De change achter alle AI-change


Neem een doorsnee werkweek bij de klantendienst. Op maandag krijgt een medewerker een uitnodiging voor een Copilot-sessie, woensdag blijkt het CRM ineens een assistent te hebben die antwoorden voor je klaarzet; Teams toont een knop die vergaderingen voor je samenvat. Vrijdag komt er van IT een lijst met goedgekeurde tools, terwijl een collega juist zweert bij een gratis chatbot die nergens op die lijst voorkomt. Grrr.

Elke aanpassing heeft wel een eigenaar, een leverancier of een intern team dat dit allemaal goed overdenkt en communiceert, maar niemand kijkt naar wat er bij elkaar op één bureau bij één persoon belandt. Die optelsom: dat is de echte verandering. Groter dan bij eerdere technologieën, en vaak zonder iemand die er verantwoordelijkheid voor draagt.

AI is geen project

Veel organisaties pakken AI aan als een uitrol met project, pilot en training. Maar het komt meestal niet bij de medewerkers via één traject. De tools ontwikkelen zich sneller dan ooit en iets wat vandaag in de training staat ziet er volgende maand, soms zelfs week, al anders uit.

Een medewerker ziet dus geen afgebakend project, maar ervaart wel een werkweek waarin AI van alle kanten opduikt, elk met eigen logica, eigen knoppen, eigen voorwaarden. Wie dan afhaakt krijgt al snel het stempel weerstand. Terwijl het misschien eerder ligt aan een organisatie die nooit gebouwd was om zoveel tegelijk te dragen.

ADKAR en gedragsontwerp helpen één tool bij één groep te laten landen, over de optelsom zeggen ze weinig. Kijk daarom op drie niveaus: organisatie, management en medewerker.

De organisatie: maak alle AI zichtbaar

Begin met een kaart. Per rol in beeld brengen welke AI-functies er het komende halfjaar bijkomen, in welke tools en hoeveel tijd ze vragen; neem ook mee wat mensen al zelf gebruiken.

Geef verandercapaciteit een eigenaar. Licentiekosten worden tot op de euro bewaakt, maar hoeveel nieuwe AI-functies een team per kwartaal kan verwerken, bekijkt bijna niemand. Eigenlijk heb je een verkeerstoren nodig die bepaalt wie wanneer en waar landt.

Kies ook bewust wat je 'toelaat'. Bij veel pakketten kun je nieuwe functies eerst aan een kleine groep pioniers geven of tijdelijk uitschakelen. Aggregeer veranderingen door ze te vertalen naar use cases voor het werk. Welke taak verandert, voor wie, en levert het iets op?

Het management: kiezen, bewaken en durven wachten

Een verkeerstoren werkt alleen als iemand bepaalt welke vluchten voorrang krijgen; dat is de rol van management. Prioriteiten stellen lijkt eenvoudig, tot je ze moet bewaken. Een strategie met twaalf use cases is er een zonder keuze.

Bewaken betekent ook uitstellen. Elke nieuwe toepassing mag de vraag krijgen: wat stopt erdoor of wordt eenvoudiger?

Dat lukt alleen met een helder beeld van waar het bedrijf als geheel naartoe wil. Zonder die focus start elk departement zijn eigen pilot, en komt de optelsom opnieuw bij de medewerker terecht.

En moet je overal vooroplopen? Een beetje achterlopen kan verstandig zijn. Wie wacht laat functies volwassen worden, ziet wat na een paar maanden verdwijnt of anders heet, leert van wie eerder begon. Dat werkt alleen als het een bewuste keuze is. Achterlopen omdat niemand richting geeft, levert vooral achterstand en schaduw-AI op.

Je kan bijvoorbeeld kiezen om voor te lopen waar AI je kernwerk raakt, en rustig volgen waar het ondersteunend is. Een ziekenhuis hoeft niet als eerste elke AI-functionaliteit te hebben, maar kan wel als eerste willen weten hoe AI de planning van de verpleging lichter maakt.

