De meeste managers gebruiken NAAR DE op dezelfde manier waarop ze die gebruiken productiviteit hulpmiddel: sneller bewegen. Vat vergaderingen samen, verwerkt reacties en schrapt kleine taken van uw bord.
Dit helpt, maar echte verandering ontbreekt.
Echte verandering begint wanneer AI stopt met het bieden van hulp en actie begint te ondernemen. Wanneer systemen problemen oplossen, workflows mogelijk maken en routinematige beslissingen nemen zonder menselijke tussenkomst, verandert het werk zelf. En als het werk verandert, moet het werk 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. De AI van Agentic heeft tot doel de tas daadwerkelijk te vinden, om te leiden en af te leveren. De persoon die aan de verloren bagagekoffer heeft gewerkt en deze gemakkelijk geautomatiseerde taken heeft uitgevoerd, kan nu worden vrijgelaten en meer een conciërge voor deze ontevreden passagiers worden.
Terwijl de AI van de agent het probleem oplost, verzorgt de mens de zachte vaardigheden van het aanbieden van excuses en het aanbieden van vouchers om de overgang van de passagier naar een nieuwe locatie die werd onderbroken door een verloren tas te vergemakkelijken, en misschien nog een stap verder te gaan om 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 banen worden ontworpen, gemeten en ondersteund om het potentieel van de functie en de capaciteiten van de persoon die deze vervult te maximaliseren.
Volgens gegevens van McKinsey78% van de respondenten zegt dat hun organisaties AI in ten minste één bedrijfsfunctie gebruiken. Hoewel sommigen het nog steeds toepassen op bestaande rollen in plaats van het werk eromheen opnieuw te ontwerpen.
1. Wanneer huiswerk verdwijnt, wordt oordeel werk
Veel rollen zijn nog steeds gestructureerd rond takenlijsten: reageren op tickets, verwerken van verzoeken, afsluiten van cases. Naarmate AI een meer herhaalbare uitvoering krijgt, blijven er voor mensen uitzonderingen, compromissen en oordelen over die geen script hebben.
Neem bijvoorbeeld een lid van het serviceteam bij een autodealer. Tot nu toe bestonden de meeste van hun activiteiten uit het plannen van afspraken, het versturen van vervolgmails, het voeren van vervolgoproepen en sms-berichten. Agentic AI kan het grootste deel van dit werk verwijderen.
Nu kan dat teamlid 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 kunnen zien dat hun date op een ochtend is waarop het zou kunnen sneeuwen. De mens belt vervolgens de klant en boekt deze om voor als het weer gunstiger is. Dit soort menselijke aanraking zal dit dealerbedrijf nu onderscheiden en de klantenloyaliteit vergroten.
2. Meet de huidige bijdrage van de mens
Terwijl AI volume absorbeert, dwingt het meten van mensen in termen van snelheid en reactievermogen hen ertoe om te concurreren met machines op basis van de sterke punten van de machines. De beoordeling zou in plaats daarvan moeten weerspiegelen wat mensen op unieke wijze bieden: kwaliteitsoordeel, het vermogen om te voorkomen dat problemen zich herhalen, en het beheer van systemen die in de loop van de tijd leren.
In het bovenstaande voorbeeld wordt het serviceteamlid bij de autodealer nu mogelijk niet beoordeeld op basis van het aantal gemaakte afspraken of verplaatste annuleringen, maar op basis van uitkomsten zoals klanttevredenheid en terugkerende klanten. KPI’s moeten persoonlijke of telefonische contactpunten met een klant zijn om verkopen te realiseren of betere services te suggereren 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 de actie door een systeem wordt ondernomen. Iemand moet eigenaar zijn van escalatieregels, workflows en beoordelingen. Zonder deze duidelijkheid vermindert AI de wrijving niet, maar verschuift deze eenvoudigweg zodra er iets misgaat.
In het voorbeeld van een autodealer zou een mens nog steeds toezicht moeten houden op de AI-agenten die het werk doen en ervoor moeten zorgen dat het goed wordt gedaan. Als er problemen zijn, moeten ze deze kunnen identificeren en oplossingen kunnen vinden.
Een van de grootste risico’s met betrekking tot AI is niet falen, maar nalatigheid van de kant van mensen bij het toezicht houden op de algemene strategie en grotere doelen die de AI voltooit. Systemen die ‘grotendeels werken’ verdwijnen naar de achtergrond totdat ze niet meer werken. Teams hebben beschermde tijd nodig om te onderzoeken waar de AI goed werkte, waar hij het moeilijk had en waarom.
Vooruitkijken
Deze verandering is niet theoretisch. Klarna heeft dit publiekelijk beschreven de manier waarop de AI-assistent nu een aanzienlijk deel van de klantenservice-interacties afhandelt, is een voorbeeld van hoe snel AI zich ontwikkelt van ondersteuningstool naar frontlijnmedewerker.
Zodra AI het echte werk begint te doen, houden oude functiebeschrijvingen op te kloppen. Rollen, verantwoordelijkheden, parameters en toezicht moeten samen opnieuw worden ontworpen. AI verbetert sneller wanneer mensen deze actief beoordelen en begeleiden, niet wanneer er later toezicht op wordt uitgeoefend.
De volgende fase van het werk gaat niet over het managen van mensen en 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 afhandelt.
Als leiders het werk niet opzettelijk herontwerpen, zal het voor hen opnieuw ontworpen worden, door technologie, door urgente mislukkingen en door de langzame erosie van de duidelijkheid binnen hun teams.
