Hoe AI-vaardigheid er werkelijk uitziet — en hoe je dat bereikt

David Rice: Wat zijn de risico's rond AI die leiders onderschatten, simpelweg omdat het voor mensen nu eerlijk gezegd gemakkelijk is geworden om te begrijpen hoe ze het moeten gebruiken?

Kenneth Corrêa: Ik denk dat de grootste fout die ik bedrijven zie maken niet precies het gebruik van de tool zelf is. Het gaat er eigenlijk om dat ze privé- en vertrouwelijke bestanden delen. Iemand kreeg gewoon een idee en gebruikte daarom zijn eigen telefoon om een spreadsheet met de financiële resultaten van het kwartaal te uploaden naar de gratis versie van ChatGPT.

David Rice: Je merkte op dat je eigen bedrijf een productiviteitsstijging van 15% zag en dat je het personeelsbestand helemaal niet hebt uitgebreid. Waarom denk je dat meer bedrijven dat voorbeeld niet volgen?

Kenneth Corrêa: Mensen onderwijzen en praten over AI alsof het een technologie van zeventig jaar oud is die nog steeds veel data, databases en datawetenschappers nodig heeft. Generatieve AI is nu juist iets dat gemakkelijk te gebruiken, zeer eenvoudig te implementeren en heel gemakkelijk uit te proberen is. Alleen al een productiviteitsstijging van 20% tot 40%.

David Rice: Welke valkuilen zie je doorgaans bij organisaties die AI-vaardig willen worden? Hoe voorkom je onbetrouwbare en te veel belovende resultaten?

Welkom bij de People Managing People Podcast, de show waarin we leiders helpen werk menselijk te houden in het tijdperk van AI. Ik ben je presentator, David Rice. In de aflevering van vandaag praat ik met Kenneth Corrêa, een wereldwijde AI-opleider, spreker en auteur van het boek Cognitive Organizations: Leveraging the Full Power of Generative AI and Intelligent Agents.

In dit gesprek schetst Kenneth een route voor bedrijven om van nieuwsgierigheid naar AI naar echte AI-vaardigheid te gaan. Hij legt uit wat dat betekent, waarom de meeste leiders nog steeds aan de zijlijn staan en hoe je de Frankenstack-valkuil van een overvloed aan tools voorkomt. We praten over de verschuiving van voorspellende naar generatieve AI, over wat leiders verkeerd doen bij de implementatie en waarom de toekomst van teamleiderschap misschien meer zal lijken op het orkestreren van werkstromen dan op het delegeren van taken.

Als je je mensen wilt versterken in plaats van vervangen, en je een meer nuchtere aanpak op systeemniveau van AI wilt, dan is deze aflevering voor jou. Zonder verder oponthoud gaan we erin.

Goed. Ken, welkom!

Kenneth Corrêa: Goed, heel erg bedankt, David. Het is een genoegen om hier met je te zijn.

David Rice: Absoluut. Je bent in Brazilië, toch?

Kenneth Corrêa: Ja, zeker in São Paulo, de grootste stad van Zuid-Amerika.

David Rice: Wauw, gaaf. Ik heb daar in de buurt een paar collega's. Ik heb die stad altijd al willen bezoeken.

Kenneth Corrêa: Het is een grote stad, niet zo groot als New York, maar het is onze eigen New York hier in het zuiden.

David Rice: We gaan het hebben over AI-vaardigheid en de weg ernaartoe, want ik denk dat velen van ons die weg al bewandelen, maar niet precies weten wat alle stappen zijn. Toch? En hoe meet je vaardigheid eigenlijk?

Kenneth Corrêa: We zijn de trap nog aan het bouwen, dus halverwege zullen we nog stappen ontdekken, toch? Het vliegtuig wordt gebouwd terwijl het vliegt.

Dat zijn de metaforen die we tegenwoordig gebruiken, omdat alles zo snel gebeurt.

David Rice: Absoluut. Een van de dingen die hier zo anders aan zijn, is dat je nadenkt over de moderne AI-interface. Die heeft veel drempels voor experimenteren weggenomen. Je hoeft geen computerwetenschapper te zijn om ermee te communiceren en te testen wat hij kan.

Als we terugkijken naar verschillende momenten in de geschiedenis: toen Excel uitkwam, moesten mensen eerst cursussen volgen om te leren hoe ze Excel moesten gebruiken. Nu is het min of meer algemene kennis. Tegen de tijd dat je de universiteit verlaat, heb je enige ervaring met Excel. Maar dat heeft ook geleid tot verkeerd gebruik van spreadsheets, toch?

Ik ken bijvoorbeeld mensen die spreadsheets gebruiken om bij te houden hoeveel schoonmaakmiddelen ze in een kast hebben. Maar ik ben benieuwd: wat zijn de risico's als we teruggaan naar AI, en leiders misschien de complexiteit van organisatiebreed AI-gebruik onderschatten, simpelweg omdat het voor mensen nu eerlijk gezegd gemakkelijk is om te begrijpen hoe ze het moeten gebruiken?

Kenneth Corrêa: Je klikt gewoon ergens op, of je begint zelfs tegen de tool te praten en die antwoordt in natuurlijke taal.

Dus ja. Maar ik vind het opnieuw goed hoe je het formuleert, want ik zou dat altijd als een functie aanprijzen, terwijl jij misschien probeert aan te geven waar het een bug kan worden. Mensen kunnen er namelijk direct mee aan de slag. Een goede interface hebben en het gemakkelijk maken voor iemand om ermee te communiceren, is fantastisch om iemand te laten beginnen. Maar de grootste fout die ik bedrijven zie maken, is niet zozeer het gebruik van de tool zelf, maar het delen van privé- en vertrouwelijke bestanden.

We hebben het over informatie van het bedrijf die geheim moet blijven en die normaal gesproken achter allerlei firewalls, wachtwoorden en gebruikersauthenticatie zit. En nu krijgt iemand een idee. Misschien heeft het bedrijf het gebruik van ChatGPT geblokkeerd, dus gebruikt die persoon zijn eigen telefoon om een spreadsheet met de financiële resultaten van het kwartaal te uploaden naar de gratis versie van ChatGPT.

Ik denk daarom dat het grootste risico waarschijnlijk is dat privé-informatie wordt verspreid zonder dat de gebruiker het zelfs maar beseft.

David Rice: Zijn er manieren om te controleren hoe mensen het gebruiken of om een soort nalevingschecklist te maken, misschien een raamwerk waarmee je mensen begrijpt hoe ze het niet moeten gebruiken? Wat heb je op dat gebied zien werken?

Kenneth Corrêa: Ik zie niet voor me dat we mensen hun prompts gaan controleren of hun gesprekken gaan lezen. Daar hebben we in 2025 geen ruimte voor. Wat ik zelf binnen mijn bedrijf probeer te doen, en ook voor andere bedrijven doe, is voorlichting. Het is hetzelfde probleem als bij cybersecurity.

We zullen niet alles kunnen blokkeren. Er zijn nieuwe URL's en nieuwe trucs waarmee accounts worden gehackt. Daarom hopen we dat mensen door voorlichting leren hoe ze de tool moeten gebruiken, wat de beperkingen ervan zijn en wat het verschil is tussen de gratis versie op je eigen mobiele telefoon en de bedrijfsversie waarin blokkades zijn ingebouwd.

Zo blijft informatie binnen die grenzen. Ik denk dus dat voorlichting de belangrijkste route is, omdat we natuurlijk niet genoeg tijd hebben om ieders antwoorden te controleren. Sommige bedrijven proberen nog wel iets anders: wanneer ze hun eigen assistent maken, nemen ze technologie zoals GPT of Gemini en maken ze daar een assistent met de naam van het bedrijf van. Zo kunnen ze extra veiligheidsbeperkingen instellen.

Afhankelijk van wat er aan de assistent wordt gevraagd, kan die bijvoorbeeld antwoorden: daar kan ik je niet mee helpen. Of: dit is het soort antwoord dat je kunt krijgen, of dit is het soort informatie dat je niet mag delen. Als een bedrijf zijn eigen assistent ontwikkelt, kan het zulke extra veiligheidsmaatregelen installeren om dit te voorkomen.

David Rice: Interessant dat je de invalshoek van cybersecurity noemt, die vergelijking.

Kenneth Corrêa: Als we over innovatie praten, proberen we die meestal te verbinden aan iets wat we al kennen. Als ik het heb over iets dat volledig nieuw en anders is, moet ik eerst je hele denkkader omgooien en vervolgens tegen je praten alsof het totaal nieuw is.

Mensen zullen het dan nooit overnemen. Dat hebben we in de jaren zestig geleerd. Er was een man die volgens mij Raymond Loewy heette en die het concept MAYA bedacht: Most Advanced Yet Acceptable, oftewel zo geavanceerd mogelijk maar toch aanvaardbaar. Wanneer je een nieuw product maakt, probeer je het natuurlijk zo geavanceerd mogelijk te maken, met nieuwe toepassingen, mogelijkheden en functies.

Maar je moet ook een zekere vertrouwdheid creëren, zodat iemand het ermee kan verbinden en het kan begrijpen. Ik was twee weken geleden in San Francisco en reed in Waymo-auto's. Als iemand mij nu vraagt wat een Waymo is, zeg ik: Waymo is Uber zonder chauffeur. Zo maak ik het vertrouwd. Je kunt een app gebruiken en een rit bestellen, maar er zit geen bestuurder achter het stuur.

