Waarom de EU-richtlijn inzake loontransparantie meer is dan alleen een nalevingsoefening

David Rice: De transparantierichtlijn van de Europese Unie is geen rapportageoefening. Het is een grondige herziening van het bedrijfsmodel. Maar de meeste organisaties kijken, om zo te zeggen, alleen naar het zichtbare deel van de ijsberg. In de aflevering van vandaag praat ik met Tom Heys, een expert op het gebied van loonrapportage bij Lewis Silkin, over waarom hij de RLT omschrijft als het Britse regime voor de loonkloof tussen mannen en vrouwen, maar dan op steroïden.

Want anders dan eerdere rapportageverplichtingen combineert deze richtlijn rapportage over verschillen binnen de hele organisatie met individuele werknemersrechten, nieuwe beperkingen op wat je tijdens werving mag vragen en de verplichting om functies van gelijke waarde in categorieën onder te brengen en die beslissingen tegenover werknemersvertegenwoordigers te verdedigen. Vooral dat laatste zal voor veel organisaties een uitdaging worden.

Nauwkeurigheid en uitlegbaarheid zijn niet hetzelfde. Een antwoord kan statistisch correct zijn en toch onmogelijk te verdedigen. En deze wetgeving vraagt niet alleen om antwoorden, maar ook om inzicht in de manier waarop je tot die antwoorden bent gekomen. Als een werknemersvertegenwoordiger zich omdraait en zegt: “Laat ons je model zien”, en je zwarte doos heeft het getal gegenereerd, dan sta je bloot aan risico’s.

De bredere waarschuwing van Tom reikt veel verder dan beloning. We gaan een tijdperk in waarin leiders beslissingen nemen die gedeeltelijk worden beïnvloed door systemen die ze niet zelf hebben gebouwd en niet volledig begrijpen. Daardoor verschuift uitlegbaarheid van een technisch vraagstuk naar een leiderschapsvaardigheid. Vandaag bespreken we dus wat de RLT fundamenteel anders maakt dan eerdere verplichtingen rond loonrapportage, waarom functiearchitectuur de basis vormt waarop al het andere rust, het verschil tussen gedocumenteerd werk en wat mensen daadwerkelijk doen, waarom AI dit proces kan versnellen maar de beslissingen niet kan overnemen, en waarom uitlegbaarheid net zo belangrijk wordt als efficiëntie.

Ik ben David Rice. Dit is People Managing People. En als jouw organisatie loontransparantie behandelt als een vinkje voor naleving, laat dit gesprek zien hoeveel werk daar in werkelijkheid onder ligt. Laten we erin duiken.

Als je een bedrijf runt, ben je daar waarschijnlijk niet mee begonnen omdat je zo van boekhouden houdt. Daar kan QuickBooks Online bij helpen. Het automatiseert dagelijkse taken zoals facturering, het bijhouden van uitgaven en boekhouding, zodat je minder tijd aan administratie besteedt en meer tijd hebt om je bedrijf te laten groeien. Het is een eenvoudige manier om georganiseerd te blijven en je financiën voor je te laten werken. Als je tijd wilt besparen en je bedrijfsfinanciën wilt vereenvoudigen, kijk dan eens naar QuickBooks Online.

Tom, welkom bij de show. Fijn dat je er bent.

Tom Heys: Bedankt dat je me hebt uitgenodigd, David.

David Rice: Toen we hier vooraf over spraken, omschreef je de EU-richtlijn inzake loontransparantie als een soort Brits regime op steroïden.

Wat maakt dit anders dan eerdere vereisten voor loonrapportage en waarom denk je dat zoveel organisaties onderschatten hoeveel werk ermee gemoeid is?

Tom Heys: Ik ben bij de RLT gekomen vanuit een achtergrond waarin ik de afgelopen jaren veel werk heb gedaan voor Britse bedrijven rond de Britse rapportage over de loonkloof tussen mannen en vrouwen.

Op hoofdlijnen gaat dat niet over het vergelijken van gelijk met gelijk. Het gaat daar meer om een representatiekloof. De RLT begint op een vergelijkbare plek, omdat je ook de verschillen binnen de hele organisatie moet rapporteren. Maar vervolgens ligt de nadruk veel sterker op een groter vraagstuk: gelijk loon. Dat gebeurt via rapportageverplichtingen, maar ook via aanvullende verplichtingen in vergelijking met wat je bijvoorbeeld in het Verenigd Koninkrijk ziet.

