Mensen adopteren, organisaties adapteren.
Adoptie is vermoedelijk niet het juiste woord als je doel is AI te doen werken in je organisatie. Dan gaat het niet om adoptie van AI-tools bij zoveel mogelijk mensen op een goede manier, maar gaat het om adaptatie: aanpassing aan een nieuwe manier van werken, aan nieuwe dynamieken en besluitvorming. Adoptie is daar een onderdeel van, maar niet voldoende.
Op mijn bureau staan twee planten, die het lange tijd goed deden, geregeld nieuwe bladeren kregen en gestaag groeiden. Tot het ineens allemaal stopte, geen groei meer, bladeren vielen af en er kwamen geen nieuwe bij. Wanneer ik de plant uit de pot haalde, zag ik het probleem: de wortels raakten de rand van de pot en begonnen rondjes te draaien langs de wand. De plant deed dus wat hij altijd deed, maar de pot hield hem tegen.
Zo gaat het ook met AI in organisaties. (De meeste) mensen willen groeien en gebruik maken van de mogelijkheden die AI biedt, vaak lang voordat de organisatie hen vroeg er iets mee te gaan doen. Maar dan valt het wat stil. Individueel zijn er wel verbeteringen aangebracht, maar in essentie werken de meesten nog steeds zoals ze voordien werkten. De processen, de doelen, de rollen: de pot bleef hetzelfde. Mensen hebben de basistechnologie in gebruik genomen, maar de organisatie is nog niet gevolgd.
Ronald Heifetz, die leiderschap doceert op Harvard, maakt een onderscheid dat bij deze gedachte helpt. Sommige problemen zijn technisch van aard en kunnen opgelost worden met bestaande kennis. Een expert kan ze oplossen. Andere problemen zijn adaptief en vragen van mensen dat ze hun gewoontes, rollen en soms zelfs werkidentiteit veranderen. Een AI-tool uitrollen is technisch werk. Mensen de ruimte geven om anders te werken is adaptief werk, voor de mensen zelf maar ook voor de organisatie waarbinnen ze werken.
Dat adaptief werk is een continu proces van herontwerpen van je organisatie en je manier van werken. Dat herontwerp gaat vooral over het creëren van condities waarbinnen adaptatie gemakkelijker en waarschijnlijker wordt.
Op basis van de vele artikelen die ik over het onderwerp lees, mijn eigen ervaringen ermee in het werkveld en de learnings uit de cursus AI adoption aan het MIT die ik tijdens de zomer volgde, heb ik acht principes gedistilleerd om te gebruiken bij AI-transformatiewerk.
1. Start waar het werk frictie geeft
Veel AI-initiatieven starten vanuit wat de tool kan doen. Interessanter is vanuit frictie te vertrekken. En dat hoeft niet altijd zwaar te zijn, het ontbreken van een snelle en accurate manier om trends op te sporen specifiek voor jouw product is ook frictie. Ook wachttijden of contextverlies zijn signalen van iets dat beter kan, net als workarounds of lange zoekprocessen. Vaak problemen die al lang aanwezig zijn, die mensen zelfs niet meer zien als problemen, het is gewoon zo, iets wat we altijd zo gedaan hebben.
Deel van het werk is dan het onzichtbare terug zichtbaar maken. Vraag je af waarom je wacht, waarom iets vaak herhaald wordt, waar informatie zoek raakt, welke workarounds gecreëerd zijn om het echte proces te omzeilen. De antwoorden hierop zijn vaak een goed vertrekpunt.
Mogelijke ontwerpvraag: waar verliest dit team tijd of geduld, elke week opnieuw?
2. Ontwerp voor mens en machine tegelijk
In de jaren 1940-50 werd er in de Britse steenkoolmijnen een nieuwe, gemechaniseerde manier van mijnbouw ingevoerd. De technologie was veel beter, maar toch bleven de resultaten uit: zo bleef de productiviteit achter en nam het ziekteverzuim toe. Een van de redenen was dat de nieuwe technologie ervoor zorgde dat teams opgesplitst werden in zeer gespecialiseerde ploegen waardoor het werk haar samenhang verloor. In de mijnen waar de teams samen verantwoordelijk bleven voor het proces, waren er betere resultaten.