Dat is het verschil. De rest is hetzelfde. Je voert een creditcard in, betaalt voor de afstand die je aflegt, enzovoort. Ik denk dus dat het creëren van vertrouwdheid nieuwe informatie en ideeën altijd gemakkelijker laat landen.

David Rice: We hebben die Waymo's hier in Atlanta gekregen en ik denk niet dat ze klaar zijn voor deze stad. Ze blijven maar vastzitten.

Kenneth Corrêa: Ze zitten vast. Ik zag wat geweld in Los Angeles, geloof ik. Er was daar iets...

David Rice: O ja, toen mensen ze in brand staken en zo. Ja.

Kenneth Corrêa: Ik weet dus niet of de auto niet klaar is voor de stad, of dat de stad niet klaar is voor de auto. Een soort kip-en-eiprobleem, toch?

David Rice: Misschien een beetje van beide. Leiders willen dat teams meer gedaan krijgen. Productiviteit stuurt veel van wat mensen met AI proberen te bereiken, en grotendeels lukt dat ook. Een stijging van 20% tot 40% is volgens sommige onderzoeken die we hebben gezien ongeveer normaal. En ik geloof dat je eerder vertelde dat je in je eigen bedrijf een productiviteitsstijging van 15% zag zonder het personeelsbestand uit te breiden.

Waarom volgen meer bedrijven dat voorbeeld dan niet? Wat houdt mensen tegen? Is het simpelweg een gebrek aan begrip van AI? Is het een probleem van scope creep, waarbij AI zo veel wordt gebruikt dat niemand het nog voor dezelfde dingen gebruikt en er verwarring of verschillende effectiviteitsniveaus ontstaan? Wat is volgens jou de grootste drempel?

Kenneth Corrêa: Het klinkt absoluut krankzinnig dat bedrijven er niet meteen aan beginnen, want ik doe het in mijn eigen bedrijf en zie de resultaten. Ik heb geld op tafel gevonden, zoals ik het graag formuleer. Maar er spelen veel factoren mee.

De eerste is dat mensen AI onderwijzen en bespreken alsof het een zeventig jaar oude technologie is die nog steeds enorm veel data, databases, datameren en datawetenschappers nodig heeft. Dat jaagt mensen zonder technische expertise de stuipen op het lijf. Een van onze verantwoordelijkheden is daarom duidelijk maken dat de AI van vóór 22 november anders is dan wat er de afgelopen bijna drie jaar is gebeurd. De klassieke AI en voorspellende AI zijn moeilijk, technisch complex en geweldig, maar ze kosten veel en nemen veel tijd in beslag om te implementeren. Generatieve AI is, zoals je eerder zei, gemakkelijk te gebruiken. Zo gemakkelijk dat mensen gegevens uploaden die ze niet zouden moeten uploaden.

Het is heel eenvoudig te implementeren en heel gemakkelijk om die productiviteitsstijging van 20% tot 40% te bereiken. Als we het hebben over vijf werkdagen per week, betekent 20% één vrije dag. We hebben het dus over dezelfde productie en dezelfde resultaten, maar met één of twee dagen minder werk per week. Wat er gebeurt, is dat bedrijven, leiders en verantwoordelijken het zelf niet gebruiken.

Mijn eerste advies aan je publiek is dan ook: ga er zelf mee aan de slag. Je ziet de waarde pas zodra je de apps begint te gebruiken. Er is ChatGPT, DeepSeek, Gemini en Claude. Je kunt de app downloaden en hem voor persoonlijke zaken gebruiken.

Je komt bijvoorbeeld thuis, het is zondagavond, je wilt niets koken maar moet wel eten. Je maakt een foto van je koelkast of keukenkast en zegt: dit zijn de ingrediënten die ik heb; wat kan ik in vijf minuten of minder koken? Dan zie je dat de tool een foto kan bekijken, objecten kan begrijpen en soms zelfs tellen, een database met recepten kan raadplegen en kan voorstellen wat je met die ingrediënten kunt koken.

Dat zorgt vaak voor een soort vonk. In Brazilië zeggen we dan dat je hoofd ontploft: mogelijkheden en ideeën. Wanneer je daarna terugkeert naar je eigen bedrijf en kijkt naar processen en activiteiten die mensen elke dag uitvoeren, ben ik er zeker van dat er allerlei mogelijkheden naar voren komen.

En opnieuw, David: dit is de eerste keer dat we technologie hebben die zichzelf kan uitleggen. Je kunt tegen ChatGPT zeggen: ik leid een team van veertien mensen, allemaal verkopers. We bezoeken klanten op hun kantoor en ik wil weten hoe ChatGPT mij kan helpen. De tool geeft dan geen generiek antwoord zolang je de dynamiek van je team uitlegt.

