De overdracht tussen mens en AI is ingewikkelder dan bedrijven denken

David Rice: De meeste gesprekken over AI in ondernemingen beginnen met dezelfde vraag: Wat kunnen we automatiseren? Maar dat is het verkeerde uitgangspunt. In de aflevering van vandaag praat ik met Paula Goldman, Chief Ethical and Humane Use Officer bij Salesforce, over het verschil tussen ontwerpen voor automatisering en ontwerpen voor samenwerking tussen mens en AI.

Dat zijn niet hetzelfde. Bij automatisering gaat het om de vraag welke stappen je kunt verwijderen. Bij samenwerking gaat het om de vraag welk werk mogelijk wordt nu mensen over een nieuwe mogelijkheid beschikken. De overdracht tussen AI en mensen is ook niet zo duidelijk als we graag doen voorkomen. Wanneer klanten boos zijn, willen ze een mens spreken. Wanneer ze zich schamen, geven ze vaak de voorkeur aan AI.

Algemene aannames over waar die grens ligt, zullen organisaties vertrouwen kosten op manieren waarvan het moeilijk is om te herstellen. Paula’s kernargument is dat naarmate AI krachtiger wordt, beoordelingsvermogen en het opbouwen van relaties belangrijker worden, niet minder belangrijk. Productiviteit is een tussenresultaat. De interessantere vraag is wat je doet met de capaciteit die daardoor ontstaat.

Vandaag bespreken we daarom waarom leiders door te beginnen met automatisering over het hoofd zien hoe menselijk werk waarde creëert, hoe je moet nadenken over de overdracht tussen AI en mensen voor specifieke gebruikssituaties, waarom iedere medewerker nu wordt gevraagd om AI te beheren met dezelfde gebrekkige training die managers ooit kregen, en hoe ontwerpen voor menselijk welzijn er in de praktijk uitziet.

Ik ben David Rice. Dit is People Managing People. Als je AI-strategie is georganiseerd rond wat je kunt automatiseren in plaats van rond wat werk zou kunnen worden, zal dit gesprek je hele kijk op de kwestie veranderen. Laten we beginnen.

Maak kennis met Teamflect, het best beoordeelde platform voor prestatiebeheer en medewerkersbetrokkenheid, gebouwd voor Microsoft Teams.

Vertrouwd door meer dan duizend organisaties. Een gebruiksvriendelijke oplossing met de kwaliteit van een bedrijfsplatform. Ga naar Teamflect.com voor meer informatie.

Paula, welkom bij de aflevering van vandaag.

Paula Goldman: Bedankt dat ik er mag zijn.

David Rice: Ik wilde het gesprek beginnen met het feit dat veel gesprekken over AI in ondernemingen nog steeds beginnen met een variant van: ‘Wat kunnen we automatiseren?’

Je betoogt dat ontwerpen voor automatisering en ontwerpen voor samenwerking tussen mens en AI fundamenteel verschillende zaken zijn. Als we automatisering als doelstelling nemen, wat missen leiders dan als het gaat om menselijk werk en de manier waarop dat waarde creëert?

Paula Goldman: Dank je. Ik vind dat je die vraag heel goed hebt geformuleerd, en ik denk dat er verschillende onderdelen aan zitten.

Het ene is het verschil tussen een transformerend resultaat en een kleine efficiëntiewinst. We zouden ons moeten afvragen: ‘Wat maakt AI mogelijk voor onze bedrijven? Hoe kunnen we onze klanten, medewerkers enzovoort nog beter verrassen?’ Maar op een fundamenteler niveau gaat de vraag ook over het herkennen van de plekken waar menselijke interactie essentieel is voor het succes van een resultaat.

Waar de verbinding tussen iemand die de telefoon beantwoordt en iemand die belt bijvoorbeeld het verschil maakt tussen een diep teleurgestelde klant en een tevreden klant. Of waar menselijke coaching voor een medewerker het verschil maakt tussen motivatie en groei enerzijds en het ontbreken daarvan anderzijds.

We kunnen hier heel diep op ingaan, maar ik denk dat we sterk hebben onderschat waarom dit belangrijk is. AI is enorm krachtig. We kunnen er ontzettend veel mee doen. Maar de juiste vraag is: hoe zorgen we ervoor dat mensen en AI goed samenwerken om verantwoorde en uitzonderlijke resultaten te behalen, in plaats van alleen te kijken waar we AI kunnen invoegen?

