Uw AI-agenten zullen dezelfde fouten maken als uw nieuwe medewerker

Onlangs heb ik geprobeerd AI te gebruiken om advertentiemateriaal voor een bedrijf te maken. Het experiment was een succes, dus begon ik de nieuwe marketingspecialist van het bedrijf hierin te trainen.

Ik demonstreerde en legde het uit, en hij probeerde het na te doen, maar bleef dezelfde fouten maken. Dagen gingen voorbij zonder resultaat, en ik kon niet de hele dag naast hem zitten.

Eigenlijk deed ik precies wat ik normaal gesproken afraad. Ik besloot dat het, omdat ik goed ben in dit werk, voldoende was om de nieuwe medewerker het proces te laten zien, waarna die mijn vaardigheden vanzelf zou oppikken door toe te kijken. 

Deze overtuiging is een veelgemaakte fout, omdat iets zelf kunnen doen en de logica achter je beslissingen aan iemand anders kunnen overbrengen twee verschillende dingen zijn. Ik had al geprobeerd die twee te combineren, en dat werkte niet

Toen ik mijn bedrijf, STEP IT Academy, een wereldwijd IT-onderwijsnetwerk, uitbreidde, trainde ik de filiaaldirecteuren zelf. De training duurde ongeveer drie maanden, en gedurende die tijd kon ik mijn eigen werk niet uitvoeren. Nadat we de deskundige kennis hadden geëxtraheerd en gestructureerd, zodat de training niet langer afhankelijk was van mij of andere mensen, werd de training van directeuren teruggebracht tot twee weken. In plaats van 2–3 nieuwe vestigingen per jaar te openen, konden we er tientallen openen.

Het probleem van kennisoverdracht bemoeilijkt nu ook de integratie van AI in werkprocessen. Een AI-agent heeft toegang tot instructies en bedrijfsgegevens, maar niet tot de logica waarmee een ervaren specialist effectieve beslissingen neemt. Een AI-agent zal dus dezelfde fouten maken als een onervaren nieuwkomer.

Hieronder leg ik uit waarom dit zo is en hoe je de kennis van je beste medewerkers kunt omzetten in een bedrijfsmiddel. 

Je kennisbank mist het belangrijkste onderdeel

Wanneer je iets jarenlang hebt gedaan, worden je handelingen automatisch en is het verrassend moeilijk om de vraag "hoe doe je dat?" te beantwoorden.

Dit wordt impliciete kennis genoemd: iemand weet meer dan diegene kan uitleggen. En dat geldt voor veel professionals binnen hun vakgebied.

Daarom werkt het advies om "een nieuwkomer aan je beste medewerker te koppelen" niet altijd. De expert wordt weggehaald bij het eigen werk en probeert de procedure uit te leggen, vaak zonder alles te behandelen. De nieuwkomer verwerft niet de benodigde kennis: sommige dingen werden terloops uitgelegd, sommige dingen ontdekte diegene zelf, over andere zaken moest diegene vragen stellen, terwijl weer andere aspecten niet bij diegene opkwamen en uiteindelijk tot een fout leidden.

Als gevolg daarvan verspillen beiden tijd en wordt het gewenste resultaat niet bereikt.

Bedrijfsvoorschriften en instructies beschrijven een standaardproces: wat je moet openen, waar je moet klikken en naar wie je een document moet sturen. Maar ze leggen zelden uit waarom een ervaren specialist dit proces in de ene situatie volgt, maar in een andere situatie onmiddellijk beseft dat ervan moet worden afgeweken.

De expert hoeft dit niet steeds opnieuw aan anderen uit te leggen. Structureer in plaats daarvan de logica achter diens beslissingen, zodat die niet langer afhankelijk is van diens aanwezigheid. 

Laat de expert aan het woord

Dingen opschrijven is op zichzelf al een vaardigheid en kost veel meer tijd dan het lijkt. Het is beter om een interview af te nemen en de expert aan het woord te laten.

Stuur de vragen vooraf, zodat de persoon tijd heeft om praktische voorbeelden terug te halen. Als het bedrijf in verschillende niches actief is, vraag dan niet om op elke niche commentaar te geven – daar komt geen einde aan. Je moet 2–3 belangrijke triggers identificeren die de acties van een medewerker beïnvloeden. Dat kunnen bijvoorbeeld het type markt (B2B of B2C) of de lengte van de verkoopcyclus (kort of lang) zijn.

Neem het gesprek op. AI kan het transcriberen en een voorlopige structuur opstellen, maar de expert moet dit controleren en indien nodig aanvullen of corrigeren.

AI is goed in het ordenen van wat er is gezegd, maar kan niet garanderen dat de expert alle belangrijke punten heeft behandeld. De uitkomst van het interview hangt in de eerste plaats af van de vragen. Als je vraagt: "Vertel me hoe je werkt", zal iemand in algemene termen antwoorden. Wat moet je dan wel vragen? 

Vraag naar specifieke handelingen

Ik ben al jarenlang betrokken bij de ontwikkeling van trainingsprogramma's voor medewerkers en heb gemerkt dat specialisten hun werk bijna altijd in abstracte termen beschrijven: "analyseren", "beoordelen", "uitzoeken". Maar zulke woorden maken niet duidelijk wat er precies moet gebeuren. 

Daarom is het de moeite waard om bij elk woord stil te staan en te vragen: "Wat doe je precies? Wat is de eerste stap? Waar zoek je naar informatie?"

