Slechts 2% van de CHRO's van Fortune 500-bedrijven gelooft er sterk in dat hun huidige systeem voor prestatiebeoordelingen verbetering stimuleert.
Dat cijfer is een betrouwbaar gespreksonderwerp geworden op HR-conferenties en in presentatiedia's van leveranciers, meestal gevolgd door de belofte dat door AI aangedreven continue feedback het probleem zal oplossen. De boodschap is overtuigend. De resultaten zijn tot nu toe echter niet overtuigend.
Het inmiddels beroemde onderzoek van MIT's NANDA-initiatief liet zien dat ongeveer 95% van de generatieve AI-proefprogramma's niet opschaalt naar productie. Een afzonderlijke analyse van RAND Corporation stelt het algemene percentage mislukte AI-projecten op 80%, waarbij verlaten projecten gemiddeld $4.2 million aan verzonken kosten vertegenwoordigen.
Gartner classificeert AI voor ondernemingen voor 2026 inmiddels als stevig in het Dal van desillusie, een aanduiding die overeenkomt met wat CHRO's in de praktijk ervaren: tools die goed demonstreren, redelijk goed door een proefproject komen en vervolgens vastlopen bij organisatiebrede invoering.
Het domein van prestatiemanagement is bijzonder kwetsbaar voor dit patroon, omdat het onderliggende proces dat het probeert te verbeteren, de jaarlijkse beoordeling, zelf diepgeworteld is. Een tool aanschaffen die belooft feedback om te vormen tot een continue, door AI ondersteunde coachingscyclus klinkt overtuigend op een dia van een leverancier.
Operationeel vereist dit een volledige herinrichting van de manier waarop managers hun tijd besteden, waarop beslissingen over beloning en promotie worden genomen en waarop medewerkers verantwoordelijkheid ervaren. De meeste organisaties slaan die herinrichting over en verwachten dat de software de last draagt.
Wat volgt is een praktisch migratiekader, opgebouwd rond de punten waarop implementaties in de praktijk vastlopen:
- De audit vóór de migratie die de meeste organisaties overslaan
- Hoe de werkstroom van managers er daarna uit moet zien
- De overdrachtsarchitectuur die voorkomt dat coachingtools toezichttools worden
- De vijf terugkerende faalwijzen en een realistische tijdlijn voor de overgang.
De audit
Voordat een AI-tool wordt geconfigureerd, moeten drie vragen eerlijk worden beantwoord.
Gegevens
De eerste vraag gaat over gegevens. Continue, door AI ondersteunde coaching is afhankelijk van een gestage stroom gestructureerde invoer, waaronder:
- Vastgelegde notities van 1-op-1-gesprekken
- Projectmijlpalen
- Ingevoerde feedback van collega's
- Updates over het volgen van doelstellingen.
Als managers deze gegevens niet al consequent aanmaken, heeft de AI niets betekenisvols om te analyseren. Rommel erin, ruis eruit.
Vaardigheden van managers
De tweede vraag gaat over de vaardigheden van managers. Een AI-systeem dat een signaal van verminderde betrokkenheid markeert en een coachingsinterventie voorstelt, is alleen nuttig als de manager die dat signaal ontvangt weet hoe die ermee moet handelen.
Als managers nu al moeite hebben met directe feedbackgesprekken, zal het toevoegen van een door een machine gegenereerde suggestie dat niet oplossen. Het zal de kloof sneller zichtbaar maken, wat nuttig kan zijn, maar alleen als de organisatie een plan heeft om die te dichten.
Proces
De derde vraag gaat over de procesarchitectuur. Heeft je huidige systeem voor prestatiemanagement duidelijke escalatieroutes? Wanneer verschuift een patroon van ondermaatse prestaties van de verantwoordelijkheid van een manager naar die van HR? Wie bepaalt wanneer een coachingsinterventie een verbeterplan voor prestaties wordt?
Deze overdrachtsmomenten moeten bestaan voordat de AI op grote schaal problemen begint te markeren, omdat het volume aan signalen binnen enkele weken elke onduidelijkheid in je huidige proces aan het licht zal brengen.