David Rice: Een deel van ons probleem is soms dat efficiëntie en waarde in ons hoofd nogal synoniem zijn. Maar een werkproces kan dramatisch efficiënter worden en tegelijkertijd slechter worden in het voortbrengen van zaken die ertoe doen: vertrouwen, leren, creativiteit en beoordelingsvermogen. Automatisering behandelt het bestaande werkproces doorgaans als de analyseeenheid.

Welke stappen kunnen we verwijderen? Samenwerking stelt volgens mij een andere vraag: ‘Wat zou dit werkproces kunnen worden nu mensen over een nieuw soort mogelijkheid beschikken?’

Paula Goldman: Dat heb je heel goed gezegd.

David Rice: Dit is volgens mij vooral relevant voor CHRO’s, omdat een financieel directeur twintig procent vrijgekomen capaciteit zal zien.

HR moet zich afvragen wat er gebeurt met de vakkennis en het organisatiesysteem rond die capaciteit. Dit is dus een van de grote kwesties waar we momenteel mee worstelen. Je hebt gesproken over het ontwerpen van de overdracht tussen AI en mensen. Maar die grens is niet zo eenvoudig als: AI doet routinematig werk en mensen doen complex werk.

Dat zeggen we wel, maar volgens mij is het niet zo helder. Soms geven mensen zelfs de voorkeur aan AI voor zeer gevoelige interacties, terwijl andere mensen voor ogenschijnlijk eenvoudige momenten enorm afhankelijk zijn van menselijke verbinding. Hoe zouden organisaties volgens jou moeten bepalen waar die grens ligt, in plaats van algemene aannames te doen?

Paula Goldman: Het is niet zo dat die stelregel — laat AI het routinematige werk doen en laat mensen het complexe werk doen — onjuist is. Het is eigenlijk een behoorlijk goed uitgangspunt. Maar zodra je naar afzonderlijke gebruikssituaties kijkt, wordt het interessant.

Neem klantenservice. Als AI een vraag nog nooit heeft gezien en geen gegevens heeft over het antwoord, zou het die waarschijnlijk niet moeten afhandelen. Maar er zijn ook andere vuistregels. Als iets sterk gereguleerd is, zoals belastingadvies voor kleine bedrijven, wil je dat een mens het afhandelt.

Als je vervolgens kijkt naar emoties en emotionele verbinding met klanten, wordt het echt interessant. Uit veel onderzoeken en gegevens blijkt dat klanten wanneer ze boos zijn doorgaans met een persoon willen praten. Wanneer ze zich schamen, bijvoorbeeld vanwege een medische aandoening of iets waarvoor ze niet beoordeeld willen worden, bestaat er juist een lichte voorkeur voor AI.

Daarom is het belangrijk om die trends en voorkeuren goed te begrijpen: wanneer mensen met mensen willen praten en wanneer niet. In klantenservice gaat het niet alleen om efficiëntie. Dit is de plek waar je een klant behoudt of verliest.

Je krijgt daar niet veel kansen voor. Daarom beginnen we volgens mij nog maar net te begrijpen hoe samenwerking in de praktijk werkt. Aandacht voor de menselijke kant is daarbij cruciaal.

David Rice: Misschien is het onderscheid dus niet zo eenvoudig als eenvoudig versus complex. Het gaat eigenlijk om de vraag wat mensen van deze interactie willen.

Je zei dat mensen wanneer ze boos zijn met een mens willen praten. Als ze zich schamen of bang zijn om beoordeeld te worden, kan AI psychologisch veiliger aanvoelen dan een persoon, simpelweg omdat we in ons leven interacties hebben meegemaakt waarin menselijke contacten ongemakkelijk voelden.

Dat suggereert dat organisaties gebruikersonderzoek nodig hebben, en niet alleen proceskaarten, voordat ze bepalen waar mensen nodig zijn. De grens is ook niet permanent. Mensen willen aanvankelijk misschien menselijke geruststelling en raken later vertrouwd met AI, of het omgekeerde gebeurt.

Het is dus een kwestie van keuze. We gebruiken taakcomplexiteit als maatstaf voor waar mensen waarde toevoegen. Denk je dat de emotionele gevolgen eigenlijk een betere variabele zijn?

