Van frustrerende sollicitatie naar revolutionair AI-bedrijf

In deze aflevering hoor je Rina Joosten, CEO bij Pera, zij onthuld hoe hun AI-modellen menselijk gedrag voorspellen en zo succesvol personeelsbeleid mogelijk maken. Rina deelt haar persoonlijke ervaring met falende, traditionele solicitatieprocessen en legt uit hoe data gedreven technieken betere resultaten opleveren dan subjectieve beoordelingen. Hoi, leuk dat je weer luistert naar een nieuwe aflevering van AIToday Live. Mijn naam Joop Snijder. Mijn naam Niels Naglé, en ik ben Area Lead Data & AI bij Info Support. En in de studio hebben we Rina Joosten. Rina, ontzettend bedankt dat je hier wilde komen. Zou je jezelf eerst willen voorstellen aan de luisteraars? Ja, mijn naam is Rina dus. Ik werk in het dagelijks leven, ben ik CEO bij Pera. Pera is een AI-bedrijf dat. Ja, modellen bouwt die heel precies menselijk gedrag kunnen voorspellen en daarmee succes na aanname. Dat klinkt al meteen heel heftig. Scary. Maar voordat we daarin gaan. Dit is een lekkere cliffhanger. Hoe ben je er eigenlijk zo hier ingekomen? Dus waarom ben je dit bedrijf gestart? Nou. Ik denk dat het zaadje ooit al een keer geplant is toen ik zelf solliciteerde. En dat was in de vroege jaren 2000. Toen was de situatie iets anders dan nu, dus toen waren er veel minder banen dan mensen. En ik denk dat ik ergens in de laatste ronde zat bij een grote multinational in Rotterdam. En dat had inmiddels, ik denk dat er acht of negen rondes waren. En het was dus een van de laatste momenten in dat proces. En ik zou een gesprek hebben met een psycholoog. Dus toen heb ik vervolgens. Daar werd ik al een beetje angstig van. Ik dacht een psycholoog Dus toen heb ik de dag tevoren met de HR gesproken van: goh, weet je, wat is de bedoeling? Ja, goede vraag ook. Moet ik me daarvoor voorbereiden? Of hoe kan ik me voorbereiden? Nee, dat wordt gewoon een gesprek om jou te leren kennen. Dus ik weet nog dat ik daar binnenkwam en die psycholoog zat voor me en die zei. Rina, goed dat je er bent. Hier is een case study over een jamfabriek in Polen. En kan je binnen een half uur vertellen hoe je de winst gaat vergroten en of je de baan aanneemt? Was afgestudeerd op kinderen met familiaire hypercholesterolemie. Dus alles wat te maken had met PNL, et cetera. Ik had geen idee. Dus ik heb die case gemaakt. En op een gegeven moment moest ik dat het. Presenteren aan die psycholoog, en ik weet niet of je wel eens het gevoel hebt gehad dat je ergens een soort van in een straat bent gegaan en dat je denkt ik zit hier verkeerd, ik kan niet meer terug. Nou, dat was dat gesprek, dat je aan alles merkt, ik zit niet goed. Dus op een gegeven moment heb ik dat gesprek maar stop gezet en gezegd, ja volgens mij is het ik volledig verkeerd. En zei Rina, je bent commercieel zo groen als gras en daar is de deur. En ik weet nog dat ik echt op het Weena heb staan huilen. Want ik dacht ik ben nu zeven maanden verder. En ik wilde echt deze baan. En waarom? Waarom ben ik het niet? En later heb ik me gerealiseerd. Fast forward: er zijn dus heel veel stappen in zo'n proces. Hoe wist die psycholoog nou dat ik dat niet kon? Op basis van een half uur? En twee is, waarom dacht ik dat ik er zo goed paste? Dus ik denk dat heel veel in recruitment gewoon een soort. . We hebben heel veel stapjes geïmplementeerd om een bepaalde zekerheid te verkrijgen. Terwijl het na aanname nog heel vaak fout gaat. Of vice versa, dat we supermooi talent over het hoofd zien. En dat het een soort. Kansen is dat jij een kans wordt gegeven dat je die baan krijgt waar je de achtergrond niet hebt. En beide is eigenlijk zonde. Beide zijn superzonde, want het ene is extreem kostbaar. En het andere ga je dus nooit meemaken. Om je mensen totaal niet meeneemt in zo'n proces. Nou, zo is het gekomen, denk ik. Maar dan is het nog best wel een stap om te zeggen van. hier ga ik iets mee doen. En ik ga daar AI voor inzetten. Ja, dat AI kwam, omdat ik voor dit bedrijf een ander bedrijf had, dat. Chinees, met name Chinese wetenschappers, bèta's, recruteerden voor R&D centers in Europa. En dat was een heel intensief proces. Dat was ook nog in de tijd dat veel van de research en development, ik heb lang voor DSM gewerkt, zich verplaatsen naar Azië. En dat het best ingewikkeld was om hier goede bèta's te vinden. Dus mensen met een engineering-achtig. En uit dat, eigenlijk door dat bedrijf, kwamen we erachter dat er zoveel, weer hetzelfde verhaal, zoveel stapjes in zo'n proces zaten. Terwijl het aan de achterkant. . Nog steeds mis ging. En toen ben ik iemand tegengekomen die was al bezig met deze technologie. Die had geprobeerd dat In eerste instantie toe te passen binnen educatie. Dus hoe kunnen we jonge mensen helpen om beter te beslissen wat bij hen past, welke opleiding. Nou, ook dat is in Azië extreem gereguleerd, net zoals in Europa. In Dus dat is best wel ingewikkeld. Dus toen zei ik tegen hem, ja maar als we dit zouden kunnen toepassen op een recruitmentproces. Dan worden we zoveel beter in het voorspellen wie er succesvol gaat zijn. Zonder dat we kijken naar alle obvious markers, weet je, in een cv. Als voorbeeld. Of de bias die je als mens hebt. Vooroordelen, dan hebben we denk ik echt iets moois in hand. En zo zijn we begonnen. Ik denk dat er best wel nu luisteraars zijn die denken van ja, sollicitatie, bias, AI. Dan krijg je juist bias. Ja, dat kan ook. Dus er kan heel veel bias in dat soort systemen zitten. Als je het niet op de juiste manier doet. Dus ik denk dat we. gezien hebben dat je eigenlijk op drie manieren bepaalde voordelen uit modellen kan halen. Eén gaat over datacollectie. Dus welke data neem je nou precies mee in die