verleidelijker wordt:
- Schaarse middelen creëren een valse kortere route. "We kunnen ons geen toegewijd AI-transformatieteam veroorloven, dus laten we gewoon de tool kopen en gaandeweg uitzoeken hoe het werkt." De redenering lijkt logisch, totdat je beseft dat de tool ongebruikt blijft omdat niemand de werkprocessen eromheen heeft herontworpen.
- De druk om snel te handelen overspoelt een doordachte planning. Vooral snelgroeiende bedrijven voelen de behoefte om snel te bewegen. Drie maanden uittrekken om managers op te leiden en processen opnieuw te ontwerpen voelt traag vergeleken met volgende week een nieuwe AI-tool activeren.
- Leveranciersdynamiek verhult de werkelijke kosten. Wanneer je een zakelijk SaaS-AI-product koopt, zijn de algoritmeontwikkeling en een groot deel van de infrastructuur opgenomen in een maandelijks abonnement. Daardoor lijkt het alsof je minder aan technologie uitgeeft dan in werkelijkheid het geval is, en wordt het gemakkelijker om te weinig te investeren in de menselijke kant.
- Overbelasting van functies creëert een onmogelijke situatie. In middelgrote bedrijven zijn dezelfde mensen die de huidige bedrijfsvoering moeten onderhouden degenen van wie wordt verwacht dat ze die transformeren. Zonder toegewijde middelen voor verandermanagement wordt transformatie een nevenproject dat nooit de juiste aandacht krijgt.
Clint Riley, operationeel directeur bij Globe Midwest, heeft de activiteiten rond klantervaring tijdens meerdere technologie-implementaties geleid. Hij ziet hetzelfde patroon zich herhalen.
"Leiders steken vaak veel geld in AI-infrastructuur en zien beperkte resultaten. De tools blijven ongebruikt omdat teams er niet op zijn voorbereid, ze niet vertrouwen of vasthouden aan oude gewoonten. Het echte verschil komt door eerst in mensen en processen te investeren," zegt hij.
De misvatting over de kosten zit diep. Training voelt op het moment zelf duur aan—$300,000 voor gerichte AI-training voor 500 medewerkers klinkt als veel. Maar die investering kan routinefouten in het eerste jaar met 40% verminderen.
Nog eens $200,000 om belangrijke werkprocessen opnieuw te ontwerpen met geïntegreerde AI levert efficiëntieverbeteringen op die je kwartaal na kwartaal kunt meten. Vergelijk dat met $800,000 die wordt uitgegeven aan AI-tools die 15% adoptie bereiken omdat niemand heeft geïnvesteerd in het verandermanagement om ze te ondersteunen.
Het fenomeen van schaduw-AI dat is ontstaan levert het duidelijkste bewijs dat technologie-eerstbenaderingen de problemen creëren die ze juist zouden moeten oplossen. Onderzoek toont aan dat 90% van de werknemers AI-tools gebruikt, maar dat slechts 40% van de ondernemingen deze officieel heeft aangeboden.
Deze kloof bestaat omdat bedrijven technologie hebben geïmplementeerd zonder ondersteuning, waardoor werknemers het zelf moesten uitzoeken en precies de beveiligings- en bestuursrisico's creëerden waar leiders zich zorgen over maken.
Hoe 70% voor mensen er in de praktijk uitziet
Het 70-20-10-model klinkt eenvoudig totdat je het in de praktijk probeert te brengen. Wat betekent het eigenlijk om 70% van je AI-budget aan "mensen en processen" te besteden?