Dat gevaar loert er nu ook met AI. Hyperspecialisatie is gemakkelijker dan ooit en overleg lijkt niet altijd meer nodig wanneer AI alle antwoorden lijkt te hebben. Daar waar crossfunctioneel werken de voorbije decennia al een serieuze uitdaging was voor veel bedrijven, wordt dit alleen maar belangrijker. Bewust ontwerpen zodat dit gebeurt is daarom noodzakelijk.
Bovenstaande wordt ook het sociotechnisch systeem genoemd: je kan de technologie en de organisatie van het werk niet apart organiseren of optimaliseren. De organisaties die waarde krijgen uit het gebruik van AI zijn diegenen die hun workflows herontwerpen en bepalen wat AI doet en wat een medewerker doet in elke stap van de flow. Wat doet AI, wat doet de mens, waar is de handover, wie checkt wat, enzovoort. AI-werk is procestransformatiewerk, all over again.
Mogelijke ontwerpvraag: wie doet wat, en waar gaat het werk en het besluit over tussen AI en de mens?
3. Experimenteer klein, leer groot
Wie al geëxperimenteerd heeft met AI weet dat het onzeker is wanneer het wel of niet goed zal werken in een bepaalde context. De tools evolueren met een razend tempo, waardoor de nood aan kleine experimenten waarvan je gaandeweg veel leert groot is. Korte, kleine experimenten werken het best: één team, één workflow of taak, enkele weken, kijken wat er gebeurt en aanpassen.
Op dit moment is het belangrijkste element hiervan luidop leren. Teams leren enkel van elkaar als het veilig is om experimenten en resultaten, ook als ze niet goed zijn, te delen met elkaar. Leidinggevenden kunnen hierin een groot verschil maken, door zelf hun pogingen te delen. Niet enkel de succesvolle, ook diegene waarbij je volledig de mist in ging. Ook leren onder collega's met verschillende rollen en AI-kunde helpt daarbij. Dit ontstaat meestal niet vanzelf, maar moet georganiseerd worden.
Mogelijke ontwerpvraag: wat gaan we uitproberen in de komende maand en hoe delen we de learnings met elkaar?
4. Geef de regie aan de mensen die het werk doen
Ik hoor van veel organisaties dat medewerkers AI al veel gebruiken, vaak met tools die niet goedgekeurd zijn. Dat kan en mag je als een compliance probleem zien, maar zeker ook als een duidelijk inzicht van waar en hoe AI nuttig kan zijn. Kijk wat mensen ermee doen, zij weten immers het best hoe AI hen in hun omgeving kan helpen. Ondersteun hen bij het herontwerpen van hun workflows, vanuit de kennis die ze hebben.
Hetzelfde geldt voor managers. Een manager die AI al actief binnen het team gebruikt, zal andere resultaten krijgen dan een manager die gewoon een beleid doorstuurt naar zijn team en vraagt er wat mee te doen. Onderzoek van BCG bevestigt dat in AI-leidende bedrijven 88% van de managers actief zelf AI gebruiken, tegenover 25% in de bedrijven die achterblijven met AI.
Mogelijke ontwerpvraag: wie in dit team gebruikt al AI en hoe kunnen we hen verder ondersteunen?
5. Herken ook wat er verdwijnt
Dit is een principe dat meestal over het hoofd gezien wordt, omdat het vaak niet meteen zichtbaar is. AI neemt delen van het werk over, ook delen waar mensen trots over zijn of zich jarenlang in gespecialiseerd hebben en erkenning voor hebben gekregen. Plots maakt AI betere rapporten, of is nog beter mee met de laatste regelgeving, en is de expert niet langer diegene waar collega's naartoe gaan wanneer ze een vraag hebben. Dat voelt voor die persoon als een verlies en is niet altijd zichtbaar, zeker in de beginjaren van AI, maar het is er wel. Dit uit zich in mogelijke weerstand tegen het gebruik van AI, of in onzekerheid en stress over de toekomst.
