AI-adoptie mislukt niet door de technologie. Het mislukt door mensen

Vier op de vijf AI-projecten mislukt. Dat is geen pessimisme. Dat is wat de data zegt.

En als je vraagt waarom, krijg je bij tech-mensen één van twee antwoorden: de data was niet goed, of het model was niet goed genoeg. Bij managers krijg je een ander antwoord: het was te complex, of het budget was niet toereikend.

Beide antwoorden zijn verkeerd.

De echte reden is bijna altijd dezelfde. De mensen in de organisatie begrepen het niet, vertrouwden het niet, of zagen de relevantie niet voor hun eigen werk.

Waarom dit zo moeilijk te accepteren is

Technologen willen dit niet horen.

Als je maanden hebt geïnvesteerd in het bouwen van een model, in het opschonen van data, in het fine-tunen van output, dan is de gedachte dat het schuurt bij de werkvloer een teleurstelling die voelt als oneerlijk. Je hebt goed werk geleverd. Het systeem werkt.

Maar een systeem dat werkt en dat niemand gebruikt, werkt niet.

Dit is de kern. Technologie is nooit het eindproduct. Gedragsverandering is het eindproduct. Een AI-tool die medewerkers niet gebruiken, heeft geen waarde, hoe geavanceerd hij ook is. En gedragsverandering is geen technisch probleem. Het is een menselijk probleem.

Wat er werkelijk misgaat

Ik heb genoeg implementaties gezien om de patronen te herkennen.

Het begint bijna altijd met een aanname. De aanname dat mensen vanzelf begrijpen waarom een nieuw systeem beter is, en dat ze die verbetering omarmen. Dat als je het maar goed genoeg uitlegt in een kick-off sessie, de rest vanzelf gaat.

Dat gaat nooit vanzelf.

Mensen zijn geen lege containers die je kunt vullen met nieuwe gewoontes. Ze hebben bestaande werkwijzen die voor hen werken. Ze hebben zorgen over hun positie als een AI een deel van hun werk overneemt. Ze hebben collega's die zeggen dat het toch niks wordt. En ze hebben een werkdag die al vol zit.

Vraag jezelf af: hoe reageer jij als je organisatie een nieuw systeem uitrolt dat je twee weken extra werk kost voordat het je iets oplevert? Precies.

De drie menselijke oorzaken van falen

Ik wil concreet zijn. Geen abstracte lijsten.

Onbegrip. Medewerkers weten niet wat het systeem doet, hoe het beslissingen maakt, en wanneer ze het moeten vertrouwen. Ze gebruiken het dan niet. Of erger: ze gebruiken het en negeren de output omdat ze hem niet begrijpen. Dat laatste is gevaarlijker dan niet gebruiken.

Wantrouwen. "Als ik dit tool gebruik en het klopt niet, wie is er dan verantwoordelijk?" Die vraag wordt bijna nooit expliciet gesteld, maar hij speelt altijd. Mensen zijn niet bereid hun professionele reputatie te verbinden aan een systeem dat ze niet begrijpen en niet controleren.

Gebrek aan relevantie. De pilot werd gebouwd voor een use case die de board interessant vond. Niet voor een probleem dat de medewerker iedere dag heeft. Die medewerker denkt dan terecht: wat moet ik hier mee?

Wat wél werkt

De oplossing is niet simpel. Maar ze is wel consistent.

Begin bij het probleem van de gebruiker, niet bij de mogelijkheden van de technologie. Vraag mensen op de werkvloer waar ze dagelijks tegenaan lopen. Niet "wat zou je met AI willen?" maar "wat kost je de meeste tijd en energie?" Bouw de use case vanuit dat antwoord.

Maak eigenaarschap concreet. Niet bij de IT-afdeling, niet bij een projectteam, maar bij de lijnmanager die verantwoordelijk is voor de groep die het tool gaat gebruiken. Die manager is de sleutelfiguur. Als hij of zij het niet omarmt, wordt het niks.

Ontwerp adoptie als een proces, niet als een event. Eén training volstaat niet. Mensen leren een nieuwe tool gebruiken door hem te gebruiken, fouten te maken, vragen te stellen, en het opnieuw te proberen. Dat kost tijd en begeleiding.

En meet gebruik, niet implementatie. De vraag "is het uitgerold?" is de verkeerde vraag. De vraag is: "hoeveel mensen gebruiken het, hoe vaak, en levert het op wat we beloofden?"

Een eerlijk woord aan tech-mensen

Als je als engineer of data scientist leest: dit is geen aanval op je werk.

Je kan schitterend technisch werk leveren en toch mislukken. Niet omdat je werk niet goed is, maar omdat je werk nooit het einddoel is. Het einddoel is een organisatie die beter functioneert. En dat vraagt om meer dan code.

De technici die ik het meest respecteer, zijn degenen die begrijpen dat hun werk pas begint als het systeem live gaat. Dat de echte uitdaging niet in de architectuur zit, maar in de koffiegesprekken met mensen die zeggen: "Ik snap niet wat dit voor mij doet."

Wat dit voor jou betekent

Als je een AI-project overweegt of ermee bezig bent: stel jezelf de volgende vragen.

Wie heeft last van het probleem dat we oplossen? Betrekken we die mensen bij het ontwerp? Wie is eigenaar van de adoptie? Hoe meten we of mensen het daadwerkelijk gebruiken? En wat doen we als ze het niet gebruiken?

Als je die vragen nu nog niet kunt beantwoorden, heb je een probleem dat geen betere technologie gaat oplossen.

Wat is voor jouw organisatie het grootste obstakel bij AI-adoptie? Technisch of menselijk?