Wat AI wel — en niet — zal vervangen in people analytics
AI zal niet 90% vervangen van wat een sterk team voor personeelsanalyse levert. Maar wat valt er precies onder die 90%—en hoe lang zal dat buiten bereik blijven? Roxanne Laczo (hoofd Personeelsanalyse bij Cloudflare), Cole Napper (vicepresident Onderzoek, Innovatie & Talentinzichten bij Lightcast) en Noelle London (oprichter en CEO van Illoominus) schuiven bij David aan voor een nuchter rondetafelgesprek over wat AI vandaag de dag wel en niet kan doen in HR.
Dit is geen ademloze rondleiding langs glanzende tools. Het is een openhartige blik op de werkelijke dynamiek die de functie van personeelsanalyse opnieuw vormgeeft: het transactionele werk dat wordt geautomatiseerd, het strategische werk dat nog altijd menselijke context vereist, en de kloof in bedrijfskundig inzicht die binnenkort kan bepalen wie relevant blijft—en wie niet.
Wat je zult leren
- Waarom 90 % van wat een sterk team voor personeelsanalyse levert niet zal worden vervangen — omdat het is gebaseerd op bedrijfscontext, relaties met belanghebbenden en storytelling.
- Hoe AI waarschijnlijk vooral de transactionele onderdelen van personeelsanalyse zal verstoren, en wat dat betekent voor teams die nooit verder zijn gekomen dan rapportages.
- Waarom het integreren van personeelsanalyse in de organisatie (niet alleen in HR) en het ontwikkelen van sterk bedrijfskundig inzicht steeds minder optioneel wordt.
- Het risico van een tweedelig systeem: organisaties die AI als wondermiddel beschouwen tegenover organisaties die het doordacht inzetten, met behoud van de menselijke laag.
- Welke vaardigheden je de komende 12–18 maanden prioriteit moet geven — en waarin je niet langer moet investeren omdat automatisering eraan komt.
Belangrijkste inzichten
- Ontwikkel nu je bedrijfskundige kennis: Als je de taal van je organisatie niet spreekt—verdienmodellen, kostendrijvers, concurrentiecontext—loop je het risico te worden gemarginaliseerd wanneer AI-dashboards beschikbaar komen. Beschouw bedrijfskundig inzicht als je bewijs dat je “aan tafel hoort”.
- Verschuif van rapporteren naar adviseren: De routinematige onderdelen van gegevens opschonen, dashboards bouwen en standaardmetrieken? Ze staan onder druk. Besteed in plaats daarvan je tijd aan het stellen van de juiste vragen, het interpreteren van resultaten en het beïnvloeden van acties. Wees de adviseur, niet degene die simpelweg vakjes afvinkt.
- Gebruik AI als copiloot, niet als vervanger: Moedig je team aan om tools te gebruiken die alledaagse taken versnellen—maar maak jezelf niet wijs dat AI alleen strategisch inzicht zal opleveren. De menselijke context blijft belangrijk. De vergelijking: een krachtige boormachine van topkwaliteit gebruiken is nuttig—maar die bepaalt niet de indeling van het gebouw.
- Standaardiseer eerst de basis voordat je op flitsende tools jaagt: Veel organisaties springen meteen op “laten we AI implementeren!” zonder dat ze beschikken over data, integratie of verandervermogen. Investeer eerst in schone gegevens, gekoppelde systemen, gedefinieerde metrieken en het vermogen van je mensen om die te interpreteren. Zie het als het bouwen van een huis: je hebt een vlakke fundering nodig voordat je de gevel verfraait.
- Stop met investeren in taken met weinig waarde: Handmatig repetitief werk—zoals ad-hocrapportages, eindeloos opschonen en statische dashboards—is rijp voor automatisering. Zoals een van de gasten zei: “Als je nog steeds uren besteedt aan coderen en het bouwen van dezelfde dashboards, sta je aan de verkeerde kant van de verandering.”
- Bescherm je tegen een wereld met twee snelheden: Erken het risico dat sommige organisaties zich strategische personeelsanalyse kunnen veroorloven, terwijl andere genoegen nemen met “goed genoeg”-dashboards en AI-uitbreidingen. Als je tot die laatste groep behoort, is de uitdaging: accepteer geen “goed genoeg”—leg de lat hoger.
Hoofdstukken
- 00:00 – Wat AI niet kan vervangen in personeelsanalytics
- 00:04 – Strategisch versus transactioneel werk
- 00:06 – AI als copiloot, niet als vervanging
- 00:08 – Bouwen we aan een systeem met twee niveaus?
- 00:11 – Bereidheid van HR, ondersteuning en lacunes in capaciteiten
- 00:14 – Zakelijk inzicht als de echte doorbraak
- 00:17 – De AI-verwachtingen van de C-suite overbruggen
- 00:21 – Micro- versus macro-AI in HR
- 00:24 – Zou personeelsanalytics de transformatie van HR kunnen leiden?
- 00:26 – Belangrijke vaardigheden om de komende 18 maanden te ontwikkelen (en los te laten)
- 00:31 – Slotgedachten en belangrijkste inzichten
Maak kennis met onze gast
Roxanne Laczo, PhD, is hoofd van personeelsanalytics bij Cloudflare, Inc. en brengt meer dan twintig jaar expertise mee op het gebied van talentstrategie, datagedreven besluitvorming en leiderschap op het gebied van analytics binnen wereldwijd opererende organisaties met een sterke groei. Met een academische achtergrond in de industriële en organisatiepsychologie en een geschiedenis in het opbouwen van expertisecentra voor personeelsanalytics en het nauw samenwerken met de directie, staat zij bekend om het ontwikkelen van inzichtelijke, op onderzoek gebaseerde benaderingen die personeelsgegevens en bedrijfsresultaten met elkaar verbinden.
Cole Napper is vicepresident Onderzoek, Innovatie en Inzichten in Talent bij Lightcast. Daar zet hij geavanceerde arbeidsmarktgegevens, door AI aangestuurde taxonomieën van vaardigheden en personeelsinzichten in om organisaties te helpen personeelsanalytics om te vormen tot strategische bedrijfsresultaten. Met een brede achtergrond bij wereldwijd opererende ondernemingen en snelgroeiende start-ups en een focus op het verbinden van HR-gegevens met concrete winstimpact, is Cole ook de auteur van People Analytics: Datagedreven HR en generatieve AI inzetten als bedrijfsmiddel.
Noelle London is de oprichter en CEO van Illoominus, een platform voor personeelsinzichten dat zich richt op het helpen van organisaties bij het integreren van gefragmenteerde HR-gegevens, het volgen van gelijkheid en vooruitgang gedurende de gehele werknemerslevenscyclus en het creëren van echt mensgerichte werkplekken. Voortbouwend op een sterke achtergrond in economie, innovatie binnen grote ondernemingen (zoals haar leiderschap bij Accenture Ventures) en haar ondernemerservaring (waaronder een periode bij het Peace Corps en vroege ervaring bij start-ups), richtte zij Illoominus op om HR-leiders helderheid en strategisch inzicht te bieden.
Gerelateerde links:
- Word lid van de People Managing People-community
- Abonneer je op onze AI Signal-nieuwsbrief
- Maak op LinkedIn contact met Noelle, Cole en Roxanne
- Bekijk Illoominus, Lightcast en Cloudflare, Inc.
Gerelateerde artikelen en podcasts:
David Rice: AI zal 90% van wat een sterk people-analytics-team levert niet vervangen. Wat zit er in die 90% dat uniek menselijk is?
Roxanne Laczo: Wat daarin zit, is wat er in ons hoofd en in onze hersenen zit. Er is invloed op belanghebbenden door middel van storytelling. Ik denk dat die 90% op een bepaald moment misschien kan veranderen, maar AI zal dit nooit volledig en compleet kunnen vervangen.
David Rice: Lopen we het risico een soort systeem met twee niveaus te creëren waarin AI de goed-genoegoplossing wordt voor de meeste organisaties?
Noelle London: Traditioneel gezien is people analytics een hulpmiddel dat grote ondernemingen ter beschikking hebben. Het is geen hulpmiddel waar mensen noodzakelijkerwijs budget voor hebben. Wat we zien, is dat organisaties eerder dan zelfs twee of tweeënhalf jaar geleden mensen aannemen voor dit soort capaciteiten. Dat maakt het heel spannend.
David Rice: Is people analytics gepositioneerd om het machtscentrum van HR en daarmee van de AI-transformatie te worden?
Cole Napper: Ik ga nee zeggen. En de reden daarvoor is geen gebrek aan vaardigheden. Het is een kwestie van wil.
David Rice: Als we 12 tot 18 maanden vooruitkijken, welke specifieke vaardigheden zouden zij dan moeten ontwikkelen om relevant te blijven? En omgekeerd: in welke vaardigheden zouden ze geen tijd meer moeten investeren omdat je denkt dat AI die uiteindelijk zal overnemen?
Welkom bij The People Managing People Podcast — de show waarin we leiders helpen om werk menselijk te houden in het tijdperk van AI. Ik ben David Rice, jullie presentator. In de aflevering van vandaag ben ik verheugd om te worden vergezeld door drie briljante mensen die werken op het gebied van people analytics, voor een soort rondetafelgesprek.
Om te beginnen hebben we Roxanne Laczo. Zij is hoofd People Analytics bij Cloudflare. Welkom, Roxanne!
Roxanne Laczo: Hallo, fijn om hier te zijn!
David Rice: We hebben ook Cole Napper, die jullie misschien nog kennen van zijn eerdere optreden in de podcast. Hij is vicepresident Onderzoek, Innovatie & Talentinzichten bij Lightcast. Welkom, Cole!
Cole Napper: Bedankt dat je me hebt uitgenodigd, David.
David Rice: En tot slot hebben we Noelle London. Zij is de oprichter en CEO van Illoominus. Welkom, Noelle!
Noelle London: Bedankt dat je me hebt uitgenodigd. Ik ben blij hier te zijn.
David Rice: Geweldig. Goed, vandaag gaan we het hebben over de huidige staat van people analytics, waar we denken dat het in de toekomst naartoe gaat en hoe we de functie opnieuw definiëren — wat dit betekent voor HR.
Ik wil hiermee beginnen. Toen we hier vooraf over spraken, bespraken we dat AI 90% van wat een sterk people-analytics-team levert niet zal vervangen, en Roxanne kwam met deze nogal prikkelende visie. Dus daar wil ik beginnen. Roxanne, wat zit er in die 90% dat uniek menselijk is? En denk je dat dat percentage standhoudt naarmate de mogelijkheden van AI zich verder ontwikkelen?
Roxanne Laczo: Ja, absoluut. Ik denk dat wat daarin zit, is wat er in ons hoofd en in onze hersenen zit. Er is strategische context van de organisatie en het bedrijf die AI niet noodzakelijk kan oppikken. Er is institutionele kennis en zijn relaties die je binnen een organisatie hebt. Je weet waar je toegang krijgt tot informatie en datapunten die je anders niet per se krijgt.
Een AI-tool kan die niet noodzakelijk verzamelen. Er is invloed op belanghebbenden door storytelling, iets wat heel moeilijk opnieuw te creëren is met welke AI-tool dan ook, tenzij je die echt sterke context hebt waar ik hierboven naar verwees. Dus ik denk dat het laatste punt ook is dat je, gezien de relaties die je hebt, wat je weet over de organisatie en wat je weet over de bedrijfsproblemen, de juiste vragen kunt stellen.
Ik denk dat die 90% op een bepaald moment misschien kan veranderen, maar op korte termijn zal vooral de waarde veranderen die we als individuen bieden met onze relatieopbouw en onze context. AI zal dat nooit volledig kunnen vervangen op het niveau waarop ik denk dat iedereen in dit gesprek wil dat het functioneert.
David Rice: Interessant. Cole, ik ben benieuwd naar jouw mening hierover, omdat jij heel diep in de materie van vaardigheden zit. Je ziet veel van wat er gebeurt rond transformatie en automatisering. Wat denk je dat voor de people-analyticsfunctie behouden blijft?
Cole Napper: Terugkomend op je eerdere vraag: je zei dat 90% van een sterk people-analytics-team niet zal verdwijnen.
Ik denk dat als je geen sterk team bent, 90% ervan misschien wel verdwijnt. Ik deel dit een beetje op in twee categorieën: doe je transactioneel werk of doe je strategisch of transformationeel werk? Negentig procent van het strategische transformationele werk zal niet verdwijnen. Alles wat Roxanne zei, klopt. Ik denk dat 90% van het transactionele werk zal verdwijnen.
We hebben onlangs onderzoek gedaan bij Lightcast dat ik eerder met jullie heb gedeeld. Daarin werden alle HR-technologieën of alle HR-vaardigheden uitgezet op basis van hoe waardevol ze waren, hoeveel ze waren gegroeid, maar ook in welke mate AI ze zou verstoren. People analytics was tegelijkertijd de meest waardevolle vaardigheid in HR, maar ook een van de vaardigheden die het meest waarschijnlijk door AI zou worden verstoord.
En ik vond dat een fascinerende paradox van wat er gebeurt: veel van de transactionele onderdelen van people analytics zullen volgens mij de komende jaren verdwijnen.
David Rice: Noelle, vanuit jouw perspectief — want jij denkt voortdurend na over hoe mensen hun technologiestapel samenstellen, toch?
En hoe AI daarin past. Waar zie je dat het mensen een beetje uit het proces duwt — ik wil niet zeggen dat het mensen uit het proces duwt — maar waar heeft het een grote invloed op de manier waarop mensen omgaan met de technologie die ze nu hebben?
Noelle London: Ja. Ik wil vooraf zeggen — en ik denk dat we hier later in het gesprek nog wat uitgebreider over zullen praten — dat people analytics heel verschillende dingen betekent bij bedrijven van verschillende omvang en met verschillende volwassenheidsniveaus.
Als we people analytics zeggen, gaat het dus niet precies om hetzelfde en ook niet om exact dezelfde behoefte bij verschillende organisaties. Als we nadenken over people analytics en over organisaties die waarschijnlijk geen Roxanne hebben: Roxanne is een ongelooflijk waardevolle bron voor haar organisatie, en ik denk dat 90% misschien wat hoog is als je zegt dat je 90% niet kunt vervangen.
Ik denk ook niet noodzakelijk in termen van vervangen. Ik denk dat het woord vervangen meer gaat over een copiloot die je kan helpen met veel van die zaken. Dat is eerlijk gezegd werk waar mensen uitgeput van raken. Een deel van dat werk — wanneer we praten met organisaties die mogelijk wat eerder in hun ontwikkeling staan of kleiner zijn qua personeelsbestand — bestaat bijvoorbeeld uit het onderhouden van integraties en het controleren van de datakwaliteit en het opschonen van gegevens. Dat zijn zaken die hen in deze reactieve positie houden.
Ze maken regelmatig rapportages, maar die kijken misschien vooral terug. Dat werk kan zeer tijdrovend zijn als je geen volledig uitgebouwd team hebt om het te doen. Dat zijn dus kansen om dat werk van je takenlijst te halen en een copiloot te hebben die je helpt, zodat je meer tijd kunt besteden aan de context in je hoofd, zoals Roxanne zei.
Ik denk inderdaad dat sommige zaken nog steeds moeilijk te beheren zijn. AI verandert voor ons op dit moment uiteraard elke week, maar sommige dingen zijn nog steeds echt lastig — daar ga ik niet over liegen. Cole en ik hadden hier eerder deze week nog een gesprek over. Denk bijvoorbeeld aan uitzonderingsgevallen.
Er komen zoveel uitzonderingsgevallen aan. Denk aan iets als overplaatsingen binnen interne mobiliteit. We zien dat organisaties daar binnen hun systemen verschillend mee omgaan. Dat zijn dus precies de zaken waarvoor we aandacht moeten blijven hebben.
En ik denk dat die context en dat organisatorische inzicht — hoe nemen we alles wat AI ons als copiloot binnen people analytics helpt te doen — ervoor zorgen dat we meer tijd kunnen besteden aan de vraag wat we ermee moeten doen en minder tijd aan het werk dat ons uitput.
David Rice: Dat is interessant, want veel bedrijven hebben geen Roxanne.
Ik ben benieuwd: lopen we het risico een soort systeem met twee niveaus te creëren waarin AI de goed-genoegoplossing wordt voor de meeste organisaties? Krijgen alleen goed gefinancierde bedrijven dat echte strategische inzicht, omdat zij die context hebben?
Noelle London: Ja, hierover word ik enthousiast, omdat we traditioneel hebben gezien dat people analytics een hulpmiddel is dat grote ondernemingen hebben.
Het is geen hulpmiddel waarvoor organisaties met bijvoorbeeld 12.000 of minder medewerkers noodzakelijkerwijs budget hebben. Roxanne, ik weet dat jij misschien een uitzondering bent met waar je nu werkt, maar wat we zien is dat organisaties eerder dan zelfs twee of tweeënhalf jaar geleden mensen aannemen voor dit soort capaciteiten en functies.
Meer organisaties vragen: mijn organisatie verandert, ik moet kunnen nadenken over de toekomst van mijn personeelsbestand en ik heb die gegevens nodig om dat soort beslissingen te nemen. We zien het dus eerder binnen organisaties ontstaan, en voor mij maakt dat het echt spannend. Ja, er zijn grotere organisaties met dertig mensen in een people-analyticsteam.
People analytics betekent daar iets heel anders dan bij een kleinere, wendbaardere HR-organisatie. Voor mij creëert dit niet noodzakelijk een systeem met twee niveaus. Ik denk juist dat het spannende eraan en de kans die we kunnen benutten, is dat we die gegevens kunnen samenbrengen om inzichten tussen bedrijven te delen.
Dat is de grote kans: benchmarking en leren van collega’s over wat binnen hun organisaties werkt. We hebben niet noodzakelijk draaiboeken voor sommige van de grote veranderingen die momenteel in HR plaatsvinden. Ik denk dat het netwerkeffect van leren over organisaties heen een grote kans is voor middelgrote organisaties.
Voor mij is dat een kans om organisaties die snel op niveau komen met people analytics bijna een sprong vooruit te laten maken en ze naar het volgende niveau te brengen.
Roxanne Laczo: Terugkomend op wat Noelle eerder zei over hoe we people analytics hier definiëren: we zouden een hele andere podcast kunnen maken over wat people analytics betekent.
Ik heb daar een zeer uitgesproken mening over, maar ik garandeer je dat de meeste bedrijven die zeggen dat ze het doen, het niet doen op de manier waarop ik het zou definiëren. Tegelijkertijd zou ik ook zeggen dat veel bedrijven die geen people-analyticsteam hebben, wel mensen hebben die doen wat ik als people analytics zou definiëren. Heb je talent? Heb je beoordeling?
En je kunt geen van die dingen doen zonder analytics. Ik denk dus dat het gaat om organisatorische paraatheid, contextafhankelijkheid, de omvang van de organisatie en de zakelijkheidszin van het bedrijf. Zeggen dat er een risico is met twee niveaus is misschien niet helemaal juist. Het risico gaat niet over het kunnen uitvoeren van zaken en het leveren van inzichten.
Het gaat om het vermogen van je businesspartners om AI te gebruiken voor besluitvorming. Dat hoeft niet door people analytics te worden aangestuurd. Nul procent daarvan hoeft door people analytics te worden aangestuurd. Heb je binnen je volledige people- of HR-team de capaciteit en investering om mensen in staat te stellen en op te leiden in het gebruik van verschillende soorten tools en systemen waarin AI zit ingebouwd, zodat ze al deze inzichten en beslissingen kunnen verzamelen? En maken we people analytics daarmee werkloos?
Niet noodzakelijk. Het gaat er echt om dat dit een capaciteitsprobleem is, geen investeringsprobleem, naar mijn mening.
Cole Napper: Terugkomend op de vraag over de twee niveaus: ik denk eigenlijk dat de geschiedenis van people analytics meer uit twee niveaus bestaat dan de toekomst. Niet zo lang geleden waren er bedrijven met teams van honderd, tweehonderd of driehonderd mensen in people analytics.
En grotendeels worden die ontmanteld. Ik zie geen toekomst waarin je een people-analyticsteam van meer dan vijftig mensen nodig hebt, en ik denk dat dat juist de meest egalitaire versie van de toekomst van people analytics is. Wat AI doet, is de toetredingsdrempels verlagen. De stap van nul mensen of nul technologie die hierop gericht is naar één persoon of één technologie is veel eenvoudiger dan misschien vijf jaar geleden, of zelfs een jaar geleden.
En ik denk dat dit beter is voor de toekomst van HR en voor de toekomst van people analytics.
David Rice: Ja, het is interessant. Als ik naar trends rond veel andere functies binnen organisaties kijk, zie ik dat leiders bij veel andere functies geneigd zijn te kiezen voor goed genoeg.
Denk bijvoorbeeld aan marketing. Er is een soort onverschrokkenheid om te zeggen: dit is goed genoeg. Ik weet niet of dat bij iets als dit ook zo zal gaan, omdat veel mensen binnen de organisatie het om te beginnen niet goed begrijpen.
Als je het vervolgens toepast, zelfs met AI, weet ik niet hoe gemakkelijk het is om te begrijpen of te vertrouwen wat je terugkrijgt. Heb ik het mis? Heb je nog steeds iemand nodig tussen jou en de AI, als je een leider bent?
Cole Napper: Dit is een onderwerp waarover ik zeer uitgesproken meningen heb. Ik vind het een schande dat HR al zo lang leiders heeft die niet datavaardig zijn of niet begrijpen hoe ze gegevens moeten gebruiken om beslissingen te nemen. Ik denk dat AI dit probleem daadwerkelijk zal afdwingen.
