De afgelopen jaren heb ik een fascinerende ontwikkeling gezien.
Steeds meer organisaties zetten AI in voor klantcontact, servicedesks, HR-processen en interne ondersteuning. Dat is op zichzelf niet vreemd. AI wordt steeds beter, is 24 uur per dag beschikbaar, wordt niet moe en kan enorme hoeveelheden informatie verwerken. Vanuit efficiëntieperspectief is het vaak een logische stap.
Toch bekruipt mij steeds vaker een ongemakkelijk gevoel.
Niet omdat AI slecht zou zijn. Integendeel. Maar omdat ik me afvraag of we langzaam iets verliezen wat veel moeilijker meetbaar is dan responstijden, kostenbesparingen of chatbot-resoluties.
Het vermogen om problemen te zien die nooit worden gemeld.
De vliegtuigen die nooit terugkwamen
Tijdens de Tweede Wereldoorlog stonden de geallieerden voor een praktisch probleem. Bombervliegtuigen keerden terug van missies met kogelgaten in hun vleugels, romp en staartsecties. Ingenieurs deden wat iedere rationele organisatie zou doen: ze verzamelden data, analyseerden patronen en zochten naar verbeteringen.
De conclusie leek logisch.
“Versterk de plekken waar de meeste kogelgaten zitten.”
Tot statisticus Abraham Wald een fundamenteel andere vraag stelde:
“Waarom zijn de andere vliegtuigen niet teruggekomen?”
Dat ene inzicht veranderde alles.
De onderzochte vliegtuigen waren uitsluitend de overlevenden. De zichtbare kogelgaten zaten op plekken waar een vliegtuig blijkbaar geraakt kon worden én toch nog veilig kon terugkeren. De werkelijk kritieke onderdelen waren juist de delen waar nauwelijks kogelgaten zichtbaar waren. Niet omdat ze nooit geraakt werden, maar omdat vliegtuigen die daar geraakt werden simpelweg niet meer thuiskwamen.
De oplossing bleek precies het tegenovergestelde van wat de beschikbare data leek te vertellen.
Niet versterken waar de meeste schade zichtbaar was, maar versterken waar de schade ontbrak.
Omdat juist de ontbrekende data het echte verhaal vertelde.
Dit principe staat tegenwoordig bekend als survivorship bias. En hoe langer ik naar de huidige AI-hype kijk, hoe vaker ik denk dat veel organisaties vandaag exact dezelfde denkfout maken.
Alles staat op groen
Moderne organisaties zijn beter dan ooit in meten. We beschikken over dashboards, KPI’s, Power BI-rapportages, AI-analyses, customer satisfaction scores en operationele metrics. Vrijwel alles lijkt inzichtelijk gemaakt te kunnen worden.
In veel managementrapportages zie je dezelfde indicatoren terug:
- Minder tickets
- Kortere wachttijden
- Hogere self-service adoptie
- Meer chatbot-afhandeling
- Lagere operationele kosten
- Hogere productiviteit
Op papier ziet dat er fantastisch uit.
Maar betekent een daling van het aantal meldingen automatisch dat er minder problemen zijn?
Of betekent het dat mensen zijn gestopt met melden?
Dat onderscheid is veel belangrijker dan veel organisaties beseffen.
De KPI-valkuil
Misschien ligt hier wel een dieper probleem. Veel organisaties meten vooral activiteit en efficiëntie, maar veel minder vaak de daadwerkelijke uitkomst. In moderne managementtaal zouden we kunnen zeggen dat we vaak sturen op KPI’s, terwijl we vergeten te toetsen of we onze OKR’s daadwerkelijk dichterbij brengen.
Dat zie je overal terug. We meten hoeveel tickets een servicedesk afhandelt, hoe snel telefoontjes worden opgenomen, hoe lang klanten moeten wachten en hoeveel interacties een chatbot zelfstandig kan verwerken. Op zichzelf zijn dat geen verkeerde indicatoren. Ze vertellen iets over de efficiëntie van een proces.
Maar vertellen ze ook iets over de waarde die wordt geleverd?
Neem een servicedesk als voorbeeld. Is het doel om zoveel mogelijk tickets af te handelen? Of is het doel om problemen daadwerkelijk op te lossen? Dat lijkt een semantisch verschil, maar het is fundamenteel.
Een ticket sluiten betekent niet automatisch dat een probleem is opgelost. Een chatbot die een gesprek beëindigt betekent niet automatisch dat een klant geholpen is. En een medewerker die stopt met bellen betekent niet automatisch dat zijn probleem verdwenen is.
Sterker nog, soms zijn de mooiste dashboards juist een indicatie dat mensen hebben opgegeven.
Misschien zouden we daarom minder moeten kijken naar de vraag:
“Hoeveel tickets hebben we verwerkt?”
En veel vaker naar:
“Hoeveel problemen hebben we daadwerkelijk opgelost?”
Gevolgd door een nog belangrijkere vraag:
“Wat vinden onze medewerkers en klanten daarvan?”