De meeste organisaties pakken dit verkeerd aan. Ze implementeren eerst de tool en vragen zich daarna af waarom de acceptatie achterblijft. De slimmere aanpak begint met een definitie. Hoe ziet goed managersgedrag eruit in een cultuur van voortdurende feedback? Pas daarna moet je vragen of de tool dit daadwerkelijk ondersteunt. Als je die stap overslaat, heb je de taak van de manager niet veranderd. Je hebt hem alleen een extra dashboard gegeven om te negeren.

Een nuttig perspectief komt uit het bredere onderzoek naar AI-implementatie. Uit een rapport van het World Economic Forum dat eerder dit jaar werd gepubliceerd, bleek dat minder dan één op de vijf organisaties aangaf in enig aspect van datagereedheid een hoge volwassenheid te hebben. Daarnaast zei 72% van de bedrijfsleiders dat datafundamenten en datapijplijnen hun snelst groeiende investeringsgebied voor AI zouden zijn.
In termen van prestatiemanagement bestaat het voorbereidende werk uit de audit: je datalandschap in kaart brengen, je managers beoordelen en je procesarchitectuur documenteren voordat de tool wordt ingeschakeld.
Have an account? Log In
Hoe de week van een manager eruitziet na de migratie
De meest voorkomende tekortkoming van content over voortdurende feedback is dat deze conceptueel blijft.
"Schakel over op doorlopende coachingsgesprekken" is een instructie die een manager niets vertelt over dinsdag. Het migratiekader moet concreet genoeg worden dat een CHRO, in termen die een eerstelijnsmanager zou herkennen, kan beschrijven wat er verandert in het wekelijkse ritme.
Bij een volwassen implementatie genereert het AI-platform een doorlopend overzicht van de activiteiten van elke direct ondergeschikte, op basis van gegevens uit projectmanagement, feedback van collega's en gedocumenteerde 1-op-1-aantekeningen.
Maandag
De maandag van de manager begint doorgaans met een triage van 15 tot 20 minuten van deze overzichten. Het systeem heeft een korte lijst met coachingsmomenten gemarkeerd, misschien vijf tot zeven binnen een team van acht tot tien direct ondergeschikten, gerangschikt op urgentie en de kracht van het patroon.
De taak van de manager is om die lijst te filteren. Sommige signalen zijn ruis. Een daling in samenwerkingscijfers kan het gevolg zijn van een projectfase waarin geconcentreerd werk nodig is, en niet van verminderde betrokkenheid. De AI weet dat niet. De manager wel.
Deze filterstap is waar menselijk beoordelingsvermogen essentieel blijft en waar implementaties die AI positioneren als vervanging van het onderscheidingsvermogen van managers, in plaats van als ondersteuning daarvan, meestal instorten.
Dinsdag - vrijdag
Gedurende de week voert de manager 1-op-1-gesprekken. In een traditioneel model zijn die gesprekken vaak ongestructureerde check-ins, gestuurd door wat op dat moment het meest speelt.
In het gemigreerde model heeft de AI voor elke direct ondergeschikte een coachingsagenda vooraf geladen, waarbij patronen naar voren worden gehaald die de manager misschien niet had opgemerkt: een teamlid dat deze maand drie keer erkenning van collega's heeft gekregen, maar geen feedback over ontwikkelpunten, of iemand wiens percentage voltooide doelen tijdens de laatste twee sprints sterk is gedaald.
Het cruciale verschil met het oude model zit niet in de frequentie van de gesprekken. Veel managers hielden al wekelijks 1-op-1-gesprekken. Het verschil zit in de kwaliteit van de voorbereiding. De AI doet het verzamelen van gegevens en het herkennen van patronen — werk dat een manager óf slecht uitvoerde, omdat de hoeveelheid gegevens groter was dan wat een mens over een volledig team kan bijhouden, óf helemaal niet uitvoerde.
Maar de acceptatie van dat nieuwe ritme verloopt ongelijkmatig op manieren waarop de meeste organisaties niet anticiperen. Volgens Poepsel zijn de managers die zich echt bezighouden met continu door AI gegenereerde inzichten doorgaans degenen die al coachingsgewoonten hadden voordat de tool arriveerde.