Wat je verkoopt, wat je strategie is en waar je naartoe wilt: als je dat toelicht, krijg je echt goed advies over wat je moet doen. Begin dus met de tools te gebruiken. Dat is een van de stappen die bedrijven zouden moeten zetten, maar nog niet hebben gezet. Als je naar de media kijkt, gaat het vooral over angst en risico's en over hoe AGI, Skynet en AI ons allemaal zullen vernietigen.

Ik weet niet of we het nieuws lezen of een sciencefictionboek, maar zo voelt het soms. Dat is waarschijnlijk een van de belangrijkste redenen waarom bedrijven nog niet zijn ingestapt. AI is technologie en heeft beperkingen. Het is belangrijk dat we die begrijpen.

De tool hallucineert en maakt inhoud die niet op de werkelijkheid is gebaseerd. Dat is een groot probleem. Ik wil geen tool gebruiken die dingen verzint. Daarom raad ik mensen aan te beginnen met ChatGPT, maar bijvoorbeeld ook Perplexity te gebruiken. Dan krijg je antwoorden die op bronnen zijn gebaseerd.

We hebben het niet over absolute waarheden, maar er is in elk geval enige onderbouwing. Zo kun je volwassener en beter leren werken. Je kunt de beste werkwijzen leren, zolang je maar meedoet.

David Rice: Absoluut. Interessant dat je zegt dat mensen misschien denken dat het niet veilig is of dat ze niet gekwalificeerd zijn om het te gebruiken.

We hebben onderzoek gezien waaruit blijkt dat mensen in HR en operationele functies soms bang zijn omdat ze zichzelf niet als technische experts zien. Ze denken misschien aan zulke voorspellende AI-oplossingen. Anderen hebben misschien wat met generatieve AI geëxperimenteerd, maar vertrouwen die nog niet echt.

Ik ben benieuwd wat je daarvan vindt, want de waarde die deze mensen vanzelfsprekend uit generatieve AI halen, kan verschillen van wat andere teams ermee doen. Waar liggen volgens jou voor iemand in HR of operations de grootste kansen?

Kenneth Corrêa: Dat is geweldig. Ik ga daar meteen op in, maar eerst: weet je waarom HR-mensen bang zijn om generatieve AI te gebruiken?

David Rice: Waarom?

Kenneth Corrêa: In 2016 verscheen er een onderzoekspaper en daarna berichtten allerlei media die over human resources schreven over algoritmische vooringenomenheid.

Er waren bedrijven die voorspellende AI gebruikten om cv's te selecteren. Ze ontdekten dat de voorspellende AI de gegevens over IT-teams had bekeken en had geconcludeerd: alleen mannen werken daarin. Als voorspellend systeem voorspelde het dus dat alleen mannen goed zijn in IT. Dat is verschrikkelijk.

AI heeft geen ethiek en geen moraal. Het werkt alleen met de gegevens die het krijgt. Dat is een reëel probleem en het is nog steeds niet volledig opgelost. Er zijn veel stappen nodig rond verantwoorde AI. Veel mensen in HR hebben die kwestie gekoppeld aan het woord AI.

Wanneer je AI zegt, denken ze: o nee, daar zit vooringenomenheid in. En natuurlijk: als ik ChatGPT gebruik, zit daar vooringenomenheid in. Iedereen die ik ken heeft zijn eigen vooroordelen. Ik ook. Software die op menselijke gegevens is getraind, neemt menselijke vooroordelen mee. Dat wilde ik noemen als verklaring waarom HR-mensen er niet volledig voor openstaan.

Ik heb in Brazilië op twee grote evenementen gesproken, waarvan één met drieduizend mensen uit HR. Ik liet enkele toepassingen zien die we met AI hebben uitgevoerd. Een daarvan was een casestudy die ik deed met een bedrijf en een oplossingenleverancier waarmee ik werk. Mijn eigen bedrijf heeft 95 mensen en we gebruiken AI om medewerkers te beoordelen en met hen te praten over hun prestaties.

Ook kijken we naar hoe ze zich voelen over het bedrijf, hoe wij hen behandelen en hoe hun leidinggevenden hen behandelen. Het gaat om feedback vanuit alle richtingen. Vijfennegentig mensen beoordelen 95 mensen: 95 maal 95, dus ongeveer negenduizend stukken inhoud om te analyseren. Daar heb je onmogelijk tijd voor.

Als we op 1 januari waren begonnen, zouden we nu nog maar halverwege zijn. Toch moeten we mensen feedback geven. We gebruikten daarom Gemini, dat een contextvenster van twee miljoen tokens heeft. Daardoor konden de negenduizend antwoorden uit het formulier als gegevens worden ingevoerd. We gebruiken die nu om patronen te analyseren.

