AI kan meer taken overnemen dan ooit tevoren. Bedrijven die deze taken verwarren met het uitoefenen van beoordelingsvermogen, lopen het risico dat ze taken automatiseren die juist in hun eigen nadeel werken.
Begin 2026 verzocht Oracle zijn medewerkers om hun werkprocessen in kaart te brengen en gebruik te maken van de interne AI-tools van het bedrijf. Een aantal van deze medewerkers werd later ontslagen.
Een voormalig senior softwaremanager vertelde aan Time dat junior-ingenieurs AI gebruikten om grote hoeveelheden foutieve code te genereren. Senior-ingenieurs moesten deze code vervolgens stap voor stap doorlopen en bruikbaar maken. Oracle heeft vervolgens het personeelsbestand ingekrompen, waarbij ook ervaren medewerkers werden ontslagen.
Deze reeks illustreert een van de belangrijkste risico’s van de huidige AI-boom. Oracle automatiseerde een deel van de uitvoering en verzwakte vervolgens de beoordelingslaag die de output juist waardevol maakte.
Dit is niet alleen een verhaal over Oracle, en zelfs niet alleen een verhaal over software. In alle sectoren bekijken leidinggevenden wat AI tegenwoordig kan en vragen zij zich af hoeveel mensen zij nog nodig hebben. Die vraag is begrijpelijk. De verbeteringen in de mogelijkheden zijn reëel.
METR, een non-profitorganisatie die AI-agenten evalueert, meet de omvang van taken die modellen op een bepaald betrouwbaarheidsniveau kunnen uitvoeren. Uit hun onderzoek bleek dat de 50-procent-taakhorizon van toonaangevende agenten tussen 2019 en 2025 ongeveer elke zeven maanden verdubbelde. Nieuwere versies van de benchmark laten nog steeds snelle vooruitgang zien, hoewel METR waarschuwt dat de langste gemeten waarden nog steeds onzeker zijn. De taken zijn bovendien geconcentreerd op software-engineering, machine learning en cyberbeveiliging. Zij vormen geen volledige maatstaf voor kenniswerk.
Die kanttekening is van belang. De benchmark laat zien dat AI steeds beter wordt in het uitvoeren van langere, duidelijk omschreven taken. Dit betekent echter niet dat een AI-systeem een bedrijf kan leiden, een klant kan begrijpen, een medewerker kan ontwikkelen of kan bepalen welke afwegingen een instelling moet maken.
Toch worden deze ideeën vaak behandeld alsof ze hetzelfde zijn. Als AI een groter deel van het werk kan overnemen, zo luidt de redenering, zouden er minder mensen nodig moeten zijn om dezelfde output te realiseren. Op papier lijkt dit argument onweerstaanbaar.
Binnen een echte organisatie ligt het veel ingewikkelder.
Tenuitvoerlegging is geen vonnis
Het meest zinvolle onderscheid in het debat over AI en werkgelegenheid ligt niet in de vraag welke taken AI wel en welke zij niet kan uitvoeren. Die grens verschuift te snel. Het meer blijvende onderscheid ligt tussen uitvoering en beoordeling.
Uitvoering is werk dat duidelijk kan worden omschreven en beoordeeld. Schrijf deze functie. Controleer deze aanvraag aan de hand van een reeks regels. Controleer deze contracten op ongebruikelijke bepalingen. Stel een eerste concept van dit rapport op. Leid dit verzoek van de klant door. Breng deze rekeningen in overeenstemming.
AI is al zeer bedreven in veel van deze taken. Het is snel, onvermoeibaar en op de lange termijn goedkoop. Als het op de juiste manier wordt ingezet, kan het uren aan repetitief werk besparen en mensen meer tijd geven voor complexe vraagstukken.
Het oordeel begint waar de specificatie ophoudt.