"AI versterkte simpelweg wat er al was," zei hij. "Voor de rest belandde de tool in een gedragsvacuüm."
Hij wees op gedragsprofielen als een factor die organisaties routinematig over het hoofd zien: resultaatgerichte managers beschouwen de tool doorgaans als ruis, terwijl mensgerichte managers deze eerder integreren in hun bestaande aanpak.
"Als je gedragsprofielen niet meeneemt in je acceptatiestrategie, ontwerp je voor één type manager en vraag je je af waarom de anderen niet meegaan," zei hij.
Gegevens van Happily.ai, dat 633 managers binnen 60 organisaties analyseerde, suggereren dat het patroon verder gaat dan coachingsstijl. Het bedrijf ontdekte dat anciënniteit vrijwel geen verband hield met teamengagement. Dat betekent dat een manager die drie maanden geleden is aangenomen en consequent aanwezig is, beter kan presteren dan een veteraan met tien jaar ervaring die dat niet doet.
Het onderste kwartiel van de managers in hun dataset presteerde niet geleidelijk slechter. Hun teamscores voor betrokkenheid waren nul. De implicatie voor een overstap naar continue feedback is dat de technologie op dag één klaar kan zijn, maar dat de variatie in managergedrag zal bepalen of deze inzichten of stilte oplevert.
Dat gezegd hebbende, verschuift de tijdsinvestering in plaats van dat deze verdwijnt. Managers besteden minder tijd aan de eindejaarschaos rond beoordelingen. Een vaak genoemd doel onder vroege gebruikers is een vermindering van 20% in de totale tijd die wordt besteed aan administratief werk rond beoordelingen, herverdeeld over het jaar in kortere, meer gerichte coachingsmomenten.
Het totale aantal uren daalt niet noodzakelijk. De uren worden productiever.
De overdracht met drie niveaus
Een van de snelste manieren om een implementatie van door AI ondersteunde coaching om zeep te helpen, is het onderscheid tussen inzicht en toezicht te laten vervagen.
Werknemers die ontdekken dat AI hun samenwerkingspatronen, reactietijden op e-mails of aanwezigheid bij vergaderingen zonder context bijhoudt, zullen het systeem als toezicht interpreteren. En daar hebben ze geen ongelijk in, tenzij de organisatie duidelijke grenzen heeft vastgesteld rond wat wordt bijgehouden, wie wat ziet en wanneer een signaal verder dan de manager wordt geëscaleerd.
De organisaties die dit werkbaar maken, hanteren doorgaans een model met drie niveaus.
Managerniveau
Niveau één is het managerniveau. De AI presenteert coachingsaanwijzingen, samenvattingen van patronen en aanbevelingen voor ontwikkeling rechtstreeks aan de manager. Deze gegevens zijn bedoeld voor gebruik door de manager in diens coachingsgesprekken. Ze worden niet automatisch naar boven gedeeld.
HRBP-niveau
Wanneer een patroon gedurende een vastgestelde periode aanhoudt, bijvoorbeeld 60 tot 90 dagen van dalende prestatie-indicatoren of herhaalde signalen waarop de manager geen actie heeft ondernomen, escaleert het systeem naar de HRBP. De escalatie leidt tot een gesprek tussen de HRBP en de manager, niet tot een beoordeling van de gegevens van de werknemer door HR zonder context van de manager.
Organisatieniveau
Geaggregeerde, geanonimiseerde gegevens stromen omhoog voor personeelsplanning. Leidinggevenden zien trends tussen teams en afdelingen, patronen in retentierisico en ontwikkelingstrajecten van betrokkenheid. Ze zien geen dashboards van individuele werknemers.
Het transparantieaspect is net zo belangrijk als de architectuur. Werknemers moeten weten wat wordt bijgehouden, hoe het wordt gebruikt en wat ze over zichzelf kunnen zien. Implementaties die weerstand zullen voorkomen, geven werknemers toegang tot hun eigen door AI gegenereerde samenvattingen. Zo ontstaat een gedeeld referentiepunt voor coachingsgesprekken in plaats van een instrument voor eenzijdige controle.
