We kennen het model allemaal. ADKAR: Awareness, Desire, Knowledge, Ability, Reinforcement. Vijf stappen, netjes na elkaar, van links naar rechts. Het is een van de meest gebruikte frameworks in change management, en dat is begrijpelijk. Het geeft structuur. Het maakt verandering behapbaar.
Maar eerlijk gezegd: dat lineaire verloop is altijd al een vereenvoudiging geweest. Bij elke verandering lopen de fases in de praktijk meer door elkaar dan het model suggereert. Alleen viel dat minder op, omdat de snelheid van verandering behapbaar leek.
Bij AI-verandering wordt dat niet-lineaire karakter uitvergroot. En dat heeft alles te maken met snelheid.
De theorie: een mooi pad van A naar R
In de klassieke ADKAR-logica doorloop je de stappen in volgorde. Eerst zorg je dat mensen begrijpen waarom de verandering nodig is (Awareness). Dan bouw je de motivatie op (Desire). Vervolgens geef je kennis (Knowledge), laat je ze oefenen (Ability), en veranker je het nieuwe gedrag (Reinforcement).
Het is een helder model. En voor veel veranderingen werkt het prima als leidraad. Maar bij AI-adoptie lopen die fases door elkaar op een manier die je misschien niet verwacht.
Wat er in de praktijk gebeurt
In gesprekken met change professionals en teams die met AI aan de slag gaan, zie ik steeds hetzelfde patroon. De fases van ADKAR zijn er allemaal, maar ze gedragen zich niet als een rij dominostenen die netjes na elkaar omvallen. Ze lijken eerder op wolken die vanuit verschillende richtingen naar elkaar toe bewegen en in elkaar schuiven.
Iemand begint te experimenteren met een AI-tool voordat er ook maar één awareness-sessie is geweest. Ability ontstaat soms vóór Knowledge, simpelweg omdat iemand nieuwsgierig is en gaat proberen. Desire kan pas ontstaan nadat iemand heeft ervaren wat er mogelijk is, dus na een stuk Ability. En Awareness groeit soms pas echt wanneer mensen zelf merken hoe anders hun werk eruitziet met AI.
Het is niet chaotisch. Het is organisch. En dat onderscheid is belangrijk.
Dit is niet nieuw, maar AI vergroot het uit
ADKAR is bij elke verandering al minder lineair dan het model doet vermoeden. Ook bij een ERP-implementatie of een reorganisatie lopen de fases in de praktijk door elkaar. Mensen hebben altijd al op hun eigen tempo geleerd, weerstand geboden, of juist vooruit gelopen.
Het verschil met AI is de snelheid, of eigenlijk: de verschillende snelheden.
De technologie evolueert continu. Wat je vandaag leert over een tool, is over drie maanden alweer anders. Dat betekent dat Knowledge een bewegend doelwit wordt. Tegelijkertijd adopteren mensen op radicaal verschillende snelheden. De ene collega bouwt al AI-agents terwijl de andere nog twijfelt of het veilig is om een samenvatting te laten maken. Het verschil in Ability binnen één team kan enorm zijn.
En dan is er nog de organisatie zelf, die op een ander tempo beweegt dan de technologie én de mensen. Beleid, governance, richtlijnen: die lopen vaak achter op wat er op de werkvloer al gebeurt.
Drie snelheden die niet synchroon lopen: de technologie die razendsnel gaat, de mensen die elk hun eigen tempo hebben, en de organisatie die structureel trager is. Dat maakt dat de ADKAR-fases niet alleen door elkaar lopen, maar in compleet verschillende richtingen bewegen. De wolken schuiven niet zachtjes in elkaar: bij AI botsen ze soms. En dat geeft onweer.
Wolken in plaats van stappen
Wat als we ADKAR niet zien als een pad van links naar rechts, maar als vijf wolken die tegelijkertijd bewegen? Elke wolk heeft zijn eigen dynamiek. Soms is Awareness de grootste wolk, soms is het Ability die het eerst groeit. Ze overlappen, beïnvloeden elkaar, en veranderen voortdurend van vorm.
In de praktijk betekent dit dat je op meerdere fronten tegelijk werkt. Je organiseert awareness-momenten terwijl early adopters al workflows bouwen. Je biedt kennis aan op het moment dat mensen erom vragen, niet volgens een vooraf bepaald schema. Je versterkt gedrag dat spontaan ontstaat in plaats van te wachten tot de "reinforcement-fase" aanbreekt.
Het model verliest daardoor zijn lineaire voorspelbaarheid. Maar het wint aan realisme.
Wat dit vraagt van change professionals
Als je ADKAR als wolken benadert in plaats van als stappen, dan verandert je rol. Je bent minder bezig met het plannen van de juiste volgorde en meer met het lezen van de situatie. Waar zit de energie? Waar ontstaat weerstand? Welke wolk heeft nu aandacht nodig?
Dat vraagt misschien een andere manier van werken. Meer observeren, meer aansluiten bij wat er al gebeurt, minder vasthouden aan een vast plan.
Ik weet niet of dit de "juiste" manier is om naar ADKAR te kijken. Misschien is het te vrij. Misschien verlies je er structuur mee. Maar wat ik wel zie, is dat de lineaire benadering bij AI-change steeds vaker botst met de werkelijkheid.
Een uitnodiging
De volgende keer dat je ADKAR toepast op een AI-traject, kijk dan eens of de fases echt netjes na elkaar verlopen. Of dat ze, misschien, al lang in elkaar aan het schuiven zijn. En of dat niet precies is hoe het hoort te werken.