AI-verandermanagement: hoe je invoering stuurt in plaats van uitrolt
De licenties zijn gekocht. De training is gegeven, twee keer. Er ligt een beleidsdocument, er is een Teams-kanaal en er is een enthousiaste pilotgroep die haar resultaten presenteert op de kwartaalupdate.
En als je naar de werkelijke gebruikscijfers kijkt, doen dezelfde vijftien procent dezelfde drie dingen, en heeft de rest de tool één keer geopend in maart.
De reflex op dat moment is meer training inkopen. Begrijpelijk, en grotendeels weggegooid geld, want de organisatie heeft niet gefaald in leren. Ze heeft gefaald in het veranderen van hoe het werk gedaan wordt, en dat zijn twee verschillende projecten met een verschillende logica.
AI-verandermanagement is het sturen van de invoering van AI als gedragsverandering in plaats van als technische uitrol. Het ontwerpt welke taak als eerste verandert, wie het nieuwe werken voordoet, welk sociaal risico wordt weggenomen en hoe gebruik gemeten wordt. Toegang is een voorwaarde. Adoptie is een ontwerpvraagstuk. Meer over waarom AI-adoptie mislukt →
Een uitrol is geen verandering
De meeste AI-programma's zijn gebouwd als implementatieplannen: inkopen, inrichten, trainen, communiceren, rapporteren. Elke stap is echt werk, en geen enkele stap raakt het moment dat ertoe doet: een dinsdagmiddag waarop iemand negentig minuten heeft om een voorstel te schrijven en moet besluiten of hij dat doet zoals altijd, of op de nieuwe manier waar hij niet helemaal zeker over is.
John Kotters kernargument in Leading Change was dat transformaties niet stranden op een gebrek aan plan, maar op een gebrek aan de condities die mensen anders laten handelen: urgentie, een coalitie, korte-termijnsuccessen, en verankering voordat de druk eraf gaat.[1] De AI-variant van dat falen heeft een eigen signatuur. Er is geen tekort aan urgentie. Er is een overvloed aan urgentie, gericht op niemand in het bijzonder.
'We moeten een AI-first organisatie worden' is geen gedrag. Niemand kan het dinsdagmiddag uitvoeren. En een veranderambitie die niet door een concreet persoon op een concrete taak uitgevoerd kan worden, is een slogan met een budget eraan.
Kan één persoon jouw veranderambitie deze week op één taak uitvoeren? Zo niet, dan is het geen plan maar een slogan met een budget.
Hartje Amsterdam
Beoordeeld met een 9,3. Met certificaat.
Waarom AI lastiger te sturen is dan eerdere technologie
Organisaties voeren al decennia nieuwe systemen in en overleven dat meestal. AI wijkt op drie punten af, en elk punt sloopt een mechanisme waar regulier verandermanagement op leunt.
De eindsituatie is onbekend. Klassieke verandermodellen vragen je het doelbeeld te beschrijven. Bij een CRM-migratie kan dat: hier is het oude proces, hier is het nieuwe. Bij AI kan niemand geloofwaardig beschrijven hoe het marketingteam over achttien maanden werkt, want de mogelijkheden blijven schuiven. Dat is geen communicatiefout. Het is een echte eigenschap van deze verandering, en doen alsof het anders is kost je geloofwaardigheid bij precies de mensen die je nodig hebt.
Het werk is onzichtbaar. Everett Rogers, wiens onderzoek naar de verspreiding van innovaties nog altijd de bruikbaarste kaart is die we hebben, wees observeerbaarheid en uitprobeerbaarheid aan als twee van de sterkste voorspellers of een innovatie aanslaat.[2] AI-gebruik scoort standaard slecht op allebei. Een collega die met een model schrijft, ziet er precies uit als een collega die typt. Niemand kan meekijken, kopiëren of lenen, dus het sociale mechanisme dat normaal het meeste verspreidingswerk doet, staat uit.
