Waarom productiviteit verbeteren begint met inzicht in het werk

David Rice: Wanneer een bestuurder op C-niveau naar de organisatie kijkt, ziet die een organigram en een procesdocument. Rol A rondt iets af en geeft het door aan rol B, B geeft het door aan C. Het is overzichtelijk, eenvoudig en vrijwel volledig fictief. In de aflevering van vandaag praat ik met Heidi Farris, CEO van ActivTrak, over het verschil tussen hoe leiders denken dat werk gebeurt en hoe het daadwerkelijk gebeurt.

De werkelijke workflow is de optelsom van overdrachten, omwegen en informele herroutering die nooit in een document terechtkomen. Heidi noemt de goede versie hiervan tribale kennis. Het gaat niet om het soort kennis waarbij iemand zegt: ik weet veel over het bedrijf, maar om de kleine dagelijkse aanpassingen die ervoor zorgen dat alles blijft functioneren. Mensen maken het werk elke dag beter, zegt Heidi.

Het probleem is dat dit nauwelijks zichtbaar wordt in documentatie. Daarom bespreken we vandaag waarom het gedocumenteerde proces zelden overeenkomt met de manier waarop het werk werkelijk wordt uitgevoerd, de drie categorieën om te bepalen waar AI binnen een rol thuishoort, wat er met de organisatorische doorvoer gebeurt wanneer één team versnelt en de omliggende teams niet, en de werkelijke signalen dat een bedrijf is overgegaan van AI-adoptie naar AI-impact.

Ik ben David Rice. Dit is People Managing People, en als jouw organisatie AI-succes meet aan de hand van gebruiksstatistieken in plaats van wat er is gebeurd met de capaciteit die AI heeft gecreëerd, laat dit gesprek je zien wat je mist. Laten we beginnen.

Goed, Heidi, welkom bij de show. Fijn dat je er bent.

Heidi Farris: Dank je, David. Ik ben erg blij dat ik erbij ben.

David Rice: Waar ik ons gesprek wilde beginnen, is bij het volgende: wanneer een bestuurder op C-niveau vandaag naar de organisatie kijkt, denk ik dat dit een van de veelvoorkomende frustraties is die veel mensen hebben met leidinggevenden op het werk. Het voelt alsof ze niet echt weten wat er allemaal bij het werk komt kijken.

Ik ben benieuwd: wat begrijpen bestuurders op C-niveau doorgaans verkeerd over hoe werk daadwerkelijk wordt uitgevoerd?

Heidi Farris: Ik denk dat dit iets is waar veel organisaties vandaag mee worstelen. Als je naar het landschap kijkt, heeft iedereen het over het opnieuw ontwerpen van werk of over het toepassen van AI op werk. Wat leiders zien, is een organigram en een procesdocument, toch?

Rol A rondt iets af, geeft het door aan rol B, en vervolgens van B naar C. Het zou een nette, overzichtelijke overdracht moeten zijn. We hebben de neiging de manier waarop werk werkelijk wordt uitgevoerd binnen organisaties te simplificeren. Eén persoon in een organisatie kan op een willekeurige dag gemakkelijk tientallen apps, meerdere goedkeuringsprocessen, veel verschillende belanghebbenden en allerlei omwegen moeten gebruiken.

De werkelijke workflow is de optelsom van overdrachten, omwegen en informele herroutering waarmee mensen te maken krijgen en die niet in een procesdocument of organigram zichtbaar worden. En die is voor de top eigenlijk onzichtbaar. Daardoor raken we binnen een organisatie al snel los van hoe het werk werkelijk wordt gedaan.

David Rice: Ja. Het is volgens mij ook wel natuurlijk. Naarmate je hoger in de hiërarchie komt, wordt alles teruggebracht tot schema's, standaardwerkinstructies en dashboards. Volgens mij zit er een interessant onderscheid tussen zichtbaarheid in medewerkers en zichtbaarheid in werk. Dat is niet echt hetzelfde, toch?