Moet dit product überhaupt worden ontwikkeld? Welke technische snelkoppeling zal over twee jaar een dure aangelegenheid blijken te zijn? Vraagt de klant om het verkeerde? Rechtvaardigt de geschiedenis van een klant dat er van het beleid wordt afgeweken? Is een technisch correcte beslissing nog steeds oneerlijk? Welke gevolgen zal dit advies hebben voor een relatie die tien jaar heeft geduurd om op te bouwen?
Deze vragen hangen af van de context, de gevolgen en de verantwoordingsplicht. Ze vereisen dat iemand opmerkt waar het systeem nooit op is afgestemd om op te letten.
AI zal steeds beter worden in het ondersteunen van dergelijke beslissingen. Het kan deskundigen uitdagen en daarbij zwakke punten in de menselijke redenering aan het licht brengen. Maar organisaties zullen nog steeds mensen nodig hebben die de omringende realiteit begrijpen, de resultaten kunnen beoordelen en verantwoording kunnen afleggen wanneer het antwoord onjuist is.
Een betere uitvoering maakt het beoordelingsvermogen niet minder belangrijk. Meestal maakt het het beoordelingsvermogen juist belangrijker, omdat de omvang en de snelheid van de output toenemen.
De motor, de cockpit en het kompas
Een praktische manier om dit onderscheid toe te passen, is door organisatorisch werk te beschouwen als drie lagen.
1. De motor: door AI aangestuurde uitvoering
De Engine omvat gestructureerde, herhaalbare werkzaamheden met duidelijke input en meetbare output. Hieronder vallen onder meer het genereren van standaardcode, het afstemmen van rekeningen, het doorsturen van ondersteuningsverzoeken, het screenen van aanvragen, het extraheren van contractbepalingen en het opstellen van eerste concepten.
Dit is het gebied waarop AI het meest zelfstandig kan werken. Hoe duidelijker een taak kan worden omschreven en hoe goedkoper de resultaten ervan kunnen worden gecontroleerd, des te sterker zijn de argumenten voor automatisering.
Het principe is eenvoudig: als het werk duidelijk kan worden omschreven en tegen lage kosten kan worden gecontroleerd, voer het dan in de Engine in.
2. De cockpit: samenwerking tussen mens en AI
De Cockpit vormt de gemengde laag. AI genereert analyses, opties of aanbevelingen, terwijl een persoon de situatie interpreteert en beslist of de uitkomst past bij de context.
Het controleren van door AI gegenereerde code valt hieronder. Hetzelfde geldt voor het afhandelen van ongebruikelijke klantgevallen, het beoordelen van kredietafwijkingen, het onderzoeken van compliance-waarschuwingen en het aanpassen van een voorstel aan de interne dynamiek binnen de organisatie van een klant.
De persoon in de cockpit is er niet om alles wat de machine voortbrengt goed te keuren. Zijn of haar rol bestaat erin dit in twijfel te trekken, bij te sturen en te herkennen wanneer de situatie niet langer overeenkomt met de aannames waarop het systeem is gebaseerd.
Het uitgangspunt is: laat AI het werk versnellen, maar zorg ervoor dat een gekwalificeerde medewerker het proces actief blijft sturen.
3. Het kompas: het menselijk oordeel
Het Kompas geeft richting aan. Het omvat doelstellingen, waarden, afwegingen en verantwoordingsplicht. Wat moet het bedrijf ontwikkelen? Welke risico’s moet het nemen? Welke klanten moet het bedienen? Wanneer moet een beleid worden aangepast? Wat voor soort organisatie wil het worden?
AI kan bij deze keuzes een rol spelen. Het kan bewijsmateriaal aan het licht brengen, aannames ter discussie stellen en mogelijke uitkomsten in kaart brengen. Maar mensen moeten zowel de beslissing als de gevolgen daarvan zelf dragen.
Het uitgangspunt is: gebruik AI als input, maar laat de verantwoordelijkheid bij de mens liggen.
