Anthropic zoekt marketeers. Dat wilde ik weleens verder bekijken. Want wat laat je een marketeer doen als je zelf Claude bouwt?
Ik lees vanuit mijn werk in recruitment veel vacatures. Bij Anthropic was ik vooral benieuwd wat mensen daar straks de hele dag moeten doen. Ze hebben hun eigen technologie binnen handbereik en kennen de mogelijkheden waarschijnlijk beter dan de meeste werkgevers. Dat maakt hun vacatures voor mij een interessante graadmeter voor de ontwikkeling van werk.
Er staan natuurlijk veel technische functies tussen. Maar ze zoeken ook verkopers en mensen voor marketing, naast medewerkers die bij klanten aan de slag gaan om AI in te voeren. Vooral die laatste groep trok mijn aandacht. Daar kom ik zo op terug.
Een marketeer met Claude naast zich
In de marketingvacatures die ik bekeek, werd zes tot acht jaar ervaring gevraagd. Je moet begrijpen wat Anthropic ontwikkelt en kunnen beoordelen hoe je daarover communiceert. Wie wil je bereiken? Wat moet die persoon weten voordat hij een product gaat gebruiken? Je hebt ook te maken met verwachtingen die je als bedrijf moet kunnen waarmaken.
Een eerste tekst laten schrijven is binnen zo’n opdracht een betrekkelijk klein deel van het werk. Iemand moet uitzoeken wat erin hoort en beoordelen of het klopt. Als de boodschap verkeerd is, heb je weinig aan tien goedgeschreven varianten.
Dat bewijst overigens nog niet dat deze functie door AI is veranderd. Ook bij een ander technologiebedrijf kun je dit van een ervaren marketeer verwachten. Daarvoor zou ik eerdere vacatures moeten vergelijken en willen spreken met de mensen die het werk doen.
Toch helpt het om zo’n vacature te lezen met AI in gedachten. Als het schrijven minder tijd kost, waar wil je die marketeer dan meer tijd aan laten besteden? Misschien aan gesprekken met klanten, zodat hij beter begrijpt waarom ze een product wel of niet gebruiken. Dat kan gevolgen hebben voor wie je zoekt.
Bij sales bleef ik met dezelfde gedachte zitten. Een verkoper kan AI gebruiken om een klant uit te zoeken en een voorstel voor te bereiden. Vervolgens zit hij bij iemand aan tafel die wil weten wat de invoering betekent voor zijn bedrijf. Dan moet hij kunnen doorvragen. Misschien vraagt die klant om een toepassing terwijl de gegevens die daarvoor nodig zijn nog verspreid staan over allerlei systemen. Of niemand heeft tijd om ermee aan de slag te gaan.
Daar moet je als verkoper iets mee kunnen. Anders verkoop je iets waarvan de klant pas na de handtekening ontdekt hoeveel werk er nog aan vastzit.
Wie krijgt het bij de klant werkend?
Anthropic zoekt onder andere Forward Deployed Engineers en Applied AI Architects. Vooral de opdracht achter die titels vind ik interessant. Deze mensen moeten helpen om AI bij een klant aan het werk te krijgen en hebben daarvoor behoorlijk wat kennis nodig van hoe het er op de werkvloer aan toegaat.
In een procesbeschrijving staat bijvoorbeeld dat een medewerker gegevens controleert. Je moet met die medewerker praten om te begrijpen waarom hij dat doet. Misschien vertrouwt hij een bepaald systeem niet, omdat daar regelmatig iets verkeerd uit komt. Misschien controleert hij iets wat een collega ook al heeft bekeken. Dat verschil wil je weten voordat je gaat bouwen.
Ik kan me goed voorstellen dat zo’n engineer tijdens het werk ontdekt dat de oorspronkelijke vraag van de klant te beperkt was. Je kunt de verwerking van een document versnellen, maar als het daarna vier dagen op goedkeuring ligt te wachten, blijft de winst voor de klant klein. Dan moet je ook met degene praten die die goedkeuring geeft.
Bij partijen als Cognizant en Accenture zie je eveneens aandacht voor mensen die AI bij klanten moeten invoeren. Dat maakt het de moeite waard om deze functies te volgen. Een deel van het werk zal bekend voorkomen bij consultants en solution architects. Ik ben vooral benieuwd hoeveel ruimte iemand krijgt om zich met het hele proces te bemoeien en waarop die persoon wordt afgerekend.
Want ergens moet iemand kunnen zeggen: als we dit werkend willen krijgen, moeten we ook de afspraken tussen deze afdelingen veranderen.
Een analyse die eerder klaar is
Neem een financiële afdeling waar AI de gegevens ophaalt en een eerste analyse maakt. De financieel analist hoeft minder zelf te verzamelen en uit te werken. Hij moet vervolgens wel kunnen beoordelen of de uitkomst bruikbaar is.