Heidi Farris: Dat klopt. Dat klopt precies. Het werk zelf is waar we om geven. Medewerkers zetten instinctief meestal hun beste beentje voor. Het gaat er meer om hoe we kunnen helpen het werk in een organisatie te verbeteren of begrijpen hoe het werk gebeurt, zodat we het vervolgens kunnen verbeteren, of zodat mensen hun beoordelingsvermogen en empathie kunnen toepassen op werk dat AI niet kan doen.

David Rice: En als je probeert te bepalen waar AI de manier waarop het werk wordt uitgevoerd moet veranderen, wat moet je dan eerst over dat werk begrijpen? Wat is echt de waardevolle informatie die daarbij helpt?

Heidi Farris: Je moet begrijpen welke taken door elke rol worden uitgevoerd.

En je moet die op een bepaalde manier kunnen indelen, want functies bestaan uit verzamelingen taken. AI verandert werk door taken te veranderen, niet noodzakelijk door volledige rollen te vervangen. Bepaalde onderdelen van elke rol kunnen baat hebben bij AI. De eerste stap is dus om de taken van een bepaalde rol in categorieën in te delen: repetitieve, gestructureerde en op regels gebaseerde taken, die zeer geschikt zijn voor AI; AI-ondersteunde taken die snelle synthese van gegevens, patroonherkenning of iets dergelijks vereisen, waarbij AI als copiloot voor een mens fungeert en samenwerking plaatsvindt; en vervolgens uniek menselijke taken, waarvoor empathie, emotionele intelligentie en beoordelingsvermogen nodig zijn.

Dat is de eerste stap, en de meeste mensen slaan die volledig over en gooien gewoon technologie op elk probleem.

David Rice: Interessant dat je dat zegt, want ik dacht hier eerder over na toen ik een fragment zag van iemand die zei dat empathie het belangrijkste wordt voor de toekomst. Volgens mij is het iets wat we niet bijzonder goed hebben aangeleerd.

We hebben het vaak gezien als een eigenschap in plaats van als een vaardigheid. Een gevaar van AI is dat de bruikbaarheid ervan op taakniveau ons kan afleiden van de vraag of de taak in haar huidige vorm überhaupt zou moeten bestaan. Er zijn verschillende interventieniveaus. Je kunt de taak verbeteren, wat volgens mij is waar we veel tijd aan hebben besteed.

Je kunt de taak misschien verwijderen, of de workflow opnieuw ontwerpen. Je kunt opnieuw kijken naar de uitkomst die je probeert te produceren. Er zijn hier veel verschillende mogelijkheden. Maar volgens mij is er een verschil tussen vragen: "Kan AI dit doen?" en vragen: "Waarom moet iemand dit eigenlijk doen?" Die tweede vraag voelt volgens mij ingrijpender.

De eenvoudigste dingen om te automatiseren zijn in veel gevallen dus niet noodzakelijk de waardevolste dingen om te veranderen.

Heidi Farris: Dat klopt. Telkens wanneer je een audit uitvoert: AI werpt momenteel licht op werk, maar wat jij zegt heeft eigenlijk altijd bestaan. In de loop van de tijd bouwen we werkachterstand op, net zoals een technologiestack of product technische schuld opbouwt.

Er zijn simpelweg bepaalde dingen waarbij je op een gegeven moment opnieuw moet beoordelen en zeggen: "Waarom doen we dit eigenlijk nog?" Je moet een volledige audit uitvoeren en vervolgens opnieuw begrijpen welke verschillende soorten werk er zijn en hoe je die beter kunt maken. Want niet alles is AI.

AI is niet de oplossing voor elk probleem dat we in werk zien. Soms moet je de workflow opnieuw ontwerpen, soms mensen beter toerusten en soms is het simpelweg de verkeerde technologie. Je moet echt begrijpen hoe het werk gebeurt en welke taken worden uitgevoerd, zodat je het werk uit elkaar kunt halen en kunt zeggen: "Goed, zo kunnen we dit daadwerkelijk verbeteren."

En dat kan AI zijn, maar het kan ook iets anders zijn.

David Rice: Stel dat AI een team 15 procent van zijn capaciteit teruggeeft. We hebben veel productiviteitswinst gezien en in sommige gevallen heeft AI administratieve zaken eenvoudiger gemaakt. Maar als mensen capaciteit terugkrijgen, welke beslissing moet er dan volgen?

Wat is de eerste stap bij het opnieuw inzetten van die capaciteit met bedrijfswaarde in gedachten? Want als je het aan medewerkers overlaat, kan het behoorlijk interessant worden.

Heidi Farris: Ik denk dat je allereerst iemand in je organisatie de bevoegdheid moet geven om beslissingen te nemen.

Daarmee bedoel ik dat capaciteit zichzelf niet opnieuw inzet. Als niemand er expliciet verantwoordelijk voor is, wordt die stilletjes weer opgenomen in de organisatie. Misschien in laagwaardig werk, misschien verdwijnt de capaciteit ergens in Slack. Zoals ik al zei, is er die lijst met werkachterstanden die in de loop van de tijd is opgebouwd. Dat is misschien niet het waardevolste werk waar mensen automatisch op moeten terugvallen.

Ten tweede moet je bepalen in welke categorie de capaciteit terechtkomt. Is het doel kostenreductie? Willen we de functie daadwerkelijk verkleinen? Gaat het om herinvestering? Willen we vrijgekomen uren omleiden naar werk met een hogere waarde? Of gaat het om uitbreiding: willen we een volledig nieuw project of nieuw soort werk oppakken dat nog niet eerder in de organisatie bestond?

Elke optie heeft een ander financieel resultaat. Sommige koppel je aan EBITDA, andere aan groei en weer andere aan het onderscheidend vermogen in de markt. Als je alleen de adoptiecijfers viert en nooit controleert in welke categorie die capaciteit is beland, kun je nooit een lijn trekken naar de winst-en-verliesrekening en zeggen: "Zo hebben we het gedaan."

Werk beter maken is uiteindelijk de ene helft van de vergelijking. De andere helft is laten zien waar dat resultaat zichtbaar wordt in het financiële profiel van de organisatie.

David Rice: Ja, en ik ben het volledig eens met wat je zei over het feit dat het laagwaardig werk kan worden. Ik sprak onlangs met een leider bij een andere mediaorganisatie.

We hadden het over zaken die waren vrijgemaakt. Ze hadden iemand van wie ze niet erg onder de indruk waren van de ideeën die die persoon had aangedragen. Die medewerker was AI gaan gebruiken bij creatieve planning. Dat maakte veel tijd vrij, maar vervolgens werd die persoon gevraagd alles in allerlei spreadsheets te zetten en die te beheren. De tijd werd opgeslokt door het beheren van spreadsheets.

Ik vroeg me af: is dat een goed gebruik van de gecreëerde capaciteit? AI zou die spreadsheets waarschijnlijk ook kunnen beheren. Maar dat betekent niet automatisch dat je die persoon niet meer nodig hebt. Volgens mij raken we in het verhaal te vaak verdwaald in personeelsreductie.

Er zijn nog veel andere mogelijkheden. Het lijkt alsof er een managementbeslissing ontbreekt tussen tijd besparen en waarde creëren. Iemand moet beslissen waarvoor die tijd wordt gebruikt. Mijn vervolgvraag is daarom: moeten leiders beslissen hoe capaciteit opnieuw wordt ingezet voordat ze automatiseren?

Automatiseer om die capaciteit te creëren, zodat je vervolgens X kunt doen.

Heidi Farris: Ja, want je moet beginnen met je doelstellingen. Als je doel bijvoorbeeld EBITDA is en je rollen wilt schrappen, moet je eerst begrijpen waar binnen de organisatie de grootste mogelijkheden voor AI-automatisering liggen en daar beginnen. Dat is iets anders dan wanneer je veel rollen hebt waarvan 80 procent van de tijd bestaat uit taken waarvoor een copiloot, AI als copiloot of veel menselijk beoordelingsvermogen nodig is. Die rollen ga je niet schrappen.

Als je dat wel doet, moet je die mensen opnieuw aannemen, omdat je ontdekt dat menselijk beoordelingsvermogen, empathie en het vermogen om kritisch te toetsen wat AI je vertelt belangrijk zijn. Dat is iets anders dan een goed gedefinieerd, datagedreven proces automatiseren. Als een rol voor 80 procent uit die andere zaken bestaat, krijg je de gewenste EBITDA toch niet.

Het is dus heel belangrijk om, zoals jij zegt, vóór je begint te begrijpen wat je doel is. Anders kun je veel werk verrichten zonder je doel ooit daadwerkelijk te bereiken.

David Rice: Absoluut. AI-adoptie en AI-waarde: het ene leidt niet automatisch tot het andere. Wat moeten leiders volgens jou daadwerkelijk meten om te weten of AI betekenisvolle capaciteit creëert en of die capaciteit leidt tot betere bedrijfsresultaten?

Heidi Farris: Het belangrijke punt is dat je het eigenlijk al noemde: gebruiksstatistieken meten adoptie. Gewone gebruiksstatistieken meten adoptie. Maar je hebt een meting vóór en na nodig. Je moet begrijpen hoe cyclustijd, doorvoer en andere relevante zaken eruitzagen voordat je een oplossing implementeerde, en die oplossing kan AI zijn.

Vervolgens moet je kijken hoe het werk erna uitzag. Zonder het beeld van vóór en na is het heel moeilijk om te beoordelen hoe het nieuwe onderdeel dat je in het proces hebt geplaatst de uitvoering van het werk heeft beïnvloed. Heeft het de capaciteit verbeterd? Heeft het de doorvoer verbeterd? Waar heb je winst geboekt?

En vervolgens: waar is die capaciteit daadwerkelijk naartoe gegaan? Bijna niemand houdt dat vandaag bij of kijkt daar vandaag naar. Als je niet kunt beantwoorden wat een team doet met de tijd die AI heeft vrijgemaakt, heb je geen rendementsverhaal; je hebt alleen een adoptieverhaal.

We hebben geld uitgegeven en meer hulpmiddelen gaan gebruiken, maar we hebben dat niet gekoppeld aan iets betekenisvols binnen het bedrijf.

David Rice: Je zei net: wat doet het team? Volgens mij moet daar de focus liggen. Individuele productiviteit is erg verleidelijk, omdat het eenvoudig te demonstreren is: dit kostte me vroeger 40 minuten en nu 10.

Maar profiteert de organisatie er werkelijk van als het proces van één persoon iets sneller wordt? Je kunt 30 procent productiever worden zonder dat de organisatie 30 procent productiever wordt. Als ik mijn werk twee keer zo snel afrond, maar het vervolgens drie dagen bij iemand anders in de wachtrij blijft liggen, hebben we dan echt iets verbeterd?

Er is dus een nuttig onderscheid tussen taakefficiëntie, workflowdoorvoer en bedrijfsresultaat. Waarom is er volgens jou vaak zo'n groot verschil tussen hoe leiders denken dat een workflow werkt en hoe die daadwerkelijk wordt uitgevoerd?

Heidi Farris: Afgezien van wat we al hebben besproken, is het procesdocument een momentopname, terwijl werk voortdurend verandert. Werk verandert altijd. Je documenteert een proces, maar intern zeggen we vaak dat een procesdocument de beroepsbevolking zelden overleeft.

Dat betekent niet dat mensen niet de juiste dingen doen. Het betekent dat een procesdocument in de praktijk niet alle nuances laat zien. Mensen die het dichtst bij het werk staan, maken elke week tientallen kleine aanpassingen om het werk beter te maken. Die aanpassingen komen maar zelden terug in een document. Als je dat vermenigvuldigt over honderden of duizenden rollen en vele jaren, wordt de kloof tussen het gedocumenteerde proces en de werkelijke workflow heel snel groter. Leiders hebben een helder, voortdurend beeld nodig van hoe werk wordt gedaan, zodat ze organisaties in het AI-tijdperk wendbaar kunnen aansturen.

