De meeste managers gebruiken AI op dezelfde manier waarop ze iets gebruiken productiviteit hulpmiddel: sneller bewegen. Het vat vergaderingen samen, organiseert reacties en voltooit kleine taken.
Dit helpt, maar leidt niet tot echte verandering.
Echte verandering begint wanneer AI stopt met helpen en begint te handelen. Wanneer systemen problemen oplossen, workflows in gang zetten en routinematige beslissingen nemen zonder menselijke tussenkomst, zal het werk zelf veranderen. En als de baan verandert, moet de baan ook veranderen.
Laten we het voorbeeld nemen van een luchtvaartmaatschappij en verloren bagage. Generatieve AI kan uitleggen welke stappen je moet nemen om een verloren tas terug te vinden. Agentic AI heeft tot doel de tas te vinden, om te leiden en af te leveren. Mensen die voorheen aan verloren bagage werkten en deze gemakkelijk geautomatiseerde taken uitvoerden, kunnen nu worden vrijgemaakt om conciërge te worden voor deze ontevreden passagiers.
Terwijl de AI van de agent het probleem oplost, zal de mens omgaan met de zachte vaardigheden van het verontschuldigen en het aanbieden van vouchers om de overgang van passagiers naar nieuwe locaties die verstoord zijn door zoekgeraakte tassen te vergemakkelijken, en misschien nog een stap verder gaan door persoonlijke aanbevelingen te doen aan lokale winkels om benodigdheden op te halen. Nu AI zich verplaatst van het rapporteren van informatie naar het ondernemen van actie, kunnen leiders nu heroverwegen hoe werk wordt ontworpen, gemeten en ondersteund om het potentieel van de functie en de capaciteiten van de mensen daarin te maximaliseren.
Volgens gegevens van McKinsey78% van de respondenten zegt dat hun organisatie AI in ten minste één bedrijfsfunctie gebruikt. Hoewel sommigen het nog steeds bovenop bestaande rollen toepassen in plaats van de baan eromheen opnieuw te ontwerpen.
1. Als opdrachten verloren gaan, wordt beoordelen werk
Veel rollen zijn nog steeds gestructureerd rond een takenlijst: tickets beantwoorden, verzoeken verwerken, cases sluiten. Naarmate AI meer iteratieve uitvoeringen uitvoert, blijven er voor mensen alleen uitzonderingen, compromissen en niet-gescripte oordeelsoproepen over.
Neem bijvoorbeeld een medewerker van het serviceteam bij een autodealer. Tot nu toe bestonden de meeste taken uit het plannen van afspraken, het versturen van vervolg-e-mails, het voeren van vervolgoproepen en het versturen van sms-berichten. Agentic AI kan de meeste van deze banen elimineren.
Nu kunnen die teamleden beslissingen nemen die nuance en kritisch denken vereisen. Ze vernemen dat de eigenaar van een bepaald voertuig gepensioneerd is en moeite heeft zich te verplaatsen. Ze konden zien dat hun afspraak op een ochtend was waarop het zou kunnen sneeuwen. Mensen bellen vervolgens klanten en bestellen ze opnieuw als het weer gunstiger is. Het is dit menselijke tintje dat dit dealerbedrijf nu onderscheidt en de klantenloyaliteit bevordert.
2. Het meten van de huidige menselijke bijdragen
Terwijl AI volume absorbeert, dwingt het meten van de snelheid en het reactievermogen van mensen hen ertoe om te concurreren met machines op het gebied van machinevermogen. In plaats daarvan moeten evaluaties weerspiegelen wat mensen op unieke wijze ter tafel brengen: de kwaliteit van het oordeelsvermogen, het vermogen om herhaling van problemen te voorkomen en het beheer van systemen die in de loop van de tijd leren.
In het bovenstaande voorbeeld kunnen serviceteamleden bij een autodealer nu niet worden beoordeeld op basis van het aantal gemaakte afspraken of het aantal geannuleerde annuleringen, maar op basis van uitkomsten zoals klanttevredenheid en terugkerende klanten. KPI’s moeten persoonlijk of telefonisch met klanten worden gedaan om te up-sellen of betere services voor te stellen die hun voertuig nodig heeft.
3. Menselijke verantwoordelijkheid voor AI-werk
Als het om AI gaat, moet het eigenaarschap duidelijk zijn. Je moet eigenaar zijn van je eigen resultaten, zelfs als het systeem actie onderneemt. Iemand moet eigenaar zijn van escalatieregels, workflows en beoordelingen. Zonder die duidelijkheid zal AI de wrijving niet verminderen, maar deze eenvoudigweg verschuiven naar het moment waarop er iets misging.
In het voorbeeld van de autodealer moeten mensen nog steeds toezicht houden op de AI-agenten die het werk doen en ervoor zorgen dat het werk goed wordt gedaan. Als er een probleem is, moeten zij dit kunnen onderkennen en met een oplossing kunnen komen.
Een van de grootste risico’s van AI is niet falen, maar eerder menselijke nalatigheid bij het toezicht houden op de algemene strategie en de grotere doelen die de AI bereikt. Systemen die ‘grotendeels werken’ vervagen totdat ze niet meer werken. Het team heeft beschermde tijd nodig om te beoordelen hoe de AI goed presteert, waar hij het moeilijk heeft en waarom.
Vooruitkijken
Deze verschuiving is niet theoretisch. Klarna heeft dit publiekelijk uitgelegd hoe de AI-assistent nu de meeste interacties met de klantenservice afhandelt, een voorbeeld van hoe snel AI zich ontwikkelt van een ondersteunend hulpmiddel naar eerstelijnswerkers.
Als AI echt werk doet, zijn oude functiebeschrijvingen niet langer zinvol. Rollen, verantwoordelijkheden, statistieken en toezicht moeten samen opnieuw worden ontworpen. AI ontwikkelt zich het snelst wanneer mensen het actief beoordelen en begeleiden, niet wanneer toezicht een bijzaak is.
De volgende werkfase gaat niet over het beheren van mensen en hulpmiddelen. Het gaat over het ontwerpen van systemen waarbij de verwachtingen duidelijk zijn, het eigendom duidelijk is, mensen zich concentreren op zinvolle beslissingen en AI in stilte de rest afhandelt.
Als leiders hun werk niet opzettelijk herontwerpen, zal het voor hen opnieuw ontworpen worden, vanwege de technologie, vanwege dringende mislukkingen en vanwege de langzame erosie van de duidelijkheid binnen hun teams.