We zoeken uitschieters en vroegen Gemini om aan te geven welke onderwerpen het meest urgent waren, zodat we konden handelen. Een voorbeeld voor HR is dat je soms dashboards, gegevens en antwoorden uit formulieren hebt, maar niet de tijd om alles te analyseren. Sommige HR-mensen kennen Microsoft Excel niet goed, zijn niet goed met formules en niet goed met cijfers.

Gemini kan gegevens en getallen behoorlijk goed voor je ordenen en analyseren. Dat doen we dus ook voor HR. Een tweede voorbeeld: als je aan een HR-werkstroom denkt, heb je een functieomschrijving nodig om te weten wie je zoekt.

Daarna heb je cv's en voer je gesprekken, gevolgd door het selectieproces. Ook daarbij moeten we letten op de vooringenomenheid die ik eerder noemde. Je kunt echter een prompt maken met de functieomschrijving en zeggen: ik ben Kenneth, verantwoordelijk voor het aannemen van iemand voor deze functie. Vervolgens plak je de volledige functieomschrijving.

Dat kan in elke tool: ChatGPT, Gemini, DeepSeek, Claude of Microsoft Copilot. Daarna upload je het eerste cv en vraag je: dit is de eerste kandidaat; hoe past deze persoon bij de functie? Dat doe je voor elk cv. Vervolgens voer je gesprekken. Als je toestemming krijgt, wat soms gevoelig ligt, kun je daar een transcriptie van maken.

Dan zeg je: ik heb de functieomschrijving, het cv en het transcript van het gesprek. Gemini, help me de positieve en negatieve kanten van het aannemen van deze persoon te begrijpen. Dat doe je voor elk gesprek. Je krijgt samenvattingen en vergelijkingen.

Natuurlijk heb je je eigen indrukken, want jij hebt het gesprek gevoerd. Je kunt Gemini of ChatGPT zelfs vragen om op basis van het ingezonden cv vragen voor die specifieke kandidaat voor te stellen. Vervolgens combineer je je eigen waarnemingen met wat de AI uit het cv, de functieomschrijving en het transcript heeft gehaald.

Daarmee ben je volgens mij veel beter toegerust om een goede keuze te maken. Dit gaat over het hele domein van talentwerving voor HR. Dit zijn allemaal toepassingen die ik bedrijven al heb zien gebruiken in de Verenigde Staten, Brazilië, Chili en India.

David Rice: Bij veel bedrijven die met AI zijn begonnen, vooral met generatieve AI, automatiseren ze vooral inhoud en communicatie. Veel mensen raken de operationele activiteiten, planning of interne besluitvormingsprocessen niet aan. Leiders gebruiken AI vaak nog niet om beter zicht te krijgen, prioriteiten te verduidelijken of besluitvormingscycli te versnellen.

Waar moeten ze beginnen als ze AI verder willen toepassen dan deze normale taken? We hebben HR besproken, maar laten we het uitbreiden naar leiderschap in het algemeen. Misschien gaat het om de CEO of operations. Welke interne werkstromen zijn volgens jou laaghangend fruit?

Kenneth Corrêa: Geweldige vraag.

De naam van mijn bedrijf is 80/20, gebaseerd op de regel van Pareto. We hechten veel waarde aan prioriteiten stellen en bepalen waar je het eerst moet handelen, want er is altijd veel te doen. Je kunt op veel verschillende fronten actief worden. Daarom heb ik in mijn boek een matrix gemaakt met eenvoudige, complexe, unieke en repetitieve taken.

Je moet beginnen met eenvoudige én repetitieve taken. We hebben het dus niet meteen over een AI-oplossing voor betere strategische planning. Dat kan later. Begin bijvoorbeeld met crediteuren- en debiteurenadministratie, het analyseren van telefoongesprekken met klanten of transcripties van sollicitatiegesprekken.

Dit gebeurt vaak elke dag. Als je daar een productiviteitsstijging van 5% of 10% behaalt, zie je het resultaat de volgende dag al. Ga dus voor het laaghangende fruit: eenvoudige en repetitieve taken. Dat is niet nieuw en geldt niet alleen voor AI. Bij automatisering in het algemeen gebruiken we dezelfde matrix.

Wat er met grote taalmodellen is veranderd, David, is dat de modellen en AI-agenten informatie kunnen begrijpen die aan hen wordt gegeven. Ze kunnen tekst lezen, CSV-bestanden openen, afbeeldingen bekijken. Een bedrijf waarmee ik werk gebruikt AI om dashboards te bekijken, want elk bedrijf heeft dashboards met indicatoren, KPI's en informatie over wat er gebeurt. Werknemers nemen echter nooit de tijd om naar die dashboards te kijken.