David Rice: Ik kan me geen plek herinneren waar ik ooit heb gewerkt zonder een omweg, een herhaalbare omweg die we als medewerkers hadden gecreëerd. Het formele proces komt niet overeen met de werkelijkheid op de werkvloer. Een van de risico's van AI is dat we proberen de officiële workflow te automatiseren zonder de omweg te begrijpen die het proces mogelijk daadwerkelijk laat functioneren.

Die omweg maakte in sommige gevallen toevallig dat het geheel werkte. Het was geen onderdeel van het oorspronkelijke plan. Maar als we die zaken verwijderen, moeten we beantwoorden hoeveel van het proces daardoor stukgaat.

Heidi Farris: Ik denk dat we als leiders onvoldoende waardering hebben voor het feit dat mensen elke dag het werk beter maken. Ze gebruiken hun redeneervermogen en al die andere vaardigheden. Als nieuwe medewerker volg je een procesdocument en klik je door alle stappen die je zou moeten volgen.

Dan loop je ergens tegenaan en denk je: "O nee." Vervolgens zegt de persoon naast je, aan de andere kant van het kantoor of op Slack: "O ja, je moet de shift-toets ingedrukt houden, naar Excel gaan, het hier kopiëren en daar plakken, en dan werkt alles weer."

We waarderen onvoldoende dat mensen dit soort dingen uitzoeken, terwijl ze nergens in een document staan. Mensen noemen dat tribale kennis. Maar wanneer mensen aan tribale kennis denken, bedoelen ze vaak: "Ik weet veel over bedrijfsinformatie; dat is mijn tribale kennis."

Dat is niet de tribale kennis die een organisatie echt laat functioneren. De tribale kennis die een organisatie laat functioneren, bestaat uit al die kleine nuances en omwegen: hoe ik iets elke dag moet laten werken zodat het bedrijf kan blijven draaien.

David Rice: Dat leidt tot een andere vraag: wat gebeurt er met personeelsplanning wanneer AI de capaciteit van verschillende functies verandert?

We zien dat bovendien in verschillende snelheden gebeuren. Voor een analist zal het heel anders zijn dan voor iemand in marketing of boekhouding. Al die verschillende vakgebieden passen dezelfde technologie toe, maar het effect is niet overal hetzelfde.

Waar moeten we rekening mee houden bij personeelsplanning?

Heidi Farris: We hadden hier intern een heel goed voorbeeld van bij onze eigen teams. Ons engineeringteam nam hulpmiddelen voor AI-ondersteund programmeren in gebruik en vond een manier om daar veel impact mee te hebben. Ze verkortten onze cyclustijden en versnelden de oplevering van code. Onze engineeringdoorvoer verdubbelde meer dan.

Dat was een overwinning en we begonnen het allemaal te vieren. Vervolgens realiseerden we ons snel dat onze engineers nu sneller konden programmeren dan ons productmanagementteam requirements kon herontwikkelen. We hadden het knelpunt dus verschoven van de ene functie naar een andere. Als organisatie hadden we de totale doorvoer niet daadwerkelijk verbeterd.

Tijdelijk wel, omdat de engineers de requirements die al op hun bord lagen sneller konden afronden. Maar het werd een probleem om nieuwe requirements aan te leveren die gelijke tred hielden met de snelheid waarmee ze code konden ontwikkelen. Organisaties moeten daarom holistisch naar de hele organisatie kijken en begrijpen dat al het werk binnen een organisatie op een bepaalde manier met elkaar verbonden is. Als één afdeling de doorvoer versnelt of de cyclustijd verkort, zullen de aangrenzende teams zich moeten aanpassen om die verandering bij te houden.

David Rice: Dat klinkt als een goed voorbeeld van het probleem met personeelsplanning. Het gaat niet om hoeveel mensen we nodig hebben, maar om de vraag waar het knelpunt naartoe zal verschuiven. Dat verandert voortdurend. Geïsoleerde productiviteitswinst verschuift het knelpunt of creëert nieuwe knelpunten in plaats van oude weg te nemen.