Er wordt dus echt gekeken naar functies die vergelijkbaar zijn, waarbij gelijk met gelijk, of in elk geval ongeveer gelijk met ongeveer gelijk, wordt vergeleken. Daarbovenop combineert de richtlijn dit met nieuwe individuele rechten en nieuwe verboden rond wat je tijdens werving wel en niet mag vragen. De gekozen benadering lijkt te zijn dat gelijk loon een fundamenteel EU-recht is.

Het staat in de verdragen. Dus hoe kunnen we het vanuit iedere mogelijke richting aanpakken om gelijk loon zo goed mogelijk te waarborgen? Dat lijkt de leidende filosofie achter de manier waarop de RLT uiteindelijk is vormgegeven. Het is dus een zeer omvangrijk nieuw stuk wetgeving en ik denk dat het de komende één tot drie jaar zeer verstorend zal werken.

Het zal veel stof doen opwaaien en het zal tijd kosten voordat die stof weer neerdaalt.

David Rice: Het lijkt dus niet zozeer een rapportageoefening te zijn, maar eerder een oefening in het bedrijfsmodel.

Tom Heys: Dat denk ik ook. Het brengt een nieuwe manier van werken en een nieuw normaal met zich mee. Het dwingt dus tot veel meer discipline rond zaken als het vaststellen van lonen, hoe je dat wel en niet doet, wat je wel en niet in aanmerking mag nemen.

Manieren van werken waarmee je voorkomt dat vooringenomenheid binnensluipt. Ik noemde bijvoorbeeld al enkele nieuwe verplichtingen rond werving. Je mag mensen niet meer naar hun salarisgeschiedenis vragen. Je kunt dus niet tijdens een sollicitatie vragen: “Wat verdien je nu?” Voor veel bedrijven is dat simpelweg al heel lang de standaardwerkwijze.

Zelfs alleen dat ene, heel specifieke punt betekent dus al een grote verandering.

David Rice: Ja, dat is zo. Het rapportagegedeelte voelt als het zichtbare deel van de ijsberg. Daaronder heb je functiearchitectuur, niveaubepaling, beloningsfilosofie, governance en al die andere zaken. In sommige opzichten lijkt het op wat er met AI-gereedheid is gebeurd. Iedereen wilde de resultaten, maar eerst moesten ze de fundamenten op orde brengen.

En volgens mij klinkt dit alsof het iets vergelijkbaars kan zijn.

Tom Heys: Dat zie je heel goed. Ik had de vergelijking met de ijsberg nog niet eerder gebruikt, maar ik vind haar zeer passend. Je noemde de functiearchitectuur. Die ligt namelijk onder de twee belangrijkste zaken waar bedrijven zich zorgen over lijken te maken.

In de RLT wordt gesproken over categorisering: mensen groeperen in functies van gelijke waarde. Daarbij gaat het om vaardigheden, inspanning, besluitvorming, verantwoordelijkheid en arbeidsomstandigheden. Vervolgens hebben alle werknemers allereerst recht op het gemiddelde loon van mannen en vrouwen binnen hun categorie.

Dat nieuwe recht wordt dus direct ondersteund door alle belangrijke aspecten van functiearchitectuur. Het geeft mensen de informatie die ze nodig hebben om mogelijke problemen rond gelijk loon te identificeren. Ze kunnen zien: “Wacht eens, ik krijg maar dit bedrag, terwijl alle mensen met functies die voldoende op de mijne lijken dat bedrag krijgen. Ik wil weten hoe dat zit.”

En ten tweede is er het rapportagegedeelte dat je noemde. Naast de brede verschillen binnen de hele onderneming en de verschillen in vertegenwoordiging, zal er ook een verplichting komen om de verschillen binnen iedere categorie intern te rapporteren. Je krijgt dus een combinatie van verplichtingen voor werkgevers en rechten voor individuen. Alle informatie wordt beschikbaar gemaakt die mensen nodig hebben om claims rond gelijk loon in te dienen.

En zoals je zegt, ligt functiearchitectuur, dus het categoriseringsgedeelte, direct onder beide grote pijlers.

David Rice: Een van de thema’s die steeds terugkwamen toen we vooraf spraken, was uitlegbaarheid. Ik schreef hier onlangs nog over in verband met selectie voor vacatures. Hoe goed kun je bijvoorbeeld uitleggen wat AI doet?

AI kan heel snel antwoorden produceren, maar deze wetgeving vraagt niet alleen om antwoorden. Ze vraagt organisaties ook om die antwoorden te kunnen verdedigen. Waarom is dat onderscheid volgens jou zo belangrijk?