Stel dat hij daardoor iedere ochtend een analyse krijgt die hij vroeger eens per week maakte. Zijn manager krijgt dus ook vaker informatie. Misschien kan die daardoor eerder ingrijpen. Het kan net zo goed gebeuren dat de manager alles zelf wil blijven controleren en de analyses zich bij hem opstapelen.
Dat los je niet op door de volgende analyse nog sneller te maken.
Je zult moeten bespreken welke beslissingen de analist zelf mag nemen en wanneer zijn manager erbij moet komen. Misschien kan een controle vervallen. Dat hangt af van het werk en van de gevolgen als er iets misgaat.
Laten we aannemen dat de analist uiteindelijk acht uur per week overhoudt. Op de afdeling ligt al een tijd de vraag waarom bepaalde klanten veel omzet opleveren, terwijl de marge tegenvalt. Daar kwam hij steeds niet aan toe. Nu kan hij dat uitzoeken en met de accountmanager bespreken.
Dan verandert er ook iets in het werk van die accountmanager. Die moet misschien met een klant in gesprek over de vele kleine bestellingen of over afspraken die niet meer uit kunnen. De analyse krijgt pas waarde als iemand er iets mee doet. Daarvoor moet de analist begrijpen wat de accountmanager nodig heeft, en die accountmanager moet tijd maken om ermee aan de slag te gaan.
Als je alleen de bespaarde uren op de financiële afdeling optelt, zie je maar een deel van wat hier mogelijk wordt.
Wat ik met mijn mappingaanpak wil uitzoeken
Ik help organisaties inzichtelijk te maken hoe hun functies zich kunnen ontwikkelen. Daarvoor wil ik weten waar mensen hun tijd aan besteden en wat collega’s van hun werk nodig hebben. Een functieprofiel geeft daar vaak weinig zicht op. ‘Maakt managementrapportages’ kan een paar uur werk betekenen, maar ook dagen zoeken naar ontbrekende gegevens en achter collega’s aan zitten.
Bij zo’n rapportage wil ik begrijpen waarvoor die wordt gebruikt. Welke beslissing hangt ervan af? Het kan best zijn dat een deel nauwelijks wordt gelezen. Dan moeten we het daar eerst over hebben.
AI kan vervolgens een deel van de voorbereiding overnemen. Hoeveel dat oplevert, moet in de praktijk blijken. Misschien kost het controleren meer tijd dan verwacht. Misschien kan de analist juist meer doen omdat informatie eerder beschikbaar is. Ik wil voorkomen dat we bij voorbaat alleen een aantal uren van de functie aftrekken.
Daarom hoort de richting van het bedrijf bij dit gesprek. Een bedrijf dat wil groeien in een nieuwe markt heeft andere vragen voor zijn financiële afdeling dan een bedrijf dat vooral zijn kosten onder controle moet krijgen. Dat bepaalt welk werk je met de beschikbare tijd wilt doen.
Bij iedere taak die kleiner wordt of wegvalt, wil ik bespreken wat ervoor terug moet komen. Dat hoeft geen andere taak van precies evenveel uren te zijn. Het gaat erom dat je een keuze maakt. Als er belangrijk werk blijft liggen, is dit het moment om te bekijken of je daar ruimte voor kunt maken.
Zo ontstaat een beeld van wat je over een jaar van iemand verwacht. Verder vooruit wordt het onzekerder, maar ook dan kun je een richting aangeven. Je zult die moeten bijstellen zodra je ziet wat in de praktijk werkt.
Voor mij is dat een veel bruikbaarder begin van een vacaturegesprek dan het profiel van de vorige medewerker opnieuw openen.
Misschien werkt de juiste persoon er al
Als de financieel analist straks vaker met de business moet overleggen, wil ik weten of iemand op de afdeling dat graag zou doen. Misschien zit er een medewerker die daar goed in is, maar nu vooral bezig is om rapportages op tijd af te krijgen.
Dan kan de personeelsvraag veranderen. Je hebt wellicht minder reden om buiten de organisatie iemand te zoeken voor dat advieswerk. Er kan op een andere plek ruimte ontstaan, of iemand heeft begeleiding nodig om die stap te maken.
Dat is ook waarom ik verwacht dat veel veranderingen onder bestaande functietitels zichtbaar worden. De analist blijft analist. Zijn week kan er ondertussen heel anders uitzien. Het onderzoek van Revelio Labs naar verschuivingen in werkzaamheden geeft aanleiding om juist binnen bestaande beroepen te kijken. Dat betekent overigens niet dat iedere verandering die zij meten door AI wordt veroorzaakt.
Voor een werkgever is de praktische vraag wat er in het dagelijkse werk verandert. Meer advies geven moet ook ergens passen. Als iemand nog steeds dezelfde rapportages moet opleveren en voor ieder gesprek toestemming nodig heeft, gebeurt er weinig.
