Van nieuwsgierigheid naar vertrouwen: een praktisch raamwerk voor AI-adoptie

David Rice: Dus je team is nieuwsgierig naar AI. Ze hebben de demo's bekeken. Ze hebben de artikelen gelezen. Ze vinden het interessant. En toch doen ze er absoluut niets mee, omdat nieuwsgierigheid zonder vertrouwen gewoon uitstelgedrag is met een betere uitstraling.

Mijn gast vandaag is Justin Angsuwat. Hij is Chief People Officer bij Culture Amp en hij gaat ons uitleggen hoe zijn organisatie erin slaagde om in slechts zes weken bijna 80% van de medewerkers vertrouwen te geven in het gebruik van AI.

Niet nieuwsgierig, maar zelfverzekerd. Dit is wat ze anders deden. Ze scheidden verkenning van verwachting. Geen druk om gepolijste resultaten te leveren, niet wachten op toestemming, maar een gestructureerde route van begrijpen naar experimenteren en vervolgens integreren. Maar er zijn ook enkele ongemakkelijke aspecten waar Justin nu mee te maken heeft.

Vertrouwen vertaalt zich niet automatisch naar integratie. Mensen staren nog steeds naar dat punt, brengen hun dagelijkse werkprocessen in kaart en lopen vast. En soms zijn juist de senior medewerkers die AI in de organisatie zouden moeten introduceren degenen die er het meeste moeite mee hebben, omdat hun identiteit verweven is met de workflow die AI zojuist overbodig heeft gemaakt.

Dus vandaag bespreken we waarom zij zich richtten op het vertrouwen van medewerkers, en niet op gebruiksstatistieken of automatiseringsdoelen. De wekelijkse oefeningen die voor momentum zorgden, hoe je mensen van deterministische taken naar probabilistische taken begeleidt, want daar ligt de echte impact. Waarom junior medewerkers digitaler vaardig kunnen zijn dan de leidinggevenden die de transformatie leiden, en hoe bijna 80% vertrouwen er in de praktijk daadwerkelijk uitziet.

Ik ben David Rice. Dit is People Managing People. En als je vastzit tussen nieuwsgierigheid en daadwerkelijke implementatie, laat dit gesprek precies zien hoe één bedrijf die kloof heeft overbrugd. Laten we beginnen.

Justin, welkom bij de show.

Justin Angsuwat: Bedankt, David. Fijn om hier te zijn. Ik kijk ernaar uit om te praten.

David Rice: Fijn dat je er bent.

Ik volg graag ons gesprek in Orlando op. Ik kijk hier al een tijdje naar uit. Voordat we dieper ingaan op coach en alles wat je hebt opgebouwd, kun je me uitleggen hoe je teams daadwerkelijk met AI zijn begonnen te bouwen? Wat hielp hen voorbij de nieuwsgierigheidsfase?

Justin Angsuwat: Als we beginnen met AI in het algemeen binnen de organisatie, zijn we allereerst begonnen met het creëren van dat aha-moment.

En dat was op zichzelf al een leerervaring voor ons. Toen we met onze productteams begonnen en vervolgens naar andere teams gingen, betekende dat dat we startten met een doel. Voor ons was dat: vertrouwen van medewerkers in het gebruik van AI. Ik weet dat er allerlei andere doelen zijn, zoals gebruik of automatisering, maar voor ons was het duidelijk dat het ging om de mensen achter de technologie.

Ons doel was dus om het vertrouwen van medewerkers in het gebruik van AI te vergroten. Want een aha-moment is nogal moeilijk te meten. Daarom begonnen we met dit programma van zes weken, dat bedoeld was om verkenning te scheiden van verwachting. Het ging bewust om leren, dingen proberen en er gewoon mee aan de slag gaan. Het ging niet om het opleveren van een gepolijst resultaat. Daardoor viel de druk weg en voelden mensen zich veel meer betrokken bij de technologie, die toen nog vrij nieuw was.

David Rice: Wat ik tot nu toe zie bij bedrijven waar we naar hebben gekeken of mee hebben gesproken, is dat nieuwsgierigheid vrij eenvoudig is, toch? Mensen willen verkennen. Maar echte beweging vereist meestal een bepaalde structuur of duidelijkheid, of idealiter een gedeelde vroege overwinning. Ik ben benieuwd hoe die overgang er voor jullie team uitzag, toen je dat aha-moment noemde.

Was er een duwtje in de rug of een vroege overwinning die mensen hielp om de stap te maken van: ja, laten we hierover leren, dit is interessant, naar: dit is wat we ermee gaan doen?