modellen? Twee is op het moment dat je modellen bouwt of codeert, kan je ook bepaalde, ja we noemen dat features, bepaalde elementen uit die modellen halen waarvan we weten dat ze bepaalde bias. In zich houden. Dus daar kun je ervoor corrigeren. En het derde is denk ik nadat je het model implementeert in je recruitmentproces, dat je ook blij Constant data blijft ophalen om te toetsen na aanname. Of dat er bepaalde biases in zitten. Zodat je daar weer in het model voor kunt corrigeren. Dus ik denk dat juist. Door deze drie stappen te nemen, je de voordelen uit deze modellen kunt schroeven. En dat is veel ingewikkelder bij mensen om dat te doen. Snap ik? En het proces wat je noemt, ik denk dat heel veel mensen die zijn natuurlijk laat ingestapt op het gebied van AI. En die denken dat taalmodellen en generatieve AI dat dat. Dat dat het is. En wat ik aan je hoor, zijn eigenlijk stappen die veel meer gaan over machine learning. Ja, dus wij bouwen, als je kijkt naar het spectrum van AI, dan. zitten wij op de narrow AI modellen die dus specifiek getraind worden voor een bepaalde opdracht. En in dit geval is de opdracht om te herkennen. Wat de patronen in high performance zijn in Teams. . Zodat we die ook in recruitment, maar ook intern kunnen toepassen. En daar is één onderdeel daarvan. Het eerste is machine learning. Daarnaast heb je natuurlijk generatieve AI, daar heeft iedereen het over. Dat zijn de ChatGPT's van deze wereld. En het andere waar heel veel discussies over gaan, maar daar weten we niet zo goed hoe dat gaat lopen, is natuurlijk super artificial intelligence. Ja, als je met wetenschappers spreekt uit Amerika, die zeggen dat is er over drie jaar. Hoezo wordt er niks gedaan in Nederland. Op dit gebied, of wel op voorbereid, politiek gezien, en anderen zeggen ja, geen idee. Maar wij zitten echt op dat eerste stuk. Dus heel taakgericht daar zelf modellen voor trainen. We hebben echt zelf IP opgebouwd, ook echt die datasets opgehaald bij honderden bedrijven over de afgelopen tien jaar. Om echt patronen te gaan herkennen in high-performing teams. Wat leidt nou tot disproportionele omzet? Betere klantenvredenheid, tot meer innovaties in de markt. Wat hebben die 20% van mensen? Wat de rest niet heeft. En dat blijkt dus te zitten in wat we dan competenties noemen. Daar zit de hoogste correlatie. En hoe kom je daarachter? Is dat interviews? Ja, dat is heel ook wel echt een soort reis geweest. Want toen we begonnen hebben we eigenlijk gekeken van zouden we. Versneld zouden we sneller, zouden we tot dezelfde conclusie kunnen komen als een recruiter. Dus zo zijn we eigenlijk begonnen. En dat konden we duizend keer sneller met dezelfde accuratesse. Alleen we kwamen erachter dat recruiters natuurlijk niet altijd de beste beslissingen namen. We hebben allerlei type data opgehaald, video's. We weten overigens uit de wetenschap dat natuurlijk intelligentie en. . gestructureerde interviews als methode eigenlijk de hoogste voorspelbaarheid hebben op jobsucces. Of hoe goed iemand het gaat doen in de baan. Dus we hebben ook allemaal dat soort type datasets opgehaald. Uiteindelijk zijn we uitgekomen bij. Het einde. Dus hoe goed doen mensen het nou eigenlijk werkelijk in een baan? Dus we zijn bij medewerkers uitgekomen. Ja, dus dan zitten we eigenlijk een paar stappen verder naar het recruitment proces. Ja, dus je gaat eigenlijk wat we doen is dat we simpel gezegd. We kijken binnen bedrijven, halen we drie typen datasets op. bekijken binnen bedrijven halen we 3 typen dataset op. Eén gaat over hoe worden mensen geobserveerd door hun peers, dus de mensen met wie ze werken op gedrag. Want we wisten bijvoorbeeld ook dat managerbeoordelingen, wat heel veel bedrijven doen, elk jaar geen correlatie hielden met een objectieve uitkomst. Interessant, hoe ben je erachter gekomen? Dus door die data op te halen. Dus daar waren we eigenlijk begonnen van geef ons maar je performance data. En die performance data bestaat vaak uit een managerbeoordeling. En uit. In de meeste banen objectieve output. Dus bijvoorbeeld de omzet die je gegenereerd hebt of de klanttevredenheidscores die je genereert. Aantal code dat je schrijft binnen een bepaalde sprint. Of dingen die gelieerd zijn aan je strategie, maar die je hard meet. Nou, dan ga je dus kijken welke relaties liggen er nou tussen die managerbeoordelingen en die outputdata. Nou, dat bleek dus nul te zijn. Bijna nul. Nee, maar laten we het op nul houden, toch? Maar ja, dat dus. Prima. Je zou kunnen zeggen, als we dat gewoon als inputdata voor een algoritme nemen, kan het in ieder geval duizend keer sneller tot die conclusie. Dan hoeven we niet al die performancebeoordelingen te gaan lopen. Precies. Hoe lekker zou dat zijn? Maar we wilden het natuurlijk beter doen. Dus uiteindelijk zijn we erachter gekomen dat je eigenlijk op het moment dat je meerdere mensen uitvraagt. Om elkaar te vergelijken op meerdere skills. Dat dat de beste manier is. Dan krijg je zo min mogelijk statistische ruis. Dus 360 feedbackformulieren van collega's, dat soort zaken. Doe een soort crowd. van om het maar even simpel te houden, je doet een soort crowdsourcing. Dus we hebben daar methode voor. Nou, dus dat doe je. Twee is dat je zoveel mogelijk harde data ophaalt. Voor op individueel niveau. Dus dan kun je onderzoeken in ieder geval al, wat doet er toe? Welke vaardigheden leiden nou echt tot top 20% of 60% output? En dat is al denk ik heel belangrijk inzicht. Veel mensen weten dat helemaal niet. Die denken, oh ja, nee, we denken dit en dit. Maar weet je het ook echt. Maar dat leidt nog niet tot een schaalbaar model. Dus je hebt nog een derde ingrediënt nodig, en dat is taalgebruik. Dus