Ford haalt 350 senior engineers terug om kwaliteitsproblemen op te lossen die AI niet aankan, en IