Van zomercursus naar teamsessies en experimenteren met nieuwe werkgewoontes
Vraag mensen of ze AI gebruiken en het antwoord is vaak ja. Een reis uitstippelen, een tuinontwerp laten schetsen, een AI video voor een vriend die gaat trouwen. Privé vinden mensen hun weg wel.
De AI act verplicht bedrijven om te zorgen dat medewerkers AI-geletterd zijn. Het afgelopen jaar begeleidden we, soms om aan de AI act te voldoen, verschillende organisaties bij het gebruik van AI. Daar zagen we grote verschillen tussen deelnemers. Sommige medewerkers gebruikten AI al voor lastige mails, samenvatting, het vergelijken van twee documenten of het bedenken van werkvormen of hadden zelfs een open source taalmodel draaien op hun laptop. Anderen waren nieuwsgierig, maar vonden het lastig om te bedenken waar AI in hun werk iets kan toevoegen.
De uitdaging is niet technisch
Dat verschil tussen voorlopers en anderen zit lang niet altijd in technische handigheid. De mensen die AI het snelst in hun werk wisten te gebruiken, waren vooral bereid om nieuwe prompts uit te proberen. Om iets aan te passen en soms opnieuw te beginnen. En om te accepteren dat het niet meteen sneller of beter ging. “Laat ik eens proberen om mijn mail met AI in drie varianten te schrijven: warm zakelijk, geschikt voor de Amsterdamse kapper en professioneel.” Goed leren werken met AI vraagt dus om meer dan een training. Het vraagt om experimenteren in het werk, samen reflecteren, goede prompts en toepassingen delen en nieuwe routines ontwikkelen. Je zou kunnen zeggen: na de AI-training begint het echte leren pas. En ook de inhoud van de training maakt uit. Een zogenaamde ‘knoppen- cursus’ werkt niet.
AI gebruiken is niet automatisch sneller werken
Zeker in het begin kost werken met AI soms juist extra tijd. Een mail zelf schrijven kan sneller zijn dan eerst uitleggen wat je wilt, een resultaat van AI beoordelen en vervolgens drie keer bijsturen. In dat proces kan je wel leren van AI resultaten die net wat anders zijn dan je zelf zou bedenken.
Een mooi voorbeeld: iemand vroeg een taalmodel om eerst een tekst te schrijven in twee varianten: professioneel en in de stijl van Pauline Cornelissen. Vervolgens heeft ze daar één tekst van laten maken. Het resultaat was een tekst waarin de software van het bedrijf werd vergeleken met spaghetti. Iets wat ze zelf nooit zo zou hebben geschreven. Maar al haar collega’s herkenden de metafoor en vonden de tekst sterk en grappig. Dat is leren met AI.
Een goede training is pas het begin
Veel L&D-ers en academies worden gevraagd de AI-geletterdheid te verzorgen. Als leerprofessionals hebben we snel de neiging om trainingen te organiseren. Medewerkers leren wat AI is, prompten, verkennen van toepassingen uit hun eigen werk. Dat is logisch. En als je zo’n training dicht bij de praktijk brengt, is dat goed vakmanschap.
Maar dan komt het bekende transfer vraagstuk. Wat iemand leert in een training, komt niet vanzelf in het dagelijkse werk terecht. De omgeving speelt een rol, net als de leidinggevende, de beschikbare tijd en de gelegenheid om te oefenen. Bij AI komt daar nog iets bij.
Werken met AI vraagt niet alleen om nieuwe kennis en vaardigheden. Het vraagt ook om ander gedrag. Om opnieuw kijken naar je werk en je workflow aan te passen. Om je af te vragen waar AI iets kan toevoegen aan je eigen kunde. Om te experimenteren zonder te weten of het lukt. En om samen met collega’s nieuwe manieren van werken te ontwikkelen.
Van trainingen naar teamleren
Bij een organisatie begonnen we met zomercursussen. Luchtige, laagdrempelige dagen voor medewerkers die AI in de vingers wilden krijgen. De cursussen zaten binnen no-time vol. Uiteindelijk deden zo’n 120 medewerkers mee. Ze ontdekten wat generatieve AI is, wat ze ermee konden in hun werk en hoe ze er verstandig mee konden werken. Na de zomer kwam vanuit teams een nieuwe vraag: kunnen we niet samen onderzoeken wat AI in ons werk als team kan betekenen?
