Deze zomer spreek ik elke week één professional over hoe AI zijn werk op een doordeweekse dag verandert. Aflevering één gaat over Jitske van der Sluis, innovatiemanager bij Achmea, bij het onderdeel waar pensioen, bankzaken en vermogen samenkomen. Zij kreeg daar tientallen teams aan het werk met AI. Dat is precies de fase waar de meeste organisaties nu in zitten. Wat haar verhaal bijzonder maakt, is wat ze daarna deed.

Als ik een training geef, trek ik op vrijdagmiddag de deur achter me dicht en rijd ik naar huis. Wat er de maandag daarna gebeurt, zie ik nooit. Mensen krijgen in een zaal iets door, lopen enthousiast naar buiten en verdwijnen daarna in hun eigen agenda. Jitske zag wel wat er daarna gebeurde. Samen hebben we die teams door het traject geloodst, ik ging weg en zij bleef zitten met de vraag hoe je daar iets blijvends van maakt. Haar antwoord begon bij het AI-budget.

De training werd de belangrijkste use case

Het begon met het ophalen van use cases, concrete plekken in het werk waar AI iets kan opleveren. Dat deden ze via workshops en gesprekken met teams. In die gesprekken viel Jitske iets anders op dan de use cases zelf.

"De een zat op het niveau van: dan komt Copilot straks en dan gaan we dit doen en dat doen. De ander moesten we goed briefen over wat er allemaal uitkwam."

Dat verschil liep dwars door teams heen, tussen mensen die naast elkaar werkten. Ze geeft het voorbeeld van een marketingteam dat volgende week begint met een nieuw proces waarin AI de teksten schrijft. Snappen drie van de zes wat daar gebeurt en drie niet, dan heb je er een probleem bij gemaakt.

Zo kwamen ze bij hun eerste use case.

"Eigenlijk moet de belangrijkste use case training zijn."

In vrijwel elke organisatie waar ik kom staat training op de kostenregel. Je organiseert het erbij nadat de licenties zijn ingekocht. Het geld komt uit een opleidingspotje en het resultaat meet je in tevredenheidsscores. Bij haar kwam het op de projectlijst te staan, met dezelfde status als een zoekoplossing of een dashboard. Daarmee kreeg het een eigenaar, een budget en een resultaat waar iemand op afgerekend kon worden.

Het sloeg niet meteen aan. In het begin draaide er een eigen afgeschermde ChatGPT-omgeving op GPT-3.5 waarin je geen bestanden kon uploaden. De verwachtingen waren hoog en verkeerd tegelijk, want mensen dachten met één druk op de knop een hele PowerPoint te krijgen. Het omslagpunt kwam met Copilot en een uploadknop. Zodra het over hun eigen documenten ging, begon zo'n model mee te tellen.

Waar het AI-budget dit jaar heen ging

Copilot Studio leek in het begin ideaal. Daarin bouw je zelf AI-agents zonder programmeerkennis, dus je legt dat vermogen neer bij de mensen die het werk doen. De koplopers in de organisatie vroegen er ook om.

Toch is het geschrapt.

Centraal was het lastig te besturen. En de bedrijfsdata waar die agents in moesten graven bleek te rommelig om er iets betrouwbaars uit te halen. Ze maakte er een rekensom van.

"Elke euro kan je maar één keer uitgeven. Dat geldt ook voor het AI-budget. Als ik dat uitgeef aan het trainen van mensen op Copilot Studio maar de resultaten blijven uit, dan kunnen we beter zorgen dat die data dit jaar goed is."

Uit datzelfde budget moet ook de adoptie komen. Leer je een hele organisatie werken met een tool die mager presteert omdat de data eronder rammelt, dan heb je duur betaald voor een eerste indruk die je nooit meer terugkrijgt. Dus ging het adoptiegeld dit jaar naar goede datahygiëne, de laag waar de kwaliteit van de antwoorden vandaan komt.

Breed uitrollen brengt daarnaast een wildgroei aan losse agents die niemand beheert en die elke maand tokens verbruiken zonder aanwijsbaar resultaat. Agentic AI, software die zelfstandig een reeks stappen achter elkaar zet, ligt daarom bij een kerngroep die mag ontwikkelen en spelen. Zodra de data klopt, kan het breder.

Ik hoor die redenering bijna nooit. In de meeste organisaties die ik binnenkom staat er altijd wel iemand op om iets te beginnen. Schrappen staat in niemands functieomschrijving. Een pilot die niks oplevert verdwijnt geruisloos van de agenda, zonder dat er ooit een besluit over is genomen.

Jitske heeft dat leergeld betaald. Externe partijen beloofden iets in zes weken, het werd zes maanden en uiteindelijk bleek het niet te integreren. "Leveranciers lijken het altijd een beetje op te poetsen." Wat je eraan overhoudt zijn proefopstellingen die nooit in het echte werk landen, in vakjargon een proof of concept.

"Dan krijg je een landschap vol met POC's."

Datzelfde geldt voor de wireframe, de schematische namaakversie van een scherm waarmee je je plan verkoopt.

"Het stakeholderveld win je over met een mooie wireframe. Maar als die wireframe niet goed gevoed wordt met de juiste data, haal je er nooit winst uit."

Met dat inzicht kreeg ze het management en de directie mee in het saaie datawerk.