Justin Angsuwat: Ja. Dat was behoorlijk cruciaal, zoals je net zei. We waren niet zo duidelijk over wat we er precies mee zouden kunnen doen.

En dat was niet het aha-moment. Wat interessant was, is dat de aha-momenten van mensen er allemaal behoorlijk verschillend uitzagen. Het was dus moeilijk om dat te standaardiseren. Wat we deden, was het programma van zes weken waar ik eerder over sprak, Accelerate noemen, met AI in het midden van het woord. Accelerate.

Je kunt natuurlijk geen programma hebben zonder AI in de naam. We stelden fasen vast die mensen in grote lijnen hielpen om die reis af te leggen: van begrijpen naar experimenteren en vervolgens naar integreren of dagelijks gebruiken. Hoewel dat laatste onderdeel het moeilijkst is en we daar nog steeds de sleutel voor proberen te vinden.

Het was niet perfect, maar het hielp onze medewerkers zich gesteund te voelen in plaats van opgejaagd of volledig blootgesteld. Als iedereen dingen aan het creëren is en ik niet weet hoe ik iets moet maken, kan dat behoorlijk intimiderend zijn. Tegelijkertijd moesten we voorkomen dat mensen zich te comfortabel voelden met de status quo.

We bleven dus bewegen van begrijpen naar experimenteren en integreren. Dat deden we met veel inhoud en veel leersessies waarin mensen de tools konden gebruiken en daadwerkelijk dingen konden maken. Van een computerspel tot een video. Vervolgens deelden we kleine overwinningen om meer momentum te creëren.

Ik lanceerde elke week oefeningen of competities binnen het bedrijf. Bijvoorbeeld: maak een door AI gegenereerde video voor ons werkgeversmerk, of speel dat Gandalf-spel waarin je het wachtwoord probeert te kraken en Gandalf ervan probeert te overtuigen het wachtwoord te geven. We keken wie die laatste fase kon bereiken en wat diegene had geleerd.

Het was echt leuk om te zien. Ik herinner me dat één medewerker enorm enthousiast werd over het maken van een agent in slechts een paar minuten. Die persoon ging naar huis en vertelde het aan de partner. De partner zei: jij hebt dat gemaakt? En de medewerker antwoordde: ja, dat heb ik gedaan. Vervolgens nam het vertrouwen van die persoon toe, en ook het vertrouwen van het hele team eromheen.

Ze dachten: ik kan dit. En dat was echt belangrijk om gedurende die zes weken momentum te creëren: steeds opnieuw mensen helpen om te begrijpen, te experimenteren en te integreren, en tijdens die integratiefase te ontdekken hoe ze het relevanter konden maken voor hun dagelijkse werk.

Zoals ik eerder zei, hebben we op dat vlak nog veel te doen. Maar ons uitgangspunt was in ieder geval om dezelfde tools te gebruiken die mensen op het werk konden gebruiken, zoals Miro, Glean, Gemini, Copilot en andere tools. We werkten met hen samen, nodigden hen uit en toen we dit programma lanceerden, wachtten we niet op toestemming en vroegen we er ook niet om.

We lanceerden het programma gewoon en bleven het verder ontwikkelen. Onlangs deelde ik daar iets over op LinkedIn. Iemand vatte het samen met een geweldige opmerking die precies raakt aan jouw punt, David. Het kwam ongeveer hierop neer: veel bedrijven springen meteen naar de ladder en zeggen dat ze alle geweldige ideeën willen zien om hun werk met AI te verbeteren, maar ze zijn niet begonnen met mensen de fundamentele zekerheid te geven die nodig is om aan de slag te gaan. En dat is in het begin onze belangrijkste focus geweest.

David Rice: Het andere is mensen helpen begrijpen wat daadwerkelijk nuttig is. Waarom denk je dat dit zo goed werkte? Want zoveel andere benaderingen lopen vast. Mensen komen op een punt waarop ze denken: ik kan alles doen. En dan is er dat lege canvas: je weet niet waar je moet beginnen, of je denkt gewoon: ik heb dit eigenlijk niet nodig.

Neem me mee in hoe je mensen ertoe bracht de juiste vragen te stellen. Daarvoor zijn nuance en context nodig, toch? Je moet mensen helpen begrijpen welke informatie ze aan AI moeten geven om er het meeste uit te halen.

Justin Angsuwat: Ja, dat is moeilijk geweest. Dat wordt onze laatste fase: hoe gebruik ik het in mijn dagelijkse werk en hoe integreer ik het in mijn dagelijkse workflows?