Want zodra een servicedesk vooral gaat functioneren als een firewall tussen gebruikers en de organisatie, ontstaat er een gevaarlijke situatie. Dan filter je niet alleen vragen weg, maar ook signalen. En juist die signalen zijn vaak de vroegste indicatoren van toekomstige problemen.
Hetzelfde patroon zie je terug in de boardroom. Daar wordt vaak gesproken over efficiëntie, kostenverlaging en operationele optimalisatie. Maar hoeveel lager moeten operationele kosten eigenlijk worden? Is kostenreductie het doel op zich, of is het doel om een betere organisatie te bouwen?
Dat lijken vergelijkbare strategieën, maar in de praktijk leiden ze vaak tot compleet verschillende uitkomsten.
De meest succesvolle organisaties die ik in mijn loopbaan heb gezien, waren zelden geobsedeerd door kosten alleen. Ze waren geobsedeerd door waarde. Voor klanten. Voor medewerkers. Voor aandeelhouders. Voor de lange termijn.
Kosten waren daarbij meestal een gevolg van goede keuzes, niet het primaire doel van die keuzes.
“De meest duurzame vorm van kostenbesparing is vaak investeren in kwaliteit.”
De problemen die nooit worden geregistreerd
In iedere organisatie bestaat een enorme hoeveelheid verborgen werk en verborgen frustratie. Problemen die medewerkers dagelijks ervaren, maar die nooit in een systeem terechtkomen.
Niet omdat die problemen niet bestaan, maar omdat mensen menselijk zijn.
Velen hebben haast door de inmiddels bijna permanente “do more with less”-mentaliteit die in veel organisaties de norm is geworden. Anderen denken dat melden toch geen zin heeft. Sommigen willen niet bekendstaan als degene die overal over klaagt. En vaak hebben mensen simpelweg een workaround bedacht om hun werk gedaan te krijgen.
Iedere ervaren IT-manager, servicedeskmanager of customer service professional herkent dit fenomeen.
Een gebruiker meldt:
“Mijn VPN werkt niet.”
Maar een ervaren servicedeskmedewerker hoort vaak veel meer dan die ene zin:
- Misschien is dit de vierde melding uit dezelfde afdeling deze week.
- Misschien speelt het probleem al maanden.
- Misschien heeft iemand een onveilige workaround bedacht.
- Misschien zit er frustratie achter die nergens wordt geregistreerd.
- Misschien is het VPN-probleem helemaal niet het probleem, maar slechts een symptoom van iets veel groters.
Dat soort context staat meestal niet in het ticket.
Die hoor je tussen de regels door. In de toon van een gesprek. In de twijfel van een medewerker. In de frustratie van een klant. In de vragen die eigenlijk niet gesteld worden.
Wat gebeurt er als AI de voordeur wordt?
Laat ik duidelijk zijn: ik ben absoluut geen tegenstander van AI.
Sterker nog, ik denk dat AI de komende jaren een enorme positieve impact gaat hebben op vrijwel iedere organisatie. Het kan repetitieve werkzaamheden automatiseren, kennis toegankelijker maken en medewerkers helpen sneller antwoorden te vinden. Op veel gebieden zal AI organisaties sneller, consistenter en efficiënter maken.
Maar ik zie een risico wanneer organisaties AI vooral benaderen als een kostenbesparingsmaatregel.
Wanneer de onderliggende vraag wordt:
“Hoe kunnen we zoveel mogelijk menselijk contact elimineren of medewerkers door AI uitfaseren?”
dan ontstaat een interessante paradox.
AI is uitstekend in het verwerken van signalen die worden aangeboden. Het kan patronen herkennen, informatie classificeren en enorme hoeveelheden data analyseren. Maar hoe detecteer je signalen die nooit worden afgegeven?
Hoe meet je de klant die afhaakt zonder te klagen? Hoe registreer je de medewerker die iedere dag tien minuten extra werk verricht omdat een proces niet goed werkt? Hoe ontdek je de frustratie die nooit wordt uitgesproken? Hoe zie je de beveiligingsrisico’s die ontstaan doordat medewerkers zelf oplossingen bedenken buiten de officiële processen om?
Juist die signalen zijn vaak het meest waardevol. En juist die signalen verdwijnen als eerste wanneer menselijke interactie volledig wordt vervangen door automatisering.
Maar er zit nog een tweede risico onder de oppervlakte.
Vrijwel alle AI-systemen leren van historische data. Met andere woorden: AI leert van wat eerder is waargenomen, geregistreerd en opgeslagen. Dat is tegelijkertijd de kracht én de beperking van vrijwel iedere AI-oplossing.
- Want hoe leer je van problemen die nooit zijn gemeld?
- Hoe train je een model op frustraties die nooit zijn uitgesproken?
- Hoe herken je een risico dat nog nooit zichtbaar is geweest in je datasets?
