Drie perspectieven op AI-adoptie
De verwachtingen ten aanzien van het gebruik van AI zijn hooggespannen. We horen voortdurend over de enorme tijdsbesparing die slimme tools ons kunnen opleveren, en op innovaties -en zelfs transformaties- die ermee gerealiseerd kunnen worden. Toch lijkt de praktijk op de werkvloer vaak achter te blijven bij deze hoge verwachtingen. Onlangs publiceerde McKinsey een onderzoek dat licht werpt op deze zogenaamde ‘AI-readiness gap’.
Het onderzoek is gebaseerd op een enquête onder 750 medewerkers en ruim 600 leidinggevenden wereldwijd en laat een opmerkelijke tweedeling zien. Terwijl maar liefst 70 procent van de respondenten aangeeft persoonlijk klaar te zijn om AI te adopteren en te gebruiken, gelooft slechts 27 procent van de leidinggevenden dat hun organisatie daadwerkelijk klaar is voor de noodzakelijke veranderingen.
Het contrast tussen medewerkers en organisaties laat volgens McKinsey zien dat medewerkers zich sneller aanpassen aan nieuwe technologie dan de instituten waarin zij werken. Zij onderscheiden
Twee vormen van gereedheid:
- Persoonlijke gereedheid. Voelen medewerkers zich ondersteund, bekwaam en bereid om anders te gaan werken met behulp van AI. Het omvat toegang tot de juiste tools en vertrouwen in de organisatie?
- Organisatorische gereedheid. Is de organisatie als systeem om werkstromen aan te passen, middelen flexibel toe te wijzen en de cultuur te veranderen?
De auteurs delen organisaties in op basis van drie opeenvolgende fasen van AI-volwassenheid:
-
Fase 1: Enablement (46 procent). Organisaties bieden medewerkers toegang tot algemene AI-tools om delen van hun bestaande taken te ondersteunen.
-
Fase 2: Automation (43 procent). Bestaande, functieoverstijgende werkstromen worden op schaal geautomatiseerd en verbeterd.
-
Fase 3: Reinvention (11 procent). Rollen, processen en organisatiemodellen worden vanaf de grond toe opnieuw ontworpen om het potentieel van AI volledig te benutten.
De ruime meerderheid van de organisaties (89 procent) bevindt zich dus nog in de eerste twee fasen.
Uit de analyses van McKinsey blijkt dat organisatorische gereedheid de belangrijkste voorspeller is voor het behalen van succes met AI. Het verklaart voor 48 procent het verschil tussen partijen die waarde uit AI halen en partijen die dat niet doen. Persoonlijke gereedheid van medewerkers verklaart slechts 25 procent van dit verschil. De structuur en cultuur van de organisatie zijn volgens de onderzoekers dus bijna twee keer zo belangrijk als de vaardigheden van het individuele personeelslid.
Een succesvolle transformatie valt of staat met vertrouwen. Medewerkers moeten erop kunnen rekenen dat de organisatie hen ondersteunt tijdens de veranderingen en hen niet simpelweg dwingt de technologie te absorberen. De angst voor verandering is volgenjs McKinsey namelijk reëel. Opvallend genoeg laat het onderzoek zien dat juist het middenkader de meeste onrust ervaart. Een kwart van hen maakt zich zorgen, vergeleken met een vijfde van de uitvoerende medewerkers. Bovendien zijn medewerkers met weinig vertrouwen in de steun van hun organisatie anderhalf keer zo vaak angstig over AI-veranderingen.
Om te begrijpen waar we nu staan, helpt volgens McKinsey een historische vergelijking. In de begintijd van de elektriciteit vervingen fabrikanten hun stoommachines door elektromotoren, maar lieten de fabrieken en werkstromen ongewijzigd. De productiviteitswinst bleef minimaal. Pas toen fabrieken volledig werden herontworpen rondom de nieuwe energiebron, ontstond er echte waarde.
Leidinggevenden bouwen dit vertrouwen niet op door te beweren dat er niets zal veranderen. Vertrouwen ontstaat door eerlijke communicatie over wat men weet en wat men nog niet weet, en door actief te investeren in gerichte professionalisering.
AI-transformatie gaat volgens de onderzoekers uiteindelijk over verandering en vernieuwing bij mensen. Organisaties die voorop lopen, zetten niet alleen technologie in. Ze denken ook opnieuw na over besluitvorming, zorgen dat teams sneller leren, en bouwen aan een cultuur die zich steeds kan aanpassen aan de ontwikkeling van AI. Deze bedrijven leren en vernieuwen sneller dan hun concurrenten. Het simpelweg ‘plakken’ van AI-tools op bestaande onderwijsprocessen levert echter weinig op.
Mijn opmerkingen
Ik vind het vrij logisch dat individuele bereidheid voorloopt op organisatorische gereedheid. Het is veel complexer om een organisatie in beweging te krijgen dan een individu. Binnen onderwijsinstellingen zie je dat sommige docenten enthousiast experimenteren met AI-tools voor lesvoorbereiding of feedback, terwijl collega’s afwachtend blijven. Het probleem is dat deze individuele experimenten zelden doorgroeien tot iets dat de bredere schoolorganisatie merkt. De school als geheel plukt weinig tastbare vruchten van wat op individueel niveau al gebeurt, precies omdat organisatorische gereedheid ontbreekt. Ik schreef eerder al dat weerstand tegen AI in het onderwijs vaak een vorm van betrokkenheid is en dat de verschillen tussen docenten in adoptie van generatieve AI groot zijn. Vaak is het verklaarbaar dat werknemers terughoudend zijn in het gebruik van AI. Daar zul je het over moeten hebben, en dat kost tijd.
Bij organisatorische gereedheid zul je ook aan meer ‘knoppen’ moeten draaien dan alleen aan professionalisering en ondersteuning. Het aanpassen van processen doe je veelal niet 1-2-3. Een aspect dat in het rapport onderbelicht blijft, is de spanning tussen de fase Reinvention en de vertrouwelijkheid van data. Om workflows fundamenteel te herontwerpen, moet je AI-tools toegang geven tot organisatiekritische informatie. In het geval van het onderwijs zijn dat studentinformatie, beleidsinformatie en personeelsinformatie. Onderwijsinstellingen zijn daar terecht terughoudend in, gezien privacywetgeving en de gevoeligheid van deze gegevens. Dit maakt de stap naar Reinvention voor onderwijsinstellingen in de EU lastiger dan voor commerciële organisaties in de VS die minder strikte kaders kennen.
Verder mis ik in het onderzoek aandacht voor de grenzen van AI bij kernprocessen als het begeleiden van lerenden. Persoonlijke aandacht, het inschatten van iemands ontwikkeling en het bieden van ondersteuning op maat zijn processen waarin AI hooguit ondersteunend kan zijn, niet vervangend. Reinvention van onderwijsprocessen kan dus niet zomaar de logica van industriële automatisering volgen.
Nota bene: als AI-gebruik docenten tijd oplevert, is de vraag waar die tijd naartoe gaat. Wordt die geïnvesteerd in betere begeleiding van lerenden, of vloeit die weg naar extra administratieve taken zoals controle en verbetering van de output van AI-tools? Tot slot vraag ik me af: is er binnen onderwijsinstellingen eigenlijk wel urgentie om werk en teams fundamenteel anders te organiseren, los van de vraag of AI daarbij helpt? Zonder die urgentie blijft herontwerp een intentie in plaats van een praktijk.
Mijn bronnen over (generatieve) artificiële intelligentie
Deze pagina bevat al mijn bijdragen over (generatieve) artificiële intelligentie.
Lees het hele
artikel