Daar werken we nog steeds aan. Wat stap één succesvol maakte, was dat we ons volledig richtten op het eerste deel: hoe zorg ik ervoor dat mensen echt vertrouwen krijgen in het gebruik van AI, zonder dat ze alle toepassingen al hebben gevonden? Veel mensen hadden een mentale barrière: het is te moeilijk.

Interessant genoeg volgden sommige mensen gedurende dat programma van zes weken de oefeningen en maakten ze hun computerspel, maar zodra ze teruggingen naar een gewone dagelijkse workflow, raakten ze opnieuw geïntimideerd. Ze keken weer naar die lege pagina.

Voor sommige teams organiseerden we daarom een kleine hackathon. Zelfs in kleine teams van drie vroegen mensen zich af: moet ik het prompten doen? Kan iemand anders dat doen? Waar begin ik? Maar het was een veel veiligere omgeving en in zekere zin het duwtje dat ze nodig hadden om te denken: oké, ik zit nu voor het scherm.

Laat ik het gewoon proberen. Hun aha-moment was simpelweg: het was niet zo moeilijk als ik dacht. We hebben het dus nog niet volledig opgelost. Ik denk dat fase één draait om het creëren van vertrouwen, en daarin zijn we geslaagd. We hebben het daarna gemeten. Het vertrouwen in het gebruik van AI in het dagelijkse werk lag bij bijna 80% van onze hele organisatie.

Slechts ongeveer 4% was negatief. We maten ook een andere vraag over de tijd heen: we verkennen en adopteren nieuwe technologieën zoals AI. Daar zagen we een verbetering van 24 procentpunten, tot ongeveer 84%. Er is dus een sterk momentum en een sterk geloof in het gebruik van AI. Het volgende onderdeel is het oplossen van de vraag hoe ik AI kan integreren in mijn dagelijkse gebruik.

Daar hadden jij en ik het in Orlando over: AI niet alleen gebruiken als een betere rekenmachine, maar als iets dat fundamenteel anders is.

David Rice: Er is op dit moment zoveel ruis. Iedereen wordt overweldigd door de keuze: hoe ga ik dit gebruiken? En vervolgens vallen de resultaten vaak tegen, omdat mensen niet weten welke informatie ze het beste kunnen aanleveren.

Volgens mij hebben de meeste mensen behoefte aan dat ene startpunt dat het meest logisch is, en daarna kunnen ze verdergaan. Het klinkt alsof het raamwerk dat je hebt opgezet mensen toestemming gaf om in ieder geval niet langer te wachten op de perfecte toepassing. Ik vind het interessant dat jullie op die manier momentum wisten te creëren.

Justin Angsuwat: Je hebt helemaal gelijk. Wat we op internet zien, is dat veel mensen echt indrukwekkende dingen doen. Dat kan intimiderend voelen. Je denkt: ik gebruik AI niet om dat te doen; ik probeer nog steeds te leren hoe ik dit ding moet prompten.

Er is inderdaad veel ruis, maar dat betekent ook dat er veel goede dingen te vinden zijn. Voor mensen die willen beginnen, kan het intimiderend zijn om te denken: ik kom niet eens in de buurt van dat niveau. Of: dat was creatief, hoe heb je bedacht om AI daarvoor te gebruiken? Ik weet niet eens hoe promptengineering werkt.

We probeerden dus een deel van de ruis weg te nemen en te zeggen: richt je gewoon op dit programma van zes weken. We brengen je naar een plek waar je vertrouwen hebt, ook als we je nog niet precies kunnen vertellen waarvoor je AI nu zou moeten gebruiken.

David Rice: Je noemde de rekenmachine: stop met AI alleen als een betere rekenmachine te gebruiken. Ik vind die vergelijking geweldig. Wat gebeurt er precies wanneer mensen die mentale verschuiving maken? Wat was jouw ervaring toen je dat moment beleefde?

Justin Angsuwat: Er bestaan ongetwijfeld allerlei AI-raamwerken en volwassenheidsmodellen voor hoe mensen hierover denken. Jij en ik hebben daar ook over gesproken.

Ik vat het eenvoudig samen, zoals ik het zie. In organisaties waar ik AI de mensen en het werk daadwerkelijk zie transformeren, zie ik twee niveaus van AI-verandering. Het eerste niveau is iets sneller of beter doen. Het tweede niveau is iets nieuws ontsluiten.

Ik heb dit zelf bedacht, want het is niet bijzonder pakkend en het is geen alliteratie. Maar bij ons gesprek over de rekenmachine en het herzien daarvan moest ik denken aan het moment waarop spreadsheets ontstonden. Voor zover ik het begrijp, werden spreadsheets aanvankelijk in feite gezien als betere rekenmachines.