we hebben iedereen drie open gestructureerde interviewvragen gesteld. En de AI kijkt, haalt eigenlijk, daar hebben we AI voor nodig, die haalt daar eigenlijk 200 markers uit. Die we dan koppelen aan die labels, die observaties van gedrag. En we weten dat dat gedrag vervolgens correleert met een bepaalde uitkomst. Heb je daar een voorbeeld van, van zo'n marker? Nou ja, de meest die echt heel hoog correleren zijn vaak heel abstract. Dus dat zit in dingen als van, nou ja, welk voornaamwoord houdt nou verband met bepaalde zinsopbouw? Dus het gaat eigenlijk over stylistische en semantische markers. Dus niet per se over wat je schrijft. Maar de manier waarop. De manier waarop. En dat zit heel. Dat doe je niet bewust als mens. Dus dat maakt het heel interessant. Een soort vingerafdruk. Maar het is eigenlijk ook wel vreemd. En dat heeft dus invloed op hoe succesvol je bent. Je gebruikt eigenlijk taal. Om die uitkomst te voorspellen. Dus omdat je van medewerkers heel veel informatie hebt over welke competenties leiden nou tot topperformance. Ga je kijken wat hebben die mensen die de topperformers zijn, anders in die 200 features, in hun taalgebruik dan mensen die niet. Of minder succesvol zijn. En dan creëer je dus een optimaal model. En daar kun je dus weer andere mensen tegen afzetten. Die stel je maar drie. Open vragen, superlaagdrempelig. Oké, bijzonder. Misschien het ook meteen. Nee, nee, nee. Bij mij komt er nog gelijk naar boven. Die vragen worden dan in elkaar ingevuld zonder een gebruik van AI. Want dat wordt nu gebruikt om vragen te beantwoorden, cv's op te stellen en dat soort zaken. Maar dan heb je dat niet meer. Nee, ja, je moet. Het is natuurlijk wel belangrijk dat we jou leren kennen. Maar is het een gesproken interview? Je kan het inspreken en dan zet het om naar tekst of je schrijft het. Oh ja. Oké, want zo heb je natuurlijk. . . Want ik moest meteen denken van als we het hebben over vooroordelen. We hebben het over schrijven, dan heb je natuurlijk mensen met dyslexie. En dan zou je me voorstellen dat daar dan weer een ander patroon in zit. Nou, dat is grappig, want dyslexie hebben we heel veel. testen ook opgedraaid. Een van de dingen die ik in de introductie vertelde, dat je op drie momenten kijkt of er bias in het systeem zit. Op dat derde moment stellen we aan het einde van dat, wij noemen dat dan een digitaal interview, kunnen mensen geanonimiseerd nog vragen invullen. Die te maken hebben met diversiteit. Dus bijvoorbeeld een van de vragen die we dan stellen is ook van ben je neurodivers en op welk vlak? En waarom is dat niet zo? Dus bijvoorbeeld bij dyslexie, is dat we dus niet kijken hoe goed je schrijft. Het is geen taaltest. Het kijkt naar die subtiele, onbewuste markers in je taalgebruik. En vergelijk dat dus inmiddels met miljoenen mensen die we in die dataset hebben. Ik snap hem. Maar dat is wat een gave manier. Dat moet echt landen, hoor je dat? Want hoe succesvol mensen zijn, heeft natuurlijk echt ook te maken met. Dat duurt een tijd voordat je uiteindelijk daar feedback van krijgt. Hoe lang halen jullie die feedback weer op? Nou, we doen in ieder geval ieder jaar een cycle met klanten. En eigenlijk, het ligt er een beetje aan wat je wil voorspellen. Dus bijvoorbeeld, we werken ook veel met klanten in de gezondheidszorg. En die hebben vaak een veel. Een ander probleem, dat gaat vaak over hoog verloop. Dus mensen komen binnen en gaan dan weer weg. Nou, ook daarin, dat zijn. uitkomsten die je mee kan nemen in zo'n model. Als we dat willen voorspellen kunnen we gaan kijken, gaan we nou of patronen vinden in mensen die zijn gebleven of die weggaan. Dus je probeert eigenlijk afhankelijk van het probleem dat je oplost. En dat probleem kan zitten in we groeien niet snel genoeg. We werken veel voor bedrijven waar bijvoorbeeld private equity. Aandeelhouder is, die moeten gewoon bepaalde stappen maken. Dan zit er vaak een buy-in-build strategie achter, waar cultuur een belangrijk element is en commercieel succes. Nou ja, dus dat is voor ons een uitgelezen mogelijkheid. En dan probeer je eigenlijk. . zoveel mogelijk op die momenten, dat kan zijn per kwartaal of per. . . in ieder geval één keer per jaar, die data op te halen en te verversen. Want dat vind ik ook het mooie wel aan Aan modellen. Je kan. Kijk, wij hebben maar een bepaald vermogen om informatie te verwerken. Maar hier hebben we eigenlijk gewoon denk ik tien jaar lang een soort zelfrijdende auto gebouwd. Maar dan om businessuitkomsten te voorspellen. En dus wordt dat iedere keer slimmer, naarmate je meer van die feedbackloops, van die feedbackdata in zo'n systeem terugvoert. Dus het itereert iedere keer naar de waarheid van dit moment. Je krijgt steeds verfijnder, eigenlijk. Veel verfijnder. En even vanuit interesse om even door te filosoferen zat ik in het achtergrond. Dan weet je dat voor individuen, maar we werken vaak in teams samen en het gaat om de hele organisatie. Hoe zit die gelaagdheid daar dan in? Je kan hem eigenlijk heel mooi opbouwen per. . . Dus eigenlijk zou je. . . Inmiddels hebben we zo'n grote dataset. Dus even als voorbeeld. Er zijn dus bedrijven die. willen een soort transitie maken naar meer innovatie. Nou, dan zouden ze kunnen zeggen, één is, weet je, wat is dan nu. . De status van het moment. Dan zou je kunnen zeggen, we laten alle medewerkers dat digitale interview afnemen. En dat zetten we af tegen de data in ons systeem, in ons model. Van bedrijven die veel innovatiever waren dan anderen. Nou, dan krijg je dus een uitkomst op organisatieniveau. Waar zitten de gaps? Gewoon op organisatieniveau. En vervolgens kun je Zijn die er überhaupt wel? Zijn er andere vaardigheden die tot