Voor een middelgroot bedrijf met een AI-transformatiebudget van $2M voor het eerste jaar zou een mensgerichte verdeling er als volgt uit kunnen zien:
$1.2M (60%) voor mensen & processen:
- $400K: Toegewijde transformatiemiddelen (2-3 FTEs die zowel verandermanagement als AI-mogelijkheden begrijpen)
- $300K: Externe expertise voor verandermanagement, het ontwerpen van werkprocessen en bestuurskaders
- $200K: Ontwikkeling en uitvoering van trainingsprogramma's (geen eenmalige sessies, maar voortdurende ondersteuning)
- $150K: Infrastructuur voor managementondersteuning en coaching
- $150K: Communicatiesystemen, feedbackmechanismen en iteratiecycli
$600K (30%) voor infrastructuur:
- $300K: Datavoorbereiding, integratie en kwaliteitsverbetering
- $150K: Beveiligings-, nalevings- en monitoringsystemen
- $150K: Analyse-infrastructuur om zowel technische als menselijke resultaten te volgen
$200K (10%) voor AI-hulpmiddelen/algoritmen:
- Zakelijke LLM-abonnementen
- Gespecialiseerde AI-toepassingen
- API-kosten en gebruiksvergoedingen
Let op de aanpassing voor middelgrote bedrijven: Dit laat 60-30-10 zien in plaats van het zuivere 70-20-10-model. Waarom? Middelgrote bedrijven hebben vaak grotere infrastructuurtekorten dan ondernemingen. Verouderde systemen, datasilo's en technische schuld betekenen dat infrastructuur relatief meer investering vereist dan bij ondernemingen met moderne databasisvoorzieningen.
Het belangrijkste principe blijft: de investering in mensen moet gelijk zijn aan of groter zijn dan de investering in technologie. Als je 60% aan hulpmiddelen en infrastructuur samen besteedt en slechts 40% aan mensen en processen, suggereert het onderzoek dat je aanzienlijke waarde laat liggen.
Wat de investering in "mensen" daadwerkelijk oplevert:
Wanneer leidinggevenden "$400K voor transformatiebronnen" zien, vragen ze vaak: wat doen die mensen eigenlijk?
Toegewijde transformatiebronnen:
- Werkstroomanalyses uitvoeren voordat technologie wordt ingezet
- Functiegerichte trainingen ontwerpen (een financieel analist heeft andere AI-vaardigheden nodig dan een klantenservicemedewerker)
- Governancekaders opbouwen die mogelijk maken in plaats van blokkeren
- Feedbacklussen creëren om op basis van daadwerkelijk gebruik te itereren
- Samenwerking tussen IT, HR en bedrijfsonderdelen coördineren
Ondersteuning voor managers:
- Managers voorbereiden om teams te coachen bij het gebruik van AI-hulpmiddelen (niet alleen om ze zelf te gebruiken)
- Managers helpen begrijpen hoe prestatiebeoordelingen veranderen wanneer AI het werk ondersteunt
- Managers ondersteunen bij hun eigen identiteitsverandering naarmate het werk verandert
- Managergemeenschappen creëren om uitdagingen en oplossingen te delen
Communicatie- en feedbackinfrastructuur:
- Regelmatige communicatie aan alle medewerkers over de voortgang van de transformatie
- Kanalen waarlangs medewerkers problemen en zorgen kunnen aankaarten
- Systemen om vast te leggen wat wel en niet werkt
- Transparante besluitvorming over welke AI-hulpmiddelen worden ingezet en waarom
Training die werkt:
- Geen eenmalige workshops, maar doorlopende leerprogramma's
- Praktijkgerichte oefenomgevingen waar fouten maken veilig is
- Leren op het juiste moment, gekoppeld aan daadwerkelijke werkbehoeften
- Netwerken voor ondersteuning door collega's bij het oplossen van problemen
Bezuinig op deze investeringen en de resultaten zijn redelijk voorspelbaar: lage adoptiepercentages, weerstand onder medewerkers, wildgroei van schaduw-AI en uiteindelijk verspilde technologie-uitgaven. Voor directieleden of bestuursleden die dit zien als "flauwekul" of als te "aardig voor medewerkers", is de cruciale herformulering die moet worden benadrukt dat het gaat om het benutten van de waarde die de technologie mogelijk maakt, maar niet zelfstandig kan leveren.
"Besturen zien graag dat nieuwe technologie wordt uitgerold", erkent Riley. "Presenteer de focus op mensen dus als slim risicobeheer met sterke, zichzelf versterkende opbrengsten: hogere productiviteit, betere retentie en bedrijfsvoordelen die zich in de loop der tijd opbouwen. Technologie alleen bereikt doorgaans snel een piek en vlakt daarna af."
