Veel organisaties meten de waarde van AI door te meten hoeveel medewerkers de tool gebruiken, hoeveel uur bespaart die tool, hoe snel groeit het aantal prompts. Handig voor een dashboard, maar het zegt weinig over wat er met het werk zelf gebeurt. Wie echt goed wil samenwerken met AI, moet een niveau dieper kijken volgens de paper When Does AI Augment Work. Beoordeel AI op het niveau van complete workflows en check zes voorwaarden.
Workflows in plaats van losse taken
Een taak is een momentopname. Een workflow is het complete traject van vraag tot resultaat, met overdrachtsmomenten, controles en uitzonderingen. Kijk je alleen naar taken, dan zie je dat AI een eerste versie razendsnel produceert. Kijk je naar de hele workflow, dan zie je ook wat daarna gebeurt. Iemand moet die output lezen, controleren, verbeteren en verantwoorden.
De tijdswinst bij het genereren kan volledig verdwijnen doordat je het resultaat moet nakijken en misschien moet bijsturen. De onderzoekers noemen dit verborgen werk. Je maakt het zichtbaar door drie vragen te beantwoorden voor elke workflow waarin AI meedraait:
- Wat mag de AI genereren, aanbevelen, beslissen of uitvoeren?
- Waar beoordelen, interpreteren, keuren of corrigeren mensen?
- Hoe vang je onbekende gevallen, onbetrouwbare output en systeemuitval op?
Zes voorwaarden voor versterking
Het kader spreekt van augmentation, de versterking van menselijk werk. Het definieert hier zes voorwaarden voor in twee lagen. De eerste laag test je als momentopname bij ontwerp, ingebruikname en periodieke review. De tweede laag kijkt over een langere tijd.
Laag 1 meet de gezondheid van je workflow
- Duurzame netto waarde. De winst ontstaat uit complementariteit tussen mens en AI. Hou rekening met kwaliteit, tijd voor controle, uitzonderingen, verbeteringen en cognitieve last. Schijnbaar productief werk, blijkt het niet te zijn omdat het als verborgen werk ergens anders in de workflow terechtkomt.
- Menselijke controle. Mensen behouden de kennis, tijd, informatie en bevoegdheid om fouten te herkennen, aannames te weerleggen, beslissingen terug te draaien en bij uitval zelf door te werken.
- Duidelijke verantwoordelijkheid. Beslisbevoegdheid, escalatie en terugvalprocedures zijn expliciet aan mensen toegewezen. Fouten worden aan iemand toegewezen en zeldzame gevallen krijgen een aparte workflow.
Laag 2 volgt mensen over de jaren heen
- Verdiepend leren. Het herontworpen werk geeft kansen om domeinkennis, oordeel en kennis van AI te ontwikkelen.
- Loopbaanpaden. Instapfuncties en doorgroeiroutes blijven bestaan.
- Betekenis en eigenaarschap. De taakverdeling tussen mens en AI motiveert mensen. De AI zorgt voor het routinewerk en maakt het meer schaalbaar. De mens behoudt het werk dat richting en betekenis geeft.
Het krachtige van dit kader zit in de wisselwerking tussen beide lagen. Een workflow kan bij de start aan alle voorwaarden van laag 1 voldoen en toch jaren later mislukken omdat laag 2 langzaam uitholt. Het toezicht bestaat dan op papier nog steeds, terwijl de mensen die het moeten doen geen richting kunnen geven en de kennis niet meer hebben om te evalueren.
Waar leg je de grens tussen mens en AI?
Drie eigenschappen van een taak bepalen hoe ver je kan delegeren:
- Verifieerbaarheid. Kan een vakbekwaam iemand de output inspecteren en herkennen wanneer die verkeerd is?
- Omkeerbaarheid. Kan een fout hersteld worden voordat er serieuze schade ontstaat?
- Inzet. Wat kost het als de beslissing fout is, te laat komt of moeilijk aan te vechten is?
Je kan meer delegeren naarmate de output makkelijker te inspecteren is, fouten te herstellen zijn en de kost beperkt blijft. De betrokkenheid van de mens moet sterker blijven waar een taak doelen bepaalt, resultaten dubbelzinnig interpreteerbaar zijn of de gevolgen van een beslissing ingrijpend zijn.
De paper laat zien ho dit werkt bij enquêtes die met AI worden afgenomen. Onderzoekers houden de strategische regie over het doel van het onderzoek, maken de startvragen en definiëren de wegingscoëfficiënten. De AI mag binnen grenzen formuleringen aanpassen, verdiepende vervolgvragen stellen en een eerste analyse van de antwoorden maken. Juist omdat zo’n interviewer deel wordt van het meetinstrument, ontwerpen onderzoekers de protocollen. Dit houdt hun oordeel scherp en geeft juniors de oefening die ze nodig hebben om later strategische beslissingen te kunnen nemen.
Instapfuncties staan onder druk
De taken die AI het makkelijkst kan overnemen, hebben een hoog volume, duidelijke procedures en controleerbare output. Precies die taken vormen de leerschool waarin junioren hun vakkennis en intuïtie opbouwen. Dat gevoel heb je later nodig om output te beoordelen, fouten te herkennen en weerwerk te bieden aan een mogelijke maar foute suggestie. Op,korte termijn win je maar wie kan binnen 5 jaar nog twijfelgevallen interpreteren?
Beoordeel menselijke controle daarom als een vaardigheid die mensen moeten kunnen leren en uitoefenen.
Workflowdossiers maken het concreet
Het praktische instrument voor dit kader is het workflowdossier. Leg dit per workflow vast:
- het oorspronkelijke proces en het beoogde doel
- welke taken de AI krijgt en met welke bevoegdheid
- waar mensen reviewen, ingrijpen en escaleren
- hoe uitzonderingen, mislukkingen en verbeteringen worden geregeld
- welke fouten en onbedoelde acties zich voordoen
- de totale inspanning, inclusief controle en oplossen van problemen
- de effecten op vaardigheden, leerkansen, doorgroeimogelijkheden, ownership en tevredenheid
Vul die dossiers aan met wat medewerkers doen aan de hand van enquêtes en interviews. Officiële adoptiecijfers missen namelijk het informele gebruik van AI dat overal in de organisatie plaatsvindt.
Medewerkers gebruiken AI tools drie keer sneller dan het management verwacht, terwijl slechts 1 procent van de bestuurders de eigen uitrol volwassen noemt. Het enthousiasme is er volop. Het ontwerp van de samenwerking tussen mens en AI maakt het verschil.