high performance leiden of niet? Waardoor je. En dan op individueel niveau. Dus het zijn eigenlijk drie lagen waarop je analyses aflevert. En die zet je dan in tweeledig. Dus één is, je zet ze in, denk ik, om. Intern te kijken, en dat vind ik ook het mooie aan AI, dat je veel meer gepersonaliseerde trainingen kan gaan geven. Want we weten gewoon dat generieke trainingen eigenlijk heel weinig effect hebben. Dat doen heel veel bedrijven. Maar nu kun je gaan personaliseren. Dit team heeft dit nodig. En Rina specifiek dit. Je kan veel beter mensen op de juiste positie zetten. En ik denk het andere is dat je dat model verder kan inzetten voor je recruitment. Dus dat je veel een veel hogere kans hebt. om high performance aan te nemen, dan dat je het proces wat ik wat ik jullie uitlegde aan het begin doorloopt. Ja, en dan heb je high performance en dan heb je high performance teams inderdaad. Je wil dan natuurlijk zoeken. Wat zoekt het team, wat zoekt de organisatie, welke cultuur leeft er? En al die punten die bij elkaar komen, dat is dan. Ja, die zitten in zo'n model. Dus wat je eigenlijk ziet is dat het altijd zijn. In ieder geval op basis van alle data die we tot nu toe in die tien jaar verzameld hebben, zien we eigenlijk altijd dat er één of twee competenties. En wat ik bedoel met een competenties zijn dingen als. Hoe werk je in een team samen? Hoe communiceer je? Ben je flexibel of niet? Dus bepaalde soft skills, inmiddels zijn dat overigens denk ik hard skills geworden. Je ziet altijd dat er twee er echt toe doen. Dus in hoge mate correleren. Want heel vaak krijgt dan de vraag: ja, maar. . Heb je dan een divers team? Weet je wel? Wat ga je dan allemaal dezelfde type mensen aannemen? Nou, dat wil je voor een deel op die competenties wel doen. Als je weet dat resultaatgerichtheid, ik zeg even wat. Disproportioneel bijdraagt aan omzet binnen jullie bedrijf, dan wil je wel degelijk mensen aannemen die resultaatgericht zijn. Maar dat betekent niet dat ze op andere. het is altijd een soort samenstelling van competenties. Plus. Alle dingen die wij als divers benoemen, dus waar heeft iemand gestudeerd? Hoe ziet hij eruit? Weet je, wat is zijn geslacht? Waar heb je voorheen gewerkt? Daarin zien we across the board dat de diversiteit met 30% toeneemt. Want daar kijk je ook niet meer naar. De rest doet er eigenlijk niet meer toe. Ja, omdat die in het oude proces noem ik het dan maar even voor nu. Neem je die allemaal mee in die stappen van het proces. Waardoor je die dus continu meeneemt. En hier staat die wat op de achtergrond en staan de competenties op de voorgrond en wordt daar eigenlijk dus nagekeken. Ja, precies. En de competenties heb je gewoon door de maatschappij heen. Nou, die haal je ook daarin. Hebben we natuurlijk zoveel bedrijven van binnen gezien, dat al die bedrijven vaak competentieprofielen. Ik weet niet of jullie daar ook mee werken, zeker. En je hebt bepaalde waardes aan de muur hangen die je vertaalt naar gedragingen. Dus die twee zijn heel vaak aanwezig in een bedrijf. En wat wij eigenlijk doen, is de koppeling maken tussen. Oké, die waarden zijn er en die competenties zijn er. Welke daarvan zijn nou het meest belangrijk? Of zijn er een paar die we over het hoofd zien, die leiden tot betere uitkomsten? En jullie doen dit al tien jaar. Wat zijn nou de lastige drempels geweest waar je overheen moest? Nou, lastige drempels zijn denk ik tweeledig. Dus één is. Ik weet niet hoe jullie dat ervaren, maar ik denk dat het implementeren van een AI-strategie en daaraan gelieerde tooling. Ik denk dat je dat als leider zo min mogelijk moet delegeren naar beneden toe. Dus ik heb gezien dat de bedrijven die daar het meest succesvol in zijn, leiders zijn die daar zelf beslissingen over nemen. En waarom zeg ik dat? Als een recruiter een beslissing zou nemen, zou die misschien wel zeggen ik neem een algoritme wat heel snel een cv kan screenen. Daarmee is hij wel sneller. Maar als we weten dat een CV 3% van succes in een baan voorspelt. Ja, moet je je afvragen of je je strategische probleem aan het oplossen bent. Mijn strategische probleem is namelijk waarschijnlijk. Ik moet sneller groeien. Of ik moet sneller transformeren. Dus er moet iets gebeuren. En daar zit, denk ik, de crux bij ons. Wij lossen eigenlijk een businessprobleem op. Waar een recruiter niet op afgerekend wordt. In ieder geval niet alle recruiters. Die worden vaak afgerekend op time to hire. En soms hebben ze moeite om goede mensen te vinden. Dus dan denken ze. Ik wil helemaal niet nog een barrière in dat proces. Terwijl ik denk dat ook daarin je moet gaan kijken van wat is nou uiteindelijk wat je probeert te bewerkstelligen. En dat inderdaad op strategisch niveau, dus inderdaad niet het aantallen, niet dat soort zaken, ja. Maar dan heb je het over. Organisatorisch, zeg maar de implementatie van je systemen. Ik ben eigenlijk ook wel benieuwd waar jullie technisch tegenaan gelopen zijn. Dit vond ik ook geweldig hoor. Want ik denk dat het uiteindelijk, zeg maar, de implementatie van AI heeft het grootste risico op mislukking als het organisatorisch niet goed in elkaar zit. Ja, ik denk dat daar inderdaad, dat zie je ook in alle onderzoeken en dat zien wij ook in de praktijk. Dat het. Dat er best wel een gap zit tussen wat de technologie kan en wat mensen versneld adopteren. Dus die versnelling zit er vaak niet in. En bedrijven die dat wel heel goed doen, die hebben vaak dus leiders, leiderschap. Die dat niet delegeren naar beneden toe, maar die dus daar zelf de beslissingen over nemen. Dat koppelen aan hun strategie en ook betrokken blijven bij die implementatie. Ja, ownership nemen. En eigenlijk het ook. Ik zeg