Karakter wordt een economische kwaliteit
Schaal in professionele dienstverlening betekende lang: meer mensen. AI verzwakt die relatie door procedureel kenniswerk te comprimeren. Zo worden menselijk oordeel en karakter de echte economische knelpunten.
Gedurende het grootste deel van de geschiedenis van professionele dienstverlening betekende schaal: mensen.
Een groter advocatenkantoor kon meer dossiers verwerken. Een grotere consultancy kon meer onderzoek doen. Een groter bureau kon meer campagnes produceren. Groei in output vereiste meestal groei in personeel, omdat kenniswerk werd begrensd door menselijke aandacht.
AI begint die relatie te verzwakken
Googles introductie van Gemini Enterprise for Legal is een nuttige stap. Het systeem doet meer dan vragen beantwoorden. Het ondersteunt juridisch onderzoek, contractanalyse, regelgevingsmonitoring en andere workflows, en koppelt agents aan de bedrijfssystemen die juristen al gebruiken. Google kadert dit uitdrukkelijk als een verschuiving van passief bevragen naar agentic uitvoering.
Een assistent helpt iemand een taak uit te voeren. Een agent kan steeds vaker zelf de context ophalen, instructies toepassen, met systemen interageren en een reeks acties afronden.
Dat verandert de organisatorische rekenkunde van kenniswerk.
De productiviteitseenheid verandert
Professionele organisaties hebben complexe problemen traditioneel verdeeld over mensen. De ene doet onderzoek, een ander analyseert, een derde bereidt voor, een vierde controleert.
AI comprimeert die keten.
Onderzoek gaat sneller. Documenten kunnen op schaal worden vergeleken. Vergaderingen worden gestructureerde kennis. Eerste versies verschijnen meteen. Agents kunnen informatie continu opvolgen en zelf de volgende stap in gang zetten.
De hoeveelheid menselijke coördinatie die nodig is om intellectueel werk te produceren, begint te dalen.
Onderzoek bij 758 consultants van Boston Consulting Group (BCG) geeft een eerste indicatie. Voor taken binnen de capaciteitsgrens van AI werkten mensen die GPT-4 gebruikten meer dan 25% sneller en leverden ze werk af dat meer dan 40% hoger werd beoordeeld op kwaliteit. Onderzoekers van Harvard beschreven de grillige grens van die capaciteiten als de jagged technological frontier.
Hogere kwaliteit van output voor consultants die AI gebruiken binnen de capaciteitsgrens.
Source: Harvard Business School & Boston Consulting Group
Een later experiment met 776 professionals bij Procter & Gamble bracht iets nog ingrijpender aan het licht: individuen die AI gebruikten, konden prestaties halen die vergelijkbaar waren met teams die zonder AI werkten. De NBER-studie stelde ook vast dat AI mensen hielp om over traditionele functionele grenzen heen te werken.
De productiviteitseenheid van de toekomst wordt mogelijk steeds vaker het individu, omringd door machines.
Kleinere teams, hogere verwachtingen
Het is verleidelijk om hier een eenvoudig personeelsverhaal van te maken. Dat mist de interessantere verschuiving. Het huidige bewijs suggereert nog steeds dat bedrijven AI vooral gebruiken om werk te versterken, niet om banen te schrappen. De NBER-studie The Microstructure of AI Diffusion maakt dat duidelijk.
Maar versterking verandert wat er voor mensen overblijft om te doen.
Als een analist vroeger zes uur besteedde aan informatie verzamelen en twee uur aan interpreteren, kan AI die eerste zes uur drastisch inkorten. De overblijvende twee uur worden dan de kern van de job. En dat zijn vaak de moeilijkste uren.
De moeilijke vragen achter versterking
• Wat betekent dit eigenlijk? • Welke aanname klopt niet? • Wat missen we? • Wanneer zit het model er vol overtuiging naast? • Wat moeten we doen? • Wie neemt de verantwoordelijkheid?
Routinematig cognitief werk wegnemen, neemt moeilijke beslissingen niet weg. Het legt ze juist bloot.
Oordeel wordt het knelpunt
Het BCG-experiment toonde ook het gevaar van overmatig vertrouwen. Bij één taak buiten de capaciteitsgrens van GPT-4 hadden consultants die AI gebruikten 19 procentpunten minder kans om tot de juiste conclusie te komen.