De grenzen tussen deze lagen zullen verschuiven. Naarmate AI zich verder ontwikkelt, zal er steeds meer werk vanuit de Cockpit naar de Engine worden overgeheveld. Dat is precies wat organisaties zouden moeten nastreven. Maar de technologische mogelijkheden kunnen sneller evolueren dan de verantwoordingsplicht. Het feit dat een taak automatiseerbaar wordt, betekent niet dat de daarmee samenhangende beslissing contextloos is geworden.
De motor voert de opdracht uit. De cockpit interpreteert deze. Het kompas neemt de beslissing.
De mislukking doet zich voor wanneer leiders de Motor versterken, de Cockpit uithollen en ervan uitgaan dat het Kompas op de een of andere manier wel voor zichzelf zal zorgen.
Klarna heeft de grens bereikt
Klarna biedt een nuttige toets om dat onderscheid te maken.
In 2024 meldde het betalingsbedrijf dat zijn AI-assistent het werk verrichtte dat gelijkstaat aan dat van 700 klantenservicemedewerkers en dat hij binnen een maand na de lancering tweederde van de servicechats afhandelde. Klarna legde tevens de werving stil, waarna het personeelsbestand later met ongeveer 22 procent daalde, grotendeels door natuurlijk verloop.
De economische cijfers zagen er indrukwekkend uit. Toen stuitte het bedrijf op een grens.
In 2025 erkende algemeen directeur Sebastian Siemiatkowski dat kosten een te dominante factor waren geworden in de organisatie van de klantenservice, wat leidde tot ondersteuning van mindere kwaliteit. Klarna begon met het werven van flexibele, op afstand werkende medewerkers en benadrukte dat klanten altijd een medewerker moesten kunnen bereiken als zij dat wensten.
Dit betekende geen volledige afstap van AI. Klarna bleef de assistent op grote schaal gebruiken. In een later ingediend document meldde het bedrijf dat het in 2025 80 procent van de klantenservice-chats had afgehandeld en dat er, op basis van eigen interne enquêtes, geen daling in de tevredenheid was geconstateerd.
Deze les is interessanter dan louter een verhaal over een mislukking. Klarna wist de efficiëntie te behouden en corrigeerde tegelijkertijd de aanname dat efficiëntie het enige was wat telde. Een geautomatiseerde dienst kan bij de gemiddelde interactie uitstekend presteren, maar heeft toch een mens nodig voor die momenten die niet in het patroon passen. Bij de klantenservice zijn het juist die ongewone momenten die vaak bepalend zijn voor de manier waarop mensen zich het merk herinneren.
Klarna kwam niet tot de conclusie dat AI niet effectief was. De Engine werkte wel degelijk. Het bedrijf ontdekte dat klanten nog steeds toegang tot een Cockpit nodig hadden wanneer de interactie niet langer aan het standaardpatroon voldeed.
Een reorganisatie is niet hetzelfde als een team
Terwijl Klarna laat zien hoe moeilijk het is om menselijke ondersteuning te veel terug te dringen, laat Meta zien hoe moeilijk het is om mensen in te passen in een AI-strategie.
In mei 2026 maakte Meta zich op om ongeveer 10 procent van zijn personeelsbestand in te krimpen en tegelijkertijd zo’n 7.000 medewerkers over te plaatsen naar nieuwe, op AI gerichte organisaties. In interne documenten werd gesproken over plattere structuren, kleinere teams en meer eigen verantwoordelijkheid. Sommige medewerkers noemden de verplichte overplaatsingen “ingelijfd worden”.”
Een maand later gaf Andrew Bosworth, Chief Technology Officer bij Meta, in een intern bericht toe dat het bedrijf bij de oprichting van een van de nieuwe divisies “verschrikkelijk” werk had geleverd. Nog veelzeggender was dat hij aangaf wat er was aangetast: het vertrouwen van de medewerkers dat hun expertise zou worden gewaardeerd, dat hun loopbaan zich zou ontwikkelen en dat zij een betekenisvolle bijdrage zouden kunnen leveren.