altijd, ja, we praten heel veel over AI. En heel vaak gaat het dan in de praktijk over een beetje met ChatGPT wat dingetjes doen. Maar ik denk dat het veel meer gaat over welk businessprobleem moeten we oplossen met elkaar. Ja, heel goed. En wat ik er ook in hoor, maar corrigeer me als het niet zo is, is. Niet kijken naar het huidige proces, maar kijken naar die uitdaging en wat het nieuwe proces of wat er voor nodig is om dat nieuwe doelstelling te gaan halen. . En wat jullie eigenlijk doen is. . opnieuw naar een proces gekeken en niet het bestaande proces geoptimaliseerd. En daar zie je ook vaak nog een verschil in. En ik was nog op. Ja, nee, maar ik vind het een heel mooi punt. Want het is precies ook altijd wat ik zeg van. Je innoveert vaak door naar die stapjes te kijken. Dan ga je op zo'n substapje innoveren. Terwijl ik denk het mooie nu is van. . Dat AI ook juist de mogelijkheid geeft om uit te zoomen. En laten we zeggen, een heel nieuw proces te designen. Wat dit probleem oplost. En dat probleem in dit geval is dus. We hebben geen idee hoe we hogere productiviteit uit onze teams halen. We doen maar wat. En in de praktijk ben je er dan tegenaan gelopen dat mensen dan toch aan het proces wilden vaststaan. We Want dat is nogal een verandering, zeg maar. Ja, dat maakt het natuurlijk soms ingewikkeld. Het vergt best wel een verandering. En dat zijn ook stapjes. Dus weet je, we hebben klanten die in het begin ons gewoon. Inzetten in het systeem wat ze al hadden. Maar wel met als doel om te gaan kijken hoe ze het konden optimaliseren. En dat doen we dan ook met hen. En op het moment. Dat je vertrouwen krijgt dat de uitkomsten ook significant beter zijn. En je toont dat aan. En dan durven bedrijven ook te zeggen, weet je, deze stapjes. We hebben een klant die had eerst vijf stappen en nu nog maar twee. Maar dat kun je dan ook op een datagedreven manier aantonen. Dat dit ook significant tot betere uitkomsten leidt. En dan durf het dan durven bedrijven wel. Wat ook logisch is, je moet vertrouwen krijgen in de oplossing, in een nieuwe manier van werken, in een nieuw proces. En dat duurt al dat even inderdaad. Dus het is mooi om te horen inderdaad. Om ze daarin mee te nemen. Ik denk dat het essentieel belang is. En er leveren natuurlijk heel veel verschillende ideeën over deze technologie, waar het naartoe gaat, wat je ermee moet. En in dat kader vragen wij aan onze gasten ook altijd om een stelling in te sturen achteraf. En daar willen we jou eentje aan voorleggen. Oh, ik ben benieuwd. [Muziek] [Muziek] [Muziek] En je hoort het in de jingle: het spel. Dus we hebben eigenlijk ook een kaartspel, maar daar zijn we met de gasten doorheen. Dus we zijn bezig met een nieuw kaartspel aan het ontwikkelen. En in de tussentijd doen we eventjes de stellingen van gasten. Deze stelling is van Gabi Ras. Dankjewel voor het delen, Gabi. En de stelling luidt als volgt. Generatieve AI moet in bepaalde sectoren worden verboden. Dan ben ik altijd wel benieuwd naar de achtergrond van de vraag. Ja, Gabi is er helaas. Dus wat is. Waarom zou ze de. . . Wat is de vraag achter de vraag? Ja, dat is een hele goede, hè. Ja, die kunnen we nou niet stellen. Nou, ik. Ik zou niet weten waarom je het zou moeten verbieden. Zijn er voorbeelden waarvan jullie zeggen van daar zou je hem. Kijk, ik vind wel bijvoorbeeld algoritmes in social media, weet je, maar dat heeft niet zozeer met generatieve AI te maken. Maar die zou ik wel willen verbieden. Ik denk dat het helemaal niet. Goed werkt in onze democratie? Dat vind ik eigenlijk wel een goede. Want in eerste instantie dacht ik van ik ben tegen verbieden. Dat je heel goed kijkt van voegt iets toe, ja of nee. En dan zeker voor een hele sector. Lijkt me lijkt me nog breed. Maar wat jij nu zegt, ja, al die. Als we die algoritmes uit die social media zouden kunnen halen. Nou ja, of je moet zeggen van je kunt gewoon niet meer bepaalde content plaatsen zonder anoniem te blijven. Weet je, dat zou ook wetgeving kunnen zijn. Want ik denk dat daar heel veel onrust en dat daarmee de democratie wel wordt. Stapje voor stapje wordt aangetast. Ja, zonder dat je het misschien expliciet merkt, waardoor het inderdaad ineens een grotere gevoelsmatige impact heeft. Ik ben op zich tegen verbieden. Ik ben wel dat we als maatschappij er tegen moeten zijn, zeker op social media. Maar het verbieden van technologie op zich ben ik tegen. Ik ben meer van wat is de intentie erachter. En zijn we het eens met die intentie en misschien moeten we dan de toepassing van de technologie daarvoor verbieden omdat de intentie niet past bij wat we maatschappelijk verantwoord vinden. En wat ik hier ook lastig vind is dat het natuurlijk ook helemaal niet duidelijk is hoe die algoritmes werken. En misschien is dat een mooi bruggetje terug naar jou. Wordt er een bepaalde mate van uitleg geven aan degene die onderworpen wordt aan de modellen van jullie? Ja, we geven zeker uitleg. En ook heel transparant, weet je, dat ze een digitaal interview doen. waarvoor je ook consent kan geven. Dus dat is denk ik wel belangrijk. Dat doen overigens onze concurrenten in Amerika niet. En je probeert ook zoveel mogelijk eigenlijk uit te leggen wat het is. Dus dat ze, het is niet een selftest. Heel veel van de, als ik het even in de bak assessment gooi, zeg maar, zijn natuurlijk gestoeld op of persoonlijkheidstesten. Dat is altijd waar, want dat is hoe je jezelf ziet. Maar ook daarin zit heel weinig correlatie met jobsucces. Of het is een IQ-test. En IQ correleert wel met jobsucces, maar is natuurlijk maar heel beperkt. Dus we hebben ook gezien dat in sommige banen IQ niet de doorslaggevende factor was. Dus wat we proberen te doen is