Het is dus niet langer alleen maar acceptabel of onacceptabel; ik zou zeggen dat het existentieel wordt voor HR-functies zelf. Je hebt al het voorbeeld van Moderna gezien, waar HR werd samengevoegd. De onderliggende boodschap daarvan was volgens mij: AI neemt HR over omdat het gegevens kan gebruiken om beslissingen te nemen en HR dat niet kan.
Ik hoop dat dit geen trend is die doorzet, en dat zal ook niet gebeuren als HR de handschoen oppakt en leiders kan worden zoals het denkt te kunnen zijn. Het is volgens mij niet langer acceptabel om een HR-leider te zijn die niet datavaardig is. Dat is een van de redenen waarom het juist spannend is om op dit moment people-analyticsleider te zijn: ik denk dat dit een van de functies binnen HR is die je voorbereidt op de rol van Chief People Officer, de CHRO van de toekomst.
Roxanne Laczo: Ik wil daarop voortbouwen en zeggen dat we HR-teams hier een paar minuten onder de loep gaan nemen. Het probleem is niet: hoe zetten we iets om in AI? Het probleem is: begrijp je het bedrijf? Ben je daadwerkelijk ook een bedrijfsleider in plaats van alleen wat we in het hokje van de traditionele HR-leider zouden plaatsen?
Dit is het probleem van de strategische HR-businesspartner waar ik nu letterlijk al twintig jaar naar luister. Als je de taal van het bedrijf niet kunt spreken, is dat probleem nummer één. Dat is volgens mij ook waar Cole op een andere manier op doelt. We moeten dus stoppen met AI te zien als het hoe.
We kunnen niets met AI doen voordat we echt weten welk probleem we proberen op te lossen. Anders gooien we gewoon rommel naar rommel. En wat is de uitkomst? Meer rommel. Het is dus een situatie waarin niemand wint.
Noelle London: Ik wil HR misschien een beetje verdedigen, omdat ik in mijn dagelijkse werk met HR-leiders werk die volgens mij echt over de gegevens willen beschikken. Ik geef ze dus het voordeel van de twijfel.
Wat ik meestal zie, is dat dit HR-leiders zijn van wie het onderdeel van de organisatie chronisch te weinig investering heeft gekregen. Elk bedrijf heeft een klantdataplatform. Als je in 2025 geen klantdataplatform hebt, waarop baseer je je dan?
Dat soort investeringen ging altijd naar sales en marketing, omdat we nadachten over omzet. Sales en marketing konden krijgen wat ze wilden, maar bij HR ging men door het budget heen en begon men te snijden, waardoor je geen werknemersdataplatform kreeg. Tot nu toe hadden we daar ook niet echt een vergelijkbare oplossing voor.
Ik denk dat HR op het gebied van systemen en de gegevensbasis veel moet inhalen om volledig te kunnen profiteren van AI. Het is op dit moment spannend, want elke HR-technologietool heeft iets met AI. Vorig jaar hadden we bijvoorbeeld klanten die drie mensen drie weken lang inzetten om hun medewerkersonderzoek te analyseren. Voor een paar honderd mensen gaven ze ongeveer 30k uit aan een medewerkerstevredenheidstool.
Dat hoeft nu niet meer. In het verleden dachten we bij mijn essentiële HR-technologiestapel: als ik de CFO ben en dit gesprek met HR voer, krijg je een HRIS-systeem, een systeem voor talentwerving, een systeem voor betrokkenheid en — als je geluk hebt — een prestatiesysteem. Nu kunnen we zeggen, en daar ben ik optimistisch over, dat people analytics — hoe verbinden we die verschillende systemen daadwerkelijk — een essentiële onderdelen van de technologiestapel moet worden.
Nu we AI op sommige onderdelen van het andere werk kunnen toepassen, ontstaat er ruimte om strategisch na te denken over hoe we de puzzel samenleggen.
David Rice: Dit is interessant. Ik wil een beetje van onderwerp veranderen, want volgens mij zit er een kloof tussen wat besturen van AI en HR verwachten en wat momenteel daadwerkelijk mogelijk is. Hoe overbrug je volgens jullie die kloof tussen de druk van bestuurders om AI toe te passen en de realiteit? Er zijn allerlei CEO’s die zeggen: wij zijn een door AI gedreven organisatie.
Ze willen dat ook bij HR, maar de HR-systemen en teams beschikken momenteel misschien niet over alle onderdelen om dat te leveren.
Noelle London: Het gaat grotendeels om wat ik net zei. Je kunt praten over toepassingen binnen je bestaande HR-technologiestapel waarmee je al voordeel begint te halen uit sommige van die tools.
Als je nu wordt gevraagd hoe je AI in HR opneemt, is dit het moment om de businesscase voor people analytics te maken. Dit is het moment om te zeggen: we kunnen de kleine toepassingen doen, maar als je wilt dat we strategisch voor het bedrijf zijn, moeten we groter denken.
Als we dit jaar allemaal op winstgevendheid gericht zijn en mijn grootste kostenpost als organisatie mijn mensen zijn, dan willen we echt begrijpen wat er binnen de organisatie wel en niet werkt. We kunnen de kleine toepassingen doen, maar als je AI in HR wilt en druk op ons uitoefent, is dit het moment om die businesscase te maken.