Paula Goldman: Ik denk dat beide variabelen erg belangrijk zijn. Mensen negeren de kant van menselijke verbinding waarschijnlijk op eigen risico.

Beide factoren zijn waardevol om mee te nemen. En je hebt gelijk dat dingen zullen veranderen. Na verloop van tijd raken mensen misschien meer gewend aan interactie met AI, terwijl AI uiteraard steeds beter en krachtiger wordt. Maar het kan ook gebeuren dat mensen menselijke verbinding juist meer gaan waarderen.

Dat die belangrijker wordt. Naarmate consumenten en medewerkers AI meer gebruiken om binnenkomende informatie, marketingboodschappen enzovoort te filteren, zullen er steeds minder menselijke contactmomenten zijn. Daardoor zullen die momenten veel belangrijker worden.

Het is moeilijk te voorspellen hoe dit zich zal ontwikkelen, maar na het schrijven van het boek ben ik er volledig van overtuigd dat we het belang van de menselijke kant van de interactie onderschatten.

David Rice: Je vertelde me een mooi verhaal over maatschappelijk werkers die zich verzetten tegen een AI-hulpmiddel dat hen moest helpen om na veldbezoeken niet terug naar kantoor te hoeven gaan. Het management zag die rit als inefficiëntie.

De medewerkers zagen die rit als het moment waarop ze moeilijke casussen samen verwerkten. Voor CHRO’s lijkt dat een veel grotere les. Hoe maak je onderscheid tussen verspilling en ogenschijnlijk inefficiënte menselijke interacties die juist het meeste effect hebben op vertrouwen, leren, beoordelingsvermogen en veerkracht?

Paula Goldman: Dat was inderdaad een goed voorbeeld van het belang van het begrijpen van het ritueel achter wat mensen doen.

Mensen gaan het veld in en krijgen te maken met moeilijke casussen. Soms zien ze dingen die ze nog nooit eerder hebben meegemaakt. Soms hebben situaties een emotionele impact op hen als medewerker. Ze willen teruggaan, samen verwerken wat er is gebeurd en ervan leren, omdat een collega misschien al eerder iets vergelijkbaars heeft gezien.

AI kan helpen om notities te maken of een proces uit te voeren. De vraag is alleen hoe je zowel efficiëntie als het gezamenlijke leren dat daar plaatsvindt het beste ondersteunt. Daar kan een kleine aanpassing, waarbij je echt begrijpt wat het doel is, een enorm verschil maken. Het doel is niet alleen tijd besparen, maar ook het leren binnen het team vergroten.

Het gaat erom de beste antwoorden te vinden voor de mensen die door deze maatschappelijk werkers worden geholpen. In het verhaal dat ik je vertelde, ging het om een gemeenteraad in het Verenigd Koninkrijk waar die proeffase werd afgewezen.

Een kleine aanpassing richting een mensgerichte implementatie had dat kunnen voorkomen. Dan had men zowel de efficiëntie behouden als al het leren dat ermee gepaard ging.

David Rice: We hebben tientallen jaren gesproken over frictie als iets slechts dat verwijderd moet worden. AI geeft ons nu ongekende mogelijkheden om dat ook daadwerkelijk te doen.

Maar volgens mij zullen we steeds meer voorbeelden ontdekken van positieve frictie. De rit terug naar kantoor leek op een proceskaart verspilling van transport.

In werkelijkheid ging het om collegiale begeleiding, samen afbouwen en informele kennis delen. Vergelijkbare voorbeelden bestaan overal: junior medewerkers die senior collega’s afluisteren, gesprekken na vergaderingen en iemand naast je vragen hoe die een situatie zou aanpakken.

Deze interacties zijn onzichtbaar, maar hun waarde voor rendement op investering en medewerkersontwikkeling is niet te berekenen. Daar zit volgens mij een verband met herstelwerk.

Paula Goldman: Dat ben ik met je eens. Je maakt eigenlijk twee belangrijke punten. Het ene gaat over de waarde van verschillende rituelen binnen een werkomgeving en het belang om daar aandacht voor te hebben.

Het andere gaat over positieve frictie, waar ik het volledig mee eens ben. Bij Salesforce noemen we dit bewuste frictie. Het concept is hetzelfde: AI en technologie zijn zeer krachtig en kunnen antwoorden bieden op allerlei gebieden. Maar er zijn momenten waarop het verschil tussen een succesvol en een mislukt resultaat ontstaat doordat een mens met beoordelingsvermogen tussenbeide komt.