De realiteitscheck voor de middelgrote markt
Maar die verdeling gaat uit van een relatief volwassen uitgangspositie. Hoe zit het met bedrijven waarbij de verhoudingen veel ingrijpender moeten veranderen?
Alix Gallardo, productdirecteur bij Invent, helpt middelgrote bedrijven precies met dit soort scenario's. Haar perspectief op SaaS AI verandert de berekening.
"Wanneer je SaaS AI aanschaft, heeft de leverancier het zware werk al gedaan: het moeilijke en dure modelwerk plus een groot deel van de infrastructuur. Je vraag zou dus moeten zijn: 'Nu dat allemaal is geregeld, waarop richten we onze beperkte interne tijd en ons beperkte budget?'"
Haar uitsplitsing voor een grotendeels kant-en-klare SaaS-opstelling stelt mensen nog steeds voorop, maar houdt rekening met de realiteit dat infrastructuuruitdagingen voor middelgrote bedrijven vaak een grotere rol spelen.
"Opstellingen in middelgrote bedrijven zijn vaak rommelig", merkt Gallardo op. "Veel niet-verbonden SaaS-producten, verouderde systemen, ingebouwde integraties, gebrekkige gegevensstromen en kleine IT-teams. Het is dus normaal dat infrastructuur in een vroeg stadium tot 25–35% in beslag neemt."
Bekijk drie scenario's waarin de verdeling moet worden aangepast:
Scenario 1: Het bedrijf met een schrijnend infrastructuurtekort
Een productiebedrijf met 2.000 medewerkers bestaat al 30 jaar. Gegevens staan verspreid in silo's over meerdere systemen. Klantinformatie staat in de ene database, productiegegevens in een andere en kwaliteitsmetingen in rekenbladen. Het IT-team bestaat uit vijf mensen.
Voor dit bedrijf moet de verdeling mogelijk aanvankelijk 50% mensen, 40% infrastructuur en 10% algoritmen zijn. Zonder een basale gegevensinfrastructuur kunnen AI-hulpmiddelen niet effectief functioneren. Maar ook hier mag niet worden bezuinigd op de investering in mensen. Die moet alleen strategisch zijn en gericht op het opbouwen van interne capaciteit om betere infrastructuurbeslissingen te nemen en het personeel voor te bereiden op veranderingen zodra de infrastructuur aanwezig is.
Scenario 2: De wendbare snelgroeier
Een softwarebedrijf met 800 medewerkers werkt vanaf dag één cloudgebaseerd. Systemen communiceren met elkaar. Het team is technisch zeer vaardig. Infrastructuur vormt geen knelpunt.
Hier kan de verdeling 75% mensen, 15% infrastructuur en 10% algoritmen zijn. De snelle groei van het bedrijf betekent dat cultuur en processen extra investeringen nodig hebben om op te schalen. Met een sterke technische basis ligt de beperking bij de organisatie, niet bij de technologie.
Scenario 3: Het risicomijdende middelgrote bedrijf
Een financiële dienstverlener met 4.500 medewerkers opereert in een sterk gereguleerde sector. De cultuur staat afwijzend tegenover verandering, risicobeheer is van het grootste belang en de compliancevereisten zijn uitgebreid.
Dit bedrijf zou 65% aan mensen, 20% aan infrastructuur en 15% aan algoritmen kunnen toewijzen. De hogere uitgaven aan algoritmen draaien niet om het najagen van de nieuwste modellen, maar om te investeren in AI-tools met ingebouwde governancefuncties, auditsporen en transparantiemechanismen die het compliancerisico beperken.
De diagnose is niet ingewikkeld. Beoordeel je bedrijf op vier dimensies op een schaal van 1 tot 10:
- Kwaliteit van de huidige data-infrastructuur
- Verandervermogen van de organisatie
- Dichtheid van technisch talent
- Complexiteit van regelgeving en compliance
Lagere scores voor infrastructuur en talent wijzen erop dat je daar meer in zult moeten investeren. Een groter verandervermogen betekent dat je meer kunt investeren in mensen en processen. Een hoge regelgevingscomplexiteit kan meer investeringen in geavanceerde tools met ingebouwde governance rechtvaardigen.