Het is mogelijk dat Meta dankzij de reorganisatie uiteindelijk betere AI gaat ontwikkelen. Een moeizame implementatie betekent nog niet dat de strategie zal mislukken. Maar het samenbrengen van getalenteerde mensen in een op AI afgestemde organisatiestructuur is niet hetzelfde als het vormen van een goed functionerend team. De Cockpit is afhankelijk van vertrouwen, continuïteit en een gedeeld begrip van het belang van het werk.
Mensen moeten weten waarom hun werk ertoe doet. Zij hebben leidinggevenden nodig die hun sterke punten begrijpen, en voldoende continuïteit om te leren hoe beslissingen tot stand komen. U kunt in een middag namen van het ene vakje naar het andere verplaatsen. De relaties en de gedeelde context verhuizen echter niet automatisch mee.
Een rechtszaak die in juli 2026 door 26 werknemers van Meta is aangespannen, maakt dit punt nog duidelijker. De werknemers beweren dat Meta bij de selectie van personen voor ontslag gebruik heeft gemaakt van interne AI-systemen, activiteitsmonitoring data, dashboards voor tokengebruik en algoritmisch ondersteunde prestatieranglijsten. Zij stellen dat in dit proces periodes van ziekteverlof, ouderschapsverlof of gezinsverlof werden beschouwd als verminderde productiviteit, waardoor de betrokken werknemers een grotere kans hadden om te worden geselecteerd. Meta ontkent de beschuldigingen en stelt dat de beslissingen over het personeelsbestand door mensen, en niet door AI, zijn genomen.
De beweringen zijn niet bewezen. Maar de vermeende faalwijze is er een die elke organisatie zou moeten herkennen. Een systeem kan de beschikbare statistische gegevens nauwkeurig verwerken en toch tot een verkeerde beslissing komen, omdat de gegevens geen context bevatten. Een lagere gemeten output kan duiden op slechte prestaties. Het kan echter ook duiden op zwangerschap, ziekte, mantelzorg of een aanpassing in verband met een handicap.
De Engine past de maatstaf toe. De Cockpit vraagt wat de maatstaf inhoudt. Het Compass bepaalt welke gevolgen de organisatie bereid is te dragen.
Hoe organisaties herinneringen bewaren
Het grootste deel van de organisatiekennis is niet opgeslagen waar leidinggevenden denken dat het zich bevindt. Het staat niet allemaal in de codebase, het CRM-systeem, het beleidshandboek of op de gedeelde schijf. Een groot deel ervan zit vervat in kleine interacties die nauwelijks als werk worden ervaren.
Het is de wekelijkse stand-upvergadering waarin iemand zich herinnert waarom een soortgelijk idee drie jaar geleden mislukte. Het is de nabespreking met de klant waaruit blijkt dat het werkelijke bezwaar van politieke aard was, en niet van technische aard. Het is de senior engineer die naar code kijkt die alle tests doorstaat en zegt: “Dit zal mislukken onder de omstandigheden waarin wij daadwerkelijk werken.”
Deze momenten kunnen op het eerste gezicht inefficiënt lijken. Maar juist op deze manier onthouden organisaties dingen.
Bij een advocatenkantoor, adviesbureau, bank of overheidsinstantie maakt de relatie deel uit van het product. Waarde komt niet alleen voort uit het eindproduct, maar ook uit inzicht in de geschiedenis van de cliënt, de interne verhoudingen, de risicobereidheid en de onuitgesproken beperkingen. Hetzelfde geldt binnen de overheid, waar een maatschappelijk werker of beleidsmedewerker wellicht jarenlange praktijkkennis bezit die niemand ooit heeft opgeschreven.
AI kan helpen om hier meer van vast te leggen. Betere zoekfuncties, transcriptietools en hulpmiddelen voor het institutionele geheugen zijn werkelijk nuttig. Maar documentatie is altijd een selectie van de werkelijkheid. Mensen leggen vast waarvan zij al weten dat het belangrijk is. Ervaring is deels het vermogen om het belang van iets te herkennen nog voordat iemand het heeft gedocumenteerd.
