De computer weet wat ik kan. Nu mijn baas nog.
Read this column in EnglishMedewerkster Els is fictief. Het talent dat bedrijven over het hoofd zien, is dat allerminst.
Els werkt al twaalf jaar op de administratie.
Volgens haar functieomschrijving verwerkt ze facturen.
Volgens haar collega’s houdt ze ongeveer het halve bedrijf overeind.
Ze legt nieuwe medewerkers uit hoe alles werkt. Ze ontdekt waarom een bestelling vastloopt. Ze stelt een boze klant gerust en weet welke collega je moet bellen wanneer het computersysteem iets doet waarvoor de handleiding geen beleefd woord heeft.
Bij haar jaarlijkse gesprek zegt haar leidinggevende:
“Je verwerkt je facturen goed.”
Els bedankt hem.
Het is prettig dat iemand tenminste een deel van haar werk heeft opgemerkt.
We praten vaak over AI die banen overneemt. Maar er bestaat ook een andere mogelijkheid: AI die ontdekt wat mensen kunnen, terwijl hun werkgever dat nog onvoldoende ziet.
Op dinsdag 6 oktober kondigden softwarebedrijf SAP en het Gentse TechWolf een overeenkomst aan voor de overname van TechWolf. De transactie moet nog worden afgerond.
Het Belgische bedrijf ontwikkelt AI die werkzaamheden en vaardigheden in kaart brengt met gegevens uit bestaande personeels- en bedrijfssystemen.
Dat klinkt aanvankelijk als iets waarvoor je drie consultants, een vergaderzaal en een schaal droge koekjes nodig hebt.
De vraag erachter is verrassend eenvoudig:
Wat kunnen onze mensen eigenlijk?
Een functieomschrijving geeft daarop maar een gedeeltelijk antwoord.
Die vertelt waarvoor je ooit bent aangenomen. Niet noodzakelijk wat je sindsdien hebt geleerd.
Op Els haar cv staat nog een computerprogramma dat inmiddels waarschijnlijk alleen in een museum opstart.
Ondertussen heeft ze zichzelf leren werken met nieuwe systemen, ontdekt ze fouten in processen en helpt ze anderen sneller op weg.
Alleen heeft niemand haar cv bijgewerkt.
Els evenmin. Ze had het druk met werken.
Daar zit een interessante kans voor AI.
Volgens TechWolf kan zijn technologie uit verbonden bedrijfssystemen aanwijzingen afleiden over werkzaamheden en vaardigheden. Medewerkers kunnen de afgeleide vaardigheden controleren en hun profiel helpen bijwerken.
Het systeem kan dus bijvoorbeeld aanleiding geven om te onderzoeken of iemand meer in huis heeft dan zijn officiële functie suggereert.
Dat is iets anders dan gedachten lezen.
Gelukkig maar.
Mijn gedachten tijdens sommige vergaderingen zijn niet geschikt voor het personeelsdossier.
Stel dat een bedrijf iemand zoekt die goed processen kan verbeteren.
De gebruikelijke route is een vacature plaatsen. Daarna zoekt men buiten het bedrijf naar iemand met precies de juiste woorden op zijn cv.
Misschien zit Els ondertussen twee verdiepingen lager al maanden dezelfde problemen op te lossen.
Dan kan AI helpen een gesprek te beginnen dat anders niet gevoerd werd.
“Els, zou jij belangstelling hebben voor deze rol?”
Dat klinkt toch beter dan:
“Els, wil jij de nieuwe collega uitleggen hoe hij jouw toekomstige baan moet uitvoeren?”
Ook bij omscholing kan zo’n overzicht nuttig zijn. Wanneer werk verandert, wil je weten welke kennis iemand al heeft en wat hij nog moet leren.
Wie goed is in planning hoeft misschien niet helemaal opnieuw te beginnen om een andere coördinerende functie te vervullen.
Wie alleen naar diploma’s en functietitels kijkt, kan die aansluiting missen.
Een loopbaan is tenslotte geen kast waarin je op je vijfentwintigste wordt opgeborgen met een etiket op de deur.
Mensen leren. Ook zonder certificaat met een gouden rand.
Maar hier moet het enthousiasme even naast het gezonde verstand gaan zitten.
Een digitaal systeem ziet wat uit de beschikbare gegevens valt af te leiden.
Niet automatisch de hele mens.
Het kan misschien aanwijzingen vinden dat Els regelmatig collega’s helpt. Maar merkt het ook hoe ze iemand op zijn gemak stelt die bang is om een domme vraag te stellen?
Ziet het de medewerker die een conflict voorkomt voordat er een mailwisseling van twintig berichten ontstaat?
En wat gebeurt er met mensen wier werk weinig digitale sporen achterlaat?
Wie op de werkvloer een probleem oplost, maakt daar niet altijd een presentatie van.
Sommigen lossen het gewoon op.
Die bescheiden gewoonte mag geen nadeel worden.
Daarom is een door AI afgeleid vaardighedenprofiel een vertrekpunt voor een gesprek. Het mag geen definitief oordeel worden waar een medewerker machteloos tegenover staat.
Els moet kunnen zeggen:
“Dat klopt.”
Maar ook:
“Dat doe ik helemaal niet.”
Of:
“Er ontbreekt iets belangrijks.”
Een verkeerd etiket is in een supermarkt vervelend.
In een loopbaan kan het jarenlang blijven plakken.
Bovendien is kunnen niet hetzelfde als willen.
Misschien is Els uitstekend in het begeleiden van collega’s, maar wil ze geen leidinggevende worden. Misschien wil ze wel doorgroeien, maar heeft ze daarvoor tijd, opleiding en steun nodig.
Een computer kan een mogelijkheid aanwijzen.