De medewerker: AI-vaardigheid is verandervermogen

Ook met goede keuzes bovenaan blijft AI continu veranderen. Een opleiding per tool houdt dat niet bij; mensen hebben verandervermogen nodig, en dat kan je trainen.

Leer het model achter de tool. Wie begrijpt hoe een systeem werkt scoort beter op complexe taken dan wie alleen de handelingen leert. Bij AI weegt dat nog zwaarder, omdat de interface het snelst verschuift. Wie alleen weet waar de samenvatknop zit moet na de volgende update opnieuw zoeken; wie begrijpt hoe de tool werkt hoeft dat niet. Zo'n tool reageert op wat je erin stopt en kan overtuigend fout zijn. Hoe beter je context en doel omschrijft, hoe bruikbaarder het antwoord. Dat geldt in Copilot, in Claude en in elke andere AI-tool. Begin een training dus met hoe het werkt en hoe je een antwoord controleert. Pas daarna met waar je klikt.

Laat mensen fouten maken, met opzet. Geef tijdens een AI-training geen stappenplan. Geef daarentegen een echte opdracht uit het eigen werk: vat dit klantdossier samen, beantwoord deze klacht, maak van deze vergadernotities een actielijst. Laat mensen zelf zoeken en zeg vooraf dat vastlopen erbij hoort. Bespreek daarna wat misliep en hoe ze het oplosten; daar zit het leren. Laat ze ook bewust op zoek gaan naar een fout antwoord: vraag de tool iets over een onderwerp dat ze zelf goed kennen, controleer wat terugkomt. Wie één keer gezien heeft hoe overtuigend een AI-tool ernaast kan zitten, leest daarna kritischer. En als na de volgende update alles weer anders staat? Dan weten ze nu hopelijk wat te doen, zelf de dingen uitzoeken, zoals ze geoefend hebben.

Bouw vertrouwen in eigen kunnen op. Wie gelooft dat hij met een nieuwe AI-tool overweg kan probeert sneller; dat vertrouwen blijkt trainbaar. In experimenten verhoogden korte trainingen, zelfs een webversie van twee uur, het psychologisch kapitaal van deelnemers: vertrouwen in eigen kunnen, hoop, veerkracht, optimisme. Het effect hield minstens een maand stand. Concreet: kleine successen laten ervaren, collega's tonen bij wie het lukt, vooraf bespreken wat je doet als het misloopt.

Maak reflectie een gewoonte. Een vast ritme helpt; een kwartier per week waarin een team deelt wat het met AI probeerde, wat werkte en wat niet. Zeg er hardop bij dat niemand alles kan volgen en begrijpt, ook de experts niet.

Tot slot. We hebben het hier enkel over AI-change, maar natuurlijk geldt dit voor alle veranderingen in een organisatie. Hoeveel organisaties zouden weten hoeveel verandering op een bepaald moment tegelijk op een medewerker afkomt en of dat allemaal even relevant is? Teveel verandering kan een averechts effect genereren en voor verslechtering van het werk zorgen in plaats van verbetering, waar het initieel voor bedoeld is. In een wereld van overvloed die we nu kennen op vlak van verandering, is essentialisme vermoedelijk de wijze aanpak: maak essentiële keuzes in wat je wel en niet aan verandering tegelijk wil toelaten in een organisatie.


P.S. Als change professional sta je vaak op het punt waar al die veranderingen samenkomen. Hoe je de optelsom zichtbaar maakt en AI inzet om mensen verandervermogen te geven, daar werken we aan in de self-paced cursus AI voor change professionals.

Eerder verschenen in The CHNG Letter op LinkedIn.

Blijf op de hoogte

Eén keer per maand: nieuwe artikels en praktijkinzichten over AI-adoptie in je inbox.

Geen spam. Alleen relevante updates.

Je bent ingeschreven.