Een groot deel van mijn dagelijkse werk bestaat uit het herkennen van die momenten waarop je iemand wilt aansporen om nog eens goed te kijken. Het kan gaan om een beslissing met grote gevolgen, bijvoorbeeld wanneer AI een aanbeveling doet bij personeelsselectie of bij het beoordelen van iemand voor een lening, en menselijk toezicht noodzakelijk is.

Maar het kan ook zo eenvoudig zijn als iemand echt betrokken willen laten zijn. Dat moet je zorgvuldig doen, maar het idee dat frictie altijd slecht is, klopt niet. Op sommige plekken hebben we absoluut frictie nodig in het systeem.

David Rice: Ik heb iemand dit ooit ‘dragende inefficiënties’ horen noemen. Dat vond ik een grappige manier om het te zeggen.

Moet de CHRO bepalen welke inefficiënties dat zijn? We zetten inefficiënties hier tussen aanhalingstekens, omdat ze in werkelijkheid misschien helemaal geen inefficiënties zijn.

Paula Goldman: Ja, precies.

David Rice: Moet de CHRO dus vaststellen welke dat zijn voordat AI-transformatie ze zomaar verwijdert?

Paula Goldman: Dit is een bijzonder interessante vraag. Laat me beginnen met te zeggen dat de rol van HR essentieel is bij het helpen van alle functies binnen een bedrijf om AI zo te gebruiken dat de beste resultaten ontstaan. Dat betekent allerlei nieuwe verantwoordelijkheden voor de HR-organisatie.

Tegelijkertijd moet deze vraag in sommige opzichten worden overgelaten aan iedere functie, omdat zij weten waar de waarde zit. De marketingafdeling weet bijvoorbeeld waar smaak, creativiteit en menselijke authenticiteit belangrijk zijn in de boodschappen die ze maken, en waar AI eenvoudig een boodschap op twintigduizend manieren kan personaliseren voor twintigduizend klanten.

De uitdaging is om de juiste combinatie te vinden. Het interessante is dat AI nu overal aanwezig is. Het gaat niet meer om één of twee apps die een bedrijf gebruikt. In de context van Salesforce zit AI diep verweven in alles wat we doen, binnen iedere functie.

Je hebt daarom mensen nodig die experts zijn in die functies om te bepalen wat de belangrijkste gebruikssituaties zijn. Vervolgens moet HR nadenken over hoe menselijke expertise centraal blijft staan voor de beste resultaten.

David Rice: Een gevolg hiervan is dat medewerkers niet simpelweg de ontvangers van AI-transformatie kunnen zijn.

Zij beschikken over informatie over het werk die de mensen die deze transformaties ontwerpen misschien niet hebben. Organisaties kunnen ook niet ieder werkproces volledig door een commissie laten herontwerpen. Hoe ziet zinvolle medewerkersparticipatie eruit zonder de transformatie zo te vertragen dat leidinggevenden zich er ongemakkelijk bij gaan voelen?

Paula Goldman: Dat is een terechte vraag. Ik zeg in mijn boek dat medewerkers aan tafel moeten zitten. Het verhaal over de maatschappelijk werkers laat goed zien waarom het contraproductief is om dat niet te doen. Er zijn manieren om dit te organiseren die de resultaten juist versnellen en problemen zichtbaar maken voordat ze groot worden.

Een voorbeeld zijn hackathons waarin medewerkers ideeën ontwikkelen voor het gebruik van AI. Een van mijn favoriete voorbeelden is een groep neurodivergente medewerkers die onderzocht hoe AI in Slack kon worden gebruikt om niet overweldigd te raken door de enorme hoeveelheid informatie.

Die ideeën hebben we vervolgens gebruikt voor de focusmodus in Slack. Er zijn dus veel voorbeelden van hoe het betrekken van mensen innovatie stimuleert. Het gaat niet alleen om hackathons, maar ook om feedback vragen in de toepassing, mensen betrekken bij het bepalen welke apps belangrijk worden en daadwerkelijk naar die feedback luisteren.

Het doel is niet alleen AI uitrollen en zeggen dat iedereen het moet gebruiken. Het gaat erom hoe mensen AI in hun dagelijkse werk gebruiken om betere resultaten te behalen. De mensen die het dichtst bij het werk staan, weten vaak het beste hoe dat kan.

