Waarom AI uw mensen sterker moet maken, niet minder

Op de vierde slide van de stuurgroeppresentatie stond één getal: 3,5 fte. Het project was de automatisering van de orderdesk bij een groothandel, en de financieel verantwoordelijke had uitgerekend dat het lezen, controleren en invoeren van orders de tijd van drie en een halve persoon kostte. De eerste vraag aan tafel was de vraag die we in de meeste eerste gesprekken horen. Hoeveel fte levert dit op?

We stelden een andere vraag terug. Hoeveel offertes gingen er vorig kwartaal te laat de deur uit, en hoeveel van die klanten bestelden ergens anders? Niemand in de zaal wist het. Iedereen kende wel de twee mensen die sales belde als een klant iets buiten de catalogus wilde. Die twee waren de echte grens van het bedrijf, en de slide plande er stilletjes omheen.

De businesscase op fte is het makkelijkste getal

Een besparing op personeel is zeker, direct en past op één slide. Salaris maal koppen is een getal dat finance al vertrouwt. Maar het is eenmalig. U boekt het één keer, en daarna is de operatie ingericht op de vraag die er was op de dag dat u sneed.

Voor een bedrijf dat even groot wil blijven, klopt dat. De meeste bedrijven die in automatisering investeren willen dat niet. Er komen meer orders, er gaat een nieuwe markt open, een grote klant vraagt om snellere levering. Voor hen is de vraag hoeveel meer vraag dezelfde operatie aankan en hoe snel die kan reageren. Een project dat is opgezet om twee functies te schrappen, antwoordt daarop met een kleiner team en een systeem dat niet meer bijleert.

Goedkope antwoorden maken context schaars

Een factuur lezen, een e-mail indelen, een antwoord opstellen: dat kost nu heel weinig, en elke concurrent kan dezelfde modellen tegen dezelfde voorwaarden kopen. Wat de ene groothandel van de andere onderscheidt, zit ergens anders.

Bij de orderdesk zat het bij twee mensen. De een wist welke vervangende artikelen elke grote klant zonder overleg accepteert. De ander zag aan de formulering van een e-mail dat een inkoper offertes aan het vergelijken was en diezelfde middag een antwoord nodig had, niet pas donderdag. Niets daarvan stond op papier, en allebei bepaalden ze of orders binnenkwamen.

Een model weet niet welke klant op het punt staat te vertrekken, en merkt niet dat een reeks kleine klachten betekent dat een leverancier in de problemen zit. Het kan u ook niet vertellen waar uw operatie vastloopt. In onze ervaring komt de waarde van AI in een operatie zelden uit een beter model. Die komt uit het vinden van de stap die bepaalt hoeveel vraag u kunt bedienen, en die stap wegnemen. Daar zijn mensen voor nodig die het bedrijf, de klanten en het werk begrijpen. Wie hen schrapt om het project te betalen, raakt precies de mensen kwijt die het volgende knelpunt hadden gevonden.

We beginnen bij de stap die de vraag begrenst

Een businesscase op fte begint bij het grootste blok werk. Wij beginnen bij de stap die begrenst hoeveel vraag u bedient: de wachtrij waardoor klanten wachten, de controle die maar één persoon kan doen, het rapport dat te laat komt om er nog iets mee te doen.

Om die stap te vinden, halen we tijdstempels uit het order- of ticketsysteem en kijken we waar werk wacht, niet waar eraan gewerkt wordt. Daarna stellen we het team één vraag: als er iets ongewoons binnenkomt, welke naam valt er dan? Waar wachttijd en steeds dezelfde twee namen samenkomen, zit meestal het knelpunt. Het grootste blok werk is het zelden.

Bij de orderdesk was het knelpunt niet de orderinvoer. Het waren de gevallen buiten de catalogus en met afwijkende voorwaarden, die op een van twee mensen wachtten en het tempo bepaalden voor alles daarachter. Dus leest het systeem elke order, controleert die tegen de catalogus, de prijsafspraak en de voorraad, en laat de routinegevallen door. De lastige gevallen komen bij de twee experts binnen met het voorwerk al gedaan: de klanthistorie, de mogelijke vervangende artikelen, de marge die op het spel staat. Zij beslissen. Hun dag verschuift van het invoeren van makkelijke orders naar de gevallen die alleen zij kunnen afhandelen, en de extra capaciteit van de desk komt uit die verschuiving, niet uit iemands vertrek.