Wanneer concurrenten toegang hebben tot vergelijkbare modellen en infrastructuur, vloeit een duurzaam voordeel voort uit de manier waarop de technologie wordt ingezet, de context waarin deze zich bevindt en de normen die op de output ervan worden toegepast.
AI kan gelijkheid tot stand brengen. Mensen zetten die gelijkheid om in een voordeel.
Ontslagen hebben invloed op de mensen die blijven
De kosten van een ontslagronde worden doorgaans weergegeven in de vorm van ontslagvergoedingen, juridische risico’s, de overgangsperiode en het verlies aan kennis en ervaring van de vertrekkende medewerkers. Het gedrag van de achterblijvende medewerkers is moeilijker in geld uit te drukken.
In een meta-analyse uit 2002 van Magnus Sverke, Johnny Hellgren en Katharina Näswall werden 72 onderzoeken naar de ervaren onzekerheid over de werkplek geanalyseerd. Hieruit bleek dat er een negatief verband bestaat tussen onzekerheid en werktevredenheid, betrokkenheid bij de organisatie en prestaties. Het ging hierbij om correlaties, niet om procentuele dalingen als gevolg van een specifieke ontslagronde. Toch is de tendens consistent: wanneer mensen zich niet langer veilig voelen, verandert hun relatie met de organisatie.
Uit onderzoek van Charlie Trevor en Anthony Nyberg bleek dat een inkrimping van het personeelsbestand met 1 procent gepaard ging met een geschatte stijging van 31 procent in het vrijwillige verloop in het daaropvolgende jaar, hoewel de omringende HR-praktijken van invloed waren op het resultaat.
Dat leidt tot een selectieprobleem. De werknemers die het gemakkelijkst kunnen vertrekken, zijn vaak degenen met sterke vaardigheden, nuttige netwerken en aantrekkelijke alternatieven. Wanneer een bedrijf ervoor kiest om één groep te ontslaan, loopt het het risico dat een andere groep vervolgens zelf vertrekt.
Dit betekent niet dat ontslagen nooit noodzakelijk zijn. Het betekent wel dat een inkrimping van het personeelsbestand niet louter een rekenkundige aftreksom is. Het beïnvloedt het vertrouwen, de prikkels en het gedrag binnen de gehele organisatie. Wanneer AI als reden wordt aangevoerd, kan het effect nog ingrijpender zijn, omdat van medewerkers wordt gevraagd om de systemen te trainen en te verbeteren die de volgende inkrimping zouden kunnen rechtvaardigen.
De talentpijplijn vertoont een vertraagde storing
Juniorfuncties behoren tot de functies die het gemakkelijkst te automatiseren zijn, omdat een groot deel van hun output gestructureerd en controleerbaar is. Dat maakt ze tot een voor de hand liggend doelwit voor kostenbesparingen. Tegelijkertijd maakt dit het schrappen ervan ook gevaarlijk.
Een junior ingenieur wordt geen senior ingenieur door eenvoudig werk uit de weg te gaan. Een advocaat-stagiair ontwikkelt geen beoordelingsvermogen zonder gewone contracten door te nemen. Een beginnende consultant leert de sfeer bij een klant niet aanvoelen door uitsluitend het definitieve advies te ontvangen.
Expertise wordt opgebouwd door herhaling, correctie, observatie en fouten onder begeleiding.
Als AI het grootste deel van de uitvoerende taken op instapniveau voor haar rekening neemt, zullen organisaties de manier waarop mensen ervaring opdoen opnieuw moeten vormgeven. Dat zou een echte verbetering kunnen zijn. Veel traditionele taken voor beginnende medewerkers zijn saai en leveren minder leerervaring op dan senior professionals graag willen toegeven. Maar het schrappen van de taak is niet hetzelfde als het vervangen van het leerproces.