Wat heb je aan een dashboard als niemand ernaar kijkt? Veel mensen, zoals je ook bij HR noemde, weten technisch niet hoe ze de gegevens moeten analyseren. Wat betekent deze KPI? Hoe moet ik een andere beslissing nemen op basis van wat ik op het dashboard zag? Als je bijvoorbeeld aan Microsoft Copilot uitlegt wat elke indicator betekent, met een handleiding of beschrijving, kan Copilot een foto van het dashboard lezen en die aan je uitleggen.

Dat soort automatisering maakt ons leven echt veel gemakkelijker. Ik heb bij een ander bedrijf dat ik bezit een verkoopteam van 45 mensen. Het is een gezondheidstechnologiebedrijf in Brazilië. Onze mensen bezoeken artsenpraktijken.

Ze zitten in wachtkamers en hebben vier tot vijf minuten om een verkoop te doen wanneer ze de praktijk binnenkomen. Het is een zeer dynamische markt. De Verenigde Staten hebben meer dan vijftig staten; Brazilië heeft er 27. Wij zijn actief in zeventien staten, dus onze mensen zijn overal verspreid.

Het is moeilijk om te weten wat er in zo'n groot bedrijf gebeurt. AI heeft echter geen probleem met het analyseren van gegevens via dashboards. AI is helemaal niet lui. Het kijkt naar elk detail op het dashboard.

David Rice: Als we het over vaardigheid hebben, denk ik dat een deel van mij vindt dat het betekent dat je weet waar tools in je bedrijfsvoering passen.

En hoe je er een werkstroom omheen ontwerpt. De meeste organisaties willen meteen op een interessante tool springen wanneer ze die zien, maar bouwen misschien nooit het verbindende weefsel tussen teams, tools en taken. Hoe ziet een eenvoudige maar functionele AI-stack eruit voor een bedrijf met bijvoorbeeld minder dan honderd mensen?

Hoe voorkom je dat er na verloop van tijd een Frankenstack ontstaat?

Kenneth Corrêa: Ik hou van dat woord: Frankenstack. Er zijn veel bedrijven met een Frankenstack: ze werken misschien met tien of twintig verschillende tools en elke tool heeft een andere manier van instrueren en levert een ander resultaat.

Bij grotere bedrijven zie ik dat ze het proberen te beperken tot één of twee tools. Als ze een Microsoft-bedrijf zijn, bestaat hun stack uit Microsoft en kiezen ze voor Copilot. Als ze een Google-bedrijf zijn, kiezen ze voor Gemini.

Als ze technisch geavanceerder zijn, bijvoorbeeld een softwareontwikkelingsbedrijf dat digitale producten maakt, kiezen ze waarschijnlijk voor Anthropic, dus Claude, of voor OpenAI en GPT. Dat zou ik als start aanraden: kies één tool en richt je op vertrouwen, training en voorlichting.

Wanneer je de tools vergelijkt, zijn er op dit moment ongeveer zeven die ik als toonaangevend beschouw. Het maakt niet echt uit of je ChatGPT of Gemini gebruikt; ze hebben beide een vergelijkbare interface en vergelijkbare mogelijkheden.

Halverwege 2025 zijn dat Microsoft Copilot, ChatGPT van OpenAI, Gemini van Google, Grok 4 van X, Llama van Meta, DeepSeek en Perplexity. Die zeven AI-assistenten zitten ongeveer op hetzelfde niveau. Voor een bedrijf wordt het veel gemakkelijker om risico's en toegang te beheren en het team te trainen als het zich op één tool richt.

Dat geldt voor de eindgebruiker, dus voor elke medewerker die een eigen assistent heeft. Wanneer je naar de achterkant gaat en geautomatiseerde processen bouwt, implementeer je netwerken van agenten en orkestreer je die. Dan heb je waarschijnlijk drie of vier verschillende aanbieders nodig.

Het is moeilijk om bij één aanbieder te blijven, omdat er zoveel gebeurt en je niet achter wilt blijven. Wanneer er een nieuw model of nieuwe technologie verschijnt, moet je tussen die zeven kunnen schakelen. Maar dat is een technischer gesprek voor de CTO.

David Rice: Duidelijk. Een grote vraag die veel leiders hebben over hun mensen gaat over vaardigheden. Hoe leiden we mensen naar wat hierna komt? Het voelt nog steeds alsof we efficiëntie moeten herdefiniëren: niet minder mensen, maar mensen die beter worden ingezet.

Mensen worden orkestrators en beoordelaars van AI-resultaten, niet noodzakelijkerwijs uitvoerders van routinetaken. De toekomstige rol van een teamleider lijkt misschien meer gericht op kwaliteitscontrole van agenten en het strategisch routeren van werkstromen. Welke nieuwe rollen of vaardigheden moeten leiders nu ontwikkelen om AI-vaardige teams te managen?

Kenneth Corrêa: AI-geletterd zijn in de context van generatieve AI heeft vooral te maken met het gebruiken van de tools. Voor leiders is het echter heel belangrijk — en dat is moeilijk — om beoordelingsvermogen te hebben: het vermogen om verstandig te kiezen.

