Capaciteit, geen personeelsreductie

Op de vierde slide van de stuurgroeppresentatie stond één getal: 3,5 fte, oftewel voltijdbanen. 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, zoals in veel eerste gesprekken: hoeveel banen levert dit op?

De nuttigere vraag: hoeveel offertes gingen vorig kwartaal te laat de deur uit, en hoeveel van die klanten bestelden ergens anders? Geen rapport bevatte dat getal. Iedereen kende de twee mensen die sales belde als een klant iets buiten de catalogus wilde. Zij bepaalden het tempo, en op de slide stond geen regel voor hen.

Personeelsreductie is het makkelijkste getal

Een besparing op personeel is zeker, direct en past op één slide; salaris maal mensen is een getal dat finance al vertrouwt. Erik Brynjolfsson legde de aantrekkingskracht uit in "The Turing Trap" (Dædalus, 2022): arbeid is de grootste zichtbare kostenpost, en een taak vervangen bespaart het lastigere werk van de operatie opnieuw inrichten. De andere kant is onzichtbaar: een te late offerte laat in geen enkel rapport een spoor na; de klant bestelt gewoon elders. Is de besparing geboekt, dan is de operatie ingericht op de vraag van de dag van de bezuiniging.

Dat werkt voor een bedrijf dat even groot wil blijven. Veel bedrijven willen dat niet: er komen meer orders, er moet een nieuwe markt open, een grote klant wil snellere levering. Voor hen is de vraag hoeveel meer vraag dezelfde operatie aankan, en hoe snel. Een project dat twee mensen moet weghalen, antwoordt met een kleiner team en een systeem dat niet meer leert.

Goedkope antwoorden maken kennis schaars

Een factuur lezen of een antwoord opstellen kost nu heel weinig, en elke concurrent kan dezelfde AI 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 vergeleek en dezelfde middag een antwoord nodig had, niet donderdag. Niets daarvan stond op papier, beide bepaalden of orders werden binnengehaald, en een AI die de e-mails las, had tot geen van beide toegang.

We beginnen bij de stap die de vraag begrenst

We beginnen bij de stap die bepaalt hoeveel vraag wordt bediend, niet bij het grootste blok werk: 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 zoeken we waar werk wacht, niet waar eraan wordt gewerkt. Dan stellen we het team één vraag: als er iets ongebruikelijks binnenkomt, wiens naam valt dan? Waar het wachten en dezelfde twee namen samenkomen, zit meestal de bottleneck.

Bij de orderdesk was dat niet de orderinvoer. Het waren de gevallen buiten de catalogus en met speciale voorwaarden, die op een van twee mensen wachtten en alles erachter ophielden. Dus leest het systeem elke order, controleert hem tegen de catalogus, de prijsafspraak en de voorraad, en laat de routinegevallen door. De moeilijke gevallen komen bij de twee experts met het voorwerk gedaan: de historie van de klant, de waarschijnlijke vervangers, de marge die op het spel staat. Zij beslissen, en hun dag verschuift van makkelijke orders invoeren naar de gevallen die alleen zij kunnen oplossen.

Wat de experts te zien krijgen, telt net zo zwaar als welke gevallen ze krijgen. Een veldexperiment met 758 BCG-consultants (Dell'Acqua en collega's, Harvard Business School, 2023) vond dat consultants bij een taak net buiten wat de AI goed kon, met AI 19 procentpunten minder vaak tot het juiste antwoord kwamen dan zonder. De gevallen die wij naar experts sturen, zijn meestal precies zulke, dus daar levert het systeem het bewijs en stelt het geen antwoord voor. De expert leest de historie en de marge, geen voorstel om mee in te stemmen.

De valkuil is alles wat onduidelijk is naar de experts te sturen. De bottleneck is dan verplaatst, niet weg. We beperken wat hen bereikt tot gevallen waarin hun kennis het antwoord verandert, en we meten apart hoe lang hun wachtrij wacht.

Het systeem verspreidt het oordeel van experts

Uitzonderingen gaan op onderwerp, niet naar wie vrij is: vervangers naar wie de producten van die klant kent, voorwaarden naar wie de afspraak heeft onderhandeld. Elke beslissing wordt opgeslagen als een klein record: het voorstel van het systeem, de actie van de expert, een redencode en één regel tekst. Elke week sorteren we die records op reden. Een reden die terugkomt, wordt een regel. Een geval waarin de expert het systeem overrulede, wordt een testgeval dat het systeem moet halen voordat er iets live gaat.

Intuïtie krijgt dezelfde behandeling. Houdt een expert een order tegen omdat die niet goed voelt, dan vragen we om één regel over wat ze zag. Vaak is het een patroon dat niemand had benoemd: een nieuw afleveradres bij een grote eerste order, een prijsvraag die elke eerdere onderbiedt. Eenmaal benoemd, wordt het bij elke order gecontroleerd, niet alleen bij de orders die die expert toevallig ziet.

Na verloop van tijd ziet een nieuwere collega bij elk geval hetzelfde bewijs en eerdere redeneringen. Brynjolfsson, Li en Raymond onderzochten een AI-assistent in een klantenserviceteam ("Generative AI at Work", NBER, 2023) en vonden de grootste winst bij minder ervaren servicemedewerkers. Hun bewijs wijst erop dat het hulpmiddel de werkwijze van de besten naar iedereen bracht. Routeren op onderwerp en beslissingen omzetten in regels mikken op hetzelfde effect.

Het kost tijd van de experts, en die plannen we in: in de eerste maanden ongeveer een uur per week per expert voor het doornemen van de redenen, minder zodra de regels zich zetten. Laat u die uren weg, dan stopt het systeem vroeg met beter worden.

Wat we zeggen tegen de CFO die om bespaarde banen vraagt

De waardebepaling die voor de bouw wordt afgesproken, bevat drie of vier van deze punten:

• Bediende vraag. Orders, offertes of gevallen die in de piek met hetzelfde team binnen de streeftijd zijn afgehandeld.
• Reactietijd. Van klantvraag tot bruikbaar antwoord, gemeten aan tijdstempels in het systeem.
• Afgewezen of vertraagd werk. Offertes na de beloofde tijd, verloren orders met "geen reactie" als reden in het verkoopsysteem, gevallen die zijn geëscaleerd omdat het team vol zat.
• Ruimte voor de volgende stap. Of een nieuwe markt, klant of productlijn erbij kan zonder nieuw team.

Waar het volume niet groeit, zit dezelfde capaciteit in mensen die u bij stijgend volume niet hoeft aan te nemen. Wat u daarmee doet, is een beslissing van het bedrijf.

Wat we afwijzen

We wijzen werk af waarvan het enige genoemde doel een kleiner team is, omdat het systeem de correcties nodig heeft van precies de mensen die dat plan weghaalt. We wijzen ook een stillere variant af: een systeem bouwen op correcties van experts die al weten dat ze worden vervangen. Hun correcties worden dunner, randgevallen blijven onbenoemd, en het systeem leert vooral de makkelijke. En bespaarde banen rapporteren we nooit als hoofdgetal, ook niet als erom wordt gevraagd. Bespaarde tijd mag in de details staan.

Twee bespaarde salarissen zijn een getal dat stilstaat vanaf de dag dat het is geboekt. Twee experts die hun week besteden aan de gevallen die hen nodig hebben, vinden de volgende bottleneck.