Als bedrijven het aantal aanstellingen van juniormedewerkers terugschroeven en tegelijkertijd bezuinigen op het aantal seniormedewerkers dat de output van AI beoordeelt, verstoren zij beide uiteinden van de ontwikkelingscyclus. Zij verliezen daarmee zowel het huidige beoordelingsvermogen als de toekomstige bron daarvan.
De gevolgen zullen dit kwartaal nog niet zichtbaar zijn. Ze zullen pas enkele jaren later aan het licht komen, wanneer organisaties tot de ontdekking komen dat zij over talrijke instrumenten beschikken die antwoorden kunnen genereren, maar over te weinig mensen die in staat zijn een onjuist antwoord te herkennen.
De talentpijplijn is geen HR-programma. Het is een productie-infrastructuur met een lange doorlooptijd.
Argumenten om toch te bezuinigen
Er is een serieus tegenargument.
Een gedisciplineerde financieel directeur zou kunnen stellen dat een groot deel van het ondergeschikte werk daadwerkelijk aan het verdwijnen is, en dat het ontkennen daarvan louter nostalgie is. Het beschermen van functies die door de technologie overbodig zijn geworden, is geen goed beheer. Het is een subsidie die concurrenten niet zullen dragen. Een deel van de institutionele kennis die bij een ontslagronde verloren gaat, is simpelweg gewoonte die als wijsheid wordt vermomd. Bedrijven hebben eerder ambachtelijk werk geautomatiseerd, van productie tot zetwerk tot financiële backoffice-taken, en de economie heeft zich daaraan aangepast.
Vanuit dit perspectief leidt het behouden en omscholen van personeel er alleen maar toe dat een noodzakelijke verandering wordt uitgesteld. Bedrijven die als eerste actie ondernemen, zullen lagere kosten en een milieuvriendelijkere bedrijfsvoering realiseren, terwijl alle anderen aarzelen.
Delen van dat betoog zijn juist. Sommige functies zullen niet terugkeren, en het verdedigen van elk van die functies leidt onvermijdelijk tot een langzame achteruitgang. Het antwoord is niet dat bezuinigingen altijd verkeerd zijn. Het is dat de redenering vaak te vroeg ophoudt.
Het personeelsbestand is niet de enige variabele die het waard is om te optimaliseren. Leiders moeten ook bepalen welke competenties de transitie moeten doorstaan: beoordelingsvermogen, evaluatie, relaties en de pijplijn die toekomstige expertise voortbrengt. Zij moeten weten welk werk thuishoort in de Motor, waar de Cockpit nog steeds van belang is en wie het Kompas in handen heeft. Pas dan kunnen zij een weloverwogen keuze maken over welke mensen moeten worden afgevloeid, omgeschoold of herplaatst.
Oracle en Klarna hebben geen zwakke plek in AI aan het licht gebracht. Zij hebben wel de prijs blootgelegd van het optimaliseren van wat het gemakkelijkst te meten was, terwijl zij voorbijgingen aan wat moeilijker waarneembaar was.
Een beter evenwicht
DBS, de grootste bank van Singapore, hanteert een meer weloverwogen, zij het niet geheel pijnloos, model.
De bank verwacht dat er in de loop van drie jaar ongeveer 4.000 contract- en tijdelijke functies zullen verdwijnen naarmate AI steeds meer taken overneemt. Zij heeft tevens aangegeven dat zij verwacht ongeveer 1.000 AI-gerelateerde banen te creëren, terwijl bestaande medewerkers worden omgeschoold voor nieuwe taken. Kassamedewerkers zijn bijvoorbeeld opgeleid om met videokassa’s te werken of om over te stappen naar functies waarin klantrelaties centraal staan.
DBS blijft ook investeren in zijn talentenpool. In mei 2026 maakte de onderneming plannen bekend om meer dan 500 jonge lokale deelnemers aan te trekken via management-associate-, stage- en opleidingsprogramma’s.