Het identiteitsrisico is groter. Een nieuw declaratiesysteem bedreigt niemands zelfbeeld. Een tool die een fatsoenlijk eerste concept levert van precies datgene waar jij om gewaardeerd wordt, doet dat wel. Chris Argyris merkte op dat juist de meest bekwame professionals vaak de slechtste leerlingen zijn, omdat succes hun weinig oefening heeft gegeven in ergens slecht in zijn, en een stevige reflex om situaties af te weren waarin ze incompetent kunnen lijken.[3] AI creëert zulke situaties aan de lopende band, in bijzijn van collega's.
Let op wat geen van die drie is: een kennistekort. Precies daarom levert de training-eerst-reflex certificaten op en geen verandering.
Willen komt voor kunnen
Er ligt bruikbaar onderzoek uit de literatuur over technologie-acceptatie dat ver voor dit alles uit gaat. Fred Davis toonde in 1989 dat twee overtuigingen voorspellen of mensen een systeem daadwerkelijk gaan gebruiken: of ze het nuttig vinden voor hun werk, en of ze het makkelijk vinden werken.[4] Later voegden Viswanath Venkatesh en collega's er twee aan toe die hier zwaar wegen: sociale invloed, of mensen die jij belangrijk vindt vinden dat je het moet gebruiken, en faciliterende condities, of er hulp is op het moment dat je vastloopt.[5]
Leg je eigen programma langs die vier. Een generieke AI-cursus maakt noch het nut voor een specifieke functie noch het gemak op een specifieke taak aannemelijk. Hij zegt niets geloofwaardigs over wat gerespecteerde collega's echt doen. En hij laat mensen doorgaans alleen zodra de sessie eindigt, precies op het punt waarop de eerste poging misgaat.
Er is ook goed bewijs dat het nut echt is maar ongelijk verdeeld, wat de diagnose de moeite waard maakt. In een veldexperiment met 758 consultants bij Boston Consulting Group vond een team onder leiding van Fabrizio Dell'Acqua dat consultants die GPT-4 gebruikten op taken binnen het kunnen van het model aanzienlijk meer taken afrondden, sneller, en met een hoger beoordeelde kwaliteit. Op een taak die bewust buiten dat kunnen was gelegd, kwamen gebruikers van het model juist duidelijk minder vaak tot het goede antwoord dan mensen die het zonder deden.[6]
De conclusie voor verandermanagement is niet dat AI onbetrouwbaar is. Het is dat de eenheid van adoptie de taak is, niet de tool. Kies je de verkeerde taken, dan concluderen je beste mensen, terecht en blijvend, dat dit ding hun werk slechter maakt.
De krachten rond de persoon die jij vraagt te veranderen
Voordat je iets in een volgorde zet, breng je de krachten in kaart. Het SUE | Influence Framework ordent ze in pains, gains, anxieties en comforts, rondom de voortgang die iemand werkelijk probeert te maken.[7]
De pains staan al in je business case: het werk dat te lang duurt, de achterstand, het gedoe van een eerste concept. Echt, en zelden doorslaggevend.
De gains zijn de belofte: tijd terug, beter werk, degene zijn die hierin voorloopt. Ook echt, en ver weg.
De anxieties zijn dichtbij en komen vrijwel nooit in de stuurgroep ter sprake. Traag lijken tegenover een collega die vloeiend overkomt. Iets opleveren dat achteraf niet klopt, met jouw naam eronder. De stille rekensom of efficiënt zijn hetzelfde is als vervangbaar zijn. Elk daarvan is een reden om het tabblad dicht te laten.
De comforts zijn de sterkste kracht in de kamer, en de meest onderschatte. De huidige manier werkt. Die is verdedigbaar. Die kent geen risico op afgang en heeft je nog nooit hoeven laten uitleggen in een gesprek. Niets doen is geen luiheid. Het is de rationele keuze onder de condities die jij hebt gemaakt.