Tom Heys: Ik denk dat het belangrijk is vanwege de rol die de wetgeving voor werknemersvertegenwoordigers voorziet.

Dat is een zeer krachtige rol. Zij hebben rechten en verplichtingen en kunnen in bepaalde omstandigheden feitelijk bepalen of verschillen wel of niet gerechtvaardigd zijn. Ze krijgen toegang tot methodologieën en de manier waarop zaken worden uitgevoerd. Ze zijn mensen en kunnen vragen stellen. Sommige vragen kunnen volkomen logisch en redelijk zijn, terwijl andere misschien voortkomen uit een minder goed geïnformeerd standpunt, omdat dit voor veel mensen nieuw is.

Het zal tijd kosten voordat mensen zich hierin hebben bijgeschoold. Je moet het aan een mens kunnen uitleggen. Je moet echt weten waarom je de dingen hebt gedaan zoals je ze hebt gedaan. Welk proces heb je gevolgd? Iemand zal ernaar vragen, kan ernaar vragen en zal er vrijwel zeker op enig moment naar vragen.

En tenzij je weet waarom je alles hebt gedaan, zal het de toets der kritiek niet doorstaan. Het eindresultaat kan volkomen goed en redelijk zijn, maar als je niet weet hoe het tot stand is gekomen, blijft er een onderliggend potentieel risico bestaan, een risico dat je later duur kan komen te staan.

David Rice: Toen ik dat artikel schreef, dacht ik aan het volgende: nauwkeurigheid en uitlegbaarheid zijn…

Ze zijn niet hetzelfde. Ze bevinden zich zelfs niet noodzakelijk in dezelfde categorie. Het is een situatie waarin twee dingen tegelijk waar kunnen zijn. Een antwoord kan statistisch correct zijn, maar onmogelijk te verdedigen. Veel gesprekken die ik nu over AI voer, gaan over de overgang van focus op resultaten naar focus op uitkomsten. Ik ben het daarmee eens, maar ik waarschuw ervoor dat we niet geobsedeerd raken door uitkomsten, omdat je nog steeds aandacht moet besteden aan de redenering.

Hoe ben je daar gekomen? We bevinden ons in een tijd waarin het vertrouwen erg laag is. Vertrouwen wordt niet opgebouwd omdat je een antwoord hebt. Het wordt opgebouwd omdat mensen begrijpen hoe je werkt, denkt of redeneert om tot een beslissing te komen. Dit ligt dus heel duidelijk in dezelfde lijn.

Tom Heys: Ik denk zeker dat AI hierin een rol kan spelen om werknemers te helpen zich voor te bereiden, want zaken als functiearchitectuur zijn enorm omvangrijk.

Alles wat dat proces kan versnellen, vooral voor veel werknemers die hier zonder bestaande architectuur aan beginnen, is welkom. Dit is een compleet nieuwe wereld waarin veel bedrijven terechtkomen. Alles wat het proces kan versnellen is dus goed. Maar er is een belangrijk verschil tussen AI gebruiken om je besluitvorming te versnellen of je processen te verbeteren, en de beslissingen vervolgens aan AI overlaten.

De beslissingen moeten van jou zijn.

David Rice: Hier ligt een duidelijke verleiding. Als je in deze positie zit, wil je misschien de functieomschrijvingen uploaden, ze door een AI-model halen en de functiewaardering versnellen. Maar functieomschrijvingen geven vaak weer wat een functie had moeten zijn, niet wat de functie uiteindelijk is geworden of wat mensen daadwerkelijk doen.

Hoe groot is volgens jou het verschil tussen gedocumenteerd werk en echt werk?

Tom Heys: Dat kan sterk variëren en verschilt ook per type organisatie. Vooral in kleinere organisaties zijn zaken minder strak georganiseerd rond de functie die iemand uitvoert. Hetzelfde geldt voor start-ups en snelgroeiende bedrijven, waar functies snel kunnen veranderen en de documentatie mogelijk niet meer overeenkomt met wat iemand werkelijk doet.

Het klassieke voorbeeld van slechte invoer leidt tot slechte uitvoer is hier zeer relevant. AI is slechts zo goed als de informatie die erin gaat. Als je verouderde informatie invoert, kan AI je processen versnellen en een uitvoer produceren, maar die uitvoer zal niet goed geïnformeerd zijn, omdat hij op verouderde informatie berust. Dat kan dus problemen veroorzaken.

