Grijs wordt goud: AI als antwoord op personeelstekort

Hoi, welkom bij een nieuwe aflevering van AIToday Live. Ik ben Joop Snijder en vandaag ga ik het hebben met jullie over een onderwerp dat vrijwel elk bedrijf in Nederland raakt. Hoe kunnen we met minder mensen hetzelfde of meer werk verzetten? We hebben te maken met vergrijzing en een arbeidsmarkt die steeds krapper wordt. En AI zou ons daarbij kunnen helpen, maar hoe zorg je ervoor dat dit dan ook echt lukt? Een van de grote beloftes van kunstmatige intelligentie is productiviteitsverbetering. We hebben het vaak over vergrijzing en wat er allemaal op ons afkomt. En als je deze dingen wil blijven doen, of zelfs meer met minder mensen, dan moet er gewoon productiviteitswinst gehaald worden. In mijn gesprekken met bedrijven zie ik dat AI deze belofte zeker kan inlossen. Maar alleen als je heel goed kijkt waar in het proces je deze technologie inzet. Want wat we vaak tegenkomen is dat er heel erg puntsgewijs wordt gekeken waar AI kan helpen en waar het een proces zou kunnen versnellen. Maar wat vaak vergeten wordt is dat dit subprocessen zijn in een veel groter geheel. En als je dat grotere geheel uiteindelijk niet in zijn geheel productiever maakt, ben je bezig met suboptimalisatie. Dat is toch echt zonde van je tijd, geld en energie. Laat me dit verduidelijken met een voorbeeld. Want wat er feitelijk gebeurt bij suboptimalisatie is dat je wachttijd creëert tussen verschillende processen. En die wachttijd wordt alleen maar langer. Klinkt misschien vreemd, maar blijft er even bij. Je maakt dus namelijk iets efficiënter, waardoor je eigenlijk de bottleneck alleen maar verplaatst. In plaats van dat je de bottleneck oplost. Stel je voor, je optimaliseert één specifiek onderdeel van je productieproces met AI, maar dit leidt alleen maar tot een hogere output die vervolgens moet wachten op het volgende proces in de keten. Je hebt dan misschien dat ene proces sneller gemaakt, maar de totale doorlooptijd blijft hetzelfde. In het slechtste geval wordt het zelfs langer. Dit zie je bijvoorbeeld bij planningsystemen. Ik was ooit betrokken bij een project van een leverancier van software die planningsoftware ontwikkelde voor kassencomplexen. Deze software zou planners ondersteunen bij het bepalen waar gewassen in kassen moesten staan. De belofte was dat AI dit veel beter zou kunnen plannen dan mensen. En puur technisch gezien klopte dat ook. Maar wat we onderschatten was de impliciete kennis en flexibiliteit die deze planners bezaten. In plaats van dat ze voor 100% zo'n kas vulden zoals het systeem zou doen, konden deze ervaren planners op sommige momenten wel 110% realiseren door slim gebruik te maken van bijvoorbeeld gangen of tijdelijke opslagruimtes. Ze, tussen aanhalingstekens, smokkelden met de regels op een manier die moeilijk in een algoritme te vangen was. Deze leverancier liep uiteindelijk vast op zoveel weerstand bij de afnemers dat ze gestopt zijn met het experiment. De adoptie werd simpelweg niet gevraagd in de markt, omdat de AI oplossing de volledige complexiteit en flexibiliteit van het menselijk oordeelsvermogen niet kon overnemen. Een ander aspect dat vaak vergeten wordt als we het hebben over de toepassing van AI, is hoeveel training en kennis er door medewerkers moet worden opgedaan om deze processen ook goed uit te voeren. Er ontstaat een wezenlijke verandering in hoe het werk eruit gaat zien. De eerste stap is vaak dat je hoopt dat wat je nu als mens doet door AI kan worden overgenomen. Zo werkt het natuurlijk niet. Die processen gaan veranderen. De mens moet meer naar de technologie komen of de technologie moet meer naar de mens toe. Maar het betekent dat mensen moeten leren omgaan met een hele andere manier van werken. Niels, de andere host van deze podcast, die vertelde me ooit eens enthousiast over een project dat hij in de praktijk heeft gezien bij een slachthuis. Daar stonden mensen aan de slachtlijn die visueel drie type varkens moesten herkennen. Het ging zoiets als om een zeug, beer en een borg. Het maakt op zich niet zo wel uit om te bepalen welke vervolgstappen er in het slachtproces moesten plaatsvinden. Ze hebben daar een AI-model geïmplementeerd dat hetzelfde deed met een camera. En wat Niels zo bijzonder vond was dat ze niet die persoon hebben vervangen. En in tegendeel, die medewerker is de validatie van het AI-model gaan doen en de bijsturing daarvan. Zijn jarenlange ervaring en kennis werd gecombineerd met de technologie. En Niels vertelde dat in eerste instantie het model nog niet zo goed was. Maar naarmate het model beter werd, zag hij de sprankeling in de ogen van die medewerker van wauw, dit kan met technologie. En vervolgens maakte die persoon zelf de stap naar, ja maar hoe kunnen we dit in het proces verder omarmen? we moeten wel rekening houden dat naast menselijk draagvlak ook strategische scherpte nodig is voor succes zo laat het voorbeeld van Niels zien hoe belangrijk het is om medewerkers vanaf het begin te betrekken bij AI implementaties maar helaas is deze betrokkenheid niet altijd vanzelfsprekend er zit vaak een groot verschil in de manier waarop verschillende lagen in de organisatie naar AI projecten kijken en wat we vaak zien is dat hoe hoger je in de organisatie komt, hoe makkelijker er eigenlijk wordt gedacht over die veranderende processen. Er wordt te weinig rekening gehouden met wat het voor de mensen betekent. Er wordt heel erg gekeken naar de oplossingen. En als er gekeken wordt naar risico's, dan zijn het ethische of juridische risico's. Maar toch wel heel weinig naar welk deel van het proces je eigenlijk hier helemaal mee omgooit. Daar is iets gezeten waar werd gesproken over geweldige productiviteitsverbeteringen. Zonder het te hebben over de mensen waar dit over ging. Gewoon een grote productiviteitsverbetering. Maar wat dat voor de mensen betekent. Of ze dat werk dan nog wel leuk vinden. Wat het betekent voor hun vaardigheden. Voor hun werkplezier. Daar werd gewoon niet over nagedacht. En voor hetzelfde geld heb je op papier een productiviteitswinst. Maar als mensen dat werk niet meer leuk vinden. Of veel fouten gaan maken. En dan ben je die hele winst misschien in één keer weer kwijt. Wat we nog veel zien bij bedrijven is dat ze AI aanvliegen als innovatie. Het is een coole nieuwe technologie en die moeten we gaan inzetten. Want wij moeten mee met de stroom. Maar het is veel belangrijker om duidelijke doelen te stellen en helder te hebben welke richting je op wilt. Als je dat namelijk combineert met goed change management, dan kom je waar je wezen wil. Als productiviteit echt een belangrijk onderdeel is, koppel je al je initiatieven eraan en toets je of ze bijdragen aan die productiviteit. En als je kwaliteitsverbetering wilt, maak je dus keuzes die die kwaliteitsverbetering ondersteunen. Maar goed, we hebben het hier over tegengaan van vergrijzing, dus het gaat natuurlijk vooral over productiviteit. Maar hoe weet je eigenlijk of je AI-initiatieven succesvol zijn? In aflevering 42 van seizoen 5 hebben we verschillende metrieken besproken die je kunt gebruiken om de impact van AI te meten. Denk aan ROI waarbij je de kosten van een AI oplossing vergelijkt met het financiële rendement. Maar goed, je hebt ook productiviteitsmetingen, klanttevredenheid, operationele efficiënties en allemaal belangrijke indicatoren die je kan gebruiken. Wat ik zou willen dat je onthoudt in deze