Stel: iemand opent Claude, typt "maak mij een change management plan voor de introductie van een nieuw ERP-systeem" en drukt op enter. Tien seconden later ligt er een plan. Fasen, stakeholders, communicatieaanpak, weerstandsstrategie. Netjes gestructureerd, herkenbaar opgebouwd.
Is het goed? Dat hangt ervan af of je het kunt beoordelen.
Iemand zonder change-ervaring zal het misschien overtuigend vinden. De structuur klopt, de termen kloppen, het ziet er professioneel uit. Maar of de aanpak past bij de cultuur van de organisatie, of de stakeholderanalyse de juiste mensen betrekt, of de communicatiestrategie realistisch is voor dit leiderschap: dat zijn oordelen die je alleen kunt vellen als je weet hoe change echt werkt.
Dat is precies waar het interessant wordt.
AI geeft je het gemiddelde
Taalmodellen zijn getraind op grote hoeveelheden tekst. Ze genereren wat het meest waarschijnlijk is: de meest gangbare aanpak, de meest gebruikte structuur, de meest voorkomende redenering. Voor change management betekent dat: een plan dat klopt voor een doorsnee situatie, in een doorsnee organisatie, met doorsnee uitdagingen. Dat is een bruikbaar vertrekpunt. Het is geen eindproduct. Change is altijd specifiek. Deze organisatie, met deze cultuur en deze geschiedenis. Dit leiderschap, met deze dynamieken en dit mandaat. Deze mensen, met deze angsten, verwachtingen en onderlinge verhoudingen. Geen AI-tool bevat die context. Die breng jij mee. En het is precies die context die bepaalt of een aanpak werkt of niet.
Twee manieren waarop expertise het verschil maakt
De waarde die je uit AI haalt, schaalt rechtstreeks met wat je zelf meebrengt. Dat werkt op twee manieren.
De eerste is 'capaciteitsvrijmaking'. AI neemt de generieke last weg: structuren opzetten, plannen uitschrijven, input analyseren, documenten samenvatten. Die vrijgekomen ruimte kun je anders inzetten. Het change-project zelf hoeft daardoor niet sneller te gaan, want mensen bewegen aan hun eigen tempo en dat verandert niet. Maar je kunt dieper gaan in wat echt telt, beter personaliseren, meer aanwezig zijn op de momenten die ertoe doen. Of je kunt als change professional meerdere trajecten tegelijk begeleiden op een manier die vroeger simpelweg niet haalbaar was. De breedte vergroot, ook als de snelheid gelijk blijft.
De tweede is kwaliteitsverbetering. AI als sparringpartner, als klankbord voor je eigen redenering. Je analyse voorleggen en laten challengen. Vragen stellen als: wat mis ik hier? Welke weerstand zie ik over het hoofd? Is mijn aanpak consistent met wat ik weet van deze organisatie? Een goed ingezette AI-tool houdt je een spiegel voor en scherpt je denken. Maar alleen als je genoeg ervaring hebt om te herkennen wanneer de feedback relevant is en wanneer ze generiek is. Die beoordeling kun je niet uitbesteden.
Agents die jouw kennis leren kennen
Er is nog een derde laag. Je kunt AI-tools opbouwen die niet generiek blijven, maar jouw manier van werken steeds beter leren kennen. Agents die je gaandeweg verfijnt, zodat ze aansluiten bij jouw aanpak, jouw taal, jouw manier van kijken naar organisaties en mensen. Die agent wordt beter met de tijd, maar alleen omdat jij er jouw specifieke kennis en ervaring in verwerkt. Iemand zonder change-achtergrond kan zo'n agent bouwen, maar kan hem niet de juiste richting geven. De kwaliteit van de output weerspiegelt de kwaliteit van wat jij erin stopt.
Een plan is niet hetzelfde als het werk
Het feit dat AI je een goed uitziend change management plan kan genereren, betekent niet dat je daarmee change kunt begeleiden. Change begeleiden vraagt oordeel: weten wanneer een aanpak klopt voor deze specifieke situatie. Het vraagt ervaring: herkennen wat er echt speelt onder de oppervlakte. Het vraagt aanwezigheid: bijsturen op het moment dat het nodig is, op basis van wat je ziet en voelt, niet op basis van een plan dat weken geleden geschreven werd. AI kan je in al die dingen ondersteunen. Het kan ze niet vervangen. Wie dat begrijpt, gebruikt AI fundamenteel anders dan wie het behandelt als een snelkoppeling naar een resultaat dat ze zelf niet kunnen beoordelen.
De zelfstudie AI voor change professionals is precies daarvoor gebouwd: een basis-setup opbouwen die je daarna zelf verder verfijnt, jouw kennis erin verwerkt, de agent maakt die bij jou past. Op jouw tempo, vanuit jouw praktijk.
Eerder verschenen in The CHNG Letter op LinkedIn.