Building Better Workdays

Je werk is ingedeeld voor een wereld zonder AI

Bijna alle AI wordt bovenop bestaand werk gelegd. Je mensen doen dezelfde dingen, in dezelfde volgorde, alleen sneller. En toch verandert er weinig wezenlijks.

Dat is geen indruk, het is gemeten. Bedrijven gaven samen tientallen miljarden uit aan generatieve AI, en toch zag het overgrote deel er geen meetbaar rendement van. Niet omdat de techniek tekortschoot, maar omdat ze op bestaande werkwijzen werd gelegd zonder dat het werk zelf veranderde. Eén directeur vatte het in dat onderzoek treffend samen: op LinkedIn lijkt alles veranderd, maar in de eigen operatie was niets fundamenteels verschoven.

Dat is ook logisch. De manier waarop het werk nu is ingedeeld (wie wat doet, in welke stappen, met welke overdrachten) is ontstaan in een tijd zonder AI. Je legt een nieuw, krachtig gereedschap op een indeling die die kracht niet kende. Je versnelt dus iets dat eigenlijk niet meer klopt.

Wij beginnen ergens anders. Niet bij de tool, maar bij het werk. Eerst begrijpen hoe het echt in elkaar zit: waar tijd verdwijnt, waar het stroef loopt, waar het oordeel zit dat alles draagt. Pas daarna komt de vraag wat AI eraan verandert. Want je haalt het maximale uit AI niet door een tool over je organisatie heen te leggen, maar door het werk van daaruit opnieuw in te richten.

Een functie is geen baan, het is een bundel taken

Neem Maasveld, een inspectiebureau van een man of tachtig dat we als voorbeeld gebruiken omdat het zo herkenbaar is. Een ervaren inspecteur daar heeft op papier één functie. In werkelijkheid doet ze tientallen dingen die samen die functie vormen: ze leest meetrapporten, ze weegt risico's, ze belt de opdrachtgever met een lastige uitkomst, ze tekent voor het oordeel, ze leidt een jongere collega op in het veld. Sommige van die taken lenen zich uitstekend voor AI. Andere, zoals het oordeel, het gesprek en de verantwoordelijkheid, niet of nauwelijks.

De fout die bijna iedereen maakt, is naar losse taken kijken. "Deze taak kan AI overnemen, dus dat doen we." Maar werk wordt niet per taak gewaardeerd. Het wordt per functie gewaardeerd: als een geheel dat samen iets oplevert wat de klant wil. De taken hangen aan elkaar. Het rapport dat ze leest, voedt het gesprek dat ze voert. Het gesprek scherpt het oordeel dat ze tekent.

Het scherpste voorbeeld komt uit de geneeskunde. Een AI kan een röntgenscan inmiddels uitstekend lezen, op sommige punten beter dan een mens. Toch verdwijnt de radioloog niet. Want een radioloog doet meer dan beelden classificeren: ze bepaalt welke gevallen voorrang krijgen, overlegt met de behandelend arts, traint co-assistenten, neemt de moeilijke beslissing, en zet haar handtekening onder een diagnose waar anderen op handelen. Wat het ziekenhuis koopt, is niet een classificatie, maar dat hele pakket, met één verantwoordelijke. De AI neemt de scan; de bundel blijft.

Dáár zit de kern. De vraag is niet alleen welke taken AI aankan, maar wat er gebeurt met de samenhang als je een taak eruit haalt. Soms kun je een taak losweken zonder dat er iets breekt. Soms haal je er één draad uit en valt het weefsel uit elkaar.

Waarom de ene rol groeit en de andere uitholt

Hetzelfde stukje AI kan twee rollen tegenovergesteld raken. Bij de één groeit de waarde, bij de ander lekt ze weg. Het verschil zit niet in de AI, maar in hoe sterk de taken samenhangen.

