Hoe ontwikkel je een organisatiebrede ethische benadering van AI

Jonathan Conradt: [00:00:00] In de kern is AI een functieaanroep. Het is net als Excel: je hebt de somfunctie. Die gebruiken jullie allemaal en je geeft de lijst met kolommen of rijen die je wilt optellen. Die wordt als invoer gebruikt en produceert een uitvoer. En dat is alles wat AI is.

David Rice: Welkom bij de People Managing People-podcast. We zetten ons in om een betere wereld van werk te creëren en om je te helpen gelukkige, gezonde en productieve werkplekken te creëren. Ik ben je presentator, David Rice.

Mijn gast vandaag is Jonathan Conradt. Hij is onlangs vertrokken bij Amazon, waar hij werkte als principal AI-wetenschapper. We gaan praten over AI, machinaal leren en wat er moet gebeuren op het gebied van onderwijs rond deze technologieën, die worden geïntegreerd in het werk dat mensen elke dag doen.

Jon, welkom.

Jonathan Conradt: Bedankt.

David Rice: Vertel ons eerst wat over jezelf, hoe je bent gekomen waar je nu bent en wat momenteel de grootste uitdaging is waaraan je werkt?

Jonathan Conradt: Ja, ik werk al lange tijd in de technologie.

Ik maakte deel uit van het oorspronkelijke Chrome-team bij Google. Ik kwam bij het team toen we met ongeveer [00:01:00] 40 mensen waren. Als je ooit de Mac- of Linux-versies van Chrome hebt gebruikt: dat was mijn kindje. Daarna werkte ik bij eBay, waar ik hun marketing beheerde en AI en machinaal leren daarin introduceerde, zowel op de website als daarbuiten.

Daarna werkte ik twaalf jaar bij Amazon. Uiteindelijk ontdekte ik bij Amazon dat er geweldige AI-projecten waren die niet werden goedgekeurd, terwijl sommige nogal slechte AI-projecten wel werden goedgekeurd. Het belangrijkste probleem is dat Amazon heel slimme mensen heeft, heel slimme vicepresidenten.

Ze zijn goed opgeleid, komen uit uitstekende achtergronden en kennen hun bedrijf door en door, maar AI kwam voor hen uit het niets. Ze wisten niet echt hoe ze ermee moesten omgaan of wat het inhield. Ze hadden moeite om goede beslissingen te nemen over waarin ze moesten investeren. Daardoor liepen ze geweldige ideeën mis en investeerden ze soms in dingen die niet goed zouden uitpakken.

Ongeveer mijn laatste jaar bij Amazon bestond grotendeels uit [00:02:00] het voorbereiden van lesmateriaal en het wereldwijd onderwijzen van vice presidenten en directeuren bij Amazon over machinaal leren en AI. Uiteindelijk besloot ik dat, als het binnen Amazon al zo'n grote puinhoop was met deze mensen binnen een technologiebedrijf, ik wilde weten hoe het er buiten Amazon aan toe ging.

Daarom besloot ik Amazon te verlaten en dit soort dingen te doen: mensen helpen begrijpen wat AI is, waar ze voorzichtig moeten zijn, waar ze juist doortastend moeten optreden en hoe ze er het beste van kunnen maken.

David Rice: Het is een interessante en zeer treffende tijd om dat te doen.

Er zijn veel dingen waarvan ik denk dat AI en machinaal leren ze kunnen doen. Een deel van waar bedrijven hun aandacht op richten, hangt samen met het feit dat het het stralende nieuwe ding is, toch? Mensen hebben een aantal echt grote ideeën, maar er zijn ook veel praktische oplossingen waar jij en ik het vóór deze opname over hadden, die veel praktischer zijn en bedrijven kunnen helpen om onmiddellijke behoeften aan te pakken.

Kun je daar goede voorbeelden van geven en vertellen waar HR iets kan implementeren voor onmiddellijke impact?

Jonathan Conradt: Ja, [00:03:00] generatieve AI is die glanzende bal die ieders aandacht trekt, toch? Maar traditionele vormen van machinaal leren hebben de afgelopen jaren ook grote vooruitgang geboekt.

Een daarvan heet automatisch machinaal leren. Wetenschappers bekeken het werk dat ze deden en realiseerden zich dat ze eigenlijk steeds dezelfde stappen volgden. Er was dus een mogelijkheid om dat allemaal gewoon te automatiseren. Er is een heel goed opensourcepakket genaamd autogluon.

Dat is behoorlijk opmerkelijk. Toen ik ernaar keek, kreeg ik een kleine existentiële crisis. Ik realiseerde me dat iemand met degelijke SQL-vaardigheden en een beetje kennis van Python hiermee in één nacht een model van wereldklasse kon maken, waarvoor ik mogelijk maanden nodig zou hebben gehad.

Dat is heel nuttig. Binnen HR moet je allerlei dingen doen. Je wilt misschien dingen classificeren. Je wilt bijvoorbeeld mensen identificeren die baat zouden hebben bij leiderschapstraining, of werknemers die [00:04:00] het risico lopen de organisatie te verlaten. Dat soort zaken. Deze modellen kunnen dat voor je doen.

Er zijn ook voorspellingen die je wilt doen die met getallen te maken hebben. Hoeveel cv's verwachten we bijvoorbeeld te ontvangen? Of hoeveel mensen hebben we over twee weken nodig om het magazijn te bemannen? Dat soort numerieke voorspellingen doet het ook erg goed. Het kan ook tijdreeksen verwerken. Tijdreeksen zijn nuttig voor zaken als inzicht in de seizoensgebondenheid van gegevens.

Ik weet niet zeker hoe dat rechtstreeks met HR samenhangt, maar ik weet zeker dat er binnen HR seizoensgebonden zaken zijn waar men rekening mee wil houden. Het opmerkelijke hieraan is dus dat iemand met de gegevens in drie regels code in feite een model van wereldklasse kan maken. Dat vind ik gewoon buitengewoon.

David Rice: Ja, dat is enorm interessant. HR krijgt natuurlijk voortdurend meer gegevens, toch? Zeker nu we steeds al die nieuwe hulpmiddelen implementeren.

En ik weet dat je in het verleden een beetje hebt gesproken over verantwoorde AI. Je hebt gezegd dat dit [00:05:00] lastig is als het om HR gaat. Kun je ons wat meer vertellen over de belangrijkste ethische overwegingen rond AI en HR?

En welke dingen moeten we in deze modellen oplossen voordat we ze verder betrekken bij wat HR doet?

Jonathan Conradt: Ja. Bij Amazon hebben we HR-businesspartners, toch? Ze zijn verbonden aan je team en zijn geweldige mensen bij wie je advies kunt inwinnen. Toen we aan machinaal leren-modellen begonnen te werken, zouden die modellen klantgegevens gebruiken om dingen over klanten te voorspellen. HR en juridische zaken bleken voor ons dus zeer belangrijke zakenpartners te zijn, omdat computerwetenschappers en wetenschappers misschien ooit lang geleden tijdens hun studie een vak menselijk onderzoek hebben gevolgd. Voor HR staan dit soort wetten en zorgen centraal. Daarom is er een unieke kans voor wetenschappers en mensen die modellen ontwikkelen om HR erbij te betrekken en goede vragen te stellen.

Dingen als: hoe willen we omgaan met gender en met welke gevoeligheden rond ras moeten we rekening houden? HR-mensen kennen dat soort zaken [00:06:00] door en door, toch? Maar iets anders kan binnen het HR-project zelf gebeuren. Stel dat een HR-organisatie iets wil doen. Al die kwesties zijn zeer gevoelig.

Het klassieke voorbeeld is dat je cv's die de organisatie binnenkomen automatisch wilt verwerken en ze wilt classificeren of op een bepaalde manier wilt sorteren om efficiënter te zijn. Daar zitten gevaren aan, want modellen voor machinaal leren valsspelen. Het zijn onverbeterlijke valsspelers. Ze zoeken de kortste weg naar het antwoord dat ze kunnen krijgen.

Je kunt dus zien dat het model leert dat mensen die in hun cv vermelden dat ze op de middelbare school lacrosse hebben gespeeld, historisch gezien worden aangenomen en promotie maken binnen het bedrijf. Dat kan een historische vooringenomenheid zijn. En dat wil je niet opnemen in je filters voor het aannemen of interviewen van mensen.

Je zou dus niet noodzakelijk verwachten dat dat woord belangrijk zou worden voor een model. Maar zoals ik zei: modellen valsspelen. Ze vinden al die kleine dingen. [00:07:00] Verantwoorde AI is daarom een hele reeks ideeën rond de vraag: hoe beheren we de relatie tussen onze doelstellingen en de mensen die erbij betrokken zijn het best? Dat kunnen klanten, werknemers of sollicitanten zijn. Hoe beheren we hun gegevens? Hoe zorgen we voor eerlijkheid tussen subgroepen? Hoe leggen we hun eerlijk en transparant uit wat het model voor machinaal leren doet?

Dit is dus een interessant gebied van ethiek. En nogmaals: HR-professionals besteden veel tijd aan nadenken over ethiek, over hoe je mensen goed en correct behandelt.

Verantwoordelijkheid is daarom een fascinerend gebied voor HR en raakt aan veel HR-oplossingen. Stel dat je een model wilt bouwen dat voorspelt welke van je huidige werknemers over zes jaar vicepresident wordt. Dat is een nuttig model, toch? Je wilt die mensen behouden en ontwikkelen.