aflevering, is dat je concrete meetbare doelstellingen moet hebben voordat je begint. Als je bijvoorbeeld zegt, we willen onze klantenservice verbeteren met een chatbot, dan is dat te vaag. Bepaal liever, we willen de gemiddelde afhandellingstijd met 20% verkorten. Of we willen het aantal queries dat zonder menselijke tussenkomst wordt opgelost verhogen naar 70%. Zo kun je achteraf objectief bepalen of je investering in een jaar geslaagd is. Dit vereist pijnlijke keuzes. Want op een gegeven moment worden de mogelijkheden van AI zo groot. Dat je denkt dat je het overal kunt inzetten. Maar je moet AI niet zien als IT-project of innovatie-project. Maar als onderdeel van je strategie. Hoe kan ik het meten? Hoe zorg ik dat de business case helder is? En waarom gaan we dit doen? Hoe gaan we de voortgang meten? Juist dit strategische perspectief op AI-implementatie brengt ons bij een belangrijk inzicht. Er bestaat namelijk geen one-size-fits-all aanpak. Zelfs als de technologische mogelijkheden hetzelfde zijn, zal de daadwerkelijke implementatie sterk moeten worden afgestemd op de specifieke bedrijfscultuur en de waarde die je hebt binnen je bedrijf. De toepassing van AI kan sterk verschillen per type bedrijf. Neem bijvoorbeeld een voedingsbedrijf dat wordt aangestuurd door buitenlandse private equity. Met een vrij kille cultuur gerichte productie. Daar zou je een heel andere AI oplossing kunnen toestaan dan bij een familiebedrijf met een warme cultuur. Waar je misschien besluit om de autonomie van je mensen niet aan te tasten. Het komt terug op je kernwaarden en de strategie van je organisatie. Er is heel veel mogelijk met AI, maar wil je het ook? Het begint bij wie je bent, wat je waarden zijn. Daar zit een afweging in hoe hard je de technologie inzet en wat het doet met je medewerkers. Het kan soms nadelig zijn voor een werkgeluk, maar daar moet je dan ook eerlijk in zijn, wat mij betreft. Uit mijn ervaring met AI-implementaties in verschillende sectoren komen drie succesfactoren naar voren. Ten eerste, ik begin met het waarom. Het klinkt simpel, maar het is cruciaal. Want waarom wil je met deze technologie aan de slag? Wat wil je bereiken? Als je die vraag niet kunt beantwoorden, wordt het gewoon een speeltuin. Leuk, je leert er iets van, maar je bereikt geen structurele verandering in je bedrijf. Ten tweede, maak keuzes. Veel bedrijven willen alles tegelijkertijd. Productiviteit, winst, kwaliteitsverbetering en omzetverhoging. Ja, wil ik ook. Maar als je daar geen keuzes in maakt, blijf je all over the place bezig. Dus kies waar je wilt beginnen en richt je daar volledig op. Ten derde, kijk naar het geheel en niet alleen naar de deelprocessen. Optimaliseer de hele keten en niet slechts een stukje ervan. Vergeet de mensen niet. Heb je je medewerkers in beeld? Weet je wat je met hen wil doen qua verandering en adoptie? Dat is belangrijk. Laten we terugkeren naar waar we mee begonnen. De vergrijzing en de beloften van productiviteitswinst. De uitdaging is helder. We krijgen te maken met een krimpende beroepsbevolking... terwijl de vraag naar producten en diensten niet afneemt. AI biedt een kans om deze kloof te overbruggen, maar alleen als we het slim en strategisch aanpakken. Org ervoor dat AI een versterking is van menselijke capaciteiten en niet slechts een vervanging. Kortom, betrek je mensen, kies je doelen bewust en veranker AI in je strategie. Dan kan AI echt het verschil maken. En bedenk, AI is niet de oplossing voor elk probleem, maar onmisbaar waar het past. Dank je wel weer voor het luisteren naar deze aflevering van AIToday Live. Vergeet je niet te abonneren via je favoriete podcast app. Dan mis je geen aflevering. Tot de volgende keer. [Muziek]