Maar in alle scenario's blijft één principe overeind: investeringen in mensen moeten gelijk zijn aan of groter zijn dan investeringen in technologie.
Zoals Munro het formuleert: "De meeste organisaties falen niet vanwege de AI zelf; ze falen omdat ze investeren in prompts en verwachten dat AI een magische oplossing is, in plaats van te doen wat ze zouden moeten doen: ervoor zorgen dat hun mensen weten wat AI is, wat er mogelijk is, hoe ze het moeten gebruiken, welke tools ze voor hun functies moeten gebruiken en hoe ze het integer kunnen inzetten."
Het probleem van verborgen kosten
Een reden waarom bedrijven de verdeling verkeerd inschatten, is dat veel bedrijven niet echt weten wat ze in elk onderdeel uitgeven. De kosten zijn verdeeld over afdelingen en verborgen in verschillende begrotingsposten.
Technologiekosten zijn meestal zichtbaar: softwarelicenties, kosten voor cloudcomputing en contracten met leveranciers. Deze zijn duidelijk terug te vinden in IT-budgetten.
Infrastructuurkosten zijn soms verborgen. De tijd van data-engineering wordt ondergebracht in het operationele budget van de IT-afdeling. Integratiewerk vindt plaats als onderdeel van het "onderhouden van systemen". Beveiligingsbeoordelingen zijn een nevenproject van iemand. Monitoringssystemen zijn een bijzaak.
Maar kosten voor mensen en processen zijn vaak volledig onzichtbaar. De tijd die medewerkers aan training besteden, vertegenwoordigt opportuniteitskosten (werk dat niet wordt gedaan terwijl mensen leren). Tijd voor coaching door managers verschijnt in geen enkel budget. Inspanningen voor het herontwerpen van processen vinden plaats in vergaderruimten zonder duidelijke toewijzing. Communicatie-overhead is overal en nergens. Governancevergaderingen kosten tijd, maar worden zelden meegeteld als kosten voor AI-transformatie.
Gallardo benoemt drie waarschuwingssignalen dat je verdeling niet klopt, ongeacht wat je officiële budget zegt:
"Een paar ervaren gebruikers zijn dol op de AI-tool, maar de meeste anderen negeren deze. Er is geen duidelijke verandering in beslissingen of werkstromen door AI, alleen interessante functies maar geen echte impact op de manier waarop het werk wordt gedaan. Nieuwe AI-experimenten zijn overal verspreid zonder gezamenlijke standaarden, draaiboeken, meetgegevens, casestudy's of governance."
Wanneer je deze symptomen ziet, "heeft het verschuiven van je budget naar productmanagement, operationeel beheer, verandermanagement en het creëren van 'AI-ambassadeurs' veel meer effect dan geld steken in nog een integratieproject", zegt ze.
Riley ziet hetzelfde patroon: "Zelfs wanneer medewerkers in stilte zelf AI-tools gebruiken, is het antwoord niet strengere controle. Het gaat erom die energie te begeleiden met praktische training en duidelijke richtlijnen. Te veel investeren in mensen komt zelden voor; veel bedrijven doen hier juist te weinig, niet te veel."
Om je werkelijke verdeling te begrijpen, heb je een eerlijke audit nodig. Breng voor het afgelopen kwartaal het volgende in kaart:
- Alle AI-gerelateerde softwarelicenties, cloudkosten en leverancierskosten
- De tijd die IT- en datateams besteden aan AI-infrastructuur, integratie en beveiliging
- De tijd die medewerkers aan AI-training besteden (vermenigvuldig het aantal uren met de gemiddelde uurkosten)
- De tijd die managers besteden aan het begeleiden van AI-adoptie
- Vergadertijd voor governance, het herontwerpen van processen en de planning van AI-initiatieven
- Externe consultants en advieskosten
Categoriseer alles in de drie onderdelen: algoritmen, infrastructuur of mensen en processen. De meeste bedrijven ontdekken dat ze veel meer aan technologie en veel minder aan mensen besteden dan ze dachten.