Dat is een goed model. Tegelijkertijd moet je bij het maken ervan heel [00:08:00] voorzichtig zijn. Stel dat al je huidige vicepresidenten die als trainingsgegevens dienen voornamelijk zijn afgestudeerd aan Ivy League-universiteiten, of misschien man zijn. Al dat soort factoren zitten in je trainingsgegevens.

Om het juiste te doen op het gebied van verantwoorde AI, moet je de factoren verwijderen die niet in aanmerking zouden moeten komen. Laat het model niets zien en geen gevolgtrekkingen maken over zaken die je bij een echte promotie niet zou meewegen. Verantwoorde AI is echt interessant. Er zijn online cursussen over en veel artikelen. Regelgeving komt eraan. Die bestaat al in de EU en komt naar de VS. Ze is waarschijnlijk al een paar keer in het Congres geïntroduceerd. Ook hier loopt HR waarschijnlijk voor op veel wetenschappers. Je kunt je ervan bewust zijn en hen helpen het te begrijpen.

David Rice: Ja, ik denk dat dat, zoals je zegt, superbelangrijk is. Bepaalde gegevens kunnen vooringenomenheid in stand houden. Ik sprak onlangs met iemand die verwees naar een onderzoek waaruit bleek dat vrouwen [00:09:00] 75 procent minder geneigd waren om met AI te experimenteren dan mannen. Mijn eerste gedachte was: welke gegevens levert dat op?

Het model zou vervolgens die vooringenomenheid bijna voortdurend kunnen blijven leren: dat vrouwen bepaalde vaardigheden niet hebben. Ik weet het niet. Het is net als met alles: elke actie heeft een reactie, toch?

Jonathan Conradt: Ja, dat is interessant. Neem bijvoorbeeld het grote taalmodel van ChatGPT, van OpenAI. Ze gebruiken niet rechtstreeks wat je typt om het model te trainen.

Mensen typen allerlei belachelijke, verschrikkelijke en afschuwelijke dingen, toch? En je trainingsgegevens zijn je waardevolste hulpbron als AI-bedrijf. Je wilt die dus niet verdunnen of er rommel aan toevoegen. Je gaat er heel voorzichtig mee om. Maar er zijn signalen die ze oppikken uit de manier waarop mensen ermee omgaan. Een van die signalen is of je de vraag opnieuw formuleert.

Stel dat je OpenAI een vraag stelt over de Koreaanse Oorlog, het een antwoord geeft en je vervolgens in iets andere bewoordingen vrijwel dezelfde vraag stelt. Dat is voor hen een goed signaal dat ze het niet goed hebben gedaan. [00:10:00] Uiteindelijk stelde je de vraag opnieuw en kreeg je een antwoord dat je blijkbaar wel beviel.

Dat is voor ons dus een goed signaal. Maar wat gebeurt er natuurlijk als er sprake is van gender-, inkomens- of geografische vooringenomenheid in die interacties met het systeem? Het systeem leert dan vanzelf het gedrag dat Dom en een groep prettig vinden. Een goed voorbeeld daarvan is iets wat daadwerkelijk gebeurt. Ik weet alleen niet zeker of het waar is; het is een gerucht.

De modellen van OpenAI gebruikten bepaalde merkwaardige taal. Er waren woorden die veel vaker in hun antwoorden voorkwamen dan in een normaal gesprek tussen jou en mij. Iemand zei uiteindelijk: dit lijkt op de manier waarop mensen in Kenia spreken. Ik denk dat het Kenia was, maar het kan ook een ander Afrikaans land zijn geweest.

Het was in elk geval een Afrikaans land. Bij het maken van deze modellen is er een proces dat versterkend leren met menselijke feedback heet. Je stelt een [00:11:00] vraag, genereert vijf antwoorden van de AI en kiest vervolgens welk antwoord het beste is. Er gebeurden een paar dingen.

Ten eerste kozen mensen het langste antwoord. Dat was niet noodzakelijk het beste antwoord, maar het leek waarschijnlijk wel het beste te zijn. Daardoor begon het model steeds langere antwoorden te produceren. Daarnaast klikten mensen van nature op antwoorden die klonken zoals zij zelf spraken. We hadden dus een grote groep opdrachtnemers in een Afrikaans land en die reageerden blijkbaar op taalgebruik en toon die hun in hun eigen land vertrouwd waren. Dat verschilt enigszins van Amerikaans Engels en ook enigszins van Brits Engels.

Dat werd opgepikt en mensen begonnen hulpmiddelen te maken die AI-antwoorden konden herkennen op basis van deze vreemde verdeling van woorden. Vreemd binnen de Amerikaanse context, bedoel ik. Je ziet dus dat vooringenomenheid op allerlei manieren in AI kan sluipen. Als meer mannen het gebruiken, kan het misschien antwoorden gaan geven die mannen meer bevallen dan vrouwen.