in eerste instantie ook uit te leggen te geven aan de kandidaat wat dit is. Nou, het is een test waarbij we kijken hoe je je verhoudt tot mensen in het bedrijf. En we geven, denk ik ook, dat is ook wel mooi, uiteindelijk ook gewoon feedback aan een kandidaat waar die iets mee kan. Dus stel dat je uiteindelijk maakt het systeem geen beslissing. Het is de recruiter of de hiringmanager die een beslissing neemt. En die neemt natuurlijk alle intelligentie tot zich om tot een beter besluit te komen. Maar we willen eigenlijk die kandidaat ook helpen. Want als jij nu hier het heel erg naar je zin hebt, maar ik denk nou die Niels, die moet ik hebben. Weet je, dan wil ik denk Niels, dan wil ik wel weten hoe goed ik binnen Pera pas. Dus een kandidaat kun je ook daarmee inzicht geven. Pas jij binnen onze cultuur, pas jij binnen dit bedrijf. Oh mooi. En zie je dat vaak gebeuren bij organisaties? Want eigenlijk meten jullie wat zijn succesfactoren van mensen die al jaren werken of nieuwe mensen die binnen een organisatie binnenstromen? Geef je dat ook nou terug aan de mensen? In de zin van goh, als je hier in groeit en daarin groeit, dan zie je een betere match. Of zetten de organisaties dat op de voorgevel van wij zijn succesvol intern als je hier en hier aan bijdraagt? Nee, nee, dat niet. Maar wat wel zo is, is dat je dus, als je het intern bij medewerkers inzet, we werken nu ook samen met partners die bijvoorbeeld. gepersonaliseerde trainingen geven. Of een beetje, dat je je gedrag iedere dag, dat je van die korte gedragstesten doet. Of testen. Hoe noem je dat nou? Nou ja, laten zeggen learning and development, maar dat je dat op dagdagelijkse basis kunt doen. Continu leren en Nou ja, dus wat we proberen te doen is dan we geven dus data terug. En dan kun je dus ook aangeven van nou, dit is mijn. ambitie. Dit is waar ik op basis van onze data, waar je, zat je ambitie is, waar je dus eigenlijk nog verder in zou moeten trainen. En dan hebben we dus nu ook partners die daar dan gepersonaliseerde learning and development trajecten op aanbieden. Dus echt een softskill ontwikkeling, wat vaak wat minder tastbaar is. Wordt hiermee geholpen om tastbaar gepersonaliseerd. worden. Terwijl hard skills weet je gewoon ja dat daar is deze training voor. Ja, en dat heb je, daar heb je dus ook trainingen voor. En het mooie is dat je vervolgens door als je dan Als je die weer denkt over die feedback loops. Dat je dus ook op een datagedreven manier kunt gaan aantonen dat dat effect heeft. Dus dat die training ook effect sorteert. En dat mensen beter worden. En je moet je voorstellen dat. Performance in organisaties volgt niet een bel curve. Dat dachten we altijd. Dus vanuit de economie. Een paar mensen zijn heel goed, een paar mensen niet en de rest van ons bungelt in het midden. Maar het is een power law. Dus dat betekent eigenlijk dat 20% van de mensen ongeveer 60% van de output levert. Maar dat betekent ook dat als jij in staat bent intern om 1% te verschuiven, dat dat meteen aan output 2,5% oplevert. Dat is gewoon waarde voor je bedrijf. En dat bedoel ik met van een soort guesswork. En generieke trainingen, en we doen een cultuurtransitie, maar die blijft maar vaag. Dat je dat data gedreven maakt en daardoor veel effectiever bent in de interventie die je pleegt. Maar als je het daarover hebt, want net zei je van er zit nog een recruiter of een hiring manager zit ertussen. Voor een deel is dat misschien zelfs vervuiling van je data. Nou, die zitten niet in de dataset. Want we hebben uiteindelijk die medewerker bij de medewerker en de echte parking staat daar geëindigd. Dus we nemen nu niet meer de besluiten van de recruiter mee. Ja, perspectieven. En dit is een extra perspectief of meerdere perspectieven die hij mee kan nemen in de. Ja, maar je kan dus wel ook gaan doormeten. Stel dat recruiters mensen aannemen die bijvoorbeeld via ons digitale interview in de. . Laagste 20% scoorde. Je kan natuurlijk wel gaan doormeten hoe die mensen performen. Of dat ze sneller weggaan of niet. En stel dat het model het mis heeft. Dat je dat ook weer kan itereren. Dus dat je het kan aanpassen. Dat is het mooie weer aan die machine learning. Dat je die feedback loops kunt meenemen om dat model steeds slimmer te maken. Maar waar ik eigenlijk naartoe wilde is van. Kijk, die recruiter of de hiringmanager die kan een besluit nemen die hier tegenin gaat. Waarom, als het zo succesvol is, waarom zitten zij er nog tussen? Als je het ook volledig data gedreven zou kunnen? Omdat denk ik die verandering langzaam gaat. Het is een beetje, denk ik, van je stapt in een vliegtuig. En het is toch wel fijn dat er een piloot voor inzit. Terwijl een heel groot deel inmiddels. Ook op de automatische piloot. Zeker. Maar ook wel, denk ik, omdat de recruiter ook een andere functie heeft. Ik denk dat de recruiter van de toekomst, en dat zien we nu ook wel bij de bedrijven die we helpen, dat het niet alleen maar gaat over dat je die data ook echt inzet en kunt lezen en daar besluiten over neemt. Maar ook dat juist het menselijke aspect, bijvoorbeeld om uitleg te krijgen over het bedrijf of om je vragen te kunnen stellen. Of om een veel persoonlijkere onboarding te kunnen doen. Dat eigenlijk de tijd van die recruiter verschuift naar de dingen waar de interactie tussen mens. Van mens tot mens, eigenlijk nog belangrijker is. Dat snap ik heel goed. Ik ga gewoon een beetje. Ik ben een beetje aan het prikken. Maar het gaat om dat besluit. Weet je, neem je iemand wel of niet aan. Dat is nu zo data gedreven. Wat voeg dan eigenlijk die recruiter eraan toe in het nemen van het besluit? Ik denk een weging maken op verschillende inputdata. Ik weet wat jij