Stel dat een specialist zegt: "Eerst moet je beoordelen hoe goed de verkoopafdeling presteert."

Vraag: "Wat doe je precies om dit te bereiken?" Dan blijkt dat diegene de taken van de managers in het CRM opent en het aandeel achterstallige taken controleert. Als meer dan de helft achterstallig is, is dat voor diegene een teken dat het werk van de afdeling ongeorganiseerd is. Dit soort logica kan vervolgens aan iemand anders worden overgedragen.

Wanneer een functie een breed scala aan taken omvat, is een van de meest voorkomende fouten dat je meteen elk mogelijk scenario probeert te beschrijven. In een complex bedrijf kunnen dat er honderden zijn.

Begin door het vanuit de andere kant te bekijken: vraag wat constant blijft, ongeacht de klant, het project of de markt. Dit helpt je de kern van het proces te identificeren. Voor een nieuwe medewerker vormt dit de basis van waaruit diegene het werk begint, en voor een AI-systeem is het een reeks regels die niet veranderen met de context.

Onderzoek uitzonderingssituaties, niet alleen het ideale proces

Vraag een expert welke regels diegene in het werk volgt, en die zal er twee of drie voor de hand liggende noemen. De rest volgt diegene zonder het te beseffen, en juist daarin ligt de ervaring.

Deze regels komen naar voren als je verschillende casestudy's analyseert. Vraag de expert zich een project te herinneren waarin alles bijzonder goed ging, en een situatie waarin het bijna misliep.

Vraag in het eerste geval welke beslissing of handeling aan het begin de grootste impact had op het succes. Vraag in het tweede geval wat er misging en wat de expert precies deed om de situatie te herstellen.

Ooit vertelde een lid van mijn team me hoe een stagiair tijdens een algemene vergadering scherpe kritiek uitte op het werk van iemand aan de kant van de klant. Die persoon klapte dicht en het project kwam tot stilstand. Een senior specialist moest ingrijpen, sprak de partner onder vier ogen en legde uit dat niemand van plan was de manier waarop ze werkten te veranderen. Integendeel, ze wilden hen helpen het resultaat zelf te bereiken.

Hieruit volgen direct twee regels: bekritiseer iemands werk niet in het openbaar en zorg ervoor dat je werk in de eerste plaats voordeel oplevert voor degenen op wier verantwoordelijkheidsgebied het betrekking heeft.

Juist deze uitzonderingssituaties zijn ook waardevol voor AI. Standaarddocumentatie beschrijft meestal het verwachte pad, maar echte expertise komt naar voren wanneer gegevens ontbreken en het standaardproces niet het verwachte resultaat oplevert. Zulke scenario's kunnen worden omgezet in uitzonderingssituaties en voorbeelden waaraan het AI-systeem vervolgens wordt getest.

Bepaal hoe het resultaat eruit moet zien

Laten we ons voorstellen dat je een interview hebt afgenomen met de topexpert van het bedrijf. AI-tools hebben geholpen om dit in een duidelijke structuur te organiseren, en je hebt nu een nauwkeurige stapsgewijze handleiding voor iedere nieuwe medewerker. Hoe kun je vaststellen of diegene het echt onder de knie heeft?

Het eerste wat in je opkomt, is een toets. En dat is de slechtste optie: die laat zien wat de persoon uit het hoofd heeft geleerd, niet wat diegene daadwerkelijk kan. Het is beter om een nieuwkomer een realistische taak te laten uitvoeren. Je moet meteen bepalen hoe het resultaat eruit moet zien: een ingevuld spreadsheet, een voltooid document, een geconfigureerd scherm in het CRM of een opname van een gesprek met een klant.

En vraag een expert om de kwaliteitscriteria te bepalen. Stel je voor dat een nieuwkomer het werk bij je heeft ingeleverd, maar dat je geen tijd hebt om alles te lezen. Naar welk afzonderlijk detail zou je kijken om vast te stellen of diegene het echt heeft begrepen of slechts een sjabloon heeft gekopieerd?

Je kunt nog een stap verder gaan. Vraag een expert welke typische fout een nieuwkomer maakt en verwerk die in een trainingsscenario. Kijk of de medewerker het probleem opmerkt en de juiste handelwijze kiest.

Hetzelfde principe moet worden toegepast op een AI-agent. Geef die realistische gevallen, vooral gevallen waarin het standaardscenario niet werkt, en vergelijk de oplossing met de oplossing die een ervaren specialist zou hebben gekozen.

Als de agent een andere aanpak koos, betekent dit niet per se dat het model niet goed genoeg is. Misschien heb je tijdens het interview een belangrijke uitzondering of regel niet geïdentificeerd. In dat geval moet de kennisbank worden bijgewerkt en moet de test worden herhaald. 

Wat dit oplevert

De kennis van experts moet worden geformaliseerd, zodat expertise niet langer aan één persoon gebonden is. Zodra je dit hebt gedaan, hangt het inwerken niet langer af van de beschikbaarheid van de beste specialist: iedere nieuwe medewerker krijgt dezelfde operationele logica, in plaats van wat de expert zich tussen taken door weet te herinneren. 

Dezelfde verzameling deskundige kennis kan in twee richtingen worden ingezet – voor mensen en voor AI-systemen. Je kunt hun beslisregels, voorbeelden, uitzonderingen en scenario's geven, die vervolgens kunnen worden gebruikt om hun prestaties te testen.