Of het kan meer aandacht besteden aan onderwerpen waarover de grotere, meer algemene bevolking praat. Of het kan de dialecten van de trainers naar je terug spiegelen.

David Rice: Fascinerend.

 

Een van de dingen die voortdurend ter sprake komen, zijn vangrails, toch? Wat betreft de manier waarop mensen het gebruiken, gaat het bij vangrails vaak over werknemers. Maar soms vraag ik me af of er niet meer vangrails nodig zijn voor leidinggevenden. Misschien om te voorkomen dat ze te veel investeren in de verkeerde dingen.

David Rice: Wat de technologie zelf betreft: hoeveel vangrails kunnen we er daadwerkelijk omheen plaatsen voor werknemers? En is er een element van opleiding van leidinggevenden rond deze hulpmiddelen dat moet plaatsvinden voordat iets wordt geïmplementeerd en aan werknemers wordt gegeven?

Jonathan Conradt: Daar valt veel over te zeggen. Om te beginnen is het nuttig om te weten dat we aan de wetenschappelijke kant ook over vangrails praten. Er zijn vangrailmodellen die ervoor zorgen dat, wanneer iemand typt: wat is de beste formule om met kunstmest een bom te bouwen?, die vraag wordt onderschept.

Er zijn vangrailmodellen die klein en snel zijn en sterk zijn afgestemd op het herkennen van geweld, illegale of onethische zaken. Ze nemen de vraag gewoon aan en gooien die weg, omdat het geen zin heeft daarna nog dure verwerking uit te voeren. We mogen dat soort vragen immers niet beantwoorden.

Daarna is er nog een vangrail nadat de AI heeft geantwoord. Die moet ervoor zorgen dat je de AI niet hebt misleid om je iets te vertellen wat ze niet mag vertellen, zoals hoe je een bom bouwt. Die probeert dus vast te stellen of de AI ontspoord is en gooit het antwoord weg.

Daar bestaat een technische term voor. Vangrails voor werknemers zijn een interessant probleem, want iedereen heeft een telefoon. In mijn eigen leven heb ik thuis een machine gebouwd waarop AI kan draaien. Ik kan er via mijn telefoon bij en ermee doen wat ik wil.

Ik kan erover praten wat ik wil en elk document online versturen. Als je mensen volledig afsluit en ze geen manier geeft om bij dit soort hulpmiddelen te komen, zullen ze gewoon een manier vinden. De hulpmiddelen zijn te waardevol. Ze verkorten de twintig minuten die nodig zijn om een e-mail te schrijven tot vijf minuten, omdat ze een begin kunnen maken waarna iemand het kan bewerken.

Mensen zullen dat willen doen. Het grote probleem met mensen volledig afsluiten en geen uitlaatklep bieden, is bovendien dat ze modellen zullen gebruiken waartoe je geen toegang, controle of zichtbaarheid hebt. En ze zullen heel domme dingen doen, zoals documenten van je bedrijf naar die modellen uploaden.

Als je de algemene voorwaarden van de modellen van OpenAI en Google bekijkt, en waarschijnlijk ook die van alle andere aanbieders, staat er dat alles wat je invoert door het bedrijf voor onbepaalde tijd en gratis mag worden gebruikt om het model te verbeteren of te ontwikkelen. Je wilt dus echt niet dat iemand je bedrijfsplannen voor volgend jaar, je begroting of lijsten met werknemers uploadt. Dat zou een nachtmerrie zijn.

Gelukkig zijn er manieren om goede vangrails te bieden. Je kunt nu voor de meeste van deze AI's bedrijfsaccounts krijgen. Mijn voormalige werkgever Amazon heeft een heel goede manier om in feite je eigen AI beschikbaar te maken voor iedereen. Die is afgeschermd, zodat zaken niet naar Amazon worden geüpload en met Amazon worden gedeeld.

Ik denk dat dat een goede weg vooruit is. De meeste bedrijven zullen hetzelfde bieden. Maar hoe zit het met leidinggevenden? Dan krijgen we te maken met het probleem van leidinggevenden. We weten allereerst dat leidinggevenden net zo geneigd zijn als ieder ander om gevoelige documenten naar AI te uploaden. Misschien zijn ze er zelfs slechter in.

Er is maar beperkt inzicht in waar die AI zich eigenlijk bevindt. Het kan voor mensen moeilijk zijn om te bepalen of die zich binnen onze eigen IT-omgeving bevindt, beschermd en veilig is, of dat het om een willekeurige externe partij op internet gaat. Voor leidinggevenden kan het lastig zijn dat vast te stellen, omdat ze experts zijn in hun [00:16:00] eigen werk.