mij wil laten zien. Nee, helemaal niet. Nee, het gaat er echt om. Nou, kijk, natuurlijk hebben we voorbeelden waar je soms zou hopen dat er niet per se een human in de loop zat. Er zijn echt voorbeelden wel. En gelukkig kunnen we dat dan ook op een datagedreven manier aantonen. Tegelijkertijd ben ik er wel een voorstander van om die human in de loop te houden. Omdat ik denk dat er één. Ook nog. Wat ik net aangaf, er zit gewoon een heel belangrijk menselijk aspect, zeker in zo'n recruitmentproces. En ik denk dat alleen wat je wil voorkomen, is dat. Mensen worden geselecteerd op basis van voordelen en persoonlijke voorkeuren van een recruiter. En we weten gewoon ook daarin uit de praktijk dat. Die gestructureerde interviews kun je doen. Maar die kosten heel veel tijd, dus heel weinig bedrijven doen ze. En dus zie je gewoon dat die bias er heel erg insluipt en daarmee dus niet de juiste beslissingen worden genomen. Dus ik wil dat vooral voorkomen. Kijk, en binnen de Europese context, laten we eerder eerlijk zijn. Kan het ook niet. Dus we willen zorgen dat daar die human in the loop, maar die human in the loop gaat wel. Ik denk wel dat het karakter, niet het karakter, maar de baan die diegene doet verandert wel. En dat is maar goed ook, denk ik. Ja, want dan gaat het niet meer om mensen die binnenkomen. Maar wat is de effect en de impact later en de hele reis in plaats van alleen maar met de start van de reis te maken hebben? Precies. Wat zou je nog, wat wordt de volgende stap? Hierin, voor jullie? Nou ja, wij zijn eigenlijk. Mijn visie is altijd geweest dat het. dat in heel veel verschillende sectoren gedrag van mensen van invloed is op het resultaat. Denk bijvoorbeeld aan de gezondheidszorg, waar patiëntengedrag. Waarom stopt iemand wel of niet met een bepaald behandelplan? Of in de financiële sector, waarom pleeg de een wel fraude en de ander niet? Heel veel van die aspecten, waarom is het terug naar educatie, waarom zien we across the board dat in bacheloropleidingen 53% van de studenten stopt, vroegtijdig stopt met studeren. Heeft allemaal met gedragselementen, persoonlijkheid en intentie te maken. En die kunnen wij dus voorspellen, doordat we jarenlang data hebben opgehaald in HR. Dus voor ons is de volgende stap, en daar zijn we nu mee bezig, om bijvoorbeeld in de financiële industrie te kijken, kunnen we voorspellen wie er wel of niet een lening terugbetaalt, kunnen we voorspellen wie er wel of niet fraude gaat plegen, bovenop de econometristische modellen. Die er al zijn, waar alleen maar naar financiële data wordt gekeken. Dus voor ons is vooral een verbrede IP-strategie. Dus we kunnen eigenlijk dat wat we hebben opgebouwd. op een goede manier inzetten in meerdere sectoren. Ik vind die gezondheidszorg is natuurlijk wel buitengewoon interessant. Want het blijkt. Ik heb weleens vaker met medische bedrijven gesproken dat onze discipline om dingen op te volgen, zowel je behandelplan als het innemen van je medicijn en dat soort zaken, dat schijnt gewoon een enorm probleem te zijn. . Dus echt. Ruim boven de 50% van de mensen volgt uiteindelijk gewoon niet zijn behandelplan. En dat vind ik ook wel het mooie van AI. Kijk, AI kan. Patronen herkennen die wij niet zien op het buiten oog. En dat is natuurlijk wat we gebouwd hebben. Maar het kan ook personaliseren. En ik denk dat als je. dat gedrag beter in kaart hebt, bijvoorbeeld als een arts. Waardoor je. . . En je weet ook nog eens wat de voorkeuren zijn waarop je iemand moet benaderen. Dan kun je natuurlijk. Ook nog eens je communicatie personaliseren. En daarmee uiteindelijk het succes, namelijk zorg dat iemand wel in dat behandelplan blijft, vergroten. Dat doen we binnen HR, maar dat zijn we dus nu aan het doen. Dus voor ons is de volgende stap om dat echt te verbreden naar andere sectoren. Datagedreven gedragssupport. Wat zeg je? Datagedreven gedragssupport. Dat is echt ondersteunen, inderdaad, van waarom het is. En discipline, ik denk dat dat echt een van de. Van de belangrijke succesfactoren zijn een stuk discipline op kunnen bouwen en te weten wat je wel wil doen en moet doen of wanneer je voor jezelf ervan afwijkt. Ja, precies. Dat zou je dus kunnen onderzoeken, of dat zo is, is het discipline dat ertoe leidt, of zijn het eigenlijk altijd alle dingen. Dat doet mijn data hard goed hoor. Ik ben ervan benieuwd. Welke vraag hebben wij nou nog niet gesteld aan jou, die je wel heel graag kwijt wil? Nou ja, ik ben ook al. Jullie doen natuurlijk zelf heel veel AI-projecten. Dus ik denk dat een van de. Wat ik eerder al zei, van ik denk dat. Veel bedrijven hebben het de hele tijd over, als ze het over AI hebben, over Gen AI. Ik denk zelf dat er heel veel waarde ligt in die narrow AI modellen. Die dus. Waar je op basis van specifieke datasets hele specifieke problemen oplost. Tegelijkertijd was er recentelijk ook dat MIT rapport, waaruit bleek dat 60% van de bedrijven AI wel implementeert. Gaat dus vaak weer over Gen AI. Maar dat maar 5% daar echt businesswaarde uit krijgt. En dat dat vooral komt doordat ze werken met partners. Die dus begrijpen hoe het werkt. Dus specifieke partners. En ik denk als dat zo is. Waarom gaat het dan in Nederland niet sneller? Weet je, wat hebben we nodig om voor een versnelling te zorgen van adoptie? Want we hebben gewoon een probleem in Nederland. We hebben een probleem op productiviteit en dat is een Europees probleem. En onze workforce gaat alleen maar afnemen. De vergrijzing wordt groter. Dus we zullen moeten versnellen op de een of andere manier. En tegelijkertijd gaan bijna alle gesprekken over. Risico over Gen AI over. Dus mijn vraag zou vooral zijn: wat is jullie best practice en hoe je