Kijk naar die balans en de ontwerpopdracht wordt vanzelf zichtbaar: jouw programma stopt vrijwel alle energie in de bovenste helft, waar de argumenten zitten, en vrijwel niets in de onderste helft, waar de beslissing valt. Dat is dezelfde diagnose die verklaart waarom AI-adoptie in organisaties vastloopt, toegepast op de vraag hoe je het stuurt.
Hoe stuur je de invoering: vier bewegingen
Vier bewegingen die de condities veranderen in plaats van de boodschap. In deze volgorde, want de volgorde is het grootste deel van de waarde.
1. Kies één taak, geen tool
Kies één terugkerende taak in één team, het liefst een die frequent is, weinig risico kent en op dit moment irriteert: vergadernotities omzetten naar acties, eerste concepten voor een standaardtype vraag, een researchbatch samenvatten. Frequentie telt zwaarder dan belang, want frequentie bouwt de gewoonte. En een taak met weinig risico is de plek waar iemand zich twee weken kan veroorloven hier slecht in te zijn.
2. Maak het werk zichtbaar
Dit is het directe antwoord op het observeerbaarheidsprobleem van Rogers, en het is de interventie die de meeste programma's overslaan. Doe de taak live, in een gedeelde sessie, met het scherm erbij en de mislukkingen erin. Houd een kanaal bij waar mensen de prompt posten die ze gebruikten én wat er misging, niet alleen de successen. Het doel is geen kennisoverdracht. Het doel is het bewijs dat bekwame collega's ook zitten te klungelen, en dat is wat iedereen bevrijdt die nu afwacht of het veilig is.
3. Laat de hoogste in rang als eerste gaan, en falen
Amy Edmondsons onderzoek liet zien dat psychologische veiligheid, de gedeelde overtuiging dat het team veilig is om interpersoonlijk risico te nemen, bepaalt of mensen op het werk fouten toegeven en nieuwe dingen proberen.[8] Je kunt die niet afkondigen. Je kunt haar alleen voordoen, en het voorbeeld dat telt is een leidinggevende die zichtbaar worstelt en dat ook zegt. Eén directeur die een prompt laat zien die onzin opleverde, doet meer dan veertien dagen interne communicatie, omdat het verandert wat iedereen denkt dat de prijs van falen is. Wil je dat mechanisme in detail, dan schreven we apart over psychologische veiligheid en AI-adoptie.
4. Verander de routine, niet het enthousiasme
Enthousiasme zakt weg, routines blijven. Hang het nieuwe gedrag dus aan iets dat al op een vast ritme gebeurt: een kwartier in het bestaande weekoverleg waarin één persoon voordoet hoe hij het gebruikte, een vast agendapunt, een gedeelde promptbibliotheek met een echte eigenaar. Samuelson en Zeckhauser gaven de kracht waar je tegenin werkt een naam, status-quo bias: de goed gedocumenteerde neiging om bij de huidige optie te blijven simpelweg omdat die de huidige is.[9] Het tegengif voor een standaard is een andere standaard, geen herinnering.
Meet de taak, niet de licentie
De meeste AI-dashboards rapporteren met grote precisie het verkeerde. Geactiveerde licenties vertellen je dat inkoop heeft gewerkt. Wekelijks actieve gebruikers vertellen je dat mensen iets hebben geopend. Geen van beide zegt of het werk veranderd is.
Meet op het niveau van de taak die je gekozen hebt. Welk deel van die taak loopt nu via AI? Hoe lang duurt hij vergeleken met de nulmeting die je vóór de start hebt gedaan, en die heb je gedaan? Hoe vaak is de output bruikbaar zonder stevige herbewerking, want dat is de eerlijke kwaliteitsmaat.