Moet deze taak door een mens worden uitgevoerd, of kan een computer dit beter? Daar is niets taboe aan. Computers voeren bepaalde taken al beter uit. Denk aan het controleren van checklists, het analyseren van beelden, het controleren van specifieke informatie in documenten, het zoeken naar tekstfragmenten of informatie en het maken van samenvattingen.

Op dit moment voeren computers dat allemaal beter uit. Als leider kun je dat als uitgangspunt nemen: dit is iets wat ik niet door mijn mensen wil laten uitvoeren. Aan de andere kant heb je creativiteit en beoordelingsvermogen bij het nemen van beslissingen en het dragen van verantwoordelijkheid voor die beslissingen.

Ook het herkennen van paradoxen en het begrijpen van complexiteit bij besluitvorming zijn menselijke vaardigheden waarin mensen veel beter presteren dan AI. Je kunt AI vragen om een plan te maken. Het zal misschien data en een schema voorstellen, maar de kwaliteit daarvan is erg laag in vergelijking met menselijk werk.

Het vermogen om voor elke taak te bepalen of een computer of mens die moet uitvoeren, is dus een vaardigheid die managers nodig hebben. Dat heeft mij geïnspireerd om het boek Cognitive Organizations te schrijven. Ik wilde managers een handboek geven waarmee ze hun visie kunnen blijven afstemmen op het feit dat computers steeds krachtiger worden.

Computers worden elke dag beter. Elke dag en elke week verschijnt er een nieuwe oplossing. We kunnen natuurlijk onmogelijk alles bijhouden. Ik probeer te volgen wat er gebeurt, maar terwijl we hier praten zijn er alweer enkele minuten voorbij. Misschien is er in de afgelopen dertig minuten iets groots gebeurd. Je kunt niet alles bijhouden.

Maar als je begrijpt dat dit de werkelijkheid is en dat een productiviteitsstijging van 20% tot 40% niet te negeren valt, kun je dat niet negeren omdat je concurrenten het al gebruiken. Managers zullen daar goede beslissingen over moeten nemen.

Er is wereldwijd een discussie over het verdwijnen van banen en mensen die door AI worden vervangen. Wanneer ik met bedrijven praat, is hun probleem eigenlijk het tegenovergestelde: ze vinden niet genoeg talent dat bereid is om te werken.

Wat ik daarom moest doen, en wat ik voor mijn eigen bedrijf heb gedaan, is mijn talent behouden. Ik heb 95 mensen in het bedrijf en ben de afgelopen drie jaar elk jaar met 15% gegroeid met precies datzelfde team van 95 mensen.

Dat komt doordat ik mijn mensen sterker maak. Ik moest mijn manier van denken veranderen toen ik zag dat dit de werkelijkheid is. Iedereen moet meedoen. Niet iedereen sprong meteen aan boord. Veel mensen wilden blijven werken zoals voorheen. Maar ik denk niet dat je in 2025 op dezelfde manier kunt werken als in 2021, omdat er in die periode iets is gebeurd.

Ik heb het niet over COVID. Ik heb het over de opkomst van generatieve AI. Wanneer je beseft dat je talent in huis hebt en dat je dat talent zo goed mogelijk moet versterken en benutten met AI-tools, krijg je het beste resultaat. Dat is de kers op de taart.

David Rice: Daar ben ik het mee eens. Veel mensen vinden het misschien moeilijk om deze ontwikkeling bij te houden. Ik zeg het de laatste tijd zo: we kunnen niet gehecht raken aan onze taken. De taak is niet wat ons waarde geeft; dat zijn onze vaardigheden, onze kennis en onze unieke menselijke eigenschappen.

Misschien gaat het erom dat we de taken loslaten als motor waarmee die eigenschappen naar voren komen. Welke valkuilen zie je bij organisaties die AI-vaardig willen worden, vooral wanneer ze nieuwsgierig zijn en beginnen te experimenteren? Hoe voorkom je dat het kleed onder je voeten wordt weggetrokken door onbetrouwbare resultaten en te hoge verwachtingen van wat de technologie kan?

Kenneth Corrêa: Dit is een lastig probleem met AI. We zeggen vaak: AI is... en vullen dan de lege plek in. AI doet dit. AI doet dat. AI kan dit en AI kan dat. Daardoor gaan we AI zien als iets dat op zichzelf bestaat, alsof het rond de wereld zweeft en iedereen begrijpt. Dat is niet waar.

We hebben het over verschillende bedrijven en verschillende technologieën. Alle modellen zijn met verschillende gegevens getraind. Ze hebben verschillende veiligheidsbeperkingen, omdat elk bedrijf bepaalt wat een model wel en niet mag doen. Soms vormt dat zelfs een probleem.