Waarom de juiste aanpak belangrijk is
Het prestatieverschil tussen bedrijven die de verdeling goed aanpakken en bedrijven die dat niet doen, is opvallend groot.
Onderzoek toont aan dat organisaties met een mensgerichte aanpak 2,3 keer meer betrokken medewerkers en 1,5 keer hogere prestaties zien.
Bedrijven waar CHRO's en CIO's als echte partners samenwerken, rapporteren dat ze 15 keer productiever zijn in hun AI-initiatieven. Maar dit gebeurt niet zo vaak als je misschien denkt. Het probleem begint met een fundamentele verwarring over wat CIO's versus CHRO's zouden moeten beheren bij AI-transformatie.
"Wat fascinerend is, is dat de CIO niet alleen verantwoordelijk is gesteld voor het ontwerpen, testen en implementeren van tools, maar ook voor de adoptie ervan," merkt David Swanagon op, oprichter van het Machine Leadership Journal, gebaseerd op zijn onderzoek naar de AI-gereedheid van organisaties. "En ik denk dat een van de argumenten die we in ons onderzoek naar voren brengen, is dat de adoptie onder de verantwoordelijkheid van de CHRO zou moeten vallen, omdat dit te maken heeft met cultuur, vertrouwen, autonomie en vaardigheden. De CIO zou het ontwerp, de test en de implementatie moeten doen, maar daar moeten stoppen en vervolgens samenwerken met de CHRO om de adoptie te beheren."
LUISTER NAAR DE VOLLEDIGE AFLEVERING MET DAVID SWANAGON
Dit onderscheid is structureel. Wanneer CIO's zowel de implementatie als de adoptie beheren, is het resultaat voorspelbaar: technisch degelijke oplossingen die niemand gebruikt, of die organisatorische wrijving veroorzaken omdat ze niet zijn ontworpen met cultuur en capaciteiten in gedachten.
De kosten van een verkeerde verdeling lopen snel op. Klarna haalde de kranten met zijn AI-efficiëntiewinsten, maar keerde stilletjes op zijn schreden terug toen de kosten voor mensen en cultuur duidelijk werden.
Schaduw-AI verspreidt zich wanneer bedrijven geen ondersteunde tools en training aanbieden, waardoor de beveiligingsrisico's ontstaan waar leiders bang voor zijn. Gegevens uit de sector laten zien dat 80% van de AI-projecten er niet in slaagt op te schalen, vaak omdat ze zijn geïmplementeerd zonder de organisatorische ondersteuning die nodig is voor adoptie—wat er soms toe leidt dat AI een zondebok wordt voor bredere organisatorische mislukkingen.
Een burn-out onder medewerkers en weerstand worden de verborgen belastingen van een technologie-eerstbenadering. Wanneer tools worden geïmplementeerd zonder de juiste training en herontwerp van werkprocessen, ervaren medewerkers AI als iets wat hun wordt aangedaan in plaats van iets wat voor hen wordt gedaan. De tools verhogen hun werklast in plaats van die te verminderen. De weerstand verhardt.
"Het is uiterst disfunctioneel en zorgwekkend om te zien dat het merendeel van de bedrijven dat contact met ons opneemt voor hulp, denkt dat zodra ze een tool 'aanzetten', de magie spontaan zal beginnen," zegt Munro. Het disfunctioneren is niet alleen verspillend, maar schaadt actief het vermogen van de organisatie om te transformeren.
Toch hebben middelgrote bedrijven die de verdeling goed aanpakken een structureel voordeel ten opzichte van grote ondernemingen. Kortere communicatielijnen betekenen dat veranderingen zich sneller verspreiden. Snellere besluitvormingscycli maken snelle iteratie mogelijk. Nauwere verbindingen tussen leiderschap en medewerkers zorgen voor authentieker verandermanagement. Een wendbaardere aanpassing van processen betekent dat werkstromen zich kunnen ontwikkelen naarmate de organisatie leert.