Dat past bij de eerste fase: iets sneller of beter doen, en verbeteren wat we al kenden. Accountants werkten vroeger met papieren grootboeken. Als ze één getal in een begroting of grootboek wilden veranderen, moesten ze dat handmatig wissen en vervolgens elke afhankelijke variabele opnieuw berekenen. Dat kostte uren.

Met een spreadsheet kon je de boeken in vijf of tien minuten in balans brengen in plaats van vijf uur. Je krijgt dus efficiëntie: iets sneller of beter doen. Dat is wat veel mensen nu uit AI halen. Hoe kan ik iets automatiseren wat ik steeds opnieuw doe?

Maar ik denk dat het aha-moment ontstaat door wat er daarna wordt ontsloten. Zodra berekeningen direct werden, waren accountants niet langer alleen maar mensen die cijfers verwerkten. Ze konden scenario's doorrekenen. In plaats van alleen snel elk getal in een spreadsheet of grootboek aan te passen, konden ze antwoorden op vragen modelleren.

Je kon bijvoorbeeld vragen: als we onze prijzen met 10% verlagen maar ons volume met 20% verhogen, wat doet dat dan met onze brutomarges?

Ze waren niet langer alleen boekhouders die vooral achteruitkeken en gegevens bijhielden. Ze werden scenarioplanners, strategische modelleurs of strategische financiële professionals die vooruitkeken. Uiteindelijk losten ze een probleem op waarvan ze niet eens wisten dat ze het hadden. Dat is wat er verandert.

Ik denk dat mensen eerst de stap moeten maken naar de vraag: hoe kan ik sommige dingen die ik nu doe sneller of beter doen? Maar de tweede fase is: wat ontsluit dit? Wat kan ik nu voor het eerst bedenken? Dat is moeilijk uit te leggen totdat je dat proces zelf hebt doorlopen.

David Rice: Interessant, want ik denk dat dit een deel van de reden is waarom er zoveel terughoudendheid bestaat binnen personeelsfuncties. Zodra je dat aha-moment hebt, denk je: ik zou al deze dingen kunnen doen. En vervolgens krijg je onmiddellijk een kleine nachtmerrie over de juridische afdeling die contact met je opneemt.

Ik vraag me af wat mensen over dat moment heen helpt. Was er iets bij jou waardoor je, toen je ermee begon te experimenteren, dacht: hier weet ik niet zeker of ik dit wil?

Justin Angsuwat: Je hebt een goed punt over de juridische afdeling. We maken daar grappen over, maar we moeten inderdaad voorzichtig omgaan met AI.

Het is eenvoudiger om een spreadsheet te controleren dan om op AI te vertrouwen voor een antwoord of een specifiek advies. We spraken volgens mij over het concept dat we tijdens ons gesprek indrukwekkend theater noemden: illusie versus impact.

Een goed voorbeeld van indrukwekkend theater is het onderscheid tussen probabilistische en deterministische taken. Voor mensen die dat niet kennen, vat ik het opnieuw samen vanuit mijn eenvoudige perspectief. Deterministische taken hebben meestal één correct antwoord, zoals een wiskundige berekening of de vraag wat legaal en illegaal is. Hoewel daar soms grijze gebieden bestaan, hebben probabilistische taken meerdere goede antwoorden.

Denk bijvoorbeeld aan het opstellen van een e-mail of het samenvatten van een vergadering. Dat kan op veel verschillende manieren. AI uitsluitend gebruiken voor deterministische taken kan nuttig zijn, bijvoorbeeld: vertel me mijn omzet in het vierde kwartaal. Maar vaak gebruik je dan een probabilistische motor voor een deterministisch probleem.

De uitdaging is dat dit trager kan zijn en hallucinaties kan opleveren. Het kan minder nauwkeurig zijn dan een SQL-query over je omzet, een Excel-berekening of simpelweg de informatie opzoeken. Het ziet er misschien indrukwekkend uit, maar je benut AI niet volledig en het kan fouten maken.

Daar komen gesprekken over juridische risico's en het gebruik van AI voor rommelige, probabilistische taken om de hoek kijken. Bijvoorbeeld: lees deze 500 stukken feedback van medewerkers en vertel me wat de drie belangrijkste emotionele frustraties zijn die zij ervaren. Niet alleen de exacte onderwerpen, maar de emotionele frustraties.

Een spreadsheet of formule kan emotionele frustratie niet zomaar berekenen. Om de impact te maximaliseren, zou ik AI vooral inzetten voor de interpretatie van probabilistische taken, in plaats van alleen voor deterministische taken.