Heidi Farris: Een deel daarvan zal gebeuren omdat je niet alles tegelijk kunt doen. Daarom moet je nadenken over de volgorde. Je moet bij personeelsplanning stilstaan bij welk onderdeel je als eerste wilt versnellen en hoe lang dat duurt voordat je ergens anders tegen een knelpunt aanloopt.

Als je voortdurend zicht hebt op het werk in de hele organisatie, kun je begrijpen waar de eb en vloed binnen de organisatie zullen plaatsvinden.

David Rice: Wanneer je een workflow vindt die meer capaciteit verbruikt dan volgens ons nodig zou moeten zijn, hoe bepaal je dan of het antwoord AI, procesherontwerp, andere technologie of simpelweg betere ondersteuning is?

Heidi Farris: De eerste vraag die leiders moeten beantwoorden is: wat veroorzaakt de vertraging eigenlijk? Als het werk repetitief en goed gedefinieerd is, maar een hoog volume heeft, is het een kandidaat voor automatisering of AI. Maar als de volgorde zelf niet klopt, bijvoorbeeld door te veel goedkeuringen, onnodige overdrachten of dubbele stappen, dan is het een probleem van procesherontwerp.

Als het proces en de hulpmiddelen goed zijn, maar mensen niet weten wat de beste manier is om het werk te doen of de vaardigheden missen, dan is het een probleem van ondersteuning en toerusting. De oplossing moet dus aansluiten bij de werkelijke oorzaak waarom het werk niet zo efficiënt of goed is als je zou willen. De meeste organisaties kiezen standaard opnieuw voor meer technologie, zonder eerst te controleren welke van die drie oorzaken werkelijk speelt.

David Rice: Het lijkt erop dat hier misschien ook een prikkelprobleem speelt. We hebben AI-budgetten toegewezen en bestuurders hebben AI-toezeggingen gedaan. Iedereen moest AI-first worden. Het wordt dan aantrekkelijker om iets aan te merken als een AI-toepassing dan als een saai management- of procesprobleem.

Als je eenmaal besluit dat AI strategisch belangrijk is, bestaat er dan niet het gevaar dat elke inefficiëntie plotseling op een AI-kans gaat lijken? Terwijl sommige zaken gewoon terugkerende handmatige taken zijn die automatisering nodig hebben, of inconsistente taken die duidelijkere standaarden vereisen.

Dat klopt: een verwarrende taak heeft misschien gewoon training nodig. We moeten hierover in verschillende categorieën nadenken.

Heidi Farris: Ik denk dat we sterk uit de startblokken kwamen met AI, en AI blijft zich krachtig ontwikkelen. Het is een grote verandering. AI is zeer waardevol en zal de manier waarop we allemaal werken veranderen.

Ik geloof daar absoluut in. In het begin is verandermanagement echter erg moeilijk tenzij je volledig ergens voor gaat. Ik begrijp dus volledig waarom organisaties zo'n grote AI-push hadden. Om gewoonten en de manier waarop mensen werken te veranderen en hen buiten de gebaande paden te laten denken, moet je soms iets overdreven doen om de verandering binnen een organisatie op gang te brengen.

Maar nu komt de verandering goed op gang. Je ziet mensen zeggen: "We hebben te snel ontslagen; we moeten ze opnieuw aannemen", of: "We hebben iedereen verteld dat het maximaliseren van tokens je bovenaan een ranglijst brengt en dat je daar bonussen voor krijgt", waarna organisaties limieten stellen aan de uitgaven.

Er moet nu dus een meer doordachte langetermijnaanpak komen voor de manier waarop AI in deze organisaties wordt gebruikt. Ik denk aan een raamwerk dat rollen, taken, menselijke taken en mensondersteunde taken begrijpt. Waar hoort AI thuis en hoe haal je nu de langetermijnvoordelen uit AI, nu je iedereen ervan hebt overtuigd dat AI de juiste weg is en mensen het gebruiken?

Wat ga je nu doen?

