Blog
AI koop je in, rendement moet je organiseren
Wat de productiviteits-J-curve betekent voor de invoering van AI
Stel dat een medewerker met AI in een uur een rapport schrijft waar eerder drie uur voor nodig was. Dat lijkt een duidelijke opbrengst. Maar als de controle een uur extra kost, blijft er een uur tijdwinst over. En als het rapport vervolgens een week op goedkeuring wacht, verandert de totale doorlooptijd nauwelijks.
De bespaarde arbeidstijd is daarmee niet verdwenen. Het benutten ervan vraagt wel om andere beslissingen dan het aanschaffen van software.
Soms zijn aanvullende investeringen nodig voordat AI de organisatie iets oplevert. Soms werkt de gekozen aanpak onvoldoende. Het management moet kunnen beoordelen wat er aan de hand is.
De productiviteits-J-curve helpt verklaren waarom investeringen in AI niet direct zichtbaar worden in de productiviteitscijfers. Of een organisatie goed op weg is, moet blijken uit wat er in het werk verbetert.
Wat de J-curve verklaart
Economen Erik Brynjolfsson, Daniel Rock en Chad Syverson onderzochten waarom breed toepasbare technologieën niet onmiddellijk tot hogere gemeten productiviteit leiden. Hun onderzoek naar de productiviteits-J-curve gaat verder dan medewerkers die moeten wennen aan nieuwe software.
Om een technologie goed te gebruiken, moeten bedrijven ook investeren in kennis, werkprocessen en de inrichting van hun organisatie. Medewerkers besteden bijvoorbeeld tijd aan het geschikt maken van gegevens, het ontwikkelen van controles en het uitproberen van nieuwe werkwijzen.
Daarmee bouwen ze kennis en werkwijzen op waar de organisatie later voordeel van kan hebben. In de nationale rekeningen worden zulke investeringen niet volledig als opgebouwde waarde geregistreerd. De ingezette arbeid telt wel mee, terwijl een deel van wat ermee wordt opgebouwd buiten beeld blijft.
Daardoor kan de gemeten productiviteitsgroei aanvankelijk worden onderschat. Wanneer die investeringen later opbrengsten opleveren, worden de voordelen beter zichtbaar. Dat is een belangrijk mechanisme achter de productiviteits-J-curve.
Hier spelen twee verschillende zaken. Een organisatie kan tijdens de invoering daadwerkelijk minder produceren doordat medewerkers moeten leren en processen tijdelijk minder goed lopen. Daarnaast kan de meting onvoldoende vastleggen welke waarde zij ondertussen opbouwen. Beide kunnen tegelijk gebeuren.
Voor een organisatie roept dit een praktische vraag op. Hoe beoordeel je de voortgang als medewerkers tijd besteden aan verbeteringen die pas later resultaat kunnen opleveren?
Een dip is geen bewijs dat succes onderweg is. Je moet kunnen uitleggen welke verbeteringen de investeringen mogelijk maken en nagaan of die ook tot stand komen.
Wat er in de praktijk mis kan gaan
Onderzoek van McElheran en collega’s, uitgevoerd met gegevens van het Amerikaanse Census Bureau, geeft meer inzicht in de invoering van industriële AI. De auteurs rapporteren causaal bewijs voor kortetermijnverliezen die voorafgaan aan latere opbrengsten.
Die verliezen waren ongelijk verdeeld en concentreerden zich bij oudere vestigingen. Bij deze vestigingen verklaarde het loslaten van gestructureerde productiemanagementpraktijken ongeveer een derde van de kortetermijnverliezen. Vroege gebruikers vertoonden sterkere groei over de tijd, waarbij de onderzoekers uitdrukkelijk vermelden dat dit geldt voor vestigingen die bleven bestaan.
Dat voorbehoud is belangrijk. De groeicijfers van die vestigingen geven geen volledig beeld van de resultaten voor alle oorspronkelijke gebruikers.
Dit onderzoek gaat over Amerikaanse fabrieken en industriële AI. Je kunt de uitkomsten niet rechtstreeks toepassen op ieder Nederlands kantoor. Het laat wel zien hoe bestaande werkafspraken bij de invoering ontregeld kunnen raken, met gevolgen voor de prestaties.
Bij nieuwe technologie moet je daarom ook beoordelen welke afspraken moeten veranderen en welke juist overeind moeten blijven.
De verantwoordelijkheid van management
Een medewerker kan besluiten AI te gebruiken voor een eerste versie van een rapport. Diezelfde medewerker kan meestal niet bepalen wie het rapport moet goedkeuren, welke controle verplicht is of hoe een andere afdeling haar werk organiseert. Daar begint de verantwoordelijkheid van management.
Als een team dankzij AI meer aanvragen verwerkt, moet iemand beoordelen of de volgende afdeling die extra hoeveelheid aankan. Als controles veranderen, moet duidelijk zijn wie fouten herkent en wie mag ingrijpen. En als werkzaamheden verdwijnen, moet worden bepaald wat medewerkers met de beschikbare tijd kunnen doen.