Als de taken in een rol los van elkaar staan, kun je er makkelijk één uit halen en aan AI geven. Wat overblijft voor de mens is een smaller takenpakket, en daarmee een smallere rol. De waarde die de mens toevoegde, verschuift naar de machine.

Als de taken juist sterk verweven zijn, als het oordeel niet los te knippen is van het gesprek en het gesprek niet los van de verantwoordelijkheid, dan kan AI de rol niet opbreken. Dan doet AI het zware voorwerk, en houdt de mens het deel dat alles bij elkaar houdt. De rol wordt niet smaller, maar rijker. Er komt ruimte vrij voor precies dat werk dat alleen een mens kan doen.

Dat dit geen woordspel is, blijkt zodra je twee ogenschijnlijk vergelijkbare functies naast elkaar legt. Onderzoekers vergeleken een boekhoudkundig medewerker met een voorraadbeheerder, beide met veel routinewerk en beide kwetsbaar voor automatisering. Toch liep het tegengesteld af. Bij de één nam de techniek vooral het eenvoudige werk weg, waardoor het oordeelswerk dat overbleef juist zwaarder ging wegen en het loon steeg. Bij de ander verdween het expertdeel, en holde de rol uit. Dezelfde soort automatisering, tegenovergestelde uitkomst, bepaald door wélke taak eruit ging.

En het verschil is niet klein. In het economisch model achter dit denken daalt in een rol met zwakke samenhang de werkgelegenheid met zo'n 7% en het arbeidsinkomen met zo'n 12% naarmate AI sterker wordt. In een rol met sterke samenhang blijft beide vrijwel stabiel. Sterke en zwakke bundels zijn dus geen filosofie. Het verschil is meetbaar, in banen en in geld.

Of een rol naar links of naar rechts beweegt, is geen lot. Het is een ontwerpkeuze. En om die keuze goed te maken, moet je per taak weten hoe diep ze in de bundel zit. Wij wegen dat op drie dingen:

Scoort een taak hoog op deze drie, dan hoort ze in de bundel te blijven, want daar versterkt AI haar van binnenuit. Scoort ze laag, dan kan AI haar overnemen zonder dat er waarde sneuvelt, en komt er tijd vrij voor het werk dat er wél toe doet.

Bij Maasveld liep het op één plek anders dan verwacht. Het verwerken van inspectierapporten leek een typische taak om aan AI te geven: saai, repetitief, tijdrovend. Maar in dat verwerken zat iets verstopt: het was precies het moment waarop een inspecteur kleine afwijkingen zag die nergens als risico waren aangevinkt. Haal je die taak weg, dan haal je ook dat vangnet weg. We hebben hem niet geautomatiseerd, maar AI ernaast gezet: de inspecteur houdt de blik, de AI doet het opmaken. En soms is de eerlijke uitkomst simpelweg: hier laten we alles zoals het is, want AI zou het hier alleen maar slechter maken. Dat hoort er net zo goed bij.

Wat werkt, en wat niet

Inmiddels weten we redelijk goed waar het misgaat met AI op het werk, en waar het wél lukt. Het patroon is opvallend consistent, en het bevestigt waarom beginnen bij het werk geen kwestie van smaak is.

Het grootste onderzoek tot nu toe keek naar honderden AI-invoeringen bij bedrijven. De uitkomst was ontnuchterend: het overgrote deel leverde geen meetbaar resultaat. Niet omdat de modellen niet goed genoeg waren, die waren prima, maar omdat de AI op bestaande, haperende werkwijzen werd gelegd zonder ze te leren kennen of aan te passen. De onderzoekers noemden de kern van het probleem niet techniek, niet regelgeving, niet talent, maar iets anders: het werk en de tool leerden niet van elkaar.

Dat laatste is veelzeggend. In hetzelfde onderzoek haalden invoeringen die intern vakmanschap met externe expertise combineerden ruwweg drie keer zo vaak een resultaat als invoeringen die puur door de IT-afdeling werden gedaan. Niet omdat IT het niet kan, maar omdat de mensen die het werk dagelijks doen, weten wat een tool nooit uit zichzelf weet.

