AI maakt zichtbaar hoe onduidelijk organisaties eigenlijk zijn ingericht

De software werkt. Ze vat samen, vergelijkt documenten, beantwoordt vragen en doet voorstellen. Het vastlopen begint zodra iemand moet uitleggen hoe het werk hier eigenlijk verloopt.

Wie is verantwoordelijk? Waar staat de juiste informatie? Welke versie van dat document geldt nog? Wie neemt uiteindelijk het besluit? Waarom doet de ene afdeling het anders dan de andere? En wat gebeurt er wanneer twee richtlijnen elkaar tegenspreken?

AI veroorzaakt die onduidelijkheid niet. Ze maakt haar zichtbaar.

De nieuwe collega die alles letterlijk neemt

Stel dat er iemand begint. Een ervaren medewerker legt uit hoe het formeel is geregeld. Even later vertelt een ander hoe het werkelijk gaat.

"Volgens de procedure moet het langs het managementteam, maar meestal bellen we eerst even met Peter." "Het formulier staat op intranet, alleen gebruikt niemand die versie nog." "Officieel is Uitvoering verantwoordelijk, in de praktijk doet Financiën het." "Hiervoor moet je bij Sandra zijn, al staat haar naam nergens."

Mensen leren met die uitzonderingen omgaan. Ze bouwen in de loop van jaren een netwerk van contacten en ongeschreven regels op. Ze weten wie ze moeten bellen, welke stap ze kunnen overslaan en hoe ze om een onduidelijke procedure heen komen.

Die kennis heeft AI niet. Ze kijkt naar wat er is vastgelegd, en daardoor wordt zichtbaar hoe afhankelijk organisaties zijn geworden van kennis die nergens staat.

Veel organisaties draaien op ongeschreven afspraken

Op papier ziet het er logisch uit. Er zijn afdelingen, functies, processen en overlegstructuren.

In de praktijk vallen besluiten in informele gesprekken. Kennis zit bij een handvol ervaren mensen. Verantwoordelijkheden overlappen. Processen zijn ooit ontworpen en nooit bijgesteld. Nieuwe werkwijzen zijn toegevoegd zonder dat de oude zijn opgeruimd.

Zolang die ervaren mensen er zijn, functioneert het redelijk. Zij vangen de onduidelijkheid op en lossen problemen op voordat iemand merkt dat het proces niet klopt.

Wil een organisatie AI inzetten, dan kan ze daar niet meer omheen. Zo'n systeem ondersteunt pas betrouwbaar wanneer duidelijk is welke informatie leidend is, wie waarvoor verantwoordelijk is, welke stappen verplicht zijn, welke uitzonderingen bestaan, wie mag beslissen en wanneer een situatie naar een mens moet.

Dat klinkt eenvoudig. Het blijkt verrassend lastig om die vragen eenduidig te beantwoorden.

Onduidelijkheid automatiseren

Organisaties zetten AI in om sneller te werken. Is het onderliggende proces onduidelijk, dan versnel je vooral de verwarring.

Hanteren afdelingen verschillende definities, dan komen er verschillende antwoorden uit. Spreken documenten elkaar tegen, dan weet het systeem niet welke bron voorgaat. Zijn verantwoordelijkheden vaag, dan blijft onduidelijk wie een advies moet beoordelen.

De reflex is dan te zeggen dat de techniek nog niet goed genoeg is. Soms is de ongemakkelijker waarheid dat de organisatie zelf geen consistent antwoord heeft.

Daarmee houdt AI een spiegel voor, en die spiegel gaat over de inrichting van het werk en veel minder over techniek.

Is iedereen eigenaar, dan is niemand het

Onduidelijk eigenaarschap komt daarbij als eerste naar boven.

Veel processen lopen door meerdere teams. Iedereen levert zijn bijdrage en niemand voelt zich verantwoordelijk voor de uitkomst. Gaat er iets mis, dan volgt een bekend gesprek. Wij hebben onze stap gedaan. Daarna lag het bij de andere afdeling. Wij dachten dat zij het zouden oppakken. Dat valt formeel niet onder ons.

Voor mensen is dat frustrerend. Voor een digitaal systeem is het onwerkbaar, want dat moet weten wie het proces bewaakt, wie uitzonderingen beoordeelt en wie beslist.

Zo dwingt AI organisaties tot vragen die jarenlang zijn uitgesteld. Wie is werkelijk eigenaar van dit proces? Wie mag de werkwijze aanpassen? Wie bewaakt de kwaliteit? En wie bepaalt welke informatie betrouwbaar is? Dat zijn organisatievragen en geen technische vragen. Meer daarover staat op de pagina over eigenaarschap in teams.

Een functiebeschrijving zegt weinig over het werk

AI legt ook bloot dat rollen minder duidelijk zijn dan gedacht.

Een functiebeschrijving kan uitgebreid zijn terwijl iemand in de praktijk heel ander werk doet. Sommige collega's hebben veel informele invloed zonder formele positie. Anderen zijn op papier verantwoordelijk en missen het mandaat om iets te besluiten.

Daardoor moeten mensen voortdurend inschatten of ze dit zelf mogen beslissen, wie ze moeten raadplegen, wie ze moeten informeren, wie hun besluit kan terugdraaien en wat er gebeurt wanneer niemand reageert.

Dat kost tijd en energie, en het levert extra overleggen en controles op. Aan de inhoudelijke moeilijkheid van het werk ligt dat zelden. Het ligt aan de inrichting.

De werkelijkheid staat niet in het organogram

Een organogram laat zien wie aan wie rapporteert. Hoe het werk door de organisatie stroomt, laat het zelden zien.

De echte organisatie bestaat uit informele netwerken. Er is die ene medewerker die iedereen belt wanneer iets vastloopt. Er zijn deskundigen die nauwelijks zichtbaar zijn in de structuur en cruciale kennis bezitten. Er zijn leidinggevenden die formeel verantwoordelijk zijn en zwaar leunen op een ervaren professional.

AI-projecten maken die afhankelijkheden zichtbaar. Wil je een kennisbank bouwen, dan blijkt de belangrijkste kennis nergens vastgelegd. Wil je besluitvorming ondersteunen, dan blijkt die af te hangen van persoonlijke verhoudingen. Wil je een proces automatiseren, dan blijken de uitzonderingen te worden opgelost door mensen met twintig jaar ervaring.

Dat is waardevolle informatie. Aan die informele structuren mankeert op zichzelf weinig; het risico zit erin dat een organisatie niet weet hoe afhankelijk ze ervan is.

Meer regels helpen zelden

Wordt de onduidelijkheid zichtbaar, dan is de eerste reactie om afspraken en procedures toe te voegen.

Daarmee ontstaat een nieuw probleem. Er komen documenten bij zonder dat de oude verdwijnen. Meer richtlijnen, meer uitzonderingen, meer controlepunten. De hoeveelheid informatie groeit terwijl de duidelijkheid afneemt.

Voor AI is meer informatie zelden betere informatie. De kwaliteit van de bron is doorslaggevend. Een korte, actuele werkwijze die mensen ook echt volgen, is meer waard dan een archief waarvan niemand weet welke versie geldt.

De vraag gaat dus over meer dan hoeveelheid. Is deze informatie actueel? Is ze begrijpelijk? Is duidelijk wie de eigenaar is? En werkt men er in de praktijk ook zo?

AI als aanleiding voor een eerlijk gesprek

De grootste opbrengst zit misschien in het gesprek dat aan de invoering voorafgaat.

Om AI zinvol in te zetten moeten teams samen uitzoeken hoe het werk werkelijk verloopt, en niet hoe het volgens de procedure zou moeten gaan. Waar ontstaat vertraging? Welke stappen voegen weinig toe? Welke kennis zit bij één persoon? Waar werken teams verschillend? Welke besluiten blijven te lang liggen? En welke regels worden structureel omzeild?

Zulke vragen zijn ongemakkelijk. Ze laten zien dat processen minder doordacht zijn ingericht dan gedacht, en ze raken aan machtsverhoudingen en oude gewoonten. Daarom is psychologische veiligheid hier een voorwaarde. Mensen moeten kunnen benoemen waar het niet werkt zonder dat het klinkt als kritiek op een persoon.

Eerst begrijpen, dan automatiseren

Een organisatie die met AI aan de slag wil, begint beter bij het werk dan bij de techniek.

Kies één proces en breng met de betrokkenen in kaart wat er werkelijk gebeurt. Welke stappen worden gezet, waar ontstaan uitzonderingen, welke informatie wordt gebruikt, wie beslist, en waar moeten mensen improviseren?

Leg dat naast de formele werkwijze. Het verschil tussen die twee vertelt meer dan het procesdocument zelf. Meer over die aanpak staat op de pagina over verandermanagement.

Pas daarna komt de vraag waar AI iets toevoegt. Misschien vindt ze informatie sneller. Misschien maakt ze een eerste analyse of bereidt ze administratieve stappen voor. En soms luidt de conclusie dat het proces eerst eenvoudiger en duidelijker belegd moet worden. Dat is geen mislukt project. Dat is waarschijnlijk de belangrijkste opbrengst ervan.

Een klein experiment

Kies één terugkerend proces waar veel vragen over komen of veel afstemming voor nodig is. Vraag vijf betrokkenen afzonderlijk om vier vragen te beantwoorden.

1. Wat is het doel van dit proces? 2. Welke stappen moeten worden doorlopen? 3. Wie is verantwoordelijk voor het eindresultaat? 4. Waar staat de meest actuele informatie?

Leg de antwoorden naast elkaar. Lopen ze ver uiteen, dan zegt dat weinig over de oplettendheid van je collega's. Dan is het proces simpelweg niet duidelijk genoeg ingericht.

AI maakt een organisatie niet slimmer. Ze maakt zichtbaar waar de duidelijkheid ontbreekt. Daar kan organisatieontwikkeling beginnen.