Collega’s inspireerden elkaar. Iemand liet zien hoe AI hielp bij de voorbereiding van gesprekken. Een ander gebruikte het om documenten te analyseren. Weer iemand maakte met AI een eerste opzet voor een tekst. Niet een algemeen voorbeeld van wat AI allemaal kan, maar een collega die laat zien wat er gisteren in het eigen werk mee lukte. Juist dat maakte het waardevol.
Teams gingen aan de slag met een routekaart. Hoe kan een nieuwe manier van werken in ons team eruit zien? Wat is hiervoor nodig? Wat kunnen we zelf en waar moet een pilot voor worden aangevraagd bij collega’s?
De grootste opbrengst zat tussen de bijeenkomsten
De teamsessies bestonden uit twee bijeenkomsten, met twee tot drie weken ertussen. Die tussenliggende periode bleek minstens zo belangrijk als de sessies zelf.
Aan het einde van de eerste bijeenkomst schreef iedere deelnemer een klein experiment op een bierviltje. Geen groot veranderplan, maar één concrete toepassing om de volgende dag uit te proberen. Bijvoorbeeld:
- een lastig verslag laten structureren;
- drie varianten van een mail maken;
- werkvormen bedenken voor een klantbijeenkomst;
- een document laten analyseren op terugkerende thema’s;
- feedback vragen op een eigen tekst.
Het bierviltje ging mee om naast je laptop te leggen voor de volgende dag. Zo bleef het voornemen zichtbaar.
In de tweede sessie haalden we de ervaringen op. Wat werkte? Wat viel tegen? Wanneer hielp AI echt? Wanneer kostte het vooral tijd? En wat hadden mensen geleerd over hun eigen werk? Daarna keek het team vooruit. Wat willen we eigenlijk bereiken met AI? Sneller werken? Meer kwaliteit? Creatiever worden? Consistenter communiceren? En welke taken passen daarbij?
De teamaanpak was waardevol, maar nog niet genoeg
De teamtrajecten brachten AI dichter bij het dagelijkse werk. Medewerkers onderzochten eigen taken, probeerden toepassingen uit en leerden van de ervaringen van collega’s. Heel waardevol! En tegelijkertijd merkten we dat ook deze aanpak nog niet voldoende was om het leren met AI echt gaande te houden.
Na twee sessies gaan sommige medewerkers enthousiast verder. Zij blijven experimenteren en vinden steeds nieuwe toepassingen. Bij anderen zakt het gebruik weer weg. Het hangt af van het enthousiasme van de teamleider of het op de agenda blijft. Om te blijven leren, experimenteren zijn vormen nodig om teams met vergelijkbare vragen met elkaar in contact te brengen. Je kunt de kennis van de voorlopers goed benutten. Er is ICT ondersteuning nodig om enthousiaste doorontwikkelaars aan boord te houden.
Tijdens het traject bedachten we verschillende mogelijke vervolgstappen. Een netwerk van AI-ambassadeurs dat ervaringen tussen teams verzamelt en verspreidt. Een promptbibliotheek waarin naast prompts, ook toepassingstips en aandachtspunten staan. Korte AI-oogstmomenten tijdens teamoverleggen. En een manier om vragen en ervaringen uit de praktijk terug te brengen naar ICT, leidinggevenden en management.
Maar eerlijk is eerlijk: in deze organisaties hebben we die volgende stap niet goed kunnen zetten. Terugkijkend is het belangrijk dat je vanaf het begin groter denkt. Niet alleen in een cursus met daarna een paar teamsessies, maar in een leerroute: een samenhangende reeks leeractiviteiten waarin kennismaken, oefenen, experimenteren, reflecteren, kennisdelen en verder ontwikkelen elkaar opvolgen. Een training kan daarin een prima startpunt zijn. Maar als je wilt dat mensen hun werkgewoontes daadwerkelijk veranderen, moet leren in het werk vanaf het begin onderdeel zijn van het ontwerp.