Je moet het werk dus echt anders afspreken.
Waarom Anthropic vooral ervaring zoekt
Tijdens het lezen viel me op hoeveel ervaring in de vacatures wordt gevraagd. Een breed graduate- of traineeprogramma kwam ik niet tegen. Anthropic biedt momenteel ook geen stages aan. Er is wel een Fellows Program, waarvoor je al een stevige technische basis nodig hebt.
Je zou kunnen denken dat AI daar het eenvoudige werk al doet en er daardoor weinig starters nodig zijn. Dat kan ik uit die vacatures niet opmaken.
De groeifase van het bedrijf kan daar een heel logische verklaring voor zijn. Als je snel vooruit wilt, heb je veel aan mensen die zelfstandig kunnen beginnen. Een starter begeleiden vraagt tijd van ervaren collega’s die ook nodig zijn om het bedrijf op te bouwen. Daar hoeft helemaal geen AI aan te pas te komen.
Investeerders willen resultaten zien, al weten we niet hoeveel invloed dat heeft op de keuze voor bepaalde medewerkers. Misschien komt er later meer ruimte om mensen zelf op te leiden. Om daar iets over te zeggen, zou ik ook willen weten wie Anthropic eerder aannam en hoe vergelijkbare bedrijven in dezelfde fase werven.
Hun vacatures zijn interessant, maar je kunt er niet iedere ontwikkeling op de arbeidsmarkt mee verklaren.
Hoe leer je het werk dat overblijft?
Het opleiden van mensen wil ik wel meenemen wanneer een organisatie taken anders gaat verdelen. Een beginnende financieel analist leert veel tijdens het verzamelen van gegevens. Hij ontdekt waarom bedragen niet aansluiten en wanneer hij iemand moet bellen om iets uit te zoeken.
Als AI die voorbereiding doet, moet hij nog steeds voldoende begrijpen van wat eronder zit. Anders kan hij de analyse moeilijk beoordelen.
Je kunt hem bijvoorbeeld laten onderzoeken of een conclusie van AI standhoudt en dat met een ervaren collega laten bespreken. Daar moet tijd voor zijn. Het is makkelijk om in een nieuwe werkwijze op te schrijven dat een medewerker de uitkomst controleert. Je moet ook zorgen dat hij weet waarop hij moet letten en hulp krijgt als hij twijfelt.
Dat geldt voor ervaren medewerkers eveneens. Iemand die jarenlang goede rapportages heeft gemaakt, kan begeleiding nodig hebben bij het adviseren van een manager. Misschien vindt hij dat juist een mooie stap. Je wilt het met hem bespreken voordat je ervan uitgaat dat hij die nieuwe rol vanzelf oppakt.
Als we bepalen wat AI gaat doen, moeten we dus ook bekijken hoe mensen het werk leren waarvoor ze verantwoordelijk blijven.
Wat ik hier verder mee wil
Anthropic is voor mij een beginpunt om te onderzoeken hoe werk zich ontwikkelt. Ik wil hun vacatures blijven volgen en vergelijken met die van andere organisaties. Vooral waar iemand verantwoordelijk wordt voor een groter deel van het proces, wil ik weten wat dat in de praktijk betekent.
Dat vraagt ook om gesprekken. Een vacature beschrijft wat een werkgever verwacht. De medewerker kan vertellen hoeveel daarvan terechtkomt en waar hij tegenaan loopt.
Vanuit recruitment ben ik gewend te onderzoeken wie bij een functie past. Ik wil met een opdrachtgever ook kunnen bespreken of die functie nog past bij het werk dat eraan komt. Soms leidt dat tot een ander profiel. Het kan ook betekenen dat een huidige medewerker kan doorgroeien en de oorspronkelijke vacature helemaal niet nodig is.
Bij de volgende personeelsvraag zou ik daarom het oude profiel erbij pakken en met de leidinggevende bespreken wat er sinds de vorige keer is veranderd. Als AI een deel van het werk kan doen, wil ik weten wat die nieuwe collega met de beschikbare tijd gaat oppakken. Dat wil je helder hebben voordat je iemand zoekt die de komende jaren bij je moet passen.
Bronnen en methode
Voor dit artikel zijn de vacatures en carrière-informatie van Anthropic bekeken. Het aanbod is een momentopname. De gevraagde ervaring en beschreven werkzaamheden laten zien wie het bedrijf zoekt. Ze verklaren niet waarom het voor dat profiel kiest.
Daarnaast is gebruikgemaakt van publicaties van Revelio Labs over veranderingen in werkzaamheden en van aankondigingen van Cognizant, Accenture en Google Cloud over functies rond het invoeren van AI.
Het voorbeeld van de financiële afdeling is een mogelijke toepassing van de mappingaanpak. Het is geen praktijkcase van Anthropic.