Hij kan niet namens Els verlangen naar die mogelijkheid.
En werkgevers moeten duidelijk zijn over het gebruik van zulke gegevens. Welke informatie wordt meegenomen? Wie mag de uitkomsten zien? Helpen ze medewerkers vooruit, of worden ze vooral gebruikt om met minder mensen meer werk te laten doen?
Dezelfde technologie kan immers een deur openen of een nieuwe meetlat worden.
Daar beslist geen algoritme over.
Daar beslissen mensen over.
Wat mij aanspreekt in dit Belgische nieuws, is de mogelijkheid dat AI ons helpt talent te ontdekken dat we nu missen.
We zoeken overal personeel. Ondertussen weten we soms onvoldoende wat de mensen die er al zijn kunnen bijdragen.
Misschien moeten we, voordat we opnieuw een vacature uitschrijven, eens beter rondkijken.
Met behulp van een computer, als dat helpt.
En daarna met een echt gesprek.
Els krijgt inmiddels een uitnodiging om mee te denken over een nieuw werkproces.
“Het systeem heeft iets interessants gezien,” zegt haar baas.
Els glimlacht.
“Mooi,” zegt ze. “De collega’s zagen het al jaren.”
Misschien wordt dat een onverwacht voordeel van AI.
Dat de computer ons eraan herinnert eindelijk eens naar elkaar te luisteren.
Read this column in English
The Computer Knows What I Can Do. Now My Boss Needs to Catch Up.
Employee Els is fictional. The talent companies overlook is anything but.
Els has worked in administration for twelve years.
According to her job description, she processes invoices.
According to her colleagues, she keeps about half the company running.
She explains how everything works to new employees. She discovers why an order has stalled. She reassures an angry customer and knows which colleague to call when the computer system does something the manual has no polite word for.
At her annual review, her manager says:
“You process your invoices well.”
Els thanks him.
It is nice that someone has noticed at least part of her work.
We often talk about AI taking over jobs. But there is another possibility: AI discovering what people can do, while their employer still fails to see enough of it.
On Tuesday 6 October, software company SAP and Ghent-based TechWolf announced an agreement for SAP to acquire TechWolf. The transaction still needs to be completed.
The Belgian company develops AI that maps work and skills using data from existing HR and business systems.
At first, that sounds like something requiring three consultants, a meeting room and a plate of dry biscuits.
The question behind it is surprisingly simple:
What can our people actually do?
A job description gives only part of the answer.
It tells you what you were once hired to do. Not necessarily what you have learned since.
Els's CV still lists a computer program that probably only starts up in a museum now.
Meanwhile, she has taught herself to use new systems, spots process errors and helps others get up to speed.
Only nobody has updated her CV.
Neither has Els. She was busy working.
There is an interesting opportunity for AI here.
According to TechWolf, its technology can infer evidence of work and skills from connected business systems. Employees can validate the inferred skills and help update their profiles.
The system might therefore prompt someone to investigate whether an employee has more to offer than their official role suggests.
That is different from reading minds.
Thankfully.
My thoughts during certain meetings are not suitable for my personnel file.
Suppose a company needs someone who is good at improving processes.
The usual route is to advertise a vacancy. Then it searches outside the company for someone with exactly the right words on their CV.
Meanwhile, two floors below, Els may have been solving those very problems for months.
AI could then help start a conversation that otherwise would never happen.
“Els, would you be interested in this role?”
That sounds rather better than:
“Els, could you explain to the new colleague how to do your future job?”
Such an overview can also help with retraining. When work changes, you want to know what someone already knows and what they still need to learn.
Someone good at planning may not have to start from scratch to take on another coordinating role.
Anyone looking only at qualifications and job titles may miss that connection.
A career is not a cupboard where you are stored at twenty-five with a label on the door, after all.
People learn. Even without a certificate with a gold border.
But this is where enthusiasm should sit down beside common sense.
A digital system sees what can be inferred from the available data.
Not automatically the whole person.
It might find evidence that Els regularly helps colleagues. But does it notice how she puts someone at ease when they are afraid to ask a stupid question?
Does it see the employee who prevents a conflict before a twenty-message email exchange begins?
And what happens to people whose work leaves few digital traces?
Someone solving a problem on the shop floor does not always make a presentation about it.
Some people simply solve it.
That modest habit must not become a disadvantage.
An AI-inferred skills profile should therefore be a starting point for a conversation. It must not become a final verdict that leaves an employee powerless.
Els must be able to say:
“That's right.”
But also:
“I don't do that at all.”
Or:
“Something important is missing.”
An incorrect label is annoying in a supermarket.
In a career, it can stick for years.
Moreover, being able to do something is not the same as wanting to do it.
Els may be excellent at supporting colleagues but not want to become a manager. Perhaps she does want to progress, but needs time, training and support.
A computer can point out an opportunity.
It cannot want that opportunity on Els's behalf.
And employers must be clear about how such data is used. What information is included? Who can see the results? Do they help employees progress, or are they mainly used to get more work done with fewer people?
The same technology can open a door or become another measuring stick.
An algorithm does not decide that.
People do.
What appeals to me about this Belgian news is the possibility that AI can help us discover talent we currently miss.
We are looking for staff everywhere. Meanwhile, we sometimes know too little about what the people already there can contribute.
Perhaps, before advertising another vacancy, we should take a better look around.
With a computer's help, if that helps.
And then with a real conversation.
Els now receives an invitation to help think through a new working process.
“The system spotted something interesting,” her boss says.
Els smiles.
“Good,” she says. “My colleagues spotted it years ago.”
Perhaps that will become an unexpected benefit of AI.
That the computer reminds us to finally listen to one another.
Actuele Nederlandse onderwerpen, telkens bekeken vanuit een persoonlijke en verrassende invalshoek.