Roxanne Laczo: Er moet ook veel ondersteuning plaatsvinden. Je kunt niet gewoon zeggen: gebruik AI. AI kost meestal geld en het kost tijd om ermee te leren werken. In verschillende organisaties en gesprekken die ik voer, zie ik een grote verwachting, maar veel mensen die hier niet aan gewend zijn weten niet eens waar ze moeten beginnen.
Je kunt dus niet tegen een groep recruitmentcoördinatoren zeggen dat ze AI moeten gaan gebruiken als ze er misschien nog nooit mee in aanraking zijn gekomen. Er ontbreekt echt een ondersteunend onderdeel. Organisaties moeten allereerst investeren in het in staat stellen van mensen. Je moet ook investeren in tools.
Je kunt niet tegen HR zeggen: we verlagen jullie budget, maar ga wel een hele reeks AI-tools aanschaffen om al dit werk te doen. Het komt dus opnieuw neer op het gesprek over hoe we willen dat HR strategischere, bedrijfsgerichte partners worden. Welke zaken stellen ons daartoe in staat? Investeren in AI, technologie, people analytics en bijscholing.
Cole Napper: Ik wil nog iets toevoegen aan wat Noelle en Roxanne zeiden. Vanuit het perspectief van het bestuur — en dit verschilt per bedrijf — zie je in de economie een algemene trend: besturen zeggen tegen CEO’s dat ze ten eerste in AI moeten investeren, wat geld kost, en ten tweede de operationele kosten gelijk moeten houden.
Wat er dan gebeurt, is dat je als derde stap het personeelsbestand verlaagt, omdat de rekensom moet kloppen: je voegt AI toe en dat zou de productiviteit moeten verhogen. Je zou als organisatie dus nog steeds productiviteitsgroei moeten zien. Maar omdat we allemaal statistieken hebben gezien dat momenteel 95% van de AI-proefprojecten mislukt, knijp je in werkelijkheid je huidige werknemers nog verder uit om die productiviteitswinst te behalen.
Mensen werken langer, je ziet meer gebrek aan betrokkenheid en meer van de capaciteitskloven waar Roxanne op wees. Dat leidt tot een vreemde druk die we als samenleving ervaren: de productiviteitscijfers stijgen wel, maar niet dankzij AI. Er wordt op dit moment gewoon meer sap uit de citroen geperst.
David Rice: Daar ben ik het mee eens. Ik heb onlangs verschillende sessies bijgewoond en ik denk dat alle leiderschapsteams nog moeten worden voorgelicht over het verschil tussen AI, machine learning en automatisering. Ze kunnen vergelijkbaar zijn, maar zijn niet altijd precies hetzelfde.
Voorafgaand aan dit gesprek maakte je onderscheid tussen micro-AI-oplossingen — bijvoorbeeld GPT gebruiken voor een dagelijkse taak — en een macro-oplossing waarbij leveranciers AI in werkstromen integreren. Waar zouden HR-leiders die hiernaar luisteren hun inzet op moeten richten en het meeste moeten leren?
Cole Napper: Ik heb hier enkele gedachten over. Vanuit het perspectief van het bestuur of de directie zegt men dat men productiviteitswinst en een fundamentele transformatie van HR wil zien. Dat is de macro-AI-adoptie.
We willen dus dat volledige werkstromen en processen AI-eigen of AI-geïntegreerd zijn, zodat je een fundamentele verandering ziet in de manier waarop werk wordt gedaan. HR zegt tegen HR-medewerkers: probeer ChatGPT, Gemini of iets dergelijks en kijk of je een betere functieomschrijving kunt schrijven. Of sommige HR-technologieën hebben een AI-chatbot. Probeer die chatbot eens te testen.
Tussen die twee zaken zit een fundamentele kloof. De verwachting en de realiteit lopen te ver uiteen als je door een micro- of macrolens kijkt. Ik denk echter dat dit versie één van AI-adoptie in HR is. Versie twee zal er heel anders uitzien.
Momenteel gaat naar schatting 95% van de uitgaven voor AI-adoptie bij versie één naar een nieuwe AI-laag: AI boven op onze bestaande infrastructuur, misschien aangevuld met kleine verbeteringen rond capaciteit, vaardigheden of gegevens. Volgens mij ziet iedereen inmiddels dat dit niet op de gehoopte schaal werkt.
Versie twee zal er dus heel anders uitzien. Als je honderd extra euro had om aan AI te besteden, zou ik 95% uitgeven aan betere gegevens en betere infrastructuur, en 5% aan een betere AI-laag. Ik denk dat de ontwikkeling die kant opgaat. Daarom vind ik het zo interessant om bij een bedrijf als Lightcast te werken: wij beschikken over dit soort gegevens. We zitten in een transformationele fase en hebben het nog niet helemaal uitgedacht.
Noelle London: Dat vind ik goed, Cole. Voor mij gaat het nu om de reis en de volwassenheid waarmee we meer AI in HR krijgen om een deel van het werk dat mensen uitput weg te nemen. Op dit moment gaat het volgens mij om snelle resultaten met enkele AI-tools en de AI-onderdelen die al in je systemen zitten.
Behaal die snelle resultaten, maar dat is geen adoptie en daar stopt het niet. Behaal enkele snelle resultaten, maar investeer ondertussen precies in wat jij beschrijft: zorg dat je gegevensbasis op orde is, schoon en betrouwbaar is en leg verbindingen. Daar ontstaat de echte doorbraak: wanneer we de volledige werknemersreis in kaart kunnen brengen en die systemen samenbrengen om ons te helpen met zaken als interne mobiliteit en personeelsplanning, die met de huidige situatie moeilijk kunnen aanvoelen.