Een deel van de reden waarom adoptieproblemen in verschillende sectoren optreden, is dat mislukkingen bij adoptie vaak worden veroorzaakt door angst bij werknemers over relevantie, identiteit en baanzekerheid, en niet door technische beperkingen.
Bij prestatiemanagement worden die angsten versterkt omdat de gegevens die de AI verwerkt persoonlijk zijn. Hoe iemand op het werk verschijnt, hoe diegene samenwerkt en hoe diegene presteert. Als werknemers het gevoel hebben dat die gegevens tegen hen in plaats van voor hen worden gebruikt, sterft de adoptie af, ongeacht de technische mogelijkheden van het hulpmiddel.
Vijf faalwijzen en hoe ze er in werkelijkheid uitzien
Het onderzoek naar mislukkingen van AI-projecten, gecombineerd met de ervaring van vroege gebruikers met prestatiemanagement in het bijzonder, wijst op vijf terugkerende patronen van ontsporing. Het is de moeite waard deze uitgebreid te beschrijven, omdat de meeste door leveranciers gesponsorde content over continue feedback ze nooit noemt en ze laten zien waar de echte operationele lessen liggen.
Het aangeplakte-probleem
De organisatie schaft het AI-hulpmiddel aan, maar schaft de jaarlijkse beoordeling niet af. Beide systemen draaien naast elkaar. Managers vallen terug op het vertrouwde systeem. Het AI-platform wordt ongebruikt op de plank gezet en wanneer het tijd is voor verlenging, laten de gegevens een lage adoptie en een onduidelijke ROI zien.
Als je overstapt op continue coaching, moet het jaarlijkse beoordelingsproces worden ontmanteld en niet worden aangevuld. Organisaties die beide proberen te laten draaien, zullen telkens zien dat de jaarlijkse cyclus wint, omdat deze institutionele zwaarte heeft en verbonden is met beslissingen over beloning op manieren waarvoor het nieuwe systeem nog niet het vertrouwen heeft verdiend om ze te vervangen.
Het ruisprobleem
AI markeert alles. Managers ontvangen 10 tot 15 waarschuwingen per dag, kunnen signaal niet van ruis onderscheiden en beginnen het systeem uiteindelijk volledig te negeren. De onderliggende oorzaak is meestal een slechte configuratie van drempelwaarden tijdens de installatie.
Het platform moet zo worden afgestemd dat managers drie tot vijf bruikbare coachingsmomenten per week zien, niet per dag.

Ruis tast vertrouwen aan
“Dat vertrouwen verdien je langzaam, met een paar hoogwaardige treffers. Je verliest het snel, met één grote misser. De meeste platforms overspoelen managers met inzichten voordat ze dat vertrouwen hebben opgebouwd. Implementaties die beginnen met losse filters en van plan zijn die later aan te scherpen, herstellen zelden, omdat de vertrouwensschade door een overdaad aan ruis moeilijk terug te draaien is.”
De vertrouwenskloof
Managers ontvangen een door AI gegenereerde coachingsaanwijzing en geloven die niet. Misschien signaleerde het systeem dat een medewerker niet betrokken is, terwijl de manager die medewerker als een toppresteerder beschouwt.
In plaats van de discrepantie te onderzoeken, negeert de manager de AI. Poepsel beschreef een veelvoorkomende variant hiervan: AI signaleert een gebrek aan betrokkenheid op basis van gedragssignalen zoals communicatie-frequentie of deelname aan vergaderingen, maar mist de context volledig.
Iemand is stil omdat diegene diepgaand werk doet. Of diegene maakt iets persoonlijks mee," zei hij. "De manager handelt uit plichtsbesef naar aanleiding van de signalering, voert een ongemakkelijk gesprek om te informeren hoe het gaat, en de medewerker voelt zich eerder bespied dan gesteund. Dat afstemmingsprobleem schaadt niet alleen de relatie. Het schaadt ook het vertrouwen van de manager in de tool.
De oplossing is transparantie over hoe de AI zijn beoordelingen genereert, op welke gegevens hij zich baseert en wat zijn bekende foutmarge is. Door fout-positiefpercentages openlijk met managers te delen, in plaats van de nauwkeurigheid van de tool te promoten, bouw je het soort gekalibreerd vertrouwen op dat blijvende toepassing ondersteunt.