Ze zijn goed opgeleid, slim en deskundig, maar het zijn geen IT-mensen. Dan kom je bij de vraag: wat doen we nadat we hen hebben opgeleid? Het lijkt een beetje op de training tegen phishing die we allemaal moeten volgen. Nadat je ze hebt geleerd dat ze niet op die link moeten klikken en dat document niet moeten uploaden, is het een goed idee om ze toegang te geven tot iets dat nuttig voor hen is, goed beschermd en officieel is, en wordt geregistreerd.

Maar dat zijn geen projecten. Projecten zijn bijvoorbeeld: we gaan onze volledige klantenserviceafdeling vervangen door deze AI. Sommige bedrijven hebben zulke initiatieven al geprobeerd. Dat zijn vroege gebruikers die heel snel gingen, enorme bedragen uitgaven en grote problemen ondervonden. Waarschijnlijk waren ze niet succesvol, maar ze waren wel vroege gebruikers.

Bedrijven die nu over zulke projecten nadenken, zou ik snelle volgers noemen. Ze kunnen kijken wat er op de markt werkt. De prijzen zijn sterk gedaald, dus ze zullen niet zoveel uitgeven. [00:17:00] Er is ook goed onderzoek gedaan naar de manier waarop we de impact van dit soort dingen kunnen meten.

Neem alleen al klantenservice. Ik ken niemand die ernaar uitkijkt om naar een chat te worden doorgestuurd zodat die met een machine over zijn probleem kan praten. Zeker je beste klanten niet. Er is misschien een kans om bepaalde zaken efficiënter te maken en AI op die gebieden te gebruiken, maar je moet voorzichtig zijn.

Ik zou aanraden om eerst een goed model in te voeren waarmee je onderscheid kunt maken tussen een duur, ernstig probleem waarvan je kunt herstellen, en gesprekken die je veel geld kosten maar eigenlijk over eenvoudige zaken gaan die makkelijk te beantwoorden zijn.

Zoals: hoe wijzig ik mijn wachtwoord? Dat soort dingen. Maar vangrails voor leidinggevenden zijn inderdaad een echt probleem. Dat is een van de redenen waarom ik Amazon heb verlaten: zodat ik die gesprekken met bedrijven kon voeren en diepgaand kon bespreken welke gegevens ze hebben, welke ervaring ze hebben en welk probleem ze proberen op te lossen.

Probeer je hiermee meer geld te verdienen of geld te besparen? Wat zijn je doelen? En heb je iets eenvoudigers geprobeerd? Dat is ook een mogelijkheid. Ik nodig mensen uit om vijftig minuten in mijn agenda te zetten. Dan kunnen we praten en bepalen of ik kan helpen.

Het wordt moeilijk. Ik denk dat er drie soorten bedrijven zijn. Zoals ik zei zijn er de vroege gebruikers. Zij hebben dingen geprobeerd, enorme bedragen uitgegeven, grote risico's genomen en waarschijnlijk niet veel succes gehad. De tweede groep bestaat uit de nooit-gebruikers. Zij zijn ervan overtuigd dat dit weer een cryptovaluta is, een grote hype die niet zal werken. Ze hebben dit soort dingen in het verleden vermeden en blijven alles doen zoals ze het altijd hebben gedaan.

Juist die bedrijven zitten in grote problemen, want dit lijkt niet daarop. Dit lijkt meer op de komst van elektriciteit. Dan zijn er de snelle volgers, die nu pas naar de gegevens kijken, uitzoeken hoe ze kunnen meten wat ze gaan doen en pilots starten.

Zij hebben veel geld bespaard omdat de prijzen zijn gedaald en stappen nu in. Ik denk dat [00:19:00] juist die interessante groepen succesvol zullen zijn. En trouwens, ze zullen alle vroege gebruikers inhalen. De prestaties van de modellen zullen namelijk een piek bereiken.

Op een bepaald moment worden ze lange tijd niet beter dan dat. Er komt een plateau. De vroege gebruikers bereiken dat plateau het eerst. Maar zelfs als je laat begint, is de snelheid waarmee deze zaken verbeteren zo groot dat een snelle volger dat plateau ruim op tijd zal bereiken.

David Rice: Ja, de leercurve en de groeipijnen zullen minder ernstig zijn, toch? Omdat veel daarvan dan al achter de rug is.

Soms vraag ik me af of mensen voldoende fundamenteel begrip hebben van bijvoorbeeld de werking van machinaal leren om te begrijpen hoe ze er optimaal gebruik van kunnen maken. Klopt dat volgens jou? En wat kunnen we op korte termijn doen om dat te veranderen op het gebied van training en ontwikkeling?

