De meeste managers gebruiken AI op dezelfde manier waarop ze die gebruiken productiviteit hulpmiddel: sneller bewegen. Het vat vergaderingen samen, stelt antwoorden op en verwijdert kleine taken van de plaat.
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 je moet nemen om een verloren tas terug te vinden. Agentic AI heeft tot doel de tas daadwerkelijk te vinden, om te leiden en af te leveren. De persoon die in verloren bagage werkte en deze gemakkelijk geautomatiseerde taken uitvoerde, kan nu worden bevrijd 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 vouchers om de overgang van de passagier naar een nieuwe locatie die werd verstoord door een zoekgeraakte tas te vergemakkelijken, en misschien 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 erin optimaal te benutten.
Volgens gegevens van McKinseyzegt 78% van de respondenten dat hun organisaties AI in ten minste één zakelijke functie gebruiken. 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 mensen uitzonderingen, afwegingen en oordelen over die niet met een script gepaard gaan.
Neem bijvoorbeeld een lid van het serviceteam bij 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 kunnen zien dat hun afspraak 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 aanrakingen zullen dit dealerbedrijf 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 kan het serviceteamlid bij de 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. De KPI’s moeten persoonlijke of telefonische contactpunten met een klant zijn om te up-sellen, of om 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 uitkomsten, 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 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 zij deze kunnen opvangen en met oplossingen kunnen komen.
Een van de grootste risico’s bij AI is niet het falen, maar de verwaarlozing door mensen die toezicht houden op de algemene strategie en de grotere doelen die de AI voltooit. Systemen die “grotendeels werken” verdwijnen naar de achtergrond totdat ze dat niet meer doen. Teams hebben beschermde tijd nodig om te beoordelen waar AI goed presteerde, waar het moeite 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 van ondersteuningstool naar eerstelijnsmedewerker evolueert.
Zodra AI echt werk doet, houden de oude functiebeschrijvingen op te kloppen. 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 fase van het werk 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 de rest stilletjes afhandelt.
Als leiders het werk niet opzettelijk herontwerpen, zal het voor hen opnieuw ontworpen worden, door de technologie, door urgente mislukkingen en door de langzame erosie van de duidelijkheid binnen hun teams.