David Rice: Ik hoor dit vaak. Het probleem van taakuitbreiding rond veel functies gaat ongeveer zo: we hebben Janet hiervoor aangenomen. Maar naarmate ze onderdeel van het bedrijf werd en hier inmiddels drie jaar werkt, is haar functie uitgebreid naar allerlei andere gebieden. Onze documentatie weerspiegelt dat niet noodzakelijk.

Daarbij ontbreekt ook de context over de daadwerkelijke impact van Janets functie, alle verschillende dingen die ze doet en alles wat onder haar verantwoordelijkheid is komen te vallen. We hebben het voortdurend over de steeds groter wordende rol van HR. Die blijft maar groeien en dat is al jaren zo.

Maar dat wordt niet noodzakelijk op dezelfde manier in de documentatie verwerkt. Daar zullen volgens mij problemen ontstaan.

Tom Heys: Ja. Misschien worden werknemers proactiever en zorgen ze ervoor dat hun functieomschrijvingen overeenkomen met wat ze daadwerkelijk doen. Ik kan me voorstellen dat mensen HR mailen en zeggen: “In mijn functieomschrijving staat dat ik dit zou moeten doen, maar ik doe nu eigenlijk X, Y en Z. Dat moet dus worden aangepast.”

David Rice: Dat ben ik met je eens. Ik denk dat steeds meer mensen zich bewust worden van hoe dit werkt. Als ze weten dat de technologie op die manier zal worden gebruikt, zullen ze dat inderdaad willen.

Tom Heys: Dat zal zeker toenemen. In de hele EU geldt de richtlijn naar schatting voor tweehonderdvijftigduizend bedrijven.

Het gaat om tientallen miljoenen mensen. Plotseling horen zij over categorisering, functieniveaus en wat dat allemaal betekent. Ik denk dat het bewustzijn sterk zal toenemen. Zoals ik al zei, brengt de richtlijn ook nieuwe rechten voor werknemers met zich mee. Daarmee worden mensen als het ware in een sterkere onderhandelingspositie gebracht.

Misschien is dat niet helemaal het juiste woord, maar ze worden in ieder geval sterkere belangenbehartigers van zichzelf doordat ze de rechten krijgen die ze nodig hebben om dat te doen.

David Rice: Een korte onderbreking. Hoe ziet je kasstroom er op dit moment uit? Als je freelancer of eigenaar van een klein bedrijf bent, kan een duidelijk overzicht van je financiën het verschil maken. QuickBooks Online biedt realtime financieel inzicht, helpt je professionele facturen op te stellen en te versturen en maakt het eenvoudiger om sneller betaald te worden. Bovendien houdt het je inkomsten en uitgaven op één plek georganiseerd, zodat je altijd weet hoe je bedrijf ervoor staat. Lees meer over hoe QuickBooks Online je kan helpen je bedrijf met vertrouwen te beheren.

We hebben gasten in deze show gehad die het belang van documentatie benadrukken. Ik denk dat we nog een tijd over documentatiepraktijken zullen blijven praten, omdat context bij AI in sommige opzichten alles is. Veel leveranciers presenteren AI als een snelle weg naar naleving. Maar als een werknemersvertegenwoordiger, of zelfs een werknemer, vraagt waarom er een loonverschil bestaat en het antwoord in wezen is: “Het systeem zei het. Het systeem heeft het gemarkeerd”, dan is dat waarschijnlijk niet voldoende. Dat zal niet volstaan.

Denk je dat organisaties het risico lopen nieuwe nalevingsproblemen te creëren terwijl ze oude proberen op te lossen?

Tom Heys: Dat risico bestaat zeker. De problemen zullen aan het licht komen omdat, zoals ik zei, werknemersvertegenwoordigers een krachtige rol krijgen en er veel publiciteit zal zijn rond de nieuwe rechten zodra die worden ingevoerd.

Alles zou op 7 juni moeten ingaan, maar de implementatie is sterk versnipperd. Een groot aantal landen zal de richtlijn later invoeren, waarschijnlijk grotendeels rond januari 2027. Afgezien daarvan is er veel publiciteit rond de richtlijn inzake loontransparantie. Hoe meer mensen ervan weten, hoe meer ze hun werknemersvertegenwoordigers zullen vragen hun werkgever ter verantwoording te roepen.

Als bedrijven geen goede uitleg hebben voor de manier waarop ze werken, zal dat dus absoluut aan het licht komen.

