AI-adoptie neemt toe. Maar geldt dat ook voor de bedrijfsprestaties?

Bedrijven hebben moeite om hun investeringen in AI om te zetten in betekenisvolle resultaten. Het gebruik neemt toe, maar slechts 13% van de organisaties meldt dat AI aanzienlijke transformerende waarde oplevert. Deze kloof zou leiders ertoe moeten aanzetten een stap terug te doen en zich af te vragen of ze activiteit meten of betekenisvolle verandering.

Onder druk om een duidelijk rendement op AI-investeringen aan te tonen, grijpen organisaties vaak naar eenvoudig te rapporteren meetgegevens, zoals het gebruik van tools, het aantal actieve gebruikers of de adoptiegraad. Deze cijfers laten zien of medewerkers AI gebruiken. Ze zeggen weinig over de vraag of het werk verbetert of de investering waarde oplevert.

PwC stelde bijvoorbeeld vast dat 64% van de ondervraagde werknemers in de afgelopen 12 maanden AI op het werk had gebruikt, een stijging van tien procentpunten op jaarbasis. Op het eerste gezicht is dit een veelbelovend teken van groei, maar het toont niet aan dat AI invloed heeft op het bedrijfsresultaat. AI-adoptie wordt een ijdele maatstaf wanneer leiders die beschouwen als bewijs van transformatie. Een betere maatstaf is de mate waarin AI inzichten uit eerdere projecten helpt om te zetten in raamwerken, tools en versnellers die teams helpen betere resultaten te leveren.

Het verborgen probleem: AI kan werk versnellen dat moet veranderen

Voordat organisaties AI inzetten, moeten ze begrijpen wat het doel van de workflow is, onnodige stappen herkennen en opnieuw bekijken hoe het werk moet worden uitgevoerd. Dat is belangrijk, omdat de invoering van AI een inefficiënt proces kan versnellen, knelpunten verderop in het proces kan veroorzaken en kan leiden tot meer controles of herstelwerk.

Dat inzicht moet ook richting geven aan wat organisaties meten. Door de volledige workflow te bekijken, kunnen teams zien hoe veranderingen in één taak doorwerken in alles wat daarop volgt, en nagaan of schijnbare verbeteringen de inspanning daadwerkelijk verminderen of die alleen naar iemand anders verplaatsen.

AI kan afzonderlijke taken versnellen, zoals teksten opstellen, informatie samenvatten of gegevens sneller analyseren, zonder dat processen daardoor verbeteren. Zo kan het sneller genereren van content bijvoorbeeld leiden tot meer werk voor reviewers en goedkeurders verderop in het proces. Het knelpunt verschuift, ook als individuele medewerkers melden dat ze tijd besparen.

Hier kunnen productiviteitscijfers ijdele maatstaven worden. Een kortere doorlooptijd voor één taak lijkt misschien een snelle winst, maar houdt mogelijk geen rekening met de inspanning die nodig is om van het resultaat verderop in het proces iets bruikbaars te maken. Het herontwerpen van een workflow moet beginnen bij het beoogde resultaat. Vervolgens moet worden bepaald waar AI waarde toevoegt en welke stappen moeten veranderen.

Zowel de productiviteit van afzonderlijke taken als die van de workflow is van belang. Om beide samen te meten, moeten teams verder kijken dan de tijdwinst per taak en ook de kwaliteit, het herstelwerk en de totale menselijke inspanning beoordelen die nodig zijn om het resultaat te bereiken.

Wat we leerden toen we zelf klant werden van AI

Bij Arionkoder hebben we Socrates opgezet, ons interne transformatieprogramma, om een AI-native organisatie te worden. Door AI als onze eigen ‘proefcase’ te testen, ontdekten we hoe productiviteitswinst bij afzonderlijke taken problemen in de volledige workflow kon verhullen. Zo dachten we aanvankelijk bij onze projectmanagementworkflows dat het gebruik van AI voor het genereren van vergadersamenvattingen, actiepunten en projectupdates die taken efficiënter zou maken. De grotere hoeveelheid informatie vereiste echter nog steeds handmatige controles, prioritering en afstemming tussen teams. Daardoor verschoof de werklast naar verderop in het proces, in plaats van af te nemen. We beseften dat afzonderlijke taken sneller uitvoeren niet noodzakelijkerwijs de hele workflow efficiënter maakt. Het doel van Socrates bleef relevant, maar het programma moest teams helpen de overstap te maken van het versnellen van geïsoleerde taken naar het herontwerpen van workflows van begin tot eind.

Deze tegenslag bleek nuttig toen we onderzochten wat er was gebeurd en de bevindingen toepasten bij onze volgende poging. De ervaring bevestigde dat AI-transformatie om meer vraagt dan alleen technologie introduceren. Mensen moeten ook anders leren van experimenten, beslissingen nemen en samenwerken. Socrates moest medewerkers helpen om wat ze individueel hadden ontwikkeld te verbinden met de manier waarop het werk werd uitgevoerd.

De herziene aanpak geeft die experimenten een duidelijk verloop. Een medewerker kan beginnen met AI om één klein, concreet probleem op te lossen. Vervolgens kan worden getest of iemand anders kan gebruiken wat die medewerker heeft gemaakt. Daarna kan het bedrijf de bredere workflow onder de loep nemen, knelpunten opsporen en het werk verbinden met mogelijkheden die andere teams hebben ontwikkeld. Door kennis tussen medewerkers te delen, kan worden nagegaan of een verbetering ook buiten de taak waarvoor die oorspronkelijk was bedoeld bruikbaar blijft.

Dat onderscheid is belangrijk. Iets maken dat voor één persoon werkt, is het beginpunt. Organisatiewaarde creëren vereist inzicht in hoe anderen het gebruiken en wat er verandert wanneer het onderdeel wordt van een groter proces.