Jonathan Conradt: Ja, absoluut. Ze begrijpen het niet goed. Er zijn ook veel technische mensen en bedrijven die het niet goed begrijpen. [00:20:00] Ik was aan de Wharton School van de University of Pennsylvania en gaf daar een lezing aan afgestudeerde studenten over wat machinaal leren is.

Die lezing duurt ongeveer een half uur en op een bepaald moment leg ik uit dat AI in de kern een functieaanroep is. Het is net als Excel. Je hebt de somfunctie, die jullie allemaal gebruiken. Je geeft de lijst met kolommen of rijen die je wilt optellen, die wordt als invoer verwerkt en produceert een uitvoer. Dat is alles wat AI is.

Als je aan die somfunctie denkt: tussen de momenten waarop je haar gebruikt, denkt ze niet na over wat ze zojuist heeft gezegd. Ze smeedt geen plannen tegen je, droomt niet weg en bestaat op bepaalde manieren niet. Ze bestaat alleen op het moment waarop ze wordt gebruikt en verdwijnt daarna.

AI is in wezen een wiskundig object, een functie. Ze neemt invoer, verwerkt die en produceert uitvoer. Veel van de verbazingwekkende, magische dingen die [00:21:00] we haar zien doen, zijn in werkelijkheid uitbreidingen en code die we rond de AI hebben geschreven om gegevens en zaken voor haar te organiseren. En dat is allemaal ingewikkeld.

Het lijkt een beetje alsof je van iedereen verwacht dat die precies begrijpt hoe een brandstofinjectiesysteem werkt. De meeste mensen weten niet eens wat dat betekent. Toch kunnen ze autorijden en hun leven leiden met betrouwbare systemen. Volgens mij moeten we elke groep of subgroep binnen een organisatie helpen om het juiste begripsniveau te bereiken.

Sommige mensen worden gebruikers, anderen technici. Sommigen duiken diep in deze zaken, anderen profiteren er alleen van. Ze hebben nooit interactie met het systeem, maar het doet namens hen goede dingen. Dat wordt lastig.

HR is vaak verantwoordelijk voor training. HR moet bepalen wie moet worden opgeleid en in welke training moet worden geïnvesteerd. Dat wordt lastig, maar een standaardoplossing voor de hele organisatie, waarbij iedereen dezelfde AI-training krijgt, zal niet werken.

Toen ik bij Amazon werkte en deze vice presidenten en senior vice presidenten onderwees, was een van de vragen: wat kan ik doen voor de mensen die onze vrachtwagens besturen? Voor de mensen die producten in dozen stoppen? Veel van deze mensen hebben geen universitaire opleiding. Ze zijn hardwerkend, goed, slim, maar niet technisch.

Hoe breng ik hen op de hoogte van AI zodat ze er niet bang voor worden? Het bedrijf moet machinaal leren en AI invoeren. Je wilt niet achterblijven omdat jij of je werknemers bang zijn. Daarvoor moet er training zijn die bij hen past, die in hun behoeften voorziet en hun vragen beantwoordt.

Maar er is ook training op directieniveau, en die is heel anders.

David Rice: Een van de zaken waarvoor volgens mij veel belangstelling bestaat om deze technologie in te zetten, is het welzijn van werknemers. Ik sprak onlangs met iemand die stemtechnologie interessant gebruikte om burn-out of [00:23:00] stress te signaleren. We beschikken over allerlei gegevens die gedragsindicatoren kunnen opleveren.

Waar zie je de komende jaren veranderingen in de manier waarop we het welzijn van werknemers benaderen?

Jonathan Conradt: Ik ben daar nu bijzonder in geïnteresseerd en werk met twee onderzoekers aan een manier om niet alleen het welzijn van werknemers te meten, maar het ook na verloop van tijd te verbeteren. Een van de geweldige dingen aan AI is dat ze heel geduldig is.

Ze kan een waardevolle informatiebron zijn, omdat je haar nauwkeurige en bruikbare informatie kunt geven. De AI kan op mensen reageren en hun dat soort input geven. Lang geleden werkte ik bij de Gallup-organisatie en hielp ik StrengthsFinder ontwikkelen. Dat was een instrument om managers te helpen.

Managers konden hun werknemers beter begrijpen. Via die diepere relatie was het doel dat iedereen in de organisatie ervan zou profiteren. Er zou meer begrip voor elkaar zijn, meer steun en veel goeds. Tegenwoordig zouden we dat waarschijnlijk als onderdeel van welzijn beschouwen.

[00:24:00] Wat we met AI proberen te doen, is allereerst op een interactievere manier van mensen leren hoe het momenteel met hen gaat. Een frustrerend aspect van veel beoordelingen is dat je vakjes moet aanklikken. Aan het einde heb ik vaak het gevoel dat ik niet weet of ze mijn keuzes zullen interpreteren zoals ik ze bedoelde.