Roxanne Laczo: Ik wil eraan toevoegen dat ik begrijp waarom mensen worden aangemoedigd ChatGPT of Gemini te gebruiken om taken sneller te maken.
Maar ik wil dat mensen niet denken dat ze daarmee iets uitzonderlijks met AI doen. Naar mijn mening is dat geen sterke toepassing van AI. Je leert dan vooral hoe je met een beschikbaar hulpmiddel iets productiever kunt zijn. Een collega-vriendin en ik hebben veel gesproken over AI-rommel.
We gaan AI-rommel niet meetellen als activiteiten die waarde toevoegen. Het is goed dat je dat doet, maar de activiteiten die waarde toevoegen zijn de grotere zaken die we eenvoudiger kunnen meten en waarvan we weten dat ze op schaal echt verschil maken. Ik zeg niet dat je ermee moet stoppen, want die dingen zijn belangrijk. Maar dit zou gewoon onderdeel moeten zijn van je normale werk.
Dat betekent niet dat je AI hebt gebruikt om een enorm probleem op te lossen. Het is productiviteitswinst waar iedereen op een bepaalde manier over zou moeten nadenken.
David Rice: Ja. In veel opzichten is het tijdwinst. Je kunt iets sneller doen, waardoor je wat tijd overhoudt om dat andere te proberen.
Elke functie maakt hier nu deel van uit, ongeacht in welke sector je werkt. Een term die momenteel overal opduikt, is ‘basisvereiste’. Twee jaar geleden hoorde je die nauwelijks. Nu lijkt hij in elk LinkedIn-bericht te staan.
Ik wil even terug naar iets wat we bespraken. Cole, jij noemde dat een people-analyticsleider goed gepositioneerd is om de CHRO van de toekomst te worden. We suggereren daarmee dat een proactieve people-analyticsleider de leiding kan nemen over de AI-transformatie.
Ik heb onlangs geschreven over het aannemen van je eerste Chief AI Officer. Daarbij stelde ik dat je voor die functie misschien naar HR-mensen moet kijken in plaats van naar iemand met een technische achtergrond, omdat mensen vaak de grootste bottleneck zijn bij dit soort transformaties.
Is people analytics volgens jullie gepositioneerd om het machtscentrum van HR en daarmee van AI-transformatie te worden?
Cole Napper: Ik ga de andere kant van mijn eigen argument innemen en nee zeggen. De reden is geen gebrek aan vaardigheden, maar een gebrek aan wil. Bijna elke people-analyticsleider met wie ik praat, wil dit niet en is er niet in geïnteresseerd. Bovendien denk ik dat sommige onderdelen van de functie van Chief People Officer niet goed aansluiten bij people analytics.
Denk aan werknemersrelaties en het omgaan met organisatiepolitiek. Om een goede Chief People Officer te zijn, moet je op directieniveau aan een soort organisatorische therapie doen. Het is in veel opzichten geen leuke baan. Ik heb bij een eerdere organisatie te dicht bij de zon gevlogen, dus ik heb daar enige ervaring mee.
De functie van Chief People Officer zou moeten veranderen voordat dat mogelijk wordt. Dat is niet onmogelijk. Ik denk al een paar jaar na over een toekomstig operationeel model voor HR, maar ik heb eerlijk gezegd ook niet de wil gehad om het te publiceren.
Ik verwacht er veel vriendelijke kritiek op. Ik denk dat er een toekomst is waarin het mogelijk is, maar ik denk niet dat dit de huidige situatie is.
Roxanne Laczo: Er zijn zoveel routes om Chief People Officer te worden. Dus het antwoord is ja, maar er zijn ook vijftig andere manieren om daar te komen. Kan het zijn dat je door een AI-krachtpatser te worden die positie bereikt?
Ja. Maar ik kom terug op wat ik eerder zei: begrijp je het bedrijf? Als je people-analyticsleider bent zonder verbinding met het bedrijf en zonder begrip van het bedrijf, zou je geen Chief People Officer moeten worden. Dat is iets wat je ook bij goede organisaties ziet.
Veel bedrijven halen mensen van buiten HR binnen, zoals hoofden van engineering met verschillende achtergronden, die vervolgens geweldige dingen doen met people-teams. Dat is dus één mogelijke route. Maar ik ben het met Cole eens: ik ken mensen in soortgelijke functies die daarnaar streven, maar in de meeste gevallen zie ik niet dat mensen zeggen: mijn volgende baan wordt CHRO.
Noelle London: Ik wil het iets anders benaderen. De laatste tijd denk ik veel na over people analytics als de ideale AI- en HR-directeur, om het zo maar te noemen. Dat hoeft niet noodzakelijk iemand te zijn die uit people analytics komt.
Die persoon begrijpt de gegevens én is sterk in het interpreteren ervan. Iemand in die rol kan binnen de HR-afdeling uitleggen hoe onze strategie samenhangt en hoe we de resultaten van AI interpreteren. Ik denk dat zo iemand goed gepositioneerd is om de HR-organisatie te helpen met onze strategie en met de vraag hoe de onderdelen bij elkaar passen.
Een ander punt — zonder een bepaalde kant te bepleiten — is dat HR-teams al heel lang in silo’s werken. Binnen een HR-team heb je een recruiter die quota’s moet halen en de tijd tot aanwerving moet verkorten. Je hebt iemand in werknemersrelaties met een heel andere invalshoek en iemand in werknemerservaring met weer een andere invalshoek. Het kan voelen alsof iedereen een andere kant op rent.