Dat zou onze kijk op talent moeten beïnvloeden.
“De waardevolle medewerker in een AI-intensieve organisatie kan niet louter iemand zijn die AI snel gebruikt. Hij of zij moet er genoeg van begrijpen om te weten wanneer je het niet mag vertrouwen.”
Dat vraagt oordeel: het vermogen om het probleem te kaderen, aannames uit te dagen, onzekerheid te herkennen, tweede-ordegevolgen te begrijpen en een elegant antwoord te onderscheiden van een bruikbaar antwoord.
Naarmate machines meer procedurele logica overnemen, verschuift menselijke waarde naar interpretatie. En uiteindelijk naar beslissing.
Karakter wordt een economische kwaliteit
Hier komt karakter in de vergelijking.
In grote organisaties kan verantwoordelijkheid worden verdeeld over teams, lagen en procedures. Kleinere, AI-gedreven teams concentreren ze.
Als vijf mensen en een verzameling agents werk kunnen verzetten waar vroeger twintig mensen voor nodig waren, weegt het oordeel van die vijf mensen veel zwaarder.
Gemini Enterprise for Legal is een nuttig vroeg voorbeeld. Naarmate onderzoek, contractanalyse, regelgevingsmonitoring en ander gestructureerd redeneren steeds meer agentic worden, is er minder menselijke capaciteit nodig om het werk te verwerken. En meer menselijk oordeel om het te sturen.
Je wilt mensen die intelligent kunnen tegenspreken. Mensen die nieuwsgierig blijven wanneer een antwoord vanzelfsprekend lijkt. Mensen die een onconventionele hypothese kunnen verdedigen. Mensen die bereid zijn een proces stil te leggen omdat iets niet strookt met de werkelijkheid, zelfs als de logica perfect sluitend lijkt.
Die kwaliteiten zijn moeilijk te automatiseren en moeilijk te meten.
Decennialang selecteerden bedrijven kenniswerkers deels op hun vermogen om intellectuele procedures uit te voeren: analyseer deze case, schrijf dit document, bereken dit model, maak deze presentatie. AI wordt net in die activiteiten heel bekwaam.
Organisaties zullen dus beter moeten worden in het herkennen van wat daaronder zit:
- Hoe denkt iemand?
- Wat merkt iemand op?
- Wat stelt iemand in vraag?
- Kan iemand van mening veranderen?
- Kan iemand verantwoordelijkheid nemen?
- Heeft iemand karakter?
Een ander soort schaal
Grote organisaties zullen niet verdwijnen. Veel problemen vragen nog steeds kapitaal, infrastructuur, distributie en coördinatie.
Maar hun interne architectuur kan veranderen.
Een kleinere groep kan veel grotere cognitieve middelen aansturen. Specialisten kunnen over functies heen werken. Senior mensen kunnen dichter bij de uitvoering blijven. Rekencapaciteit kan schalen zonder evenredige managementcomplexiteit.
Bedrijven schaalden intelligentie vroeger door intelligente mensen aan te werven.
Steeds vaker zullen ze intelligentie computationeel kunnen schalen. Dat legt de lat hoger voor de mensen die dicht bij gewichtige beslissingen blijven.
Intelligent zijn blijft belangrijk. Maar intelligentie op zich wordt minder onderscheidend wanneer iedereen toegang heeft tot steeds capabelere machine-intelligentie. Wat meer telt, is het vermogen om het juiste probleem te kaderen, aannames te toetsen, onzekerheid te herkennen en te beslissen wanneer het beschikbare bewijs ontoereikend is.
Nieuwsgierigheid wordt een manier om vragen te vinden die het systeem nog niet gesteld kreeg. Oordeel wordt het vermogen om een plausibel antwoord te onderscheiden van een gewichtig antwoord. Verantwoordelijkheid blijft onherleidbaar menselijk.
Het resultaat zijn mogelijk organisaties met minder mensen in de loop, maar met veel hogere verwachtingen van elk individu dat er blijft.
Kleinere teams, hogere verwachtingen.
Hoe zal AI jouw organisatie hertekenen?
Wil je ontdekken hoe AI jouw bedrijf zal veranderen en hoe je de strategische impact van je team kunt vergroten? Laten we van gedachten wisselen.