AI is buitengewoon krachtig in het herkennen van bestaande patronen. Maar patronen uit het verleden zijn niet automatisch signalen van de toekomst. Sterker nog, de grootste veranderingen beginnen vaak juist als afwijkingen van bestaande patronen.
Een ervaren medewerker die zegt:
“Ik weet niet precies wat er aan de hand is, maar dit voelt anders.”
produceert soms waardevollere informatie dan duizend historische tickets.
Een ervaren medewerker verwerkt daarbij meer dan alleen woorden. Mensen voelen vaak intuïtief aan wanneer iets niet klopt, wanneer frustratie groter is dan uitgesproken wordt of wanneer een probleem slechts een symptoom is van iets diepers. AI kan dergelijke signalen steeds beter herkennen en classificeren, maar ervaart ze niet. Dat verschil lijkt subtiel, maar kan het verschil zijn tussen het oplossen van een incident en het begrijpen van een onderliggend probleem.
Waar AI vooral kijkt naar wat eerder gebeurde, hebben mensen het unieke vermogen om op te merken dat er iets nieuws ontstaat. Juist daar ontstaan innovaties, maar ook incidenten, crises en risico’s.
Artificial Intelligence of Augmented Intelligence?
Misschien zit daar wel de grootste denkfout van dit moment. We praten vaak over AI alsof het uiteindelijk een vervanger van menselijke observatie kan worden. Alsof technologie niet alleen sneller kan analyseren dan mensen, maar uiteindelijk ook beter kan begrijpen wat er speelt binnen organisaties.
Ik denk dat we AI beter anders kunnen bekijken:
Niet als Artificial Intelligence, maar als Augmented Intelligence.
Technologie die mensen versterkt in plaats van vervangt.
Dat betekent niet dat we minder AI moeten gebruiken. Integendeel. Laat AI de eenvoudige vragen afhandelen, patronen herkennen, grote hoeveelheden informatie doorzoeken en routinematig werk automatiseren. Op die gebieden is AI vaak sneller, consistenter en schaalbaarder dan mensen ooit zullen zijn.
De fout ontstaat pas wanneer organisaties de vrijgekomen tijd gebruiken om nóg verder te bezuinigen op menselijk contact of menselijke beschikbaarheid. Juist dáár ligt een gemiste kans. Want als AI de operationele druk verlaagt, ontstaat er ruimte voor iets wat veel waardevoller is: echte gesprekken, observatie, nieuwsgierigheid en begrip van wat er onder de oppervlakte speelt.
Organisaties bestaan immers niet uit datasets, dashboards en KPI’s. Ze bestaan uit mensen. En mensen vertellen lang niet altijd wat er werkelijk speelt. Frustraties worden ingeslikt, workarounds worden genormaliseerd en risico’s worden vaak pas zichtbaar wanneer iemand de tijd neemt om verder te kijken dan het geregistreerde incident.
Het gevaar van perfecte dashboards
Misschien is dat wel de grootste paradox van het AI-tijdperk. Naarmate organisaties meer data verzamelen, bestaat het risico dat ze zich verder van de werkelijkheid verwijderen.
Niet omdat de data onjuist is. Integendeel. De cijfers kunnen volledig correct zijn. De dashboards kunnen perfect werken. De rapportages kunnen aantonen dat tickets sneller worden afgehandeld, kosten dalen en productiviteit stijgt.
Maar net als bij de vliegtuigen uit de Tweede Wereldoorlog vertelt zichtbare data slechts een deel van het verhaal.
De kogelgaten waren echt. De analyses waren correct. De conclusies leken logisch. Toch wezen ze aanvankelijk precies naar de verkeerde oplossing, omdat niemand keek naar de vliegtuigen die niet waren teruggekeerd.
Hetzelfde risico bestaat vandaag binnen organisaties. We analyseren de tickets die worden ingediend, de gesprekken die worden gevoerd en de feedback die wordt geregistreerd. Maar hoe vaak staan we stil bij de signalen die nooit meer binnenkomen? Bij de medewerker die het heeft opgegeven om problemen te melden? Bij de klant die stilletjes vertrekt? Bij de risico’s die ontstaan buiten de processen die wij meten?
Misschien is dat wel de belangrijkste vraag die bestuurders, CIO’s, IT-managers en serviceorganisaties zichzelf moeten stellen in het AI-tijdperk:
“Kijken we alleen naar de signalen die we ontvangen, of proberen we ook te begrijpen welke signalen we niet meer ontvangen?”
Want soms zit het grootste risico niet in wat je ziet, maar juist in wat je niet meer hoort.
En misschien is dat uiteindelijk de belangrijkste les van allemaal. AI is uitstekend in het herkennen van bekende patronen. Leiderschap draait juist om het herkennen van onbekende patronen.
#ArtificialIntelligence #AugmentedIntelligence #Leadership #ITLeadership #CustomerExperience #DigitalTransformation #ServiceManagement #Management
Dit artikel van Thierry M. Vos verscheen oorspronkelijk op LinkedIn. Bekijk alle artikelen.