Een people-analyticspersoon die de gegevens kan samenbrengen, kan laten zien: dit is de werknemersreis; we zijn allemaal verantwoordelijk voor KPI’s binnen die werknemersreis; zo werkt de functie samen. Dat is mogelijk een interessante kracht die deze persoon aan de rol kan toevoegen.
Daarnaast kent iemand binnen people analytics de cijfers door en door. Je kunt die cijfers bekijken, datagedreven beslissingen nemen en businesscases opbouwen voor de strategische waarde van bepaalde beslissingen en investeringen.
Ik zeg dus niet dat iemand die de wil niet heeft, toch die rol zou moeten vervullen. Maar deze persoon kan wel grote waarde toevoegen aan enkele historische struikelblokken van de afdeling.
David Rice: Je zei daar ‘silo’s’ en ik dacht even dat ik mijn piepknop mocht gebruiken.
Noelle London: Silo’s.
David Rice: We lopen tegen het einde van de tijd aan, maar ik wil afsluiten met dit punt. Uit dit gesprek blijkt voor mij dat veel bedrijven opnieuw zouden moeten nadenken over HR en people analytics, en over wat die functies vandaag daadwerkelijk zijn en doen binnen het bedrijf.
Als ze dat doen en we 12 tot 18 maanden vooruitkijken: welke specifieke vaardigheden moeten mensen in people analytics ontwikkelen om over 18 maanden relevant te blijven?
En omgekeerd: in welke vaardigheden zouden ze geen tijd meer moeten investeren omdat je denkt dat AI die uiteindelijk zal overnemen?
Roxanne Laczo: Ik klim weer op mijn zeepkist — volgens mij de derde keer — om te zeggen: zakelijk inzicht. Als je de taal van het bedrijf niet kunt spreken, is dat een probleem. Het is iets waar ik zelf ook nog steeds aan werk.
Het is niet gemakkelijk, maar je moet leren hoe je samenwerkt en partnerschappen aangaat met leiders, zodat je meer betrokken raakt bij wat er in het bedrijf gebeurt. Zonder dat is het erg moeilijk om je werk te doen. Daarnaast is algemene geletterdheid rond AI-ethiek belangrijk.
Ook governance, regels, wetten en commissies worden belangrijk naarmate we dit pad verder bewandelen. En er is nog steeds een onderdeel binnen veel people-analyticsteams — al zou ik die teams niet eens people analytics noemen; het zijn basisrapportageteams.
Je moet kunnen toewerken naar storytelling en invloed. Er zit een sterke adviescomponent in. Grotere bedrijven hebben vaak people-analyticsconsultants die aan verschillende bedrijfsonderdelen zijn gekoppeld. Dat vind ik een goed model en daar werken we binnen mijn team naartoe terwijl we groeien en evolueren.
Dat zijn volgens mij drie belangrijke zaken. Waar je niet langer in moet investeren, zijn handmatige, transactionele en repetitieve activiteiten voor het opschonen van gegevens. Dat hoort bij de mensen die eigenaar zijn van de bronsystemen met gegevens, niet bij people-analyticsteams.
AI kan je helpen dashboards te maken, code te schrijven, producten te produceren en resultaten op te leveren. Je hoeft niet urenlang te coderen en te produceren; in je organisatie zijn waarschijnlijk al tools beschikbaar waarmee je dit snel kunt uitvoeren.
Noelle London: Ik ben het volledig met je eens, Roxanne. Zorg dat je jezelf in het bedrijf verankert en bouw zeer sterke relaties met belanghebbenden op, zodat je onmisbaar wordt. Je wijst nu naar je hoofd — je kunt het niet zien — bij vraag één, alsof alles daar zit. En jij hebt er veel van.
Bouw dus zoveel mogelijk kennis van het bedrijf op. Die kennis in je hoofd maakt je waardevoller. Negeer ook niet wat er op het gebied van AI gebeurt. Blijf op de hoogte, leer jezelf bij en blijf goed geïnformeerd. Dat is voor mij het meest cruciale.
Cole Napper: Ik ben het met Roxanne en Noelle op een bijna gewelddadige manier eens.
Ik kan alleen maar herhalen dat Roxannes punt over zakelijk inzicht zo belangrijk is. Ik praat en schrijf hier voortdurend over, en veel mensen verwachten dat ik het zal hebben over Excel-formules of over code schrijven.
Maar bijna altijd gaat het over hoe je via mensen onderscheidende waarde voor je bedrijf creëert, niet over het idee dat mensen het probleem zijn. Daarom is people analytics interessant, leuk en spannend. Besteed je extra tijd daaraan.
Als je alleen de beste nieuwe widget wilt maken, koop er dan een. Gebruik AI en doe iets. De transactionele ruimte wordt volledig verstoord. Begrijp je gegevens en investeer in de juiste gegevensinfrastructuur. Maar de persoon zijn die een rapport uitvoert? Ik denk dat de halfwaardetijd daarvan kort is.
David Rice: Absoluut. Dit was een fascinerend gesprek. Ik praat graag met jullie allemaal. Bedankt dat jullie er vandaag bij waren; ik waardeer het enorm dat jullie in de show wilden komen.
Cole Napper: Bedankt dat je me hebt uitgenodigd.
Roxanne Laczo: Bedankt, David.
Noelle London: Bedankt.
David Rice: Goed dan, luisteraars. Tot de volgende keer: werk aan dat zakelijk inzicht. Schrijf je zoals altijd in voor de nieuwsbrief van People Managing People.