Dit komt nog steeds neer op personeelsinkrimping. Het verschil is dat DBS expliciet bepaalt welke werkzaamheden naar de Engine kunnen worden verplaatst en welke menselijke vaardigheden het in de Cockpit wil behouden en verder ontwikkelen. De voortdurende investering in talent in het begin van hun loopbaan waarborgt tevens de toekomstige beschikbaarheid van mensen die in staat zijn de Compass te hanteren. Het is nog te vroeg om de uitkomst te beoordelen, maar deze aanpak stelt de juiste vraag.
Het antwoord is niet om de invoering van AI te vertragen. Organisaties die deze hulpmiddelen afwijzen, zullen minder concurrerend worden en hun medewerkers zullen onnodig handmatig werk moeten blijven verrichten. De betere aanpak is om de invoering van AI te beschouwen als een kwestie van organisatieontwerp in plaats van als een kwestie van personeelsaantallen.
Dat betekent dat u duidelijk afgebakende uitvoeringstaken in de Engine onderbrengt en tegelijkertijd de Cockpit eromheen versterkt. Het betekent dat u resultaten meet in plaats van prompts, tokens of bespaarde uren. Het betekent dat u de onderlinge verbanden en de operationele kennis in kaart brengt die afhankelijk zijn van een team, alvorens dit team in te krimpen. Als AI taken van junior medewerkers overneemt, moet hun leerfunctie doelbewust worden vervangen door evaluaties, simulaties, contact met klanten en toegang tot de redeneringen van senior medewerkers.
Het betekent ook dat men mensen enige zeggenschap moet geven in deze transitie. De ervaring van Meta laat zien hoe snel een AI-strategie kan uitmonden in een vertrouwenskwestie wanneer medewerkers het gevoel hebben dat zij worden ingezet voor onbekend werk zonder duidelijk doel of carrièrepad.
Het belangrijkste is dat leidinggevenden niet langer mogen aannemen dat het personeelsbestand de enige variabele is die moet dalen wanneer de productiviteit stijgt. Een hogere productiviteit kan leiden tot lagere kosten. Zij kan ook bijdragen aan betere producten, snellere dienstverlening, meer experimenten en werkzaamheden die voorheen niet rendabel waren.
De keuze tussen groei en inkrimping is een managementbeslissing, geen automatisch gevolg van de technologie. Deze keuze hoort thuis bij het Compass.
Het bedrijf is meer dan alleen zijn productie
AI-systemen zullen steeds langere en complexere taken blijven uitvoeren. De grens tussen menselijke en machinale uitvoering zal blijven verschuiven. Elk artikel waarin wordt beweerd precies te weten hoe de situatie er over vijf jaar uit zal zien, zal waarschijnlijk snel achterhaald raken.
Maar een bedrijf is geen verzameling taken.
Het is een netwerk van oordeelsvermogen, vertrouwen, herinneringen, prikkels en relaties. De producten komen voort uit dat netwerk, maar het netwerk zelf is niet zichtbaar in het product. Daarom is het zo kwetsbaar. Een bedrijf kan gewoon doorgaan met produceren, terwijl de kennis die ten grondslag ligt aan de output stilletjes afneemt.
De organisaties die het meest van AI zullen profiteren, zijn niet noodzakelijkerwijs de organisaties die als eerste het personeelsbestand tot een minimum terugbrengen. Het zullen juist die organisaties zijn die begrijpen welke werkzaamheden moeten verdwijnen, welke vaardigheden moeten worden versterkt en hoe mensen hun beoordelingsvermogen kunnen blijven ontwikkelen wanneer machines een groter deel van de praktische werkzaamheden voor hun rekening nemen.
AI kan de uitvoering automatiseren.
Mensen vormen de basis van organisaties.
Dit onderscheid is niet van sentimentele aard. Het is strategisch.
Voordat uw organisatie nog een workflow automatiseert, is het de moeite waard om drie vragen te stellen:
- Wat hoort er in de motor te zitten?
- Waar speelt de cockpit nog een rol?
- Wie houdt het kompas vast, en wie draagt de verantwoordelijkheid voor de gevolgen?