Er is ook bemoedigend bewijs van wat er gebeurt als je AI wél dicht op het echte werk zet. In een groot experiment bij een internationaal bedrijf werkten honderden professionals aan echte vraagstukken, met en zonder AI. Wie AI gebruikte, evenaarde in z'n eentje de kwaliteit van een compleet tweekoppig team. Maar het interessantste was iets anders: AI brak de schotten tussen vakgebieden. Mensen met een commerciële achtergrond kwamen met technischer ideeën, en techneuten met commerciëlere, alsof de AI de kennis van het hele team toegankelijk maakte voor ieder individu. En in tegenstelling tot wat je zou verwachten, voelden mensen mét AI zich níet eenzamer of gefrustreerder; ze rapporteerden juist mínder frustratie en meer energie.

Herontwerpen doe je samen met wie het werk kent

Niemand kent een vak beter dan de mensen die het dagelijks doen. Zij weten waar het oordeel zit dat niet in een handleiding staat, waar de schijnbaar simpele taak eigenlijk een vangnet is, waar de bundel sterk is en waar ze rafelt.

Daarom is herontwerpen bij ons geen oefening die wíj over een organisatie heen leggen. Het is werk dat we samen doen. Wij brengen het ene, de vakexperts brengen het andere, en geen van beide werkt zonder de ander.

Dat snijdt twee kanten op, tegelijk. De vakexpert wordt scherper in wat AI voor het eigen werk kan betekenen, niet omdat wij dat komen brengen, maar omdat we het samen op het echte werk uitproberen. En het werk zelf wordt beter ingedeeld, met meer ruimte voor het deel dat er werkelijk toe doet. De mens past zich niet aan de tool aan. Het werk verandert, en de mens die het kent, bepaalt mee hoe.

Zo werken wij

Dit is geen losse gedachte en geen toevallige aanpak. Het is de manier waarop wij werk en AI bij elkaar brengen, gegroeid in de praktijk en geschraagd door wat de beste denkers over werk al decennia onderzoeken.

We brengen het niet als een methode met genummerde stappen en strakke fases, want zo voelt werk niet, en zo voelt deze aanpak ook niet. Maar onder de ervaring zit wel degelijk een vaste lijn. Vijf bewegingen die in elkaar overlopen:

Het resultaat is geen organisatie die sneller hetzelfde doet. Het is een organisatie waar het werk beter verdeeld is tussen mens en AI, met meer ruimte voor het werk dat ertoe doet. Dat is wat we bedoelen met betere werkdagen, en het is precies wat we bouwen.

En het stopt niet bij oplevering

De gangbare gang van zaken is bekend: er wordt een traject gedaan, er wordt iets opgeleverd, en daarna staat de organisatie er weer alleen voor. Maar werk staat niet stil, en AI al helemaal niet. Een taak die we vandaag bewust bij de mens laten, kan over een half jaar prima door AI. Juist op het moment dat alles blijft bewegen, hoort de vraag wie de grip houdt niet onbeantwoord te blijven.

Daarom blijft alles wat we samen bouwen leven op één plek: Augmentic Workbench, het platform waarmee we onze diensten leveren en dat we voor je onderhouden. Daar komt de levende context van je werk samen met de werkende oplossingen, en daar houd jij, afhankelijk van je rol, zelf zicht en sturing: op wat het kost, of het werk er beter van wordt, of het veilig en navolgbaar blijft, hoe het werk binnen een afdeling verschuift, en wat er nieuw kan zodra de techniek opschuift. Geen blackbox, maar een plek waar je aan de knoppen zit. En omdat Workbench bóven de AI-platformen staat en niet aan één daarvan vastzit, houd je die grip ongeacht welk platform je kiest.

Dat is het verschil tussen een traject dat afloopt en een aanpak die blijft meegroeien. We gaan niet weg, en juist daardoor blijft de regie bij jou.