De kloof in AI-vaardigheden: hoe organisaties en leiders deze verkleinen
Cultuurverandering: Het dichten van de kloof in AI-vaardigheden vereist het aanpakken van culturele kwesties in plaats van alleen training aan te bieden.
Specifieke mandaten: Effectieve AI-mandaten vereisen operationele duidelijkheid, met een gedetailleerde beschrijving van werkprocessen en verantwoordelijkheden voor een succesvolle adoptie.
Gericht leren: Rolspecifieke training gericht op directe toepassingen versterkt AI-adoptie en gedragsverandering binnen teams.
Focus op ondersteuning: AI moet worden gezien als een ondersteunende functie die de efficiëntie verbetert, en niet als een vervanging van bestaande rollen.
Resultaatmeting: Bij het beoordelen van AI-adoptie moet prioriteit worden gegeven aan de kwaliteit van het geleverde werk in plaats van alleen aan gebruiksstatistieken.
In alle sectoren worstelen organisaties met dezelfde ongemakkelijke realiteit: ze hebben geïnvesteerd in AI-tools, richtlijnen uitgevaardigd om ze te gebruiken en vervolgens toch gezien dat de adoptie van AI tot stilstand kwam.
Het probleem is niet de technologie. Het is de kloof tussen toegang en daadwerkelijke vaardigheid — en het groeiende besef dat het dichten daarvan meer vereist dan alleen een verplichting.
Create a Free Account to Read More
Unlock this piece and join a community of forward-thinking leaders discovering tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Leiders die zich in de frontlinie van dit werk bevinden, heroverwegen hoe vaardigheden worden opgebouwd, hoe adoptie wordt gemeten en wat het werkelijk betekent om AI te verankeren in de manier waarop teams werken. Om te begrijpen hoe organisaties dit in de praktijk aanpakken, sprak ik met leiders op het gebied van operations en projectmanagement over hun aanpak om deze ongekende kloof in de gereedheid van het personeelsbestand te dichten.
Het echte probleem is cultuur, niet alleen training
De neiging om de kloof in AI-vaardigheden te beschouwen als een kennisprobleem is begrijpelijk, maar volgens praktijkmensen gaat daarmee de grondoorzaak voorbij. Moe Rosenfeld, CIO bij eCopier Solutions, zegt het rechtstreeks: "Adoptie is in feite een cultuurprobleem dat zich voordoet als een trainingsprobleem."
Wat lijkt op een gebrek aan vaardigheden, is vaak een gebrek aan psychologische veiligheid, onduidelijke verwachtingen of een leiderschapsomgeving die tegenstrijdige signalen afgeeft. Rosenfeld vervolgt: "De bedrijven die hiermee worstelen, verplichten AI meestal van bovenaf en maken mensen tegelijkertijd nerveus over het gebruik ervan. Je kunt niet beide doen." Wanneer adoptie een prestatiemaatstaf wordt voordat het een ondersteunde praktijk is, leren mensen druk bezig te lijken in plaats van te leren anders te werken.
Graham Mann, oprichter van SEOTakeoff, bevestigt dit: "De kenniskloof op het gebied van AI wordt groter wanneer organisaties het behandelen als training in tools. De nuttige training is workflowtraining." Iemand leren hoe diegene een platform gebruikt, is niet hetzelfde als diegene leren waar het past binnen de manier waarop diegene het werk uitvoert.
De kenniskloof op het gebied van AI wordt groter wanneer organisaties het behandelen als training in tools. De nuttige training is workflowtraining.
Waarom vage AI-verplichtingen mislukken — en hoe operationele verplichtingen eruitzien
Zelfs organisaties die zich daadwerkelijk inzetten voor AI-adoptie ondermijnen zichzelf vaak met richtlijnen die te breed zijn om uit te voeren. Mann waarschuwt hier precies voor: "Ik zou algemene AI-verplichtingen zoals 'Iedereen moet AI gebruiken' vermijden. Ze leiden tot gebruik voor de schijn." Meta gaf onlangs zelfs een gezicht aan AI-gebruik voor de schijn toen het viraal ging vanwege zijn gelekte interne "tokenleaderbord".
Wanneer de norm vaag is, voldoen mensen aan de letter ervan zonder iets betekenisvols te veranderen. Ilya Margolin, consultant voor strategische AI- en gegevensworkflows, verwoordt wat een echte verplichting vereist: "AI-verplichtingen hebben operationele taal nodig. 'Gebruik AI' is te vaag. Een serieuze verplichting benoemt de workflows, de toegestane tools, de beperkte gegevens, de beoordelingsnorm en de verantwoordelijke eigenaar." Die mate van specificiteit maakt van een richtlijn iets waar mensen daadwerkelijk naar kunnen handelen.