Daarom stellen we mensen naast die gedwongen-keuzegegevens, die nog steeds nuttig zijn, in staat zichzelf gewoon te uiten. We zeggen: vertel eens, toen je door dat laatste gedeelte ging, waar dacht je toen aan?

Wat vond je het belangrijkst? Wat zou je willen dat we leerden uit wat je zojuist zei? Die tekst is bijzonder waardevol. Ik heb ooit ervaren hoe waardevol tekst kan zijn toen ik een model voor machinaal leren maakte dat onderzoeksartikelen nam en probeerde te voorspellen of ik ze interessant zou vinden.

Ik had enkele honderden artikelen uit duizenden als interessant gemarkeerd. Het werkte redelijk. Daarna gebruikte ik een onderdeel van AI. AI's begrijpen woorden niet. Je moet woorden dus omzetten in een wiskundig object dat een vector heet. Misschien herinner je je dat uit de middelbare school.

Een vector is een wiskundig object met een richting en een grootte. Je zet woorden, zinnen of zelfs hele alinea's om in zulke wiskundige objecten. Ik nam simpelweg alle titels en samenvattingen van die artikelen en gebruikte het eerste deel van de AI om er een vector van te maken.

Nu had ik meer gegevens. Ik gaf die aan hetzelfde model en het werd 14 procent beter. Dat is een grote sprong. Als je erover nadenkt: als we een medewerkerstevredenheidsonderzoek hebben en de open antwoorden kunnen begrijpen, geeft 14 procent meer inzicht in je werknemers [00:26:00] misschien een heel groot verschil, toch?

David Rice: Ja, ik denk dat we ons dan kunnen afvragen wat het onbenutte potentieel is van de gegevens die we hebben en de hulpmiddelen waartoe mensen steeds meer toegang krijgen. Het onbenutte potentieel ligt waarschijnlijk in het helpen van mensen en in de manier waarop ze hun baan, het bedrijf en hun ervaring bekijken.

Kunnen we dit gebruiken om de manier te veranderen waarop leiders die zaken benaderen?

Jonathan Conradt: Een van de meest voorkomende vragen die ik krijg is: kan ik HR of juridische zaken uitbesteden aan een agent? Mijn antwoord is dat de mensen die waarschijnlijk het meest gebruik zullen maken van HR-agenten bestaande HR-professionals zijn. Het werk van HR-professionals is zeer ingewikkeld.

Er gebeurt veel. Ze moeten vaak meer informatie opzoeken en veel informatie samenvoegen. Een agent is een AI die zelfstandig dingen kan doen: informatie opvragen, een database of toepassing raadplegen, een zoekopdracht op internet uitvoeren. Ik denk dat mensen in wezen persoonlijke assistenten zullen krijgen.

Stel je voor dat iedereen in het hele bedrijf een persoonlijke assistent heeft. Die assistent beheert alle overhead van het werk en vereenvoudigt zaken. Wanneer je een e-mail krijgt met een verzoek, leest de agent de e-mail, ordent de informatie die je nodig hebt om te antwoorden en zegt: dit zijn enkele zaken om over na te denken.

Misschien kun je iets als dit zeggen. Maar jij neemt als mens de beslissingen. Je kunt naar de gegevens kijken en zeggen: ik wil het anders formuleren, er is een reden om iets anders te zeggen, of de AI heeft het verkeerd begrepen. Ik denk dat dit zeer krachtige instrumenten worden.

En we gaan dat zien. Dit is het grappige: AI's zijn het best in het vervangen van vice presidenten. Als je nadenkt over het werk van een vice president, gaat dat over het samenvoegen van informatie. De hele organisatie verzamelt informatie en die informatie stroomt omhoog door de organisatie.

Vervolgens moet de vice president strategische beslissingen nemen op basis van dit zeer brede beeld van de hele organisatie. Dat soort informatiesynthese is precies waar AI's veel sterker zijn dan mensen. We beginnen waarschijnlijk met wat Microsoft copiloten noemt.

Je kunt ze een persoonlijke assistent of AI-assistent noemen. Ik denk dat ze zeer nuttig en krachtig worden. Ze besparen tijd en geven je een beter inzicht in het bedrijf. Overigens vind ik het een fout als een organisatie zegt: we hebben deze efficiëntie bereikt, dus laten we naar computerprogrammeurs kijken.

Als mijn programmeurs AI gebruiken om hen te helpen code te schrijven, neemt hun efficiëntie aanzienlijk toe. Je kunt daar op twee manieren op reageren. De eerste is: we hebben niet zoveel programmeurs meer nodig om dezelfde hoeveelheid werk te doen.

De andere manier is beseffen dat er in elk technologiebedrijf waar ik ooit heb gewerkt een moment komt waarop je alles prioriteert wat je programmeurs wilt laten doen. Vervolgens trek je een grens en zeg je: we hebben niet de tijd of het geld om iets onder deze grens te doen. Je moet dus dingen schrappen die klanten of het bedrijf zouden helpen.

