AI-pilots stranden zelden op de techniek. Ze stranden op wat mensen wel en niet kunnen, durven en weten. Een organisatie kan uitstekende data en solide infrastructuur hebben en toch vastlopen, omdat niemand goed weet wat AI wel en niet doet, wanneer wantrouwen terecht is en wanneer niet, en wie welke rol heeft als een model iets aanlevert dat een mens moet beoordelen. Deze pagina gaat over die dimensie: mensen en vaardigheden, een van de zeven dimensies die de volwassenheidsmeting van hybridresourcing in kaart brengt.
Mensen en vaardigheden gaat over drie lagen die vaak los van elkaar worden behandeld terwijl ze samenhangen. De eerste laag is kennis: begrijpen medewerkers wat een AI-systeem doet, waar de grenzen liggen en welke fouten typisch zijn voor het type toepassing dat ze gebruiken. De tweede laag is vaardigheid: kunnen mensen een AI-uitkomst daadwerkelijk beoordelen, bijstellen of naast hun eigen oordeel leggen. De derde laag is houding: is er ruimte om AI te proberen, fouten te melden en bij te sturen, of overheerst koudwatervrees of blind vertrouwen. Een organisatie die alleen in trainingen investeert maar de houding niet aanpakt, blijft vaak op hetzelfde niveau hangen, ook na jaren van cursussen.
Omdat deze dimensie sterk afhangt van individuele mensen, meet hybridresourcing haar niet met één score maar met een plot-ronde: meerdere betrokkenen scoren apart, en de spreiding tussen hun antwoorden wordt zichtbaar. Een grote spreiding is zelf al een uitkomst. Het laat zien dat de organisatie op papier één niveau lijkt te hebben, terwijl de werkvloer iets anders ervaart dan het management.
Op baseline-niveau is er geen gedeeld beeld van wat AI is of doet. Losse mensen experimenteren, maar er is geen gemeenschappelijke taal en geen structuur om ervaring te delen. Op foundation-niveau is er basiskennis aanwezig, meestal bij een beperkte groep, en de rest van de organisatie volgt op afstand. Activation-niveau betekent dat een substantieel deel van de betrokken medewerkers weet wat AI in hun eigen werk betekent en er praktisch mee kan omgaan. Insight-niveau voegt daaraan toe dat mensen AI-uitkomsten kritisch kunnen beoordelen en weten wanneer ze moeten twijfelen. Op intelligence-niveau is die vaardigheid verspreid door de organisatie, verankerd in hoe mensen werken en niet afhankelijk van een paar early adopters.
Waar een organisatie op deze schaal staat, is nooit een kwestie van intuïtie. Het hangt af van hoeveel mensen daadwerkelijk met AI werken, hoe divers hun ervaringen zijn en of die ervaringen ergens samenkomen. Dat is precies waarom de plot-ronde meer oplevert dan een enquête met één respondent per team.
Een aantal signalen wijst op een laag niveau. Als vragen over AI altijd bij dezelfde paar mensen terechtkomen, is de kennis niet verspreid. Als niemand een AI-uitkomst durft af te wijzen omdat men de logica erachter niet kent, ontbreekt de vaardigheid om te beoordelen. Als AI-projecten worden gestart zonder dat de mensen die ermee moeten werken zijn betrokken, ontbreekt het draagvlak dat nodig is om iets voorbij de pilotfase te tillen.
Een hoger niveau herkent u aan het tegenovergestelde: discussies over AI-uitkomsten die inhoudelijk zijn in plaats van principieel, medewerkers die zelf voorstellen waar AI wel en niet bij kan helpen, en een organisatie waarin twijfel over een AI-resultaat als normaal onderdeel van het werk wordt gezien, niet als een teken dat het project mislukt is.
De weg naar een hoger niveau begint zelden bij meer techniek. Ze begint bij zichtbaar maken wat mensen al weten en waar de gaten zitten, en bij het organiseren van momenten waarop ervaring wordt gedeeld in plaats van geïsoleerd blijft bij losse experimenten. Wat dat concreet kost, in tijd en aandacht, verschilt sterk per organisatie en per uitgangsniveau; wie daar een indicatie van wil, vindt dat op de pagina die uitrekent wat het kost om organisatie een niveau te laten stijgen.
Mensen en vaardigheden staat overigens niet los van de andere dimensies. Wie AI wil beoordelen, moet ook begrijpen hoe die beoordeling wordt vastgelegd en gebruikt, en dat raakt aan prestatiemanagement als het gaat om AI. Wie fouten wil durven melden, moet weten dat privacy en beveiliging op orde zijn, iets dat samenhangt met wat het kost om privacy en beveiliging een niveau te laten stijgen. En wie vertrouwen wil opbouwen in AI-uitkomsten, botst vroeg of laat op vragen die horen bij wat het kost om ethiek een niveau te laten stijgen.
Deze pagina beschrijft of de mensen in uw organisatie AI kunnen dragen: begrijpen, beoordelen en bijsturen. Ze beschrijft niet welk deel van het werk zelf door AI is over te nemen. Dat is een andere vraag, met een ander instrument. De werkscan van FTE TO AI rekent per taak uit welk deel van het werk voor AI in aanmerking komt, gegeven de aard van de taak en de context waarin die wordt uitgevoerd. Die uitkomst is pas betekenisvol wanneer de dragende kant, inclusief de mensen die met de uitkomsten moeten werken, al een bepaald niveau heeft bereikt. Wie wil weten waar de organisatie op dit moment staat, kan zich aanmelden voor de wachtlijst van de volwassenheidsmeting, die nog in aanbouw is.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.