Een ander verhaal in het boek gaat over mijn vriendin Amanda Ballantyne, die innovatie leidde voor de AFL-CIO. Zij vertelde over een autofabriek van Stellantis waar medewerkers op de werkvloer andere medewerkers leerden werken met robotica.

Omdat zij er daadwerkelijk mee hadden gewerkt, had een van de docenten een eigen app gemaakt voor studenten, met uitleg over het oplossen van problemen met de robot. Dat komt voort uit echte ervaring en helpt daadwerkelijk om efficiëntie te verbeteren. Het laat zien waarom je technologie niet simpelweg van bovenaf als verplichting moet opleggen.

Je moet mensen erbij betrekken. Dan krijg je veel betere resultaten.

David Rice: Er bestaat enige terughoudendheid om dit te doen, maar iedereen moet het verschil blijven zien tussen vetorecht voor medewerkers en het leveren van ontwerpkennis. Eerstelijnsmedewerkers kennen vaak de oplossingen en regels die niet in standaardprocedures staan. Ze beschikken over schaduwwerkprocessen.

Paula Goldman: Precies. Soms kan AI die impliciete kennis oppikken en voor meer mensen beschikbaar maken, en dat is geweldig. Maar soms gaat het om kennis die niet naar boven komt en niet expliciet is vastgelegd. Het gaat om aanvoelen wat er in een ruimte gebeurt, begrijpen hoe iets al jaren wordt gedaan en weten hoe je ermee omgaat.

Daarom wil je die expertise juist behouden. Die levert veel betere resultaten op.

David Rice: Ik zou het minder framen als participatie en bijna minder als overleg met medewerkers. Het lijkt meer op het verzamelen van vereisten. Er is ook een argument rond adoptie: mensen gebruiken een systeem eerder wanneer ze hun werkelijkheid herkennen in het ontwerp.

Paula Goldman: Honderd procent. Dat is een geweldige manier om het te formuleren.

David Rice: We zien dit bij allerlei soorten technologie. Hoe maak je onderscheid tussen legitieme kennis van eerstelijnsmedewerkers en weerstand die eigenlijk betekent: ‘Ik wil niet dat mijn baan verandert’?

Paula Goldman: Dit is een heel belangrijke vraag. We maken een enorme transformatie door in de manier waarop we werken. Verandering is moeilijk. Juist daarom leidt het betrekken van mensen en hen een plek aan tafel geven tot betere resultaten.

We vragen mensen om hun manier van werken te veranderen. Het is gemakkelijk om te onderschatten dat ze daarbij een enorme emotionele ontwikkeling doormaken en dat hun kennis nodig is. Een van de vragen is daarom: wat moet menselijk blijven?

Meningen daarover bepalen niet automatisch de uitkomst, maar je moet wel echt luisteren en begrijpen waar beoordelingsvermogen, relatieopbouw en het behandelen van uitzonderlijke gevallen een groot verschil maken.

Mensen betrekken bij het ontwerp van hoe werk eruit moet zien, maakt een groot verschil. We hebben dit onlangs binnen ons eigen team gedaan. Mensen wennen aan een bepaalde manier van werken en worden daar goed in. Vervolgens wordt gevraagd om die manier te veranderen, en dat is moeilijk.

Je moet mensen meenemen en ervoor zorgen dat ze erachter staan. Ze moeten zien dat het werk er daadwerkelijk beter van wordt. Als ze dat zien, wordt het heel motiverend. Maar het blijft verandermanagement.

David Rice: Er is nog een andere dimensie aan samenwerking tussen mens en AI. Als we bepaalde cognitieve taken systematisch aan AI overdragen, herontwerpen we niet alleen banen. Misschien herontwerpen we ook de manier waarop mensen expertise ontwikkelen en hun vermogen om mede vorm te geven aan wat er uit de werkplek voortkomt.

Hoe moeten leiders nadenken over wat mensen moeten blijven doen? Niet omdat AI het niet kan, maar omdat mensen door het te doen het beoordelingsvermogen ontwikkelen dat ze nodig hebben om succesvol te zijn. Er is een verschil tussen de vraag of AI een taak kan uitvoeren en de vraag of mensen ermee moeten stoppen.