David Rice: Het is bijna alsof je een stadsbouwspel speelt waarin je een stad bouwt. Je eerste stad was een heel overzichtelijke kaart, maar nu moet je die uitbouwen tot een zeer gedetailleerde, veel complexere en geavanceerdere stad.

Je begrip van wat er in het werk gebeurt. We zitten er al middenin. We rollen ermee door en het verandert workflows binnen verschillende functies. HR was traditioneel eigenaar van functies, talentsystemen en personeelsplanning. Operations draaide vooral om processen, IT om technologie en finance om geld.

De hele structuur verandert. Nu workflows binnen die functies worden aangepast, ben ik benieuwd wie verantwoordelijk moet zijn voor het herontwerpen van het werk zelf. Als iedereen het heel anders doet, weet ik niet of alles nog op dezelfde manier op elkaar aansluit.

Heidi Farris: Het herontwerpen van het werk zelf heeft een eigenaar nodig met twee zaken die de meeste AI-initiatieven volgens mij vandaag missen.

Ten eerste is dat zichtbaarheid over de volledige workflow, niet alleen over het onderdeel van één functie. Zo begrijp je waar de eb en vloed plaatsvinden en waar werk met elkaar verbonden is. Ten tweede is er de daadwerkelijke bevoegdheid nodig om de structuur van het werk te veranderen. Zonder dat tweede onderdeel ben je machteloos.

Je kunt alle plekken binnen een organisatie aanwijzen, maar zonder de bevoegdheid om te zeggen: "We gaan echt opnieuw nadenken over de manier waarop het werk voor deze functie, rol of afdeling is ingericht", kun je weinig doen. Daarvoor zijn autonomie en zeggenschap nodig.

Functionele leiders staan dicht bij het werk. Juist daardoor raken ze soms gehecht aan een bepaalde manier van werken en maakt de gedachte aan verandering hen nerveus. Het kan dus niet uitsluitend een AI- of IT-team zijn, want die begrijpen de nuances van functionele leiders niet. Het kan ook niet alleen aan functionele leiders worden overgelaten, omdat zij niet alle mogelijkheden begrijpen die AI een organisatie kan bieden.

Er is daarom vaak iemand nodig in een COO-achtige rol die van begin tot eind eigenaar is van de resultaten en herontwerp als een concrete oplevering binnen de hele organisatie behandelt. AI is slechts één manier om het probleem op te lossen, niet dé manier.

David Rice: Daar ben ik het mee eens. We hebben het het afgelopen jaar vaak gehad over de vraag of het werkterrein van de CHRO moet worden uitgebreid: van het ontwerpen van functies en organisaties naar het ontwerpen van de manier waarop menselijke en machinale capaciteit wordt gecombineerd om werk te produceren.

Voor degenen die dat hebben gedaan, heeft dit volgens mij geleid tot meer operationele verantwoordelijkheid in plaats van dat ze zich nog steeds voornamelijk in HR of personeelsoperaties bevinden. De rol is geëvolueerd naar een plek waarvan ik eerlijk gezegd niet weet of die de langetermijnoplossing is. De personeelsuitdaging is op zichzelf al groot genoeg.

Heidi Farris: Dat ben ik met je eens. Wat AI voor HR-leiders brengt, en wat ik vanuit HR-perspectief zeer interessant vind, is dat mensen en operations hierdoor daadwerkelijk bij elkaar worden gebracht.

Organisaties plaatsen HR vaak aan de zijkant en zeggen: "HR doet hier iets, wij runnen daar het bedrijf en HR komt langs met nalevingskwesties of wat er verder nodig is." HR heeft eigen gegevens en wij hebben de gegevens waarop we het bedrijf runnen.

Nu moeten al die gegevens hetzelfde beeld van het werk vormen. Als je rollen gaat uitvoeren en herontwerpen, is HR uiteraard een belangrijke, zo niet de eigenaar, en in ieder geval een belangrijke belanghebbende in het hele gesprek. Dat heeft gevolgen voor beloning, functietitels, structuur en al die andere zaken.