"Als COO die CX-activiteiten door meerdere technologische implementaties heeft geleid, benader ik AI op dezelfde manier: eerst mensen, daarna sterke processen om hen te ondersteunen, en technologie als middel," legt Riley uit. "Wanneer het menselijke element leidend is, blijft de hele transformatie beklijven en levert die de duurzame resultaten op die er het meest toe doen."
De ROI is transformerend. Die $300,000 aan gerichte AI-training die fouten met 40% vermindert? Dat is geen eenmalige winst. Het is een capaciteit die elk kwartaal verbetert naarmate mensen vaardiger worden. De $200,000 voor het herontwerpen van werkprocessen? Die verbeteringen stapelen zich op omdat je een vermogen voor procesinnovatie hebt opgebouwd.
Van regel naar principe
De 70-20-10-regel is geen rigide formule die blind moet worden gevolgd. Het is een principe dat is afgeleid uit observaties van welke bedrijven daadwerkelijk succesvol zijn met AI en uit de realiteit dat transformatie in de eerste plaats een uitdaging voor mensen en de organisatie is, en geen technologische uitdaging.
Voor middelgrote bedrijven vereist dit principe vertaling, maar geen afwijzing. De hiaten in je infrastructuur kunnen vereisen dat je 25-35% van het budget besteedt in plaats van 20%. Je SaaS-AI-tools kunnen algoritmekosten bundelen in abonnementsprijzen, waardoor je de 10% anders moet berekenen. Specifieke beperkingen binnen je sector kunnen aanpassingen vereisen.
Maar de kernwaarheid blijft: als je meer aan technologie besteedt dan aan mensen, laat je vrijwel zeker aanzienlijke waarde liggen.
Riley formuleert het pragmatisch: "Voor een startbudget van $2M zou ik ongeveer 65% toewijzen aan mensen via gerichte training en ondersteuning bij verandermanagement. Ongeveer 25% zou naar essentiële zaken zoals datatoegang en een eenvoudige cloudconfiguratie moeten gaan, en slechts 10% naar algoritmen, waarbij je vooral kiest voor sterke SaaS-oplossingen in plaats van maatwerk."
Gallardo's perspectief houdt rekening met de SaaS-realiteit waarmee de meeste middelgrote bedrijven te maken hebben: "Ja, de verdeling blijft hetzelfde, zelfs als je het model zelf nooit aanraakt. Voor een grotendeels kant-en-klare oplossing gaat ongeveer 10% naar algoritmen, ongeveer 20% naar infrastructuur en ongeveer 70% naar mensen en processen. Hier zou je het grootste deel van je budget in moeten investeren."
Het inzicht dat beiden delen, is dat succes zichtbaar wordt in adoptiepercentages, het vertrouwen van medewerkers en dagelijkse resultaten, en niet alleen in uitgegeven dollars. De technologie die je aanschaft, is minder belangrijk dan wat je doet om mensen te helpen die effectief te gebruiken.
De actie voor leidinggevenden is eenvoudig: voer deze maand een audit van je verdeling uit. Bereken wat je werkelijk besteedt aan algoritmen, infrastructuur en mensen wanneer je alle verborgen kosten meerekent. Als technologie meer kost dan mensen, heb je je probleem gevonden.
Ga daarna aan de slag.
- Investeer in het niet-glamoureuze werk van verandermanagement voordat je de volgende tool implementeert.
- Ontwikkel trainingsprogramma's die zijn afgestemd op specifieke rollen.
- Stel AI-ambassadeurs aan.
- Stel je managers in staat om de acceptatie te begeleiden.
- Herontwerp workflows voordat je technologie implementeert.
- Creëer governancekaders die mogelijk maken in plaats van beperken.
Onthoud de waarschuwing van Munro: "Waar je de schade ziet beginnen, is een gebrek aan volgorde en intentie. Het overslaan van het 'niet-glamoureuze' werk van het verduidelijken van eigenaarschap, doel, prikkels, workflows enzovoort, voordat je überhaupt bij de tools aankomt."
De technologie zal er zijn wanneer je er klaar voor bent. Je mensen zullen niet eeuwig wachten.