De tegenreactie op toezicht
Dit is behandeld in het gedeelte over de overdracht, maar het is de moeite waard om het als een afzonderlijke faalmodus te benoemen. Het kan zelfs gebeuren wanneer de organisatie goede bedoelingen heeft en een redelijke gegevensarchitectuur, als de communicatie naar medewerkers gebrekkig is.
De aanleiding is bijna altijd ontdekking in plaats van openheid: medewerkers komen erachter wat er wordt bijgehouden, in plaats van dat dit vooraf proactief wordt verteld.
More Articles
Het probleem van de gegevenskwaliteit
De AI analyseert onvolledige gegevens. De helft van de managers in de organisatie legt hun 1-op-1-gesprekken vast. De andere helft doet dat niet. Feedback van collega's is sporadisch. Het bijhouden van doelstellingen verschilt per team. De AI genereert inzichten waarvan de kwaliteit sterk uiteenloopt, waardoor het vertrouwen in de uitvoer van het systeem in de hele organisatie afneemt.
Dit is het auditprobleem uit het eerste deel dat zich op grote schaal manifesteert, en daarom is de stap van gegevenshygiëne vóór de migratie niet onderhandelbaar.
Beslissingen over beloning en promotie nemen zonder jaarlijkse beoordelingen
Dit is de vraag die CFO's en beloningscommissies nerveus maakt, en het is de vraag die de meeste content over doorlopende feedback vermijdt. Als je de jaarlijkse beoordeling afschaft, hoe neem je dan beslissingen over promotie en beloning?
Het korte antwoord is dat je één oordeel met grote gevolgen vervangt door een reeks gedocumenteerde beoordelingen met kleinere gevolgen, die in de loop van de tijd worden verzameld.
In een gemigreerd systeem houdt de AI een doorlopend prestatieoverzicht bij waarin coachingsgesprekken, gegevens over het behalen van doelstellingen, erkenning door collega's en beoordelingen van managers die het hele jaar door zijn ingevoerd, worden samengevoegd.
Wanneer een kwartaal- of halfjaarlijks beslismoment aanbreekt, beschikken de manager en HRBP over een hoeveelheid bewijs die breder, actueler en gedetailleerder is dan alles wat een retrospectieve jaarlijkse beoordeling zou kunnen opleveren.
Het langere antwoord is dat hiervoor een fundamenteel herontwerp van het kalibratieproces nodig is. Jaarlijkse kalibratiesessies, waarin managers de beoordelingen van hun teamleden verdedigen tegenover een gedwongen verdelingscurve, zijn ontworpen voor een wereld waarin prestatiegegevens schaars en subjectief zijn.
In een doorlopend model verschuift het kalibratiegesprek van het bespreken van beoordelingen naar het beoordelen van ontwikkelingstrajecten. Ontwikkelt deze persoon zich in opwaartse richting? Is de groeisnelheid veranderd? Waar zitten de verschillen tussen hun gedocumenteerde prestaties en hun beloningsbandbreedte?
Poepsel ziet dit als de onopgeloste spanning in het hart van het gesprek over doorlopende feedback.
De meeste organisaties hebben de jaarlijkse beoordeling niet vervangen. Ze hebben er doorlopende feedback aan toegevoegd. Ze draaien twee systemen en noemen dat een transformatie," zei hij. "De AI zou het menselijke oordeel moeten ondersteunen door patronen zichtbaar te maken, ontwikkelingstrajecten te identificeren en inconsistenties tussen beoordelingen van managers te signaleren. Maar de mens moet de beslissing nog steeds nemen. Wanneer organisaties doen alsof dat niet zo is, nemen ze vooroordelen niet weg. Ze verhullen de verantwoordelijkheid.
De vaak aangehaalde bevinding van Gallup dat medewerkers die wekelijks feedback ontvangen 2,7 keer meer kans hebben om betrokken te zijn, wordt vaak aangevoerd als reden om over te stappen op doorlopende feedback. Maar betrokkenheid alleen lost het beloningsprobleem niet op.