dingen versnelt? Oeh, dat is best heel erg moeilijk, want wij lopen hier natuurlijk ook tegenaan. Dus ik ben het helemaal met je eens. Wat we zien is als er nu initiatieven worden opgestart, gaat het over ChatGPT adoptie of Copilot adoptie, dat soort zaken. Als je het dan over onderzoeken hebt, dus er is een onderzoek gedaan onder kenniswerkers in Denemarken, dat je ongeveer 3% aan productiviteit Haalt uit dit soort tooling. Omdat het nog in de persoonlijke workflow zit. Dus we zijn heel erg bezig op dit moment. Als de investeringen worden gedaan. hoe iedereen individueel dit soort tools inzet. Dus er wordt minder gekeken naar hoe zij zetten we het in in de bedrijfskritische processen. Want daar is veel meer winst te halen. En daar zien we dat het echt wel blijft steken in proof of concepts. Als we dat al doen, blijft het proof of concept. Maar waarom blijft het dan steken? Voor mij is dat tweeledig. Eén is dat het in een silo blijft hangen van innovatie. Dan is er een innovatiemanager die heeft een taak gekregen. En dan is de innovaties aangetoond dat het zou kunnen. En dan moet het dus naar een andere budgethouder. En dan krijg je alle gedoe rondom wie gaat dit betalen, welke mensen krijgen we vrij. En dan gaat het dus eigenlijk naar iemand. Anders. Naar iemand anders. En die moeten er dan tijd en ruimte voor maken. En wat je ziet is dat het in de operatie verdwijnt. Dus dat ze het wel willen, maar er zijn natuurlijk zoveel operationele taken. Dat we daarmee bezig blijven. Iedereen kent denk ik wel het plaatje van die mensen die zo'n kar met vierkante wielen aan het voorttrekken zijn. Wij zijn degene die zeggen van ja, hier heb je dat ronde wiel. En zeggen, ja, maar we zijn te druk. En dat zien we nog heel veel, dat toch dat gevoel van urgentie die jij net geeft, dat die eigenlijk niet echt gevoeld wordt. Ja, en als aanvulling erop inderdaad van we zien een individu, toepassing en we willen dat naar teamniveau en dat is nog best wel uitdagend soms. Om die maturity stap goed te maken met elkaar. Want dan ga je het in de teamdynamiek moeten oppakken. En dan AI toepassen. En daar zijn best wel wat uitdagingen in om dat. voor elkaar te krijgen. . Heel vaak zitten op de individuele efficiëntie, productiviteit, werkgemak en die sfeer. En die stap naar Team, die is nog wel uitdagend. Dan moet je met elkaar afspraken maken, dat gaat niet meer over hoe jij werkt, maar hoe je met elkaar werkt, hoe je processen werkt. En eigenlijk Dat is het derde punt dat is belangrijk, is weer naar de processen te gaan. Wat zijn naar de processen die binnen de organisaties lopen? Hebben we die helder? Moeten we die hetzelfde houden? Dat hebben we eerder in de podcast ook genoemd. Misschien moeten we hele processen gaan redesignen. Dat En dat zijn stappen. Dat is ook een reis. We hopen soms dat we die reis met een sprong naar voren kunnen maken. Maar soms moeten mensen die reis ook wel zelf maken. En daarin hopen we ook in deze podcast al mee te nemen in die reis die er nodig is, zodat we dadelijk kunnen versnellen in de praktijk. En we hebben er ook wel een adoptieprogramma voor. Dat je mensen ook mee laat denken in hoe ze dingen kunnen veranderen. Maar het is echt nog wel lastig. En zeker, je zei net zelf al, de strategische managers, weet je. Wie blijft er nou echt bovenop zitten? Het is zo makkelijk om weer naar het volgende te stappen en daar je energie in te stoppen. Nou ja, precies. Ik denk dat het. Mijn ervaring leert dat het een aantal elementen zit. . Dus de bedrijven die het heel goed doen, die herkennen. En ik moet zeggen, daar helpen we ze ook wel bij om echt een business case te maken. Ja, doe je ook. Van wat is je return on investment? Precies. Als je dat niet kan hebben, nee. Dus als jij, weet ik veel, 3 miljoen, dus 10% hogere omzet kunt gaan halen. En dat kunnen we in een maand in ieder geval aantonen dat die 10% daarin zit. Dat is interessant. Dus het één al gewoon een, en dat is zeker voor HR nieuw, eigenlijk. Ervoor te zorgen dat die business case er is, die je ook in een management team kan bespreken. Zodat iets wat we cultuur noemen of skills, dat dat niet vaag blijft. Maar dat dat waarde creëert. Dus dat is al één. Twee is inderdaad dat leiderschap, dat het niet gedelegeerd wordt, maar dat het echt een strategisch onderwerp is. Ook in de implementatie. Ja, drie is dat we gezien hebben dat we dat je ook patronen ziet in natuurlijk teams die innovatiever zijn dan anderen. Dus zorgen dat je die skills, weet je, dat je daar een soort map hebt, een soort. Blauwprint van wat is je huidige organisatie. Dus dat je ook weet of je de juiste mensen hebt. En soms is het ook nog wel eens dat je dat. En het vierde aspect is wel voor dat opschalen, is dan dat het. Dat je je methode makkelijk kunt integreren met een bestaande met bestaande systemen. Dus veel van onze bedrijven gebruiken applicant tracking systemen of HM-systemen. Dat onze technologie daar heel makkelijk in past. Als dat niet zo is, wordt het meteen ingewikkelder. Snap ik. Bij dat opschalen. Dus er zitten echt heel veel aspecten wel in om dat om dat goed te kunnen doen. En mooie tips. Ik denk dat we het verhaal denk ik behoorlijk rond. Heel erg dankjewel. Eigenlijk heb je ons meegenomen van het begin van je sollicitatie naar waar je nu staat en alles ertussenin. Dankjewel. Graag gedaan. Dankjewel. Fijn dat je weer luisterde naar deze aflevering van AIToday Live. Vergeet je niet te favorieten. Zo, niet te favorieten. Vergeet je niet zo dan wat een gedoe, zeg. En we hebben ook natuurlijk onze nieuwsbrief. Link staat in de show notes. En daar vind je exclusieve content. Abonneer je, tot de volgende keer hoor. Tot de volgende keer.