De meeste managers gebruiken AI op dezelfde manier waarop ze iemand gebruiken productiviteit hulpmiddel: sneller bewegen. Het vat vergaderingen samen, bereidt conceptreacties voor en verwijdert kleine taken van het bord.
Dat helpt, maar het mist de echte verandering.
De echte verandering begint wanneer AI stopt met assisteren en begint te handelen. Wanneer systemen problemen oplossen, workflows in gang zetten en routinebeslissingen nemen zonder menselijke tussenkomst, verandert het werk zelf. En als het werk verandert, moet de baan ook veranderen.
Laten we het voorbeeld nemen van een luchtvaartmaatschappij en verloren bagage. Generatieve AI kan uitleggen welke stappen u moet nemen om een verloren tas terug te vinden. Agentic AI heeft tot doel de tas daadwerkelijk te vinden, door te sturen en af te leveren. De persoon die in verloren bagage heeft gewerkt en deze gemakkelijk geautomatiseerde taken heeft uitgevoerd, kan nu worden vrijgemaakt om meer een conciërge voor deze ontevreden passagiers te worden.
Terwijl agent AI het probleem oplost, behandelt de mens de zachte vaardigheden van het verontschuldigen en het aanbieden van kortingsbonnen om de overgang van de passagier naar een nieuwe locatie te vergemakkelijken die wordt verstoord door een zoekgeraakte tas, en gaat misschien nog een stap verder door gepersonaliseerde aanbevelingen te doen aan lokale winkels om spullen op te halen. Nu kunstmatige intelligentie zich verplaatst van het rapporteren van informatie naar het ondernemen van actie, kunnen managers nu heroverwegen hoe banen worden ontworpen, gemeten en ondersteund om het potentieel van de functie en de capaciteiten van de persoon erin zo goed mogelijk te maximaliseren.
Volgens gegevens van McKinsey78% van de respondenten zegt dat hun organisaties kunstmatige intelligentie gebruiken in ten minste één zakelijke functie. Hoewel sommigen het nog steeds bovenop bestaande rollen toepassen in plaats van het werk eromheen opnieuw te ontwerpen.
1. Wanneer taken verdwijnen, wordt oordeel de taak
Veel rollen zijn nog steeds gestructureerd rond takenlijsten: tickets beantwoorden, verzoeken verwerken, cases afsluiten. Naarmate AI een meer herhaalbare uitvoering krijgt, blijven er voor de mens uitzonderingen, afwegingen en oordelen over die niet met een script gepaard gaan.
Neem bijvoorbeeld een lid van het serviceteam van een autodealer. Tot nu toe bestond het merendeel van hun taken uit het plannen van afspraken, het versturen van vervolgmails, het voeren van vervolgoproepen en sms-berichten. Agentic AI kan het grootste deel van dat werk verwijderen.
Nu kan dat lid van het team de beslissingen nemen die nuance en kritisch denken vereisen. Ze weten dat de eigenaar van een bepaald voertuig gepensioneerd is en moeite heeft zich te verplaatsen. Ze zien dat hun afspraak een ochtend is waarop het kan sneeuwen. De mens belt dan de klant en boekt hem om voor als het weer gunstiger is. Dit soort menselijke aanrakingen zullen deze retailer nu onderscheiden en de klantenloyaliteit vergroten.
2. Meet wat mensen nu bijdragen
Terwijl AI volume absorbeert, dwingt het meten van mensen op snelheid en reactievermogen hen ertoe om met machines te concurreren op het gebied van machinesterkte. In plaats daarvan zou evaluatie moeten weerspiegelen wat mensen op unieke wijze bieden: de kwaliteit van het oordeel, 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 kon het serviceteamlid bij de autodealer nu niet worden beoordeeld op het aantal vaste afspraken of annuleringen dat werd verzet, maar op uitkomsten zoals klanttevredenheid en terugkerende klanten. De KPI’s moeten persoonlijk of via de telefoon contactpunten met een klant zijn om te upsellen of betere diensten voor te stellen die hun voertuig nodig heeft.
3. Menselijke verantwoordelijkheid voor AI-werk
Als het om AI gaat, moet het eigenaarschap expliciet zijn. Iemand moet eigenaar zijn van de resultaten, zelfs als een systeem de actie onderneemt. Iemand moet eigenaar zijn van escalatieregels, workflows en beoordelingen. Zonder die duidelijkheid vermindert AI de wrijving niet, maar verschuift deze alleen naar het moment dat er iets misgaat.
In het voorbeeld van autodealers moet een mens nog steeds toezicht houden op de AI-agenten die het werk doen en ervoor zorgen dat het goed wordt gedaan. Als er problemen zijn, moeten zij deze kunnen opvangen en met oplossingen kunnen komen.
Een van de grootste risico’s van AI is niet falen, maar verwaarlozing door mensen die toezicht houden op de algemene strategie en de grotere doelen die de AI bereikt. Systemen die ‘grotendeels werken’ verdwijnen naar de achtergrond totdat ze dat niet meer doen. Teams hebben beschermde tijd nodig om te beoordelen waar de AI het goed deed, waar hij het moeilijk had en waarom.
Vooruitkijken
Deze verschuiving is niet theoretisch. Klarna heeft dit publiekelijk beschreven hoe de AI-assistent nu een aanzienlijk deel van de klantenservice-interacties afhandelt, een voorbeeld van hoe snel AI zich ontwikkelt van ondersteuningstool tot frontlijnmedewerker.
Zodra AI echt werk doet, zijn de oude functiebeschrijvingen niet langer logisch. Rollen, verantwoordelijkheid, statistieken en toezicht moeten allemaal samen opnieuw worden ontworpen. AI verbetert het snelst wanneer mensen het actief beoordelen en begeleiden, niet wanneer toezicht als een bijzaak wordt beschouwd.
De volgende werkfase gaat niet over het managen van mensen plus tools. Het gaat over het ontwerpen van systemen waarbij de verwachtingen duidelijk zijn, het eigendom expliciet is, mensen zich concentreren op zinvolle beslissingen, en AI in stilte de rest doet.
Als leiders de baan niet met opzet opnieuw ontwerpen, zal deze voor hen opnieuw worden ontworpen, door technologie, door urgente mislukkingen en door de langzame erosie van de duidelijkheid in hun teams.