Paula Goldman: Absoluut. Laten we beginnen met het verschil tussen ‘kan AI het doen?’ en ‘moet AI het doen?’ In klantenservice en andere contexten kan dat verschil het onderscheid maken tussen succes en mislukking.

Denk vanuit HR bijvoorbeeld aan technologie die managers helpt grondigere prestatiebeoordelingen en feedback te geven. Er is een verschil tussen AI die helpt om informatie te verzamelen en een manager die verantwoordelijkheid neemt voor de beoordeling en die feedback zelf geeft. Dat maakt het verschil tussen motivatie en het ontbreken daarvan.

Daarom werkt het niet wanneer je AI voor jou laat inchecken bij je team. Je wilt iemand aansporen om vaker met het team te praten, niet die verantwoordelijkheid uitbesteden.

Ook het ontwikkelen van expertise is cruciaal. Daarom zien we een hernieuwde belangstelling voor leerlingstelsels, training en vaardigheden. Over vijf of tien jaar kan deze vraag er anders uitzien. Toen spreadsheets verschenen, waren mensen bang dat ze hun rekenvaardigheden zouden verliezen.

Je moet de basis nog steeds kennen, maar daarna raak je gewend aan technologie en ontwikkel je manieren om resultaten te controleren. Je leert waarop je kunt vertrouwen en waarop niet. Er ontstaan ook nieuwe rollen waarin mensen de basis leren door AI te begeleiden en toezicht te houden.

Als je AI bijvoorbeeld in verkoop gebruikt en ziet hoe inkomende vragen worden beantwoord, moet je kunnen bepalen wat goed werkt, wat niet werkt en hoe je het systeem kunt verbeteren. Er zullen nieuwe manieren ontstaan om het bedrijf te leren kennen, omdat AI de manier waarop zaken worden gedaan verandert.

David Rice: Sommige taken moeten misschien bewust menselijk blijven als trainingstaken, ook al weet ik dat AI ze sneller kan uitvoeren. Dat leidt tot een ongemakkelijke economische vraag: wie betaalt voor die ontwikkelingsinefficiëntie?

Paula Goldman: Ik denk dat dat de verkeerde manier is om efficiëntie te framen. Mensen leren hoe ze AI-systemen moeten beheren. Dat beheer, beoordelingsvermogen en toezicht maken een enorm verschil voor het resultaat.

Dit gaat dus niet over inefficiëntie. Je doet een enorme investering in AI en hebt mensen nodig die zowel het bedrijf kennen als kunnen beoordelen welke taken ze aan AI moeten delegeren en welke niet. Als je beide hebt, zijn de mogelijkheden enorm.

Zonder die combinatie gooi je geld naar een probleem zonder het op te lossen. Dit is volgens mij een betere manier om naar efficiëntie te kijken.

David Rice: Veel AI-bedrijfscases zijn goed in het vastleggen van wat verdwijnt: bespaarde uren, geautomatiseerde taken en vrijgekomen capaciteit. Ze zijn minder goed in het meten van wat daardoor misschien verdwijnt: impliciete kennisoverdracht, relaties, beoordelingsvermogen, mentoring en informele momenten waarop mensen moeilijk werk samen betekenis geven.

Ondervalueert onze huidige definitie van rendement op AI-investeringen die menselijke kant van werk systematisch?

Paula Goldman: Dat verandert, maar ja. Daarom zien we de trend om rendement op AI-investeringen te meten aan de hand van resultaten, in plaats van alleen aan het aantal beantwoorde klantgesprekken of bespaarde uren.

Als je AI gebruikt voor training, zijn de vaardigheden van mensen dan daadwerkelijk verbeterd? Als je AI in een juridische context gebruikt voor onderzoek, is de kwaliteit van ingediende stukken dan aantoonbaar verbeterd? Of krijg je juist een reeks verzinsels die worden ingediend en waarvoor je advocaat wordt berispt?

Wanneer je holistische maatstaven gebruikt, houd je rekening met wat AI wel en niet kan, waar mensen in de lus nodig zijn, waar controles nodig zijn, waar menselijk oordeel vereist is en waar mensen tijdens het werk de basis moeten leren.

Ik denk dat dit positief is. Uiteindelijk zullen we bredere bedrijfsresultaten meten. Daardoor investeren we beter in technologie en ontstaat er een duidelijker pad voor de ontwikkeling van banen, op een manier die mensen meer mogelijkheden en invloed geeft om groter en beter werk te doen.