De valkuil in dit ontwerp is alles wat onduidelijk is naar de experts sturen. Dan is het knelpunt alleen verplaatst. We beperken wat bij hen binnenkomt tot gevallen waarin hun kennis het antwoord verandert, en we volgen de leeftijd van hun wachtrij als aparte meetwaarde.

Het systeem is gebouwd om het oordeel van experts te verspreiden

Uitzonderingen worden verdeeld op context, niet op wie er tijd heeft: een vraag over vervangende artikelen gaat naar degene die de productlijn van die klant kent, een vraag over voorwaarden naar degene die de afspraak heeft onderhandeld. Elke beslissing wordt opgeslagen als een klein record: wat het systeem voorstelde, wat de expert deed, een redencode en één regel vrije tekst. Elke week sorteren we die records op reden. Een reden die terugkomt, wordt een regel, met de naam van de expert erbij. Een geval waarin de expert anders besliste dan het systeem, wordt een testcase, en het systeem moet die halen voordat er een wijziging live gaat.

Met onderbuikgevoel gaan we net zo om. Als een expert een order tegenhoudt omdat die niet goed voelt, vragen we om één regel over wat hem of haar opviel. Vaak is het een patroon dat nog niemand had benoemd: een nieuw afleveradres bij een grote eerste order, een prijsaanvraag die onder elke eerdere zit. Eenmaal benoemd, wordt het bij elke order gecontroleerd, niet alleen bij de orders die die expert toevallig ziet.

Na verloop van tijd krijgt ook een nieuwere collega bij elk geval hetzelfde bewijs, dezelfde historie en de redenering achter eerdere beslissingen. Brynjolfsson, Li en Raymond onderzochten een generatieve AI-assistent in een klantenserviceteam ("Generative AI at Work", NBER, 2023) en vonden de grootste winst bij minder ervaren medewerkers, omdat het hulpmiddel de werkwijze van de beste medewerkers naar alle anderen bracht. Daar ontwerpen we op, en het effect houdt alleen stand zolang de experts er zijn om van te leren.

Wat we zeggen tegen de CFO die om de fte-case vraagt

We praten wel degelijk over kosten, maar we veranderen wat er gemeten wordt. De waardeverklaring die we voor de bouw afspreken, bevat drie of vier van deze meetwaarden:

• Bediende vraag. Orders, offertes of cases die op de piek binnen de streeftijd zijn afgehandeld, met hetzelfde team.
• Reactietijd. Van klantvraag tot bruikbaar antwoord, gemeten aan de hand van systeemtijdstempels.
• Afgewezen of vertraagd werk. Offertes na de toegezegde termijn, verloren orders met "geen reactie" als reden in het CRM, cases die zijn geëscaleerd omdat het team vol zat.
• Ruimte voor de volgende stap. Of een nieuwe markt, klant of productlijn erbij kan zonder een nieuw team om die te draaien.

Daarna zeggen we de rest ronduit. Groeit het bedrijf, dan gaat de capaciteit naar die groei. Groeit het niet, dan zit de capaciteit in mensen die u bij stijgend volume niet hoeft aan te nemen, en wat u daarmee doet, is een beslissing van het bedrijf. Wat we niet doen, is het vertrek van de mensen van wie het systeem afhangt als rendement boeken. Zijn zij weg, dan blijft het systeem zo goed als het was op de dag van livegang, en is er niemand meer die het beter kan maken.

Wat we afwijzen

We wijzen werk af waarvan het enige uitgesproken doel een kleiner team is, en dat zeggen we in het eerste gesprek, voor een Workflow Assessment.

We wijzen ook een stillere variant daarvan af: een systeem bouwen op correcties van experts die al weten dat ze vervangen worden. Hun correcties drogen op of worden defensief, de randgevallen worden nooit benoemd, en het systeem leert alleen de makkelijke gevallen. Dat zeggen we liever vroeg dan dat we het later in de testset terugvinden.

En we rapporteren bespaarde fte niet als hoofdcijfer, ook niet als erom gevraagd wordt. Bespaarde tijd kan in de details staan. Het is niet de reden waarom het werk gedaan is.

Een besparing wordt één keer geboekt

Twee bespaarde salarissen zijn een getal dat niet meer beweegt vanaf de dag dat het geboekt is. Twee experts van wie de beslissingen nu elk geval vormen, en die hun week besteden aan de klanten en uitzonderingen die hen echt nodig hebben, vinden steeds het volgende knelpunt. Zo'n systeem wordt alleen beter zolang de mensen die het bedrijf begrijpen er zijn om het te corrigeren. Daarom bouwen we het rond hen.