Dat sluit aan bij wat je zei over het betrekken van de juridische afdeling. Soms gebruiken we AI te zwaar voor deterministische taken en vragen we: vertel me wat ik in deze situatie moet doen, terwijl er één of twee correcte antwoorden zijn. Daar kunnen we in de problemen komen. Ik ben daarom voorzichtig en controleer antwoorden altijd twee of drie keer voordat we zomaar doen wat AI zegt.

David Rice: Goed advies. Ik kan dat niet genoeg benadrukken.

Een wereldwijd team laten groeien zou niet moeten betekenen dat je vijf verschillende systemen voor HR, salarisadministratie en IT moet beheren. Deel brengt alles samen, zodat je overal mensen kunt aannemen, onboarden, betalen en uitrusten zonder de gebruikelijke chaos.

Of je nu medewerkers in tien landen aanneemt of contractors in verschillende tijdzones beheert: Deel regelt compliance, arbeidsvoorwaarden en salarisadministratie op één plek. Dat betekent minder versnipperde tools, minder hoofdpijn en meer tijd voor je mensen. Wil je zien hoe aannemen zonder grenzen er in de praktijk uitziet?

Ga naar deel.com/pmp. Dat is deel.com/pmp om een demo te boeken. Nogmaals: deel.com/pmp. Deel. Neem overal mensen aan, beheer ze en betaal ze.

Jullie hebben nu een AI-coach gebouwd. Kun je iets vertellen over jullie doelen daarmee?

Justin Angsuwat: Het doel was om een altijd beschikbare AI-coach te hebben, of eigenlijk een sociale wetenschapper op zak.

In Orlando, waar jij bent, hebben we met een aantal mensen gesproken. Sommigen zeiden: ik heb geen coach nodig. Coaches zijn erg duur. Ik zou zeggen dat het meer voelt alsof je een sociale wetenschapper op zak hebt aan wie je vragen kunt stellen, zoals: hoe voer ik dit moeilijke feedbackgesprek?

Stel dat David jou heel moeilijke feedback moet geven en zenuwachtig is omdat ik die feedback waarschijnlijk niet goed zal ontvangen. Praat me daar dan doorheen. In zekere zin helpt dit onze HR-businesspartners, het HR-team en het peopleteam om managers op verzoek advies te geven binnen de hele organisatie.

Maar de coach is contextbewust. Dat is volgens mij het grote verschil. Context maakt het verschil. Als je een generiek AI-model vraagt hoe je op een situatie moet reageren, krijg je het gemiddelde van het internet. Het advies is waarschijnlijk technisch correct, maar niet bijzonder nuttig voor jouw specifieke situatie.

Het is een beetje als het lezen van een horoscoop: vaag genoeg om op iedereen van toepassing te zijn, en daardoor helpt het uiteindelijk niemand echt specifiek. Ik denk aan de lagen context die nodig zijn om een AI-coach nuttig te maken. Er zijn in feite drie lagen.

Je begint met de fundamentlaag: hoe is de coach getraind? Stel dat jij, David, een vraag aan de coach stelt zonder extra context te geven. We trainen onze coach niet op het gemiddelde van het internet, Reddit-discussies of willekeurige blogs.

We hebben hem getraind op sociale wetenschappen. Op dit moment beschikken we over ongeveer anderhalf miljard datapunten over mensen, cultuur en prestaties, verzameld gedurende meer dan tien jaar en afkomstig uit duizenden werkplekken. We hebben teams van sociale wetenschappers en promovendi die de coach ontwerpen en de prompts maken.

De fundamentlaag is dus gebaseerd op solide wetenschap over coaching en op gegevens uit organisaties. Daarbovenop komt de organisatorische context. De coach kent dan de context van jouw bedrijf. Je kunt bijvoorbeeld je visie en strategie uploaden, je jaarlijkse doelen, je waarden, het gedrag dat bij die waarden hoort en de feedbackkaders die je gebruikt.

Sommige organisaties gebruiken radicale openheid, andere het SBI-model en weer andere iets anders. De coach kent dan je bedrijf. Daarbovenop komt de prestatielaag: gegevens over betrokkenheid, prestatiegegevens, één-op-één-gesprekken en feedback.

De coach begint je team en jou te leren kennen. Wanneer je die contextlagen samenbrengt, krijg je niet langer generiek advies zoals: je zou beter moeten luisteren. Je krijgt specifiek advies, bijvoorbeeld: op basis van de lage betrokkenheidsscores van je team, de nieuwe organisatiedoelstelling rond radicale openheid en het feit dat we als onderdeel van onze strategie uitbreiden naar dit nieuwe land, wil ik je eerst enkele vragen stellen om de situatie te begrijpen. Daarna kunnen we een specifiek script gebruiken dat door sociale wetenschappers is ontwikkeld.