David Rice: Interessant, want we zien dit patroon overal met AI. Organisaties willen snelheid en die snelheid kan soms een nieuwe risicocategorie creëren. De verleiding is dan: we moeten complexiteit automatiseren. Maar dit klinkt voor mij als een situatie waarin de uitleg eigenlijk belangrijker is dan het antwoord zelf.

Tom Heys: Dat denk ik ook, omdat de richtlijn draait om transparantie, uiteraard, maar dan transparantie over de manier waarop zaken worden uitgevoerd. De richtlijn schrijft niet voor hoe je precies moet werken. Ze zegt niet dat iedereen exact hetzelfde moet verdienen. Verschillen zijn toegestaan en worden verwacht. Er zullen altijd verschillen in beloning zijn. Waar de richtlijn naartoe wil, is dat die verschillen objectief zijn.

Ze moeten uitlegbaar zijn. Ze mogen niet voortkomen uit bevooroordeelde, subjectieve, oneerlijke of illegale redenen, maar uit redenen die logisch en evenredig zijn. Het feit dat iemand meer ervaring heeft dan een ander kan een goede reden zijn waarom iemand meer verdient. Als de ene persoon dertig jaar ervaring heeft in een bepaalde functie en de andere vijf jaar, is dat begrijpelijk. Maar als iemand in een bepaald type functie na drie jaar zo goed is als hij ooit zal worden en je de persoon met dertig jaar ervaring nog steeds veel meer betaalt, ontstaan er problemen. Je begon dan misschien met een objectieve reden, maar past die niet op evenredige wijze toe.

Die nuances zullen na verloop van tijd zichtbaar worden. De richtlijn werpt licht op de manier waarop zaken worden uitgevoerd en maakt die manier zichtbaar.

David Rice: Historisch gezien is beloning, in ieder geval in de Verenigde Staten, al lange tijd een van de minst transparante onderdelen van het organisatieleven. Corrigeer me als dat in Europa anders ligt. Wat denk je dat er gebeurt als mensen plotseling het recht krijgen al deze vragen te stellen, terwijl veel organisaties ze nooit eerder hoefden te beantwoorden?

Tom Heys: De neiging om niet over geld te praten zien we ook aan deze kant van de oceaan. Zeker, hoewel er uitzonderingen zijn. In sommige landen zijn mensen niet bang om te zeggen: “Ik verdien dit. Hoeveel verdien jij?” Maar op veel plaatsen bestaat absoluut de neiging om gesprekken over geld te vermijden.

Wat er zal gebeuren wanneer mensen al deze rechten krijgen, bedrijven al deze verplichtingen hebben en er licht wordt geworpen op al deze werkwijzen? Het Verenigd Koninkrijk biedt een zeer leerzaam voorbeeld. Ongeveer tien tot vijftien jaar geleden kregen we veel claims tegen lokale overheden en gemeenten in verschillende districten en steden.

Die claims werden niet ingediend door mensen met dezelfde functie, maar bijvoorbeeld door mensen in overwegend door vrouwen bezette functies, zoals schoonmakers en verzorgenden, die zichzelf vergeleken met overwegend door mannen bezette functies, zoals straatvegers en grafdelvers. Dat zijn klassieke voorbeelden van overwegend mannelijke functies. Die functies hadden grote bonussen die feitelijk onderdeel van hun loon waren geworden. Ze stimuleerden geen extra productiviteit of prestaties en beloonden niets bijzonders.

Het was simpelweg een feitelijk onderdeel van hun extra loon. De bonussen waren zeer hoog en op sommige plaatsen een veelvoud van het loon van vrouwen. Zo groot was het verschil. Dit kwam aan het licht door de aard van de sector. In de publieke sector geldt de wet op de vrijheid van informatie. Mensen konden vragen: “Wat is het gemiddelde loon voor dit soort functies en voor dat soort functies?”

Bovendien was alles via vakbonden onderhandeld. De informatie was beschikbaar. Mensen wisten dat er loonverschillen en verschillende bonussen waren. Wat gebeurde er vervolgens? De onderbetaalde mensen wilden uiteraard dat hun loon werd gecorrigeerd. Er werden claims ingediend, grote collectieve claims met in sommige gevallen honderden of duizenden mensen. De impact daarvan was enorm.

Birmingham City Council, een van de grootste werkgevers in het Verenigd Koninkrijk en mogelijk ook de grootste lokale overheid in Europa, met ongeveer een miljoen mensen, had een enorme aansprakelijkheid voor gelijk loon. Volgens mij ging het om meer dan een miljard. Dat laat zien wat de gevolgen kunnen zijn.

