Daar bestaan twee standaardverklaringen voor. Of de techniek deugt niet, of de medewerkers willen niet. In de praktijk zie je meestal iets anders: het gaat mis in de manier waarop die eerste stap wordt opgezet, waardoor de adoptie erna nooit op gang komt.
Wat een pilot wel en niet meetEen gemiddelde AI-pilot verloopt ongeveer zo. Er komen een paar accounts, een enthousiaste groep gaat ermee aan de slag, en na een paar weken volgt een demo waar iedereen van onder de indruk is.
Daar is niets mis mee. De techniek doet inderdaad wat ze belooft. Alleen is dat zelden de vraag waar zo'n project later op vastloopt.
De vragen die daarna gaan tellen zijn andere. Verandert het werk eromheen ook? Heeft een collega die geen zin heeft om te leren prompten er iets aan? Weet iemand die het drie weken later opnieuw probeert dan nog waarvoor het handig was? En merkt iemand het als het gebruik terugloopt?
Die vragen komen in een pilot zelden aan bod, omdat een pilot is opgezet om te laten zien dat iets kan. Als het gebruik daarna wegzakt, ligt dat dus niet aan de techniek. Er is dan simpelweg niemand geweest die heeft ingericht wat dat gebruik moet dragen.
Vijf dingen die vaak ontbreken
Organisaties die deze fase voorbij zijn, komen steeds op dezelfde vijf punten uit. Geen ervan gaat over techniek, ze gaan allemaal over adoptie. En ze zijn stuk voor stuk weinig spannend, wat waarschijnlijk verklaart waarom ze worden overgeslagen.
1. Niemand is verantwoordelijk, met uren
In veel organisaties doet iemand AI erbij, meestal iemand uit IT en soms een directielid. Zonder vrijgemaakte tijd en zonder mandaat om het werk anders in te richten, komt zo iemand niet verder dan vragen beantwoorden. De vraag is dus niet of er iemand is aangewezen, maar of die persoon uren en beslisruimte heeft gekregen.
2. Er staat niets klaar dat mensen herkennen
Toegang tot een AI-tool is nog geen aanbod. Voor de meeste mensen is een leeg tekstvak vooral een drempel. Wat wel werkt, zijn kant-en-klare toepassingen die al weten wat voor werk iemand doet: het sjabloon van jullie eigen verslagen, de opbouw van jullie eigen offertes, de vragen die jullie klanten stellen. Dat scheelt de gebruiker de stap die hij het minst leuk vindt, namelijk zelf bedenken waar dit ding goed voor is.
3. Begeleiding bereikt alleen wie het al kan
In onze nulmetingen schat 62% van de medewerkers de eigen AI-kennis in als basis of minder, terwijl 82% er juist meer mee wil doen. Er is dus geen gebrek aan bereidwilligheid, wel aan houvast. Voorlopers redden zich sowieso. De groep daarachter heeft iemand nodig die het één keer voordoet in hun eigen werk, en heeft weinig aan een algemene training over taalmodellen.
4. Er wordt geteld hoeveel licenties er zijn uitgedeeld
Dat is de meest voorkomende meetfout, want een uitgedeelde licentie is nog geen adoptie. Je wilt weten hoeveel mensen er wekelijks daadwerkelijk mee werken, uitgesplitst per afdeling. Zonder dat cijfer stuur je op gevoel, en dat gevoel is bijna altijd optimistischer dan de werkelijkheid.
Hoe groot het verschil kan zijn, laten onze nulmetingen zien: medewerkers pakken de gratis ChatGPT ongeveer zes keer zo vaak als de betaalde licentie die al voor ze klaarstaat. Dat komt zelden door onwil. Mensen grijpen naar wat ze kennen en wat binnen handbereik ligt.
5. Er is geen moment waarop iemand bijstuurt
Zodra de aandacht wegvalt, loopt het gebruik terug. Dat hoort erbij, want zo werkt gedrag nu eenmaal. In organisaties waar het wel beklijft, staat AI op de agenda van een vast overleg en komt er elk kwartaal iets nieuws bij. Zonder dat ritme blijft elke uitrol een eenmalige actie.
Wat je maandag kunt doen
Drie stappen die niets kosten behalve aandacht.
Meet eerst
Vraag organisatiebreed uit hoeveel mensen wekelijks AI gebruiken voor hun werk, en welke tools ze daarvoor pakken. Doe dat anoniem en niet via de afdelingshoofden, anders krijg je gekleurde antwoorden. De uitkomst wijkt vrijwel altijd af van wat je verwachtte, en meestal in twee richtingen tegelijk: er wordt meer gebruikt dan gedacht, en minder van wat je zelf hebt aangeschaft.
Begin bij het werk
Ga langs bij twee of drie teams en vraag welk terugkerend werk hen het meeste tijd kost en het minste voldoening geeft. Je treft dan bijna altijd hetzelfde aan: ervaren professionals die een flink deel van hun week kwijt zijn aan uittypen, overtypen en uitwerken. Verslagen, notulen, rapportages, eindeloos. Daar zijn ze niet voor aangenomen en daar voegen ze de minste waarde toe. Precies daar zit meestal je eerste toepassing, en niet bij het technisch indrukwekkendste idee.
Wijs iemand aan die er tijd voor krijgt
Eén persoon, met uren in de week en met mandaat om het proces aan te passen. Dat hoeft geen technische rol te zijn, en vaak is dat ook niet de beste keuze. Zwaarder weegt of iemand gezag heeft op de werkvloer: of collega's naar deze persoon luisteren, of hij of zij draagvlak kan opbouwen en een verandering in de manier van werken ook echt doorgevoerd krijgt. Kennis van de techniek valt te leren, maar dat vertrouwen bouw je niet in een kwartaal op. Iemand uit de dagelijkse praktijk heeft het vaak al, en weet bovendien precies waar het werk knelt.
De laag onder de pilot
De eerste stappen die organisaties zetten zijn geen verspilling. Ze laten zien dat de behoefte er is en waar de waarde zit. Wat er daarna vaak ontbreekt is de laag eronder: eigenaarschap, iets dat klaarstaat, begeleiding voor de brede groep, echte data uit een echte uitvraag en een moment om bij te sturen. Bij elkaar is dat wat adoptie mogelijk maakt, en wat een organisatie grip geeft op wat er met AI gebeurt.
Dat is vooral organisatiewerk, verandermanagement, mensenwerk. En daar loopt het bij die vier van de vijf projecten dus op vast, op iets wat maar weinig met AI en technologie te maken heeft.
Deze blogpost is een bijdrage van AIStudio. AIStudio is één veilige AI-werkomgeving voor je hele organisatie. Meer weten? Bezoek AIStudio op stand 92 tijdens Data Expo op 9 en 10 september.