Laten we dat rollenspel doen. Dat is die fundamentlaag. Die drie contextlagen worden dus erg belangrijk. Dat is wat een AI-coach onderscheidt van het gebruik van een groot taalmodel of generatieve AI-tool die je simpelweg advies geeft.

David Rice: We hebben allemaal wel eens een tool gebruikt die technisch werkt, maar niets over jou weet. Dan voelt het alsof je tegen iets praat zonder te weten waarom.

Justin Angsuwat: Jij ziet dat waarschijnlijk vaak. Je werkt met veel HR-leiders en bouwt allerlei dingen. Zie je dat inderdaad?

David Rice: Ja. Ik heb er zelf een paar gebouwd waarbij ik dacht: waar heeft dit ding het over? Laat maar zitten. Uiteindelijk denk je gewoon: dit helpt niet.

Als je context toevoegt, zoals teamdynamiek, de geschiedenis van de organisatie en individuele sterke punten, verandert dat het hele model waarmee veel mensen beginnen. Welke signalen maken AI-advies volgens jou het meest relevant?

Justin Angsuwat: Een paar dingen.

Ten eerste is de coach gebouwd op sociale wetenschappen en kent hij je organisatorische context. Als manager hoef je die context dus niet iedere keer opnieuw uit te leggen. Ik weet niet of jij dit ook hebt meegemaakt, maar op een gegeven moment denk je: dat is veel context die ik elke keer aan deze coach moet geven. Doe het in deze toon. Denk hieraan. Dit is de persoon met wie ik heb gesproken.

Het zou geweldig zijn als de AI-coach kon zeggen: je hebt dit gesprek al meerdere keren met deze persoon gevoerd. Wat komt er niet aan? Laten we dit opnieuw doornemen.

Een krachtig aspect is dus dat de context al aanwezig is. Daarnaast is er het verschil tussen een software-as-a-servicebedrijf en een AI-bedrijf. De coach blijft leren en kijkt naar het verschil tussen wat nuttig en niet nuttig is. Vervolgens wordt de coach verder getraind en steeds krachtiger.

Dat is een nuance die niet altijd wordt gezien: de coach wordt beter door negatieve feedback.

David Rice: Ik hoorde onlangs iemand zeggen dat diegene wilde dat het bedrijf als een AI-bedrijf zou functioneren en niet alleen als een SaaS-bedrijf. Wat betekent dat op een gewone dinsdag op kantoor?

Justin Angsuwat: Werken als een AI-bedrijf betekent niet dat je een heleboel Copilot-licenties aanschaft.

Het gaat minder om de software die je koopt en meer om hoe je bouwt en werkt. Dat komt op allerlei manieren tot uiting, maar ik kies één voorbeeld dat aansluit bij ons gesprek over de AI-coach. Volgens mij verschuift de focus van expliciete naar impliciete feedback.

In de SaaS-wereld vertrouwen we meestal op gebruikers die ons expliciet dingen vertellen. Denk aan: geef deze functie één tot vijf sterren, of: was dit artikel nuttig? Ja of nee. Het probleem is dat mensen zelden op die knoppen klikken, tenzij ze heel tevreden of heel ontevreden zijn.

Daardoor blijft er veel data onbenut. We zoeken naar expliciete feedback: vertel me of dit goed is of niet. Werken vanuit een AI-mentaliteit betekent juist dat je je richt op impliciete feedback.

Neem iets eenvoudigs als het bewerken van een concept en het verwijderen van tekst. Wanneer AI een e-mail of vergadersamenvatting opstelt en de gebruiker vervolgens een zin verwijdert, kan dat bij expliciete feedback lijken op een mislukking. We hebben het fout gedaan, de gebruiker vond het niet goed. In het beste geval ziet het eruit als een bewerking.

Werken als een AI-bedrijf betekent dat je die impliciete feedback ziet als een signaal. De gebruiker vertelt het model dat zijn voorspelling voor deze context onjuist was. Het verschil tussen wat AI oorspronkelijk schreef en waar de mens uiteindelijk tevreden mee was, is waardevolle trainingsdata.

Als AI-bedrijf is het dus nuttiger om te weten wat fout is dan wat goed is. SaaS-bedrijven willen je aandacht. Ze willen dat je op het platform zit en het gebruikt. AI-bedrijven willen je delegatie. Ze willen zo goed worden dat jij alleen nog hoeft goed te keuren.

Ze gebruiken die negatieve ruimte om te begrijpen waar iets ontbreekt of waar het model opnieuw getraind moet worden. Ze zien die signalen als waardevol, omdat AI je na verloop van tijd steeds beter leert kennen.