David Rice: We bewegen inderdaad weg van het meten van gebruik. Mensen beginnen te beseffen dat er meetbare voordelen zijn, maar ook verspreide verliezen die moeilijker zichtbaar worden.

Bespaarde uren kun je direct meten. Verzwakt beoordelingsvermogen merk je misschien pas na een of twee jaar. Het voordeel wordt nu geboekt, terwijl de kosten voor capaciteiten worden uitgesteld. Daarom zullen steeds meer mensen dit anders moeten meten.

Paula Goldman: Hetzelfde geldt voor klanttevredenheid. AI kan alle vragen van klanten beantwoorden, maar dat betekent niet dat je de deal sluit of dat klanten tevreden zijn over de dienstverlening.

Je moet AI op de juiste manier meten, zodat je de juiste balans vindt tussen situaties waarin mensen moeten ingrijpen en de redenen waarom dat belangrijk is.

David Rice: Wat zou je dan daadwerkelijk meten? Ik heb onlangs een artikel geschreven met de titel: ‘Kun je beoordelingsvermogen meten?’ Mensen zeggen soms dat dit niet kan, maar er zijn bepaalde signalen en gedragingen die je wel kunt meten.

Als we de langetermijneffecten willen aantonen en een groot transformatiebudget goedkeuren, wat moet dan in de bedrijfscase staan dat er vandaag nog niet in staat?

Paula Goldman: Laten we eerst vanuit het perspectief van de klant denken. Je kunt en moet bespaarde uren meten. Maar je moet ook klanttevredenheid en klantverloop meten. Je moet meten hoeveel klanten door verkoopinspanningen worden geconverteerd, ongeacht of die inspanningen door AI zijn ondersteund.

Geen van deze maatstaven is nieuw. We meten onze bedrijven nu al op holistische manieren. We bevinden ons alleen in een vreemde periode waarin we geobsedeerd zijn door AI en ons richten op één interventie.

Wanneer je AI in het systeem integreert, zie je dat je een combinatie van strategieën nodig hebt. Je wilt dat klanten op je website iedere vraag over je product kunnen stellen. Bij een eenvoudige transactie kunnen ze online doorgaan. Bij een complexere vraag moet de interactie worden doorgezet naar iemand die de deal kan sluiten en de klant kan helpen het probleem beter te begrijpen.

We hebben volgens mij geen nieuwe maatstaven nodig. We moeten de bestaande maatstaven gewoon verstandig toepassen.

David Rice: Je zei eerder iets wat ik mooi vond: ‘Technologie is krachtig, maar niet de hoofdpersoon. Wij zijn dat.’ Als we dat serieus nemen, kan het doel van AI-transformatie niet alleen zijn om mensen productiever te maken.

Waarin zouden organisaties willen dat mensen beter worden naarmate machines capabeler worden?

Paula Goldman: Waarom schreef ik een boek? Ik stel mezelf die vraag vaak, en mijn man stelt hem me ook regelmatig. Ik raakte bezorgd omdat slimme vrienden contact met me opnamen tijdens de nieuwste AI-golf. Ze waren zenuwachtig en vroegen zich af: doen we er nog toe? Worden mensen overbodig?

Door mijn gesprekken met klanten en door technologie in de loop der tijd te observeren, werd voor mij duidelijk dat het tegenovergestelde waar is. Naarmate AI krachtiger wordt, worden beoordelingsvermogen en het opbouwen van relaties steeds belangrijker. Wat er werkelijk gebeurt, is dat we allemaal managers van AI worden.

We moeten technologie effectief beheren en begrijpen waar die goed en minder goed in is, zodat we op het juiste moment kunnen ingrijpen. Dit gaat niet over een sneller paard. Het gaat om ons voorstellen wat mogelijk wordt wanneer AI interacties op enorme schaal kan personaliseren, eerstelijnsvragen van klanten kan beantwoorden of medewerkers direct informatie over arbeidsvoorwaarden kan geven.

Dat wordt de basis. Wat ertoe doet, is dat mensen weten hoe ze die efficiëntie kunnen benutten en vervolgens iets beters doen voor klanten of medewerkers. Daarom is het zo belangrijk dat mensen niet alleen AI-vaardig zijn, maar ook de ruimte en bevoegdheid krijgen om hun beoordelingsvermogen te gebruiken en nieuwe dingen te bedenken.