Aan het andere uiteinde van het spectrum beschrijft Alexander Debelov, oprichter en CEO van Go X, een organisatie die de verplichting heeft teruggebracht tot de duidelijkst mogelijke vorm: "de verplichting is eenvoudig: als een taak door een agent kan worden uitgevoerd, moet dat ook gebeuren." Waar sommige organisaties nog steeds discussiëren over de vraag of ze AI moeten invoeren, gaan andere uit van de veronderstelling dat AI zal worden gebruikt en bouwen ze van daaruit verder.
AI-verplichtingen hebben operationele taal nodig. 'Gebruik AI' is te vaag.
Het gevaar in het midden — waar aanmoediging zonder structuur bestaat — is wat Margolin aanwijst als het stille risico van ongestuurd experimenteren: "Verborgen individueel experimenteren leidt tot inconsistente kwaliteit en blootstelling van gegevens. Gedeelde operationele normen maken van AI een herhaalbare capaciteit."
Rolspecifiek leren, dicht bij beslissingen
Een van de duidelijkste patronen onder leiders die AI-training succesvol hebben zien worden, is dat deze specifiek is — specifiek voor de rol, specifiek voor de beslissing en specifiek voor de workflow.
Stein Janssen, operationeel directeur, Poki, beschrijft hoe dit er in de praktijk uitziet: "De behoefte aan kennis van een projectmanager is bijvoorbeeld hoe AI kan worden toegepast op afbakeningsactiviteiten, overdrachtsprocessen en het bijhouden van problemen; terwijl de behoefte aan kennis van een operationeel leidinggevende is hoe AI kan worden ingezet voor consistentie gedurende het ontwerpen van escalatieprocessen."
Algemene programma's voor AI-geletterdheid kunnen bewustwording creëren, maar ze veranderen zelden gedrag omdat ze niet zijn afgestemd op de problemen die mensen daadwerkelijk proberen op te lossen. Janssen legt direct uit waarom nabijheid belangrijk is: "Dit type leren moet heel dicht bij de plek plaatsvinden waar beslissingen worden genomen, want als het te ver verwijderd is van deze besluitvormingsprocessen, wordt het geleerde theoretisch en leidt het mogelijk niet tot gedragsverandering."
De toets voor elke training is of deze zichtbaar wordt in de manier waarop iemand de daaropvolgende maandag werkt — en dat is veel waarschijnlijker wanneer de training is opgebouwd rond de beslissingen die zij al nemen.
Hoe organisaties AI-trainingsprogramma's structureren
Organisaties hanteren verschillende benaderingen om AI-capaciteiten op grote schaal op te bouwen, en de meest effectieve combineren doorgaans fundamentele geletterdheid met diepgaandere, zelfstandig gestuurde ontwikkeling.
Aniket Ghonge, senior manager toeleveringsketen bij Amazon, beschrijft de basis: "Op elk niveau van de organisatie hebben ze een vorm van AI-gebaseerde training. Het is een zeer basale training, zoals uitleggen wat de verschillende soorten AI zijn. Deze is voor iedereen beschikbaar en verplicht." Die gedeelde basiskennis is belangrijk — ze creëert een gemeenschappelijke woordenschat en zorgt ervoor dat niemand AI-gesprekken vanaf een volledig gebrek aan voorkennis hoeft te voeren.
Op elk niveau van de organisatie hebben ze een vorm van AI-gebaseerde training. Het is een zeer basale training, zoals uitleggen wat de verschillende soorten AI zijn. Deze is voor iedereen beschikbaar en verplicht.
Voor degenen die verder willen gaan, heeft Amazon een traject ontwikkeld: "Amazon is ook begonnen met het gratis aanbieden van certificeringen en cursussen aan de Amazon-medewerkers van het bedrijf op het gebied van machinaal leren", merkt Ghonge op. "Dus ik ben daadwerkelijk ingeschreven voor een van die cursussen, en het is een omgeving waarin je op eigen tempo leert en daadwerkelijk meer kunt leren over machinaal leren en verschillende concepten."
Op teamniveau bouwen leiders ook hun eigen infrastructuur. Jeff Chamberlain, manager breedbanddiensten en PMO bij Frederick County Government, heeft een aanpak van onderaf gekozen: "Ik heb binnen mijn team daadwerkelijk een kleine AI-werkgroep opgezet, een groep projectmanagers van over de hele wereld die er echt gepassioneerd over zijn om onze AI-methoden voortdurend verder te ontwikkelen." Dit soort interne gemeenschappen — mensen die genoeg geven om het werk vooruit te helpen zonder dat het hun wordt opgedragen — bewegen doorgaans sneller en genieten meer geloofwaardigheid dan programma's die uitsluitend van bovenaf worden aangestuurd.
