5 AI-lessen uit Q3 die elke CHRO moet onthouden

1. Verzoeken om training wijzen meestal op een gebrek aan beoordelingsvermogen

Tijdens AI4 in augustus vertelde Markus McKay-Fleisch, directeur professionele dienstverlening voor AI-implementatie bij Smartsheet, dat hij meer dan 50 afzonderlijke Claude Projects had ontdekt die medewerkers van de financiële afdeling, klantenservice, verkoop en HR hadden gebouwd om materialen in de huisstijl te maken.

Het probleem was dat medewerkers niet wisten dat iemand anders hetzelfde probleem al had opgelost.

Dat is steeds vaker het probleem dat schuilgaat achter verzoeken om meer AI-training. Managers vragen misschien om instructie, terwijl medewerkers in werkelijkheid vooral duidelijkheid missen over welke problemen het waard zijn om op te lossen, hoe goed eruitziet of hoe hun werk zou moeten veranderen.

Dezelfde beperking komt naar voren in promptbibliotheken. Een betere prompt kan een taak sneller maken, maar een opnieuw ontworpen werkproces kan de manier waarop het werk wordt uitgevoerd volledig veranderen.

AI-implementatie mag niet stoppen bij mensen leren hoe ze de tool moeten gebruiken. Het moet hen helpen beslissen waar het de moeite waard is om de tool in te zetten.

It starts with one signal.

Each week, AI Signal takes one meaningful shift in AI and helps people leaders understand what changed, why it matters, and what to consider next.

Create Free Account

Have an account? Log In

2. Niet-goedgekeurde AI laat zien waar de problemen zitten

Analiese Brown, directeur personeelszaken bij Campminder, noemt de versnippering die ontstaat door ongecontroleerde AI-adoptie ‘chaossschuld’.

In eerste instantie kan het op vooruitgang lijken. Medewerkers bedenken omwegen, automatiseren taken en delen tools met collega's. Na verloop van tijd stapelen organisaties werkprocessen op met onduidelijk eigenaarschap, weinig documentatie en afhankelijkheden die niemand had bedoeld.

Dat leidt tot een duidelijk governanceprobleem, maar levert ook nuttige informatie op.

Als iemand op de financiële afdeling een eigen afstemmingsproces bouwt, of een recruiter een goedgekeurd systeem omzeilt met een AI-werkproces, vraag dan wat hen er in eerste instantie toe bracht het officiële proces te omzeilen.

Schaduw-AI laat niet alleen zien waar controles zwak zijn. Het kan ook laten zien waar bestaande tools en processen niet voldoen aan de behoeften van de mensen die ze gebruiken.

3. Menselijk toezicht heeft bewijs nodig

In de meeste kaders voor AI-governance bevindt zich nog steeds ergens een mens in de besluitvormingsketen.

De nuttigere vraag is of die persoon ooit van het systeem afwijkt.

Een manier om te testen of beslissingsbevoegdheden rond AI echt bestaan, is te kijken naar ingrijpende werkprocessen, zoals de selectie van kandidaten of signaleringen over prestaties, en het aantal gedocumenteerde afwijkingen te tellen.

Als dat aantal nul is, is dat het onderzoeken waard.

Misschien heeft het systeem inderdaad iedere keer gelijk gehad. Of misschien geloven medewerkers niet dat ze de daadwerkelijke bevoegdheid hebben om het systeem ter discussie te stellen, weten ze niet wanneer ze dat zouden moeten doen of leggen ze die meningsverschillen niet vast wanneer ze zich voordoen.

Een mens aanwijzen die verantwoordelijk is, is eenvoudig. Een systeem bouwen waarin die persoon zijn beoordelingsvermogen kan inzetten, is moeilijker.

4. Dezelfde AI kan coachen of toezicht houden

AI kan delen van het werk zichtbaar maken die managers eerder niet konden zien.

Bij Cognite ontvingen managers een analyse van hun eigen sollicitatiegesprekken. Een van hen ontdekte dat 90% van zijn vragen gesloten vragen waren geweest. Een ander ontdekte dat hij tijdens een gesprek 85% van de tijd had gepraat in plaats van geluisterd.

De informatie ging terug naar de managers zelf, zodat zij zich konden verbeteren.

Dat onderscheid is belangrijk, omdat coaching en toezicht uit dezelfde tool kunnen voortkomen.

Wie ziet de resultaten? Kan de persoon die wordt gemeten ze gebruiken? Hoe lang blijft het verslag bewaard?

Die beslissingen liggen steeds vaker besloten in notitietools, transcriptieproducten en analyseplatforms. Tegen de tijd dat een organisatie begint te bespreken of een tool opdringerig aanvoelt, zijn sommige van de meest ingrijpende keuzes mogelijk al in de instellingen gemaakt.

5. Sneller is niet hetzelfde als verder komen

AI zorgt voor druk om tijdlijnen in te korten.

Sneller bouwen. Sneller implementeren. Eerder rendement laten zien. Bespaarde tijd omzetten in meetbare waarde.

Maar snelheid kan leiders er ook toe aanzetten om permanente beslissingen te nemen op basis van tijdelijk bewijs.

Daarom wordt strategisch geduld belangrijker naarmate AI het werk versnelt. Dat een workflow sneller wordt, vertelt je niet meteen hoe de functie eruit zou moeten komen te zien, of de winst blijvend zal zijn en wat werknemers met de gecreëerde capaciteit moeten doen.

AI verandert werk meestal taak voor taak. Sommige verantwoordelijkheden verdwijnen. Andere worden belangrijker. Er komen nieuwe verantwoordelijkheden bij.

Leiders hebben voldoende tijd nodig om dat patroon te zien voordat ze functies opnieuw ontwerpen, prestatieverwachtingen verhogen of capaciteit afbouwen op basis van een vroege productiviteitswinst.

Dat is vooral belangrijk tijdens de planningsperiode. Beslissingen die nu worden genomen over budgetten, functies en verwachtingen zullen langer meegaan dan de pilots waarop ze zijn gebaseerd.

Wat Q3 ons heeft opgeleverd

Het gesprek over AI wordt specifieker.

Gesprekken over adoptie verdwijnen naar de achtergrond. De vragen zijn nu of werknemers AI toepassen op waardevolle problemen, wat onofficiële toepassing ons vertelt, of mensen nog steeds hun beoordelingsvermogen gebruiken en of leiders kunnen voorkomen dat elke vroege winst onmiddellijk tot een verplichting wordt gemaakt.