Geen sneller paard, maar een opnieuw ontworpen bedrijf. Daarom ben ik zo gepassioneerd over dit gesprek.

David Rice: Ik hoor steeds meer leiders beseffen dat dit een keuze in organisatieontwerp is, en niet alleen een onvermijdelijk gevolg van technologie op de werkplek.

Het gaat niet noodzakelijk om het hebben van alle antwoorden. Vooral leiders beseffen dat ze niet alle antwoorden hebben. Een goede leider kan wel de juiste vragen stellen. Vervolgens gaat het om beoordelingsvermogen, problemen goed kaderen en vertrouwen in mensen opbouwen, zodat zij verantwoordelijkheid durven nemen.

Productiviteit is dus een tussenresultaat, niet het einddoel. De interessantere vraag is wat we doen met de capaciteit die hierdoor ontstaat.

Paula Goldman: Precies. Productiviteit is overigens heel belangrijk. Ik bagatelliseer dat niet. Maar zelfs in deze tussenfase hebben we mensen nodig die toezicht houden op AI, de grenzen begrijpen van waar AI en waar mensen moeten ingrijpen, en die de ruimte krijgen om zaken opnieuw te bedenken.

Bedrijven die hun klanten en medewerkers centraal houden in de transformatie, zullen volgens mij winnen. Dat zie ik nu al gebeuren.

David Rice: Banen worden opnieuw ontworpen en managers zijn daar een goed voorbeeld van. Als AI rapportage en administratief werk kan wegnemen, wil je iets anders van een manager. Je wilt dat die een betere coach wordt en meer uit directe medewerkers haalt.

Dat creëert ruimte, maar ook een ander beeld van wat je van een manager verwacht. We hebben tientallen jaren gehad waarin iemand die goed was in individueel werk automatisch manager werd, ook als coachen niet bij diens persoonlijkheid paste.

Paula Goldman: Dat is een van mijn grootste ergernissen. We vragen nu bijna iedere medewerker om AI te beheren, met ongeveer dezelfde gebrekkige training die managers vroeger kregen. We zeggen gewoon: ‘Ga het doen.’

Dat was een van mijn redenen om dit boek te schrijven. Wat je verder zei, is een goed voorbeeld. Toen ik aan het boek begon, had mijn manager, John Stormer, kunnen zeggen dat het een slecht idee was. In plaats daarvan voedde hij stilletjes mijn verbeelding, stuurde hij podcasts en nieuwsartikelen en liet hij merken dat hij het belangrijk vond.

Vanuit dat vertrouwen groeide het hele boek en kreeg ik het vertrouwen om dit perspectief met de wereld te delen. We onderschatten hoeveel zo’n verbinding betekent. Niemand vroeg mij om het boek te schrijven. Het ontstond uit inspiratie en verbinding die door hem en door veel mensen in mijn omgeving werd gevoed.

Dat mogen we niet verliezen wanneer AI krachtiger wordt. We moeten dit juist in het ontwerp opnemen en ervoor zorgen dat het vaker voorkomt. Die mogelijkheid geeft me kippenvel. Daar moeten we achteraan.

David Rice: Daar zitten we hetzelfde in. Paula, dit was een geweldig gesprek. Bedankt dat je vandaag tijd voor ons hebt gemaakt.

Paula Goldman: Bedankt dat ik erbij mocht zijn. En bedankt voor zulke goede vragen. Ik vond het geweldig.

David Rice: Luisteraars, als je dat nog niet hebt gedaan, ga dan zeker naar AI Signal. Iedere week geven we een briefing voor leidinggevenden met één onderwerp waar je die week over moet nadenken, een vraag die je tijdens je volgende vergadering van het leiderschapsteam moet stellen of een hulpmiddel om het werk van dit moment te beoordelen.

Schrijf je daarvoor in. Tot de volgende keer: denk aan de mogelijkheden. Hier ontwerpen we werk opnieuw.

Voer prestatiebeoordelingen uit en breng inzichten over medewerkersbetrokkenheid naar je favoriete AI-hulpmiddel. Koppel Teamflect aan ChatGPT, Claude of een ander groot taalmodel om doelen te controleren, beoordelingen te schrijven, feedback te evalueren, taken te maken en meer, allemaal via een eenvoudige chat. Probeer Teamflect nu gratis.