Ik heb binnen mijn team daadwerkelijk een kleine AI-werkgroep opgezet, een groep projectmanagers van over de hele wereld die er echt gepassioneerd over zijn om onze AI-methoden voortdurend verder te ontwikkelen.
AI als ondersteuning, niet als vervanging — en hoe dat er in de praktijk uitziet
Een van de meest consistente herformuleringen van professionals is een verschuiving in de manier waarop AI zelf wordt gecategoriseerd. Chamberlain verwoordt waar zijn werkgroep steeds op terugkomt: "AI is geen hulpmiddel. Het is geen methode. Het is een ondersteunende functie. In de kern is het een ondersteunende methode waarmee we dingen sneller, beter en krachtiger kunnen doen. Het is niet bedoeld om iets te vervangen. Het is bedoeld om snelheid en kwaliteit mogelijk te maken. Maar daar zijn nog steeds mensen voor nodig."
Die invalshoek is belangrijk, omdat deze verandert waar organisaties naartoe proberen te werken — niet vervanging, maar versterking. Debelov geeft een concreet voorbeeld van hoe dit eruitziet wanneer daadwerkelijk toestemming wordt gegeven om AI volledig te gebruiken. Zijn organisatie zette negen digitale agenten in om met AI-gegenereerde stemmen meer dan 100 lokale bedrijven te bellen: "De agenten boekten 15 partnergesprekken, en 15 daarvan werden nieuwe partners ter plaatse. De totale kosten van de gesprekken met de agenten bedroegen ongeveer $50. De vorige keer dat we dezelfde benadering met mensen uitvoerden, kostte het ons ongeveer $1,500 om hetzelfde aantal gesprekken te boeken."
De technologie was niet nieuw. Wat wel nieuw was, was de beslissing om deze te gebruiken. Debelovs inschatting van wat de meeste organisaties daadwerkelijk tegenhoudt, is ondubbelzinnig: "De kloof is niet technisch. Het is toestemming."
Adoptie op de juiste manier meten
Als het doel echte vaardigheid is in plaats van zichtbare naleving, moet de meting dat weerspiegelen. Margolin beschrijft zijn eigen norm: "Ik meet AI-adoptie aan de hand van de kwaliteit van het geproduceerde werk, niet aan de hand van het aantal prompts of aanmeldingen bij tools." Het aantal aanmeldingen en gebruiksstatistieken zijn eenvoudig te manipuleren en vertellen je weinig over de vraag of AI het werk daadwerkelijk beter maakt.
Ik meet AI-adoptie aan de hand van de kwaliteit van het geproduceerde werk, niet aan de hand van het aantal prompts of aanmeldingen bij tools.
Mann stelt een vergelijkbare, op resultaten gerichte test voor: "Is het proces sneller, duidelijker of minder foutgevoelig geworden zonder dat de kwaliteit daalde? Zo niet, dan is de AI-laag waarschijnlijk slechts ruis." De vraag is niet of AI is gebruikt. Het gaat erom of het werk is verbeterd. Organisaties die het eerste meten terwijl ze beweren om het tweede te geven, zullen hetzelfde resultaat blijven produceren — oppervlakkige adoptie die nooit uitgroeit tot een echte vaardigheid.
De kloof op de juiste manier dichten
Het dichten van de AI-vaardigheidskloof is niet in de eerste plaats een technische uitdaging of zelfs een trainingsuitdaging. Het is een leiderschapsuitdaging. De organisaties die echte vooruitgang boeken, zijn niet de organisaties met de meest geavanceerde tools of de meest agressieve verplichtingen — het zijn de organisaties die eerlijk zijn geweest over de culturele voorwaarden die nodig zijn om adoptie voet aan de grond te laten krijgen, concreet hebben gemaakt wat AI gebruiken in elke rol daadwerkelijk betekent en gedisciplineerd zijn in het meten van resultaten in plaats van activiteiten.
De kloof is reëel, maar dat geldt ook voor de weg vooruit. De beslissing om AI te gebruiken is al genomen. Wat overblijft, is het moeilijkere werk — de cultuur, duidelijkheid en meetstandaarden opbouwen die van die beslissing iets maken dat daadwerkelijk blijft werken. Meer inzichten zoals deze? Maak een gratis DPM-account aan om van meer experts zoals deze te horen.