De loonverschillen in deze zaken waren vaak groot, maar het loonverschil hoeft niet eens heel groot te zijn, vooral niet als je te maken hebt met een personeelsbestand waarin veel mensen werken. Een vergelijkbare situatie zagen we bij Britse detailhandelaren, die met grote collectieve claims te maken kregen.

De verschillen waren daar kleiner, maar bij tienduizenden werknemers, veertig uur per week en een terugwerkende betaling van zes jaar kan het bedrag enorm oplopen. Het verschil hoeft niet groot te zijn, misschien twee of drie pond hier en daar. Maar door de vermenigvuldiging wordt de aansprakelijkheid enorm.

In dat soort zaken vergelijken winkelmedewerkers zich bijvoorbeeld met magazijnmedewerkers. Het gaat om verschillende functies, maar wanneer je ze bekijkt door de lens van gelijke waarde, dus op basis van vaardigheden, inspanning, verantwoordelijkheid en arbeidsomstandigheden, precies zoals de richtlijn inzake loontransparantie werkgevers voorschrijft, komen de verschillen aan het licht.

Mensen dienen claims in en ik denk dat veel van dit soort claims zich de komende jaren over Europa zullen verspreiden. In het Verenigd Koninkrijk kun je zes jaar aan achterstallig loon claimen. Ik weet dat dit in andere delen van Europa, in delen van de EU, langer is. Op sommige plaatsen is er geen limiet.

Iemand die dertig jaar onderbetaald is, zou dus dertig jaar aan achterstallig loon kunnen krijgen. Ik denk daarom dat er de komende jaren veel van dit soort claims zullen worden ingediend.

David Rice: Het is interessant. Het voelt alsof de rekening wordt gepresenteerd voor een soort vertrouw-onscultuur rond beloning.

Tom Heys: Ja…

David Rice: We gaan nu over naar een omgeving waarin mensen zeggen: laat het ons zien. Dat zal volgens mij behoorlijk ongemakkelijk zijn voor organisaties die hun beloningsfilosofie nooit echt in duidelijke taal extern hoefden toe te lichten. Het wordt fascinerend om te zien.

Tom Heys: Ik vergelijk het graag met wiskunde-examens op school.

Je krijgt punten voor het juiste antwoord, maar meer punten als je laat zien hoe je eraan bent gekomen. Juist dat laten zien van je berekening bevat hier de echte inhoud.

David Rice: Dat is een goede manier om het te formuleren. Het lijkt erop dat veel organisaties ontdekken dat ze niet aan loontransparantie kunnen voldoen voordat ze eerst hun functiearchitectuur, indeling en niveausystemen op orde brengen.

Is deze wetgeving volgens jou vooral een nalevingsuitdaging, of legt ze werkelijk dieperliggende organisatorische problemen bloot die lange tijd zijn genegeerd?

Tom Heys: Ik denk dat het beide is. De dieperliggende problemen veroorzaken het risico op ongelijk loon en de RLT maakt dat risico zichtbaar. Alles wordt openbaar.

Daardoor worden de nalevingsproblemen duidelijk. Ik vind niet dat de RLT moet worden gezien als een oefening waarbij je een vakje aanvinkt en daarna klaar bent. Het gaat erom de oude manier van werken weg te gooien en te vervangen door een nieuw normaal.

Ik denk dat de verstoring enorm zal zijn. Bij veel organisaties zal de richtlijn, zoals je zei, veel stof doen opwaaien. Wanneer de stof neerdaalt, ontstaat er een nieuw normaal, normaal 2.0: een objectievere en duidelijkere manier om lonen vast te stellen, mogelijk ook een eerlijkere manier. Niet alleen: “Vertrouw ons, we doen het goed”, maar: “Laat het ons zien.”

Het gaat dus niet alleen om vertrouwen, maar ook om aantonen. Zo moet je er volgens mij naar kijken. Het luidt een nieuw tijdperk in. Het is geen vinkje dat je kunt afhandelen.

David Rice: Het voelt bijna als een MRI-scan van een organisatie. Het onthult structuren en inconsistenties die misschien al lange tijd bestaan. Aan de oppervlakte lijken het beloningsproblemen, maar volgens mij gaat het vooral om een governanceprobleem.