Voeg daar de indicator aan toe die de rest voorspelt: delen mensen hun prompts en hun mislukkingen zonder dat je erom vraagt? Dat getal vertelt je of de sociale condities zijn verschoven. Stijgt het, dan volgt het gebruik. Blijft het vlak, dan heb je een compliance-programma, en compliance-programma's eindigen op de dag dat de rapportage stopt.
Veelgestelde vragen over AI-verandermanagement
Wat is AI-verandermanagement?
AI-verandermanagement is het sturen van de invoering van AI als gedragsverandering in plaats van als technische uitrol. Het beantwoordt vier vragen die een licentie niet kan beantwoorden: welke concrete taak als eerste verandert, wie het nieuwe werken voordoet, welk sociaal risico wordt weggenomen zodat mensen beginner durven te zijn, en hoe gebruik gemeten wordt. Toegang is een voorwaarde. Adoptie is een ontwerpvraagstuk.
Waarom leidt AI-training niet tot gebruik?
Omdat training zich richt op kunnen, terwijl de blokkade meestal willen is. Fred Davis toonde in 1989 dat mensen technologie gaan gebruiken als ze geloven dat die nuttig is voor hun werk en makkelijk te bedienen. Een generieke cursus maakt geen van beide waar voor een specifieke functie. Voeg daar de bevinding van Chris Argyris aan toe dat juist ervaren professionals zich afweren zodra ze incompetent kunnen lijken, en een trainingsdag wordt een plek om te worstelen in plaats van een reden om te veranderen.
Waarin verschilt AI-verandermanagement van gewoon verandermanagement?
Op drie punten. De eindsituatie is onbekend, dus je kunt het doelbeeld niet beschrijven zoals klassieke verandermodellen aannemen. Het werk is onzichtbaar, want AI-gebruik laat geen spoor achter dat anderen kunnen kopiëren, waarmee de observeerbaarheid wegvalt die Everett Rogers als aanjager van verspreiding aanwees. En het identiteitsrisico is groter, omdat de tool precies raakt aan de expertise waarvoor mensen betaald worden.
Hoe meet je AI-adoptie goed?
Niet met geactiveerde licenties of wekelijks actieve gebruikers. Meet de taak: welk deel van een benoemde terugkerende taak nu met AI gebeurt, hoe lang die duurt vergeleken met de nulmeting, en hoe vaak de output bruikbaar is zonder stevige herbewerking. Volg daarnaast of mensen hun prompts en hun mislukkingen delen, want zichtbaar delen is de voorspellende indicator voor blijvend gebruik.
Conclusie
De organisaties die dit goed doen, zijn niet degene met de beste tooling of het grootste opleidingsbudget. Het zijn degene die een kleine, frequente, oninteressante taak kozen, het geklungel zichtbaar maakten, een leidinggevende als eerste lieten gaan en falen, en het nieuwe gedrag daarna vasthaakten aan een routine die toch al liep.
Daar is geen nieuw platform voor nodig. Wel de aanvaarding dat je een gedragsveranderprogramma draait in de kleren van een technologieprogramma.
Laat in je volgende stuurgroep dus de sheet weg over hoeveel mensen toegang hebben. Zet die op waarop staat wat iemand in deze organisatie dinsdagmiddag nu anders doet. Kun je die sheet niet vullen, dan ben je nog niet begonnen.
Wil je dat goed ontwerpen? De online Deep Dive AI Adoption leert je diagnosticeren waarom mensen de tools die je kocht niet gebruiken, en de interventies bouwen die dat veranderen. Of begin met de volledige methode in de online Behavioural Design Fundamentals Course, beoordeeld met een 9,3 door meer dan 10.000 professionals.
1.5 minutes on influence
Elke week valt me iets op: een bordje in een ziekenhuis, een schap in de supermarkt, een zin in een vergadering. Altijd iets dat precies laat zien hoe context gedrag stuurt. Ik schrijf het op. Jij krijgt het donderdagochtend in je inbox. In 90 seconden.
6.500+ lezers · Gratis · Uitschrijven kan altijd