Als we over AI praten, moeten we onthouden dat het gewoon een tool is. Een tool die een revolutie helpt ontketenen: een revolutie in productiviteit en in de manier waarop we zaken doen. Maar het blijft een tool.

Vaardigheid ontwikkel je door herhaling, gebruik, proberen en fouten maken. Wanneer AI je vertelt dat je iets moet doen, hoef je dat niet te doen. Je hoeft het alleen te lezen en vervolgens zelf te beslissen wat je ermee doet. Hoe meer je de tool gebruikt, hoe gemakkelijker het wordt om te beoordelen waar hij past en goed werkt.

Er is een groot Noord-Amerikaans bedrijf, CH Robinson. Het is wereldwijd actief in logistiek door derden en verwerkt ongeveer drieduizend e-mails per uur. Dat zijn e-mails van klanten die pakketten van punt A naar punt B willen vervoeren.

Iemand wil bijvoorbeeld iets van Beaverton in Oregon helemaal naar Austin in Texas brengen. Wat kost dat? Hoe snel kun je het ophalen? Hoeveel gaat het kosten? Al die interacties werden vroeger door menselijke medewerkers uitgevoerd.

Mensen namen telefoontjes aan en lazen korte berichten of e-mails op hun computer. Nu doet AI geweldig werk bij de eerste beoordeling. Het systeem selecteert een eenvoudige, routinematige aanvraag met alle specifieke gegevens al georganiseerd. Vervolgens kan het automatisch een code genereren, zonder menselijke tussenkomst.

Een andere aanvraag is ingewikkelder: die moet met een vrachtwagen met koeling worden vervoerd en moet binnen zes uur vertrekken, sneller dan normaal. Die aanvraag wordt naar een mens gestuurd. Je ontwikkelt vaardigheid wanneer je steeds meer toepassingen ziet.

CH Robinson werkt hier nu ongeveer een jaar mee en verwerkt slechts 10% van die aanvragen met AI. 90% wordt nog steeds door mensen afgehandeld. Er is ook een verhaal over Klarna, het Zweedse bedrijf voor klantenservice. Zij gingen volledig voor generatieve AI.

Toen ze de technologie zagen, zeiden ze: dit gaat ons redden, we ontslaan iedereen. Dat was hun aanpak. Maar die sloeg terug toen ze beseften dat AI geen mens is en niet alle klantenservicesituaties kan afhandelen.

Ze zijn nu overgestapt op een meer evenwichtige aanpak. Ik verzin de cijfers niet: 80/20. Tachtig procent van het werk wordt door AI afgehandeld en twintig procent bestaat uit uitzonderingen en specifieke gevallen. Die worden beoordeeld en naar menselijke medewerkers doorgestuurd.

Je kunt hierover geen boek lezen en daarna vaardig zijn. We hadden het over taalvaardigheid: er is geen grammaticaboek dat je kunt lezen om vloeiend te worden. Je praat met andere mensen en zo word je beter in de taal. Ik hoop dat mijn Engels vandaag niet te slecht is.

David Rice: Het zit erin.

Kenneth Corrêa: Vloeiend dus, wanneer we het erover hebben. Praat met je collega's of met mensen bij andere bedrijven die deze tools al gebruiken. En vooral: ga er zelf mee aan de slag.

Ik denk dat ik mijn punt heb gemaakt. Je wordt vaardig door de taal steeds meer te spreken.

David Rice: Uitstekend. Kenneth, bedankt dat je vandaag te gast was. Ik waardeer het enorm dat je je inzichten met ons hebt gedeeld.

Kenneth Corrêa: Geweldig. Ik hoop dat je het leuk vond. Ik ben blij dat jij het ook leuk vond. Ik vond je zeer complexe vragen geweldig.

Je probeerde me uit te dagen en ik moest een manier vinden om mijn eigen kijk op de zaken te geven. Soms lijkt het alsof ik alleen maar enthousiast ben en vind dat je volledig moet instappen en dat er geen grenzen of problemen zijn. Maar die zijn er wel. Er zijn nadelen en punten waar we voor moeten zorgen.

We leren echter pas wanneer we instappen. Dat probeer ik mensen te laten begrijpen: een productiviteitsstijging van 20% kun je onmogelijk negeren.

David Rice: Nogmaals bedankt. Ik kijk ernaar uit om te zien hoe je gesprekken zich de komende jaren ontwikkelen. Het wordt interessant.

Kenneth Corrêa: Geweldig.

David Rice: Luisteraars, als je Kenneths boek wilt bekijken: het heet Cognitive Organizations: Leveraging the Full Power of Generative AI and Intelligent Agents. Je kunt het op Amazon kopen, dus neem zeker een kijkje. Tot de volgende keer: ga er zelf mee aan de slag.