Tegenwoordig toetst ze elk plan op drie dingen tegelijk, een eigen drieslag die ze PDE noemt. De P is van proces. Daarbij telt de hele keten mee, bij een rapportage van het ophalen van de bron tot het moment dat het bij de klant ligt. De D is van data, die actueel moet zijn, vindbaar en netjes gelabeld. De E is van end-to-end, de oplossing van begin tot eind, zodat de gebruiker niet zelf hoeft uit te zoeken hoe hij zijn gegevens erin en er weer uit krijgt.

Van zes goede ideeën naar een lijst met prioriteiten

"Dan hadden we zes goede ideeën en dan kozen we er twee."

Dat was de eerste ronde, van onderaf, langs de teams om te horen wat AI voor hen zou kunnen betekenen. Ze noemt dat zelf een goed startpunt, omdat het enthousiasme opwekte. Inmiddels werkt ze andersom. Ze kijkt waar de organisatie over een paar jaar moet staan en leidt daaruit af welke stappen nu nodig zijn. "Nu kijken we meer vanuit een helikopterperspectief."

Dat is een fase waar de meeste organisaties nog niet zijn. Eén iemand met de juiste instelling krijgt veel in beweging. Zodra er meer goede ideeën binnenkomen dan een team kan bouwen, wordt kiezen het eigenlijke werk. In de praktijk komt dat neer op iemand die tegen een enthousiaste collega zegt dat zijn idee blijft liggen. Dat kost meer moed dan een pilot starten.

Of het daarna blijft plakken, hangt volgens haar af van de manager. "Super belangrijk. Zij zijn de trendsetters." Op haar afdeling zijn er een paar die demo's organiseren en er tijd voor vrijmaken in het teamoverleg. Diezelfde afdeling heeft de hoogste Copilot-adoptie van de organisatie. Die adoptie is per afdeling te meten, zonder dat je het tot individuele medewerkers kunt herleiden.

Zonder die aandacht gebeurt het omgekeerde.

"Mensen zijn niet per se geneigd om te beoordelen wat erachter zit. Hoe komt het dat de output niet goed is? Ze blamen de machine."

Dat herken ik uit elke zaal waar ik sta. Iemand krijgt een matig antwoord, concludeert dat het ding niks kan en probeert het daarna nooit meer.

Wat ze zelf doet met een opgenomen gesprek

Jitske werkt sinds kort meer aan strategie en minder aan uitvoering. Dat betekent veel gesprekken, binnen en buiten Achmea. Ze neemt ze allemaal op.

Daarna zet ze het transcript in Copilot, met de presentatie waar ze aan werkt ernaast.

"Ik heb nu een interview gehad met Luciano. Wat zijn de aanvullingen en op welke slide moet ik aanpassingen maken?"

Wat ze terugkrijgt is een lijst met slides die ze moet aanpassen. Het gesprek ging vooral over rapportages, dus Copilot wijst slide 6, 7 en 8 aan en levert voor slide 6 meteen de zin die de oude moet vervangen. Ze werkt het af en gaat door.

Haar tweede gewoonte is dat ze haar eigen denkwerk aan een tweede model voorlegt. Ze was bijvoorbeeld bezig met de vraag wat een fabriek die zonder mensen doordraait zou betekenen voor een financiële instelling waarin AI-agents onderling werk van elkaar overnemen.

"Het zijn dingen die ik zelf ook kan bedenken en waar ik zelf een mening over kan vormen. Maar het geeft me een kickstart om ze van een andere hoek te bekijken. Of om bronnen te vinden die ik anders niet gevonden had."

Wie voor een leeg chatvenster zit, weet vaak niet waar hij moet beginnen. Zij pakt materiaal dat ze die dag toch al produceerde, een opgenomen gesprek en een presentatie waar ze middenin zit. Daar zet ze een concrete vraag naast.

Waar zij zou beginnen

Ik legde haar aan het eind een situatie voor. Een innovatiemanager met licenties, met trainingen, met enthousiasme en met dagelijks werk dat nauwelijks verandert. Wat doe je dan?

Ze noemde drie dingen. Kijk eerst waar je de meeste waarde toevoegt en meet dat af aan waar je over twee jaar wilt staan. Haar vuistregel daarbij is dat je beter een duur proces een klein beetje beter kunt maken dan een goedkoop proces heel veel beter. Loop daarna het proces, de data en de keten van begin tot eind langs. En ga voor volledige adoptie, want een nieuwe manier van werken kost tijd en daar moet ruimte voor zijn.

Het enige dat ik daaraan toevoeg is een afspraak die je in die vergadering maakt. Zorg dat er elk kwartaal ook iets van je lijst af gaat, anders betaalt niemand ooit de prijs voor een idee dat niet werkt.

De opdracht die daaruit volgt, legt ze bij de organisatie zelf.

"Ik zou zorgen dat je weet wat mensen ervan weerhoudt om die tools te gebruiken."

Aan het werk met AI is een reeks portretten van mensen die AI in hun dagelijkse werk gebruiken. Aflevering 2 verschijnt volgende week, met Sergei Martens, die zijn bedrijf elke woensdagmiddag dicht doet voor klanten.

Dank aan Jitske voor haar tijd en voor het meelezen.

Sta je voor dezelfde vraag, waar je adoptiebudget dit jaar heen moet, dan denken we bij WAINUT graag met je mee.