Elke transitie kent drie fases: een begin, een tussenin fase en een einde, hoewel je erover kan discussiëren of er nog echte eindes zijn of eerder 'overvloeiingen' in iets nieuws. Denk aan de plant in de pot die te klein geworden is. Die moet je verplanten. Die tussenfase is een kwetsbare fase, daar kan het vaak fout lopen. Zaken als verlies aan identiteit, veranderende rollen en verwachtingen zijn enkele van de elementen die de kwetsbaarheid vergroten in deze fase bij AI.
Mogelijke ontwerpvraag: wat verandert er voor medewerkers, wat verliezen ze en wat komt ervoor in de plaats?
6. Laat het oordeelsvermogen bij mensen
AI produceert snel en vaak ook kwalitatief resultaat. De afwerkingsgraad is vaak zeer overtuigend, waardoor je zonder je het goed en wel beseft ook snel concludeert dat de output correct is. Het intussen bekende fenomeen van AI-slop is hier één van de gevolgen van. Het is daarom belangrijk expliciet te zijn over de nood aan het goed beoordelen van AI-output en dat die verantwoordelijkheid bij diegene ligt die gebruik maakt van AI en het niet zomaar mag doorsluizen naar collega's. Iedereen zal zich hieraan af en toe bezondigen, daarom is feedback geven aan elkaar wanneer dit gebeurt ook een noodzakelijke voorwaarde om te leren en beter te worden in het gebruik van AI.
Zorg ook dat de standaard die je had voor menselijke output ook diegene is die je voor AI-output hanteert. Het is niet omdat een agent het werk tien keer sneller kan doen, dat je plots tevreden moet zijn met ondermaatse kwaliteit.
Mogelijke ontwerpvraag: welke beslissingen hebben een akkoord van een medewerker nodig en wat kost het als de output verkeerd is?
7. Creëer een beperkt aantal scherpe regels
Een beleidsdocument van twintig pagina's of meer over hoe AI te gebruiken binnen je organisatie wordt enkel gelezen door de mensen die het opstellen. Een handvol eenvoudige principes opstellen en delen werkt veel beter, zeker in een complexe en snel evoluerende context die AI toch vormt. Deze principes bepalen de grenzen waarbinnen gewerkt kan worden met AI.
Dit kan gaan over welke tools goedgekeurd zijn, welke data nooit in AI mag gebruikt worden, wanneer een mens altijd een check doet, wie je vragen kan stellen als iets onzeker of onduidelijk is. Vijf regels die iedereen kan vinden is veel krachtiger dan dertig die niemand kan vinden of begrijpen. Wanneer je weet binnen welke grenzen je kan werken, voelt experimenteren veiliger en zal er meer initiatief komen.
Mogelijke ontwerpvraag: welke vijf regels dient iedereen te kennen over het gebruik van AI binnen onze organisatie of team?
8. Bouw voort op wat werkt en maak het de nieuwe standaard
Een succesvol experiment of pilootproject binnen één team is mooi, maar als een organisatie er echt baat bij wil hebben en wil groeien met AI, dan moeten die voorbeelden doorheen de organisatie reizen. Door de voorbeelden te delen en anderen inspiratie te geven, of het te laten hergebruiken in andere teams, mits eventueel lichte aanpassingen, leer je van elkaar en versnel je.
Niet enkel de concrete AI-toepassingen zijn interessant om te delen, ook hoe je het gebruik stimuleert van zo'n toepassing, wat je gedaan hebt met procesbeschrijvingen, of onboarding, of performance reviews. Klinkt allemaal minder sexy dan de agent die twee weken werk per maand bespaart, maar het zijn wel de zaken die ervoor zorgen dat je organisatie AI-gedreven wordt en adoptie omgezet wordt in adaptatie.
Mogelijke ontwerpvraag: waar moeten we wat in dit team geleerd is delen, zodat een ander team niet van nul moet starten?
Waar te beginnen?
Acht principes is veel om in één keer samen aan te pakken, dat is ook niet nodig. Kies er eentje uit waarvan je aanvoelt dat die nu te weinig aandacht krijgt binnen je organisatie en die wel een grote impact zou hebben. Werk die uit samen met collega's uit verschillende delen van je organisatie.
Eerder verschenen in The CHNG Letter op LinkedIn.