De operationele vraag is of doorlopende gegevens daadwerkelijk leiden tot betere beslissingen over promotie en beloning. Vroeg bewijs uit organisaties die de volledige migratie hebben uitgevoerd, suggereert dat het antwoord ja is, maar met een kanttekening: de kwaliteit van de gegevens hangt volledig af van de vraag of managers het systeem het hele jaar door consequent hebben gebruikt.
In organisaties met een ongelijkmatige adoptie zijn de doorlopende gegevens feitelijk slechter dan het oude systeem, omdat ze de illusie van grondigheid wekken op basis van onvolledige invoer.
Een realistische migratietijdlijn
Op basis van de hierboven beschreven faalpatronen en de ervaring van organisaties die deze migratie hebben doorlopen, ziet de volgorde er ongeveer als volgt uit.
Maanden 1-3 vormen de auditfase. Breng uw datalandschap in kaart. Beoordeel de gereedheid van managers. Leg uw huidige escalatie- en besluitvormingsarchitectuur vast.
Deze fase is weinig indrukwekkend en levert geen zichtbare resultaten op, en wordt daarom overgeslagen. Organisaties die deze fase overslaan, merken doorgaans dat ze zich negen maanden later weer op dit punt bevinden, nadat ze daarbij hun geloofwaardigheid en hun eerste verlengingsperiode hebben verbruikt.
Maanden 4-6 staan in het teken van procesherontwerp. Hier wordt de workflow voor managers opnieuw opgebouwd. Hoe ziet het wekelijkse ritme eruit? Wat zijn de overdrachtsprotocollen? Hoe zal kalibratie werken? Wie ziet welke gegevens?
Deze vragen worden beantwoord voordat er een leverancier wordt geselecteerd, omdat de antwoorden de vereisten bepalen.
Maanden 7-9 vormen de pilotfase. Een groep managers voert het nieuwe proces uit met het geselecteerde platform. Het doel van de pilot is niet om te bewijzen dat het systeem werkt, maar om vast te leggen waar het faalt.
Elke foutmodus, elke workaround en elk punt van verwarring wordt gecatalogiseerd. Implementaties die de pilot gebruiken om een succesverhaal te produceren in plaats van een faalcatalogus, optimaliseren voor de verkeerde uitkomst.
Maanden 10-12 staan in het teken van bijsturing en bredere uitrol. De protocollen worden herzien op basis van wat de pilot aan het licht heeft gebracht. De uitrol wordt uitgebreid, met realistische verwachtingen voor de organisatie.
De meeste implementaties bereiken tegen het einde van het eerste jaar 60-70% van hun beoogde adoptie. Volledige volwassenheid, waarbij het systeem het primaire mechanisme voor prestatiemanagement is in plaats van een aanvulling op verouderde processen, duurt 18 tot 24 maanden.
Een eerlijke inschatting van de mensen met wie ik spreek, is dat de meeste organisaties zullen uitkomen op ongeveer 60% van de waarde die ze van deze migratie verwachtten. Dat is nog steeds de moeite waard, als het meetkader op de realiteit is afgestemd.
De tijd die managers besteden aan administratief beoordelingswerk neemt af. De kwaliteit van feedback, gemeten aan de hand van specificiteit en tijdigheid, neemt toe. De duidelijkheid voor medewerkers over hun positie verbetert. Maar niets daarvan gebeurt binnen 90 dagen, en niets daarvan gebeurt door een tool toe te voegen aan een proces dat niet is ontworpen om die tool te ondersteunen.
John-David Lovelock van Gartner zei eerder dit jaar dat AI meestal aan ondernemingen zal worden verkocht door hun bestaande softwareleverancier in plaats van te worden aangeschaft als onderdeel van een nieuw project, omdat de voorspelbaarheid van de ROI moet verbeteren voordat organisaties inzetten op transformatieve toepassingen.
Prestatiemanagement is een test van die these. De tool is niet de transformatie. Het herontwerp van het proces is dat wel. De tool maakt het herontworpen proces schaalbaar. En organisaties die dit nog steeds als een inkoopbeslissing behandelen, bouwen voort op dezelfde basis die een systeem heeft opgeleverd waarin bijna niemand gelooft.