David Rice: Dat is fascinerend. Ik stelde die vraag omdat ik het een mooie ambitie vind, maar veel mensen blijven steken bij de stap waarin je dit moet omzetten in operationeel gedrag. Tools zoals Coach kunnen daarbij helpen.

Wat verandert er daadwerkelijk voor teams wanneer ze dat idee gaan toepassen?

Justin Angsuwat: Het denken over impliciete en expliciete feedback is maar één onderdeel. Het gaat ook om hoe je functies ontwikkelt. Je gaat van de traditionele watervalmethode naar een manier van softwareontwikkeling die veel sneller kan bewegen.

Voor sommige van onze software-engineers en productmanagers was het aha-moment dat ze iets bouwden wat maanden had kunnen duren, maar nu in een week klaar was. Of dat hun eerste prototype veel sneller klaar was.

Bouw het prototype snel en kijk hoe een werkend prototype eruitziet. Geef het vervolgens aan testers en gebruikers om te zien wat het oplevert, in plaats van eerst het project af te bakenen, tijdlijnen vast te leggen en alles volgens het traditionele proces te doen.

Dat is voor ons een grote verschuiving geweest in de manier waarop we software ontwikkelen. Maar ik ben benieuwd: zie jij dat ook bij de vele AI-bedrijven waarmee je werkt?

David Rice: Ja, ik denk het wel. Je zei eerder iets dat echt bleef hangen: alleen omdat een workflow technisch geavanceerd is, betekent dat niet dat hij noodzakelijk is.

Er gebeurt momenteel veel met AI. Het ziet er gelikt en interessant uit, maar lost het daadwerkelijk een probleem op dat opgelost moet worden? Sommige dingen op het werk mogen best een beetje ingewikkeld zijn. Dat heet werk. Je zou op een bepaald moment toch iets moeten doen.

Het gaat erom te bepalen waar AI daadwerkelijk waarde toevoegt en waar sprake is van indrukwekkend theater.

Justin Angsuwat: Dat hangt per organisatie af van wat indrukwekkend theater is en wat niet. Maar een eenvoudige valkuil is opnieuw het gebruik van AI voor deterministische taken met één correct antwoord. Dat kan nuttig zijn, maar je gebruikt AI dan niet volledig.

Het is in feite een snellere spreadsheet, en zoals we weten is AI niet altijd geweldig met spreadsheets. De vraag is daarom: hoe maak je dingen sneller en hoe ontsluit je iets waarvan je niet wist dat het bestond?

Er is een grens aan hoe snel je iets kunt maken. Daarna krijg je afnemende meeropbrengsten. Het theater ontstaat wanneer je nog een interface toevoegt, meer AI toevoegt aan een taak die niet erg pijnlijk of bedrijfskritisch is, maar er wel mooi uitziet.

Dat soort toepassingen kan zeker nuttig zijn, maar er komt een punt waarop mensen steeds meer AI-interfaces boven op andere AI-interfaces plaatsen, in plaats van de vraag aan te pakken welke nieuwe mogelijkheden AI kan ontsluiten.

Denk bijvoorbeeld aan interne communicatie. Je kunt een AI-tool gebruiken om scripts voor presentaties te schrijven. Maar het wordt pas echt interessant wanneer teams AI gebruiken voor probabilistische taken: haal alle townhalls op die de CEO binnen het bedrijf heeft gegeven, analyseer ze en geef advies alsof je een expert in interne communicatie bent.

Ik hoorde ooit advies van Claude aan een CEO: wanneer je goed nieuws brengt, begin je met het goede nieuws. Wanneer je slecht nieuws brengt, begin je eerst met de waarden van het bedrijf. De leider reageerde verbaasd: ik wist niet dat ik dat deed. Iedereen kijkt naar deze leider. Als diegene met waarden begint, denkt iedereen: er komt slecht nieuws aan.

Dit soort dingen waren vroeger ondenkbaar. Een communicatiemedewerker zou alle presentaties moeten onthouden, maar AI kan een nuance ontdekken die anders nooit was opgevallen.

Indrukwekkend theater is blijven herhalen hoe we een betere motor kunnen bouwen voor het schrijven van toespraken, of zoeken naar fragmenten uit toespraken. Dat zijn deterministische taken. De echte impact ontstaat wanneer je AI gebruikt voor probabilistische taken: vertel me iets wat ik nog niet wist. Analyseer duizenden uren aan presentaties en geef me een samenvatting van wat ik goed en minder goed doe.

David Rice: Het is gemakkelijk om complexiteit te verwarren met effectiviteit. Dat wordt een van de grote leiderschapsuitdagingen: hoe houd je mensen gericht op waarde wanneer de verleiding om te laten zien wat AI kan doen zo sterk is?

Justin Angsuwat: Het begint met het bedrijfsprobleem. Welk probleem moet worden opgelost? Vervolgens vraag je hoe je een tool kunt bouwen om dat probleem op te lossen.

Het moeilijke aan AI is dat het problemen kan oplossen waarvan we niet wisten dat het problemen waren. Je weet pas dat ze bestaan zodra je begint te prompten. Een CEO zei ooit tegen zijn leiderschapsteam: als je nog geen honderd prompts met AI hebt gemaakt, weegt je mening over AI voor mij niet zwaar.

Je weet het gewoon nog niet. Daarom begonnen wij met vertrouwen. Je ontdekt pas welke problemen je kunt oplossen wanneer je ermee aan de slag gaat. Dan denk je: dit kan dat probleem oplossen. Of: ik wist niet eens dat dit probleem bestond.

David Rice: Jullie brengen AI-volwassenheid in kaart, niet alleen voor klanten maar ook voor jullie eigen organisatie. Wat verrast je daarbij?

Justin Angsuwat: We bevinden ons nog vrij vroeg in onze reis. We werken er hard aan, maar het lijkt zich in grote sprongen te ontwikkelen. Elke keer dat ik terugkijk, is er iets nieuws: een nieuw onderzoeksrapport of een nieuwe ontwikkeling.

Wat ik bij veel organisaties zie, is dat men ervan uitgaat dat senior of hoog presterende medewerkers als eerste AI zullen omarmen en beheersen. Dat blijkt niet altijd te gebeuren. Afleren hoe je dingen altijd hebt gedaan, is moeilijk. Soms is het moeilijker dan iets nieuws leren.

Als dit je eerste baan is, maakt het je niet zoveel uit hoe het werk wordt gedaan. Je wilt gewoon het antwoord. Wat is de kortste weg van A naar B? Als je twintig jaar hetzelfde doet, wordt een deel van je identiteit verbonden met de manier waarop je tot dat antwoord komt.

Je hebt een groot deel van je leven besteed aan het perfectioneren van die workflow, en AI kan die workflow vrij snel overbodig maken. Daardoor zie je soms dat junior medewerkers of mensen die nieuw zijn op de arbeidsmarkt geavanceerder met AI werken dan senior medewerkers.

Senior medewerkers zijn verantwoordelijk voor het introduceren van AI in de organisatie, maar brengen ook andere vaardigheden mee. Aan de technische kant worden schaalbaarheid en architectuur bijvoorbeeld belangrijker voor een senior engineer dan coderen.

We hebben die culturele verschuiving nog niet volledig opgelost. We bevinden ons nog in het rommelige midden. De vraag is hoe we nieuwe medewerkers die vroeg in hun carrière al AI-native zijn, kunnen laten samenwerken met senior of hoog presterende medewerkers die goede redenen hebben om dingen op een bepaalde manier te doen, maar wel moeten veranderen om ruimte te maken voor wat AI kan bieden.

David Rice: Dat is inderdaad een uitdaging. Ik vind het mooi dat jullie dit echt meemaken. Het is nederig makend. Soms denken we dat we vooroplopen, om vervolgens te beseffen dat we niet eens zeker weten waar de curve ligt.

Justin Angsuwat: Ik ben buiten de curve beland, maar ik ben de enige persoon op deze curve. Wat is er met de rest van de curve gebeurd?

David Rice: Ik hoor graag de verhalen van anderen die dit meemaken. Bedankt dat je dit vandaag hebt gedeeld. Het was erg nuttig.

Justin Angsuwat: Bedankt, David. Bedankt voor de uitnodiging.

Ik heb echt genoten van ons vorige gesprek. Ook dit gesprek vond ik geweldig. We maken dit zelf volop mee en proberen het dag voor dag uit te zoeken. We hebben geen plan voor een heel jaar over hoe we dit gaan oplossen. We werken het gewoon uit en delen graag wat we leren.

Het goede, het slechte en het lelijke.

David Rice: Absoluut. Elke dag proberen we ons aan te passen. Nogmaals bedankt dat je erbij was. Het was geweldig je hier te hebben.

Justin Angsuwat: Nogmaals bedankt, David. Proost.

David Rice: Goed, luisteraars, tot de volgende keer. Als je dat nog niet hebt gedaan, schrijf je dan in voor de nieuwsbrief via peoplemanagingpeople.com/subscribe. Bekijk ook onze AI Transformation Explorer.

Tot de volgende keer: blijf het meemaken. Uiteindelijk komen we er allemaal wel uit.