Als AI de productiviteit verhoogt, duwt ze die grens naar beneden. Slimme bedrijven zullen dus zeggen: laten we iedereen efficiënter maken, hen helpen hun werk sneller te doen, de overhead van het werken verminderen en meer produceren voor onze klanten.

Die bedrijven zullen hun concurrenten voorbijstreven. Bedrijven die ervoor kiezen om mensen te ontslaan en met minder mensen hetzelfde werk te blijven doen, zullen worden verpletterd door bedrijven die hetzelfde aantal mensen behouden, maar de hoeveelheid werk die ze kunnen doen en de hoeveelheid die ze voor klanten kunnen betekenen sterk vergroten.

David Rice: Geweldig.

Jonathan, bedankt dat je vandaag bij ons was. Voor we afsluiten zijn er altijd twee dingen die ik met iedere gast doe. Het eerste is dat ik je de kans wil geven om iedereen te vertellen waar ze contact met je kunnen opnemen. Als je aan iets werkt dat je onder de aandacht wilt brengen, ga je gang.

Jonathan Conradt: We geven een link waarmee je vijftien minuten met me kunt praten over wat je maar wilt. Vertel me over het bedrijf waarvoor je werkt en de problemen die je probeert op te lossen. Ik praat er graag over. Ik leer graag nieuwe bedrijven kennen.

Dit was een belangrijk deel van mijn werk bij Amazon. Amazon is een enorm bedrijf dat allerlei verschillende dingen doet. Ik sprak met willekeurige teams over hun werk en hielp hen te begrijpen dat ze een proces voor machinaal leren konden gebruiken om hun leven te verbeteren. Zo kun je AI toepassen.

Ik zou het dus geweldig vinden als mensen naar Calendly gaan en tijd met me inplannen.

David Rice: Dat wordt gelinkt in de beschrijving van deze aflevering. Bekijk het dus gerust en plan tijd met Jon in. En neem natuurlijk contact met hem op via LinkedIn.

Het tweede is dat we hier op de podcast een kleine traditie zijn begonnen. Jij mag mij een vraag stellen. Die mag over alles gaan: over het onderwerp of over iets willekeurigs.

Het is aan jou. Ik geef het woord aan jou.

Jonathan Conradt: Ik ben benieuwd: AI doet [00:31:00] geweldig werk met videobewerking en dergelijke. Welke invloed heeft AI op jou en de podcast gehad?

David Rice: Bij de podcast is het soms ongelooflijk wat AI met audio kan doen. Het kan ons echt helpen de audio wat te stroomlijnen.

Soms heeft het een vreemd effect op iemands stem. Ik weet niet of dat door AI komt of door sommige van onze editors. Maar het grootste deel van mijn werk betreft contentcreatie: hoe snel dat is veranderd en hoe we dat organiseren vanaf het basisniveau van een idee tot de manier waarop we het uitwerken.

Dit is het grootste verschil. Het heeft de aard van contentcreatie veranderd. Ik zou niet zeggen dat het in alle opzichten makkelijker is, omdat we nog steeds in de leerfase zitten waarin we uitzoeken hoe we er het meeste uit halen en wat we het eigenlijk willen laten zeggen. Vooral bij het profiel van je doelgroep moet je zorgen dat het daarbij aansluit.

Ik kan niet geloven hoe ver het is gekomen sinds de eerste keer dat ik iets in ChatGPT typte. Ik bedoel... [00:32:00]

Jonathan Conradt: Het is opmerkelijk, hè?

David Rice: Het is zo snel veranderd.

Jonathan Conradt: Ik denk dat het monteren van soapseries ogenschijnlijk van de ene op de andere dag is gerevolutioneerd.

Ze nemen zoveel video op en het monteren daarvan is door al die beelden een enorme klus. Reality-tv werkt waarschijnlijk hetzelfde. Deze hulpmiddelen verminderen de benodigde tijd drastisch. Ze zeiden in feite dat AI automatisch een eerste ruwe montage kan maken. Dat is geweldig.

David Rice: Dat is ongelooflijk. Ik weet zeker dat elke grote filmstudio zwaar investeert.

Jonathan Conradt: Het was prettig je te ontmoeten, David.

David Rice: Het was een geweldig gesprek. Ik waardeer het dat je erbij was. Hopelijk kunnen we dit nog eens doen.

Jonathan Conradt: Dank je.

David Rice: Goed, luisteraars, als je dat nog niet hebt gedaan: ga naar peoplemanagingpeople.com/subscribe en schrijf je in voor de nieuwsbrief. Tot de volgende keer: blijf [00:33:00] experimenteren.