Daarom begonnen we bij onze herstart met het beoogde resultaat. Wat moest het team bereiken? Welke stappen droegen bij aan dat resultaat, en welke waren er alleen omdat ze deel uitmaakten van een gevestigde werkwijze die haar doel niet langer diende? Die vragen hielpen ons de focus te verleggen: niet langer AI toevoegen aan afzonderlijke taken, maar de workflow herontwerpen rond een duidelijker doel.

Vervolgens stelden we voor elke workflow passende nulmetingen en criteria vast. We keken naar kwaliteit, herstelwerk en de inspanning van medewerkers, naast de doorlooptijd. Met deze meetgegevens konden we verbeteringen in het hele proces beoordelen.

Bij Socrates hebben we meer dan 20 workflows opnieuw ontworpen en experimenten rond echte bedrijfsproblemen omgezet in mogelijkheden waar anderen gebruik van konden maken. De financiële rapportage kostte geen vier uur meer, maar slechts 20 minuten. IT meldde daarnaast 40% minder repetitieve taken en een daling van de responstijden met 60%. Die resultaten wezen op operationele vooruitgang. Om te begrijpen hoe deze meetgegevens zich vertalen in bedrijfswaarde, moet je nagaan of de inspanning in de hele workflow is afgenomen en hoe teams de vrijgekomen capaciteit hebben benut.

Voor ons was de les dat je verbeteringen helemaal moet volgen. Tijdwinst voor individuele medewerkers is belangrijk, maar levert pas waarde op voor de organisatie als die de volgende persoon helpt beter werk te leveren en het team dichter bij het beoogde resultaat brengt.

Wat CIO’s in plaats daarvan moeten meten

Om een verbetering te volgen tot aan de bedrijfsimpact, is meer nodig dan het gebruik van AI of de bespaarde tijd bijhouden. Leidinggevenden moeten de adoptie koppelen aan verbeteringen in de manier waarop het werk wordt uitgevoerd en aan de resultaten die dat oplevert. De voortgang moet op drie afzonderlijke niveaus worden gemeten:

1. Adoptie: gebruiken medewerkers AI?

   Adoptie blijft nuttig als diagnostische maatstaf. Gebruiksgegevens, deelname aan experimenten en feedback van medewerkers kunnen laten zien waar mensen vertrouwen opbouwen en waar ze ondersteuning nodig hebben.

   Deze signalen helpen leidinggevenden inzicht te krijgen in hoe klaar de organisatie ervoor is, maar tonen geen ROI aan. Veelvuldig gebruik is een vertrekpunt voor nader onderzoek, geen bewijs van transformatie.

2. Workflowprestaties: wordt het werk daadwerkelijk beter?

   Succescriteria moeten aansluiten bij het beoogde doel van de workflow. Afhankelijk van de toepassing kan verbetering bijvoorbeeld betekenen dat informatie nauwkeuriger is, er minder fouten worden gemaakt of zaken sneller worden afgehandeld.

   Vergelijk de prestaties met een uitgangswaarde voor het volledige proces. Houd bij hoeveel onnodige stappen zijn geschrapt, hoeveel herstelwerk nodig is, wat de kwaliteit is en hoeveel inspanning medewerkers in totaal leveren. Betrek ook de mensen die AI-gegenereerde resultaten ontvangen en ermee aan de slag gaan. Een taak is niet per se efficiënter geworden als die elders extra controle of correcties vereist.

3. Bedrijfsimpact: verbetert de AI-ondersteunde workflow de bedrijfsresultaten?

   Koppel verbeteringen in workflows aan resultaten die voor de leiding al belangrijk zijn, zoals klantbehoud, omzet, servicekwaliteit of kosten per afgehandelde kwestie. Meer content produceren laat bijvoorbeeld zien dat de output is toegenomen. De bedrijfswaarde daarvan hangt af van wat die content oplevert.

   Volg hoe de bespaarde tijd wordt benut. Heeft de extra capaciteit de dienstverlening verbeterd, groei ondersteund of de operationele kosten verlaagd? Beoordeel de waarde in verhouding tot de totale kosten om die te realiseren, waaronder menselijke inspanning, AI-verbruik, integratie, toezicht, training en onderhoud.

Samen helpen deze meetgegevens leidinggevenden om de effecten van AI-adoptie te volgen, van betere workflows tot betere bedrijfsresultaten. Als het AI-gebruik toeneemt zonder dat de menselijke inspanning afneemt, de kwaliteit verbetert of bedrijfswaarde wordt gerealiseerd, moeten leidinggevenden de aanpak opnieuw beoordelen voordat ze die opschalen.

Leidinggevenden moeten de voortgang van AI opnieuw definiëren

Adoptiegegevens helpen bedrijven te zien wie AI gebruikt en waar meer ondersteuning nodig is. Om de waarde ervan te begrijpen, moet je luisteren naar de mensen die het werk uitvoeren en nagaan of de voordelen de bredere workflow verbeteren. Leidinggevenden moeten medewerkers het vertrouwen geven om aanpakken aan te kaarten die meer inspanning vergen zonder betere resultaten op te leveren, en vervolgens op die bevindingen actie ondernemen. Een ineffectieve aanpak veranderen of stopzetten is vooruitgang als de opgedane inzichten tot een betere volgende beslissing leiden.

Betekenisvolle transformatie blijkt uit het schrappen van onnodig werk, het behalen van betere resultaten en het creëren van meer capaciteit voor werk dat ertoe doet. Leidinggevenden moeten deze resultaten gebruiken om de voortgang van AI te beoordelen en verdere investeringen richting te geven.