Zonder zulke beslissingen kan een verbetering bij de ene medewerker extra werk veroorzaken bij een collega. De productie stijgt, maar de wachtrij groeit mee. Of een bestaande controle vervalt, terwijl niemand expliciet verantwoordelijk wordt voor de gevolgen.
Het management moet daarom voldoende begrijpen van de toepassing om de gevolgen voor het werk te beoordelen. Welke uitkomsten zijn betrouwbaar genoeg? Waar blijft vakkennis nodig? Welke uitzonderingen vragen menselijke aandacht? Voor die beoordeling zijn ook de mensen nodig die het werk dagelijks uitvoeren.
Een AI-project vraagt daarmee om betrokkenheid van degenen die bevoegd zijn om het werk te veranderen. Zij moeten tijd vrijmaken voor het leren en aanpassen, en bewaken of die inspanning iets oplevert.
Tijdwinst is nog geen inzetbare capaciteit
AI kan op taakniveau snel resultaat opleveren. In de gepubliceerde studie Generative AI at Work onderzochten Brynjolfsson, Li en Raymond de invoering van een AI-assistent bij 5.172 klantenservicemedewerkers. Het aantal opgeloste klantvragen per uur steeg gemiddeld met 15 procent. Minder ervaren en minder vaardige medewerkers profiteerden sterker.
Daar was een concrete verbetering meetbaar binnen het werkproces. Bij andere werkzaamheden kan het lastiger zijn om tijdwinst om te zetten in extra capaciteit.
Als tien medewerkers ieder twee uur per week besparen, heb je op papier twintig uur gewonnen. Die uren zitten echter verspreid over mensen, taken en werkdagen. Je kunt ze niet zonder meer samenvoegen tot ruimte voor een nieuwe opdracht.
De beschikbare tijd kan worden gebruikt om achterstanden weg te werken, meer klanten te helpen of overwerk te verminderen. Soms is daarvoor een andere taakverdeling binnen het team nodig.
Dat zijn managementkeuzes. De uitkomst hangt mede af van de vraag naar extra werk, de beschikbare vaardigheden en de ruimte bij andere afdelingen. Een rekensom over bespaarde uren is daarom het begin van de beoordeling.
Er kan veel veranderen zonder dat de uren dalen
Onderzoek van Humlum en Vestergaard in Denemarken laat zien dat veranderingen in het werk niet direct zichtbaar hoeven te worden in de gebruikelijke arbeidsmarktuitkomsten. Twee jaar na de introductie van ChatGPT vonden zij geen betekenisvolle gemiddelde effecten op inkomsten en geregistreerde werkuren.
Tegelijkertijd veranderde de inhoud van het werk. Werkgevers reorganiseerden taken en er ontstonden werkzaamheden rond onder meer contentgeneratie, AI-toezicht en AI-integratie.
Een gelijkblijvend aantal uren vertelt dus niet het hele verhaal. Je moet ook bekijken wat medewerkers in die uren doen en wat dat oplevert.
Daar kunnen werkzaamheden bij komen, zoals het controleren van uitkomsten, behandelen van uitzonderingen en onderhouden van toepassingen. Die inspanning hoort mee te tellen bij de beoordeling van het rendement. Ook moet duidelijk zijn of medewerkers voldoende kennis hebben om dat werk goed uit te voeren.
Hoe beoordeel je of de investering werkt?
Leg vooraf vast welke verbetering wordt verwacht. Meer klanten helpen, een kortere doorlooptijd, betere kwaliteit en lagere kosten vragen elk om een andere meting. Ze kunnen samengaan, maar volgen niet automatisch uit elkaar.
Breng daarom voordat je AI invoert in kaart hoeveel arbeidstijd en wachttijd het proces vraagt, welke fouten voorkomen en hoeveel herstelwerk nodig is. Neem bij de evaluatie ook de inspanning voor opleiding, controle en beheer mee.
Maak vervolgens onderscheid tussen tijdelijk aanpassingswerk en terugkerende kosten. Tijd besteden aan een eerste opschoning van gegevens is iets anders dan iedere week dezelfde fouten in AI-uitkomsten herstellen. Beide kosten tijd, maar geven een ander beeld van de verwachte opbrengst.
Spreek ook af wanneer je bijstuurt of stopt. Als medewerkers aantoonbaar vaardiger worden, fouten afnemen en het proces beter loopt, kan dat reden zijn om verder te investeren. Als dezelfde problemen blijven terugkomen, is langer wachten op zichzelf geen overtuigend antwoord.
De J-curve geeft een verklaring voor vertraagde opbrengsten. Het management blijft verantwoordelijk voor de vraag of de organisatie daadwerkelijk vooruitgaat. Wie zich beroept op een aanloopperiode, moet kunnen laten zien wat er in die periode wordt opgebouwd en hoe dat het werk gaat verbeteren.