Ik denk daarom dat AI heel interessant is voor HR-leiders. Hoewel het enerzijds zwaar belastend is, is het ook spannend voor HR-leiders die nu daadwerkelijk willen deelnemen aan het dagelijkse runnen van het bedrijf, in plaats van een nalevingscentrum aan de zijlijn te zijn.

David Rice: Je noemde eerder de gebruiksstatistieken. Daar zien we veel van: geactiveerde licenties, wekelijks actieve gebruikers, gelanceerde toepassingen en allerlei andere zaken die ons vertellen dat we deze technologie gebruiken. Maar volgens mij vertellen ze ons niet noodzakelijk dat we verder zijn gegaan dan adoptie en operationeel iets hebben veranderd.

Wat zijn volgens jou de signalen dat iemand dat heeft bereikt en dat het bedrijf nu anders functioneert?

Heidi Farris: Ik denk dat je weet dat een organisatie verder is gegaan dan adoptie wanneer de leiding, of eigenlijk iedereen in de organisatie, kan uitleggen welk werk opnieuw is ontworpen, wat de uitkomst was en waar dat zichtbaar wordt in de doelstellingen.

Voor de leiding is dat de winst-en-verliesrekening. Voor teams kunnen het subdoelstellingen daaronder zijn. Het gaat erom dat je niet alleen zegt: "Ons klantenserviceteam bespaart nu tijd." Vroeger maakten ze kwartaalbesprekingen handmatig, verzamelden ze alle klantgegevens en maakten ze de presentatie.

Nu kunnen ze iets wat vroeger vier uur kostte in vijf minuten doen. Dat is één ding. Maar je moet kunnen zeggen: "Goed, waar is dat zichtbaar geworden in een doelstelling of in de winst-en-verliesrekening?" Die tijdswinst op zichzelf is niet het uiteindelijke resultaat. Het gaat erom dat ze met die extra tijd hun klantenbestand bijvoorbeeld met elk 50 klanten konden uitbreiden. Dan heb je misschien één klantensuccesmanager nodig voor 75 klanten in plaats van één voor 25.

Daar begint het zichtbaar te worden in doelstellingen en resultaten. Dat zijn volgens mij de belangrijkste kenmerken van het moment waarop een organisatie daadwerkelijk van adoptie naar impact gaat. Zeg me niet alleen wat je met AI hebt gedaan, maar vertel me vervolgens wat je hebt gedaan met het voordeel dat AI heeft opgeleverd.

David Rice: Hoe meer gesprekken ik hierover voer, hoe meer ik tot de conclusie kom dat het uiteindelijk ergens zichtbaar moet worden. Het kan niet alleen in een dashboard staan. Het moet zichtbaar zijn in het ontwerp van je rollen, klantresultaten, organisatiestructuur, vaardigheden of iets anders. Als AI de organisatie echt transformeert, zou ik bewijs daarvan moeten kunnen zien zonder naar een statistiek te kijken.

Misschien is het ultieme teken van AI-volwassenheid wel dat we niet meer over AI praten, omdat we praten over de manier waarop het bedrijf opereert.

Heidi Farris: Daar ben ik het volledig mee eens. Ik denk dat HR en operations partners zullen worden en dat AI één van de vele oplossingen is wanneer we ons verdiepen in de vraag hoe werk vandaag wordt gedaan.

David Rice: Absoluut. Heidi, dat waren alle vragen die ik vandaag voor je had. Bedankt dat je in de show wilde komen en je inzichten met ons wilde delen. Ik waardeer dit enorm.

Heidi Farris: David, nogmaals bedankt dat je me hebt uitgenodigd.

David Rice: Luisteraars, als je dat nog niet hebt gedaan, ga dan naar peoplemanagingpeople.com/subscribe. Schrijf je in voor al onze nieuwsbrieven. Er verschijnen er elke week drie. Je krijgt al deze content netjes gebundeld rechtstreeks in je inbox.

Tot de volgende keer: mensen veranderen het werk al elke dag ten goede. Vergeet dat niet.