Tom Heys: Dat is een verstandige manier om het te formuleren. Uiteindelijk gaat het inderdaad om hoeveel mensen betaald krijgen. Problemen ontstaan echter wanneer managers te veel vrijheid hebben en er onvoldoende richtlijnen zijn voor de manier waarop zaken moeten worden uitgevoerd. Als managers niet duidelijk weten hoe ze bonussen moeten toekennen of welk budget ze kunnen gebruiken om hun team te belonen, ontstaan er onverklaarde zaken die gevolgen hebben voor de beloning en daarmee mogelijk ook voor gelijk loon.

David Rice: Je hebt de rapportageverplichtingen onder de RLT genoemd. Welke problemen zie je bij het gebruik van AI om problemen op te lossen?

Tom Heys: Dit is relevant voor de eerder genoemde rapportage van verschillen per categorie. Werkgevers moeten verschillen binnen een categorie van meer dan vijf procent verklaren.

We moeten hiervoor een beetje de wiskunde induiken. Je kunt verschillen verklaren aan de hand van objectieve redenen, zoals ervaring, prestaties of marktfactoren. Er zijn allerlei mogelijke redenen.

Het doel is te kunnen zeggen: “We weten dat er binnen niveau tien een verschil van acht procent bestaat. Dankzij onze analyse zien we echter dat vijf procent daarvan kan worden verklaard. Er blijft dus drie procent onverklaard over.” Voor verschillen binnen een categorie geldt een drempel van vijf procent.

De RLT bepaalt dat wanneer het onverklaarde verschil groter is dan vijf procent, een gezamenlijke loonbeoordeling moet worden uitgevoerd, feitelijk een audit van gelijk loon. Daarbij wordt de volledige administratie opengesteld voor werknemersvertegenwoordigers. Zij kunnen zien hoe je alles doet. Dat leidt de aandacht sterk af van productief zijn en van het uitleggen van je werkwijze.

Als je dat kunt voorkomen, is dat natuurlijk goed. De gebruikelijke manier om het verklaarde en onverklaarde verschil vast te stellen is regressieanalyse. In de eenvoudigste vorm trek je een lijn door een verzameling punten: de lijn die het beste past. Maar dit soort regressieanalyse is subjectief.

Het is niet objectief. Het gaat niet om twee plus twee is vier. Mijn vergelijking is dat het meer lijkt op verf mengen. Rood plus groen wordt bruin. Maar hoeveel van elke kleur? Bosgroen en karmozijnrood of limoengroen en scharlakenrood? Hoe dik breng je de verf aan?

Gebruik je olieverf of waterverf? Zo kun je ook naar regressieanalyse kijken. Hoe zwaar weegt iedere variabele? Hoe ziet de modelspecificatie eruit? Welke variabelen nemen we mee? Er zijn veel verschillende beslispunten en er bestaat niet voor iedere categorie één juiste manier om dit te doen.

Er zijn gradaties van juistheid en verdedigbaarheid. Zoals we hebben besproken, moet je alles aan een werknemersvertegenwoordiger kunnen uitleggen. Er kunnen verschillende modellen zijn die werken, terwijl andere modellen ook redelijkerwijs kunnen werken. Je moet dus kiezen welke modellen je wel en niet gebruikt.

Het risico van het overlaten van dit soort analyses aan AI is dat we hier praten over analytische of voorspellende AI, niet zozeer over generatieve AI. Als je tegen een zwarte doos zegt: “Ik wil weten hoe groot mijn gecorrigeerde verschil is”, en die geeft een antwoord, waarna je tegen je werknemersvertegenwoordigers zegt: “Het is drie procent, dus het is goed”, dan kunnen zij antwoorden: “Laat ons je model zien. Laat ons je berekening zien.”

Als je zwarte doos de berekening op een moeilijk verdedigbare manier heeft uitgevoerd, bijvoorbeeld met een overgespecificeerd model of te veel variabelen die niet overeenkomen met de werkelijkheid, ontstaat er een probleem. Ik denk dat iedere werkgever uiteindelijk minstens één kleine groep zal hebben die nader moet worden onderzocht.

Bij kleine groepen werkt regressie minder goed, omdat je niet genoeg gegevens hebt. Er zijn niet genoeg punten om op een duidelijke of betrouwbare manier een lijn doorheen te trekken. En tenzij je dat weet en kunt zien, kun je de uitvoer niet vertrouwen als iets dat de toets der kritiek kan doorstaan.

Ik zou dus voorzichtig zijn met het automatiseren van het analytische proces. Kijk niet alleen naar het antwoord aan het einde van het wiskundige werkstuk, maar zorg ook dat je begrijpt hoe je eraan bent gekomen.

David Rice: Het oude probleem van slechte invoer leidt tot slechte uitvoer. Als de gegevens waarop je analyse is gebaseerd gebrekkig zijn, vormt dat uiteraard een risico.

Daarnaast bestaat het risico dat we ons op basis van de uitvoer zekerder voelen dan gerechtvaardigd is. Je krijgt een gepolijst antwoord, bijvoorbeeld een grafiek of aanbeveling, en dat voelt gezaghebbend. Maar als de onderliggende aannames, oordelen en beslissingen waarvoor iemand verantwoordelijkheid moet nemen, gebaseerd zijn op iets dat niet klopt…

Ik zeg dit altijd: je kunt een machine niet verantwoordelijk houden. Ze kan je analyse versnellen, maar ze neemt je verantwoordelijkheid uiteindelijk niet over.

Tom Heys: Machines doen wat je ze vraagt, maar we moeten ervoor zorgen dat we ze de juiste dingen vragen.

David Rice: Precies. We moeten de juiste context meegeven, niet alleen zeggen: “Ik heb er een hoop gegevens in gestopt.” De vraag is: “Prima, maar was die informatie betekenisvol?”

Tom Heys: Welke gegevens heb je ingevoerd en wat heeft het systeem ermee gedaan? Het is alsof je een bal naar een hond gooit en hij die terugbrengt. De machine brengt de gegevens terug, maar je weet niet of ze daarvoor het park uit is gegaan, de straat is afgelopen en via een omweg is teruggekomen, of dat ze rechtstreeks naar je toe is gelopen.

David Rice: Precies. En er zit volgens mij een bredere les in. Die reikt verder dan beloning. Nu AI steeds meer bij onze beslissingen betrokken raakt, gaan we volgens jou een tijdperk in waarin uitlegbaarheid net zo belangrijk is als efficiëntie?

Tom Heys: Dat denk ik wel. Efficiëntie zal belangrijk blijven. AI gebruiken om efficiënter te worden is geweldig.

We hebben allemaal gezien hoe indrukwekkend het is en hoeveel dingen het kan doen om besluitvorming te versnellen. Maar dat is de kern: gebruik AI om je besluitvorming te versnellen. Besteed je denkwerk er niet aan uit. Gebruik het om je denken te versterken.

David Rice: Dit is volgens mij een van de grootste leiderschapsuitdagingen van het AI-tijdperk.

Jarenlang beloonden we snellere beslissingen, snellere processen en snellere uitvoering. Ga snel, beweeg snel en breek dingen. Maar we gaan nu een wereld binnen waarin leiders beslissingen moeten uitleggen die gedeeltelijk zijn beïnvloed door systemen die ze niet zelf hebben gebouwd en vaak niet goed persoonlijk begrijpen.

Daardoor verschuift uitlegbaarheid van een technisch vraagstuk naar een leiderschapsvaardigheid.

Tom Heys: Zoals je zegt, zal governance rond al deze zaken steeds belangrijker worden en meer aandacht krijgen.

David Rice: Tom, dit was een fascinerend gesprek. Ik heb veel van je geleerd, want ik wist nog niet zoveel over deze regelgeving.

Het is goed dat ons publiek hier meer grip op krijgt. Bedankt dat je vandaag bij ons was.

Tom Heys: Graag gedaan. Bedankt voor de uitnodiging.

David Rice: Luisteraars, houd dit soort content in de gaten. Volg People Managing People op al je sociale platforms voor meer informatie over veranderende regelgeving rond AI, loontransparantie en alles wat momenteel op de werkvloer gebeurt. Ga ook naar peoplemanagingpeople.com/subscribe en schrijf je in voor de nieuwsbrief. Je krijgt al deze content rechtstreeks in je inbox.

Tot de volgende keer: denk na over hoe je dingen gaat uitleggen.

Voor we afronden nog één laatste tip. Als je het hele jaar georganiseerd blijft, wordt de belastingperiode een stuk eenvoudiger. QuickBooks Online houdt je inkomsten, uitgaven en financiële administratie georganiseerd en vereenvoudigt ondertussen je boekhouding en rapportage. Of je nu freelancer, zelfstandig ondernemer of eigenaar van een groeiend klein bedrijf bent, je krijgt de hulpmiddelen om je financiën bij te houden met minder handmatig werk. Bekijk vandaag nog hoe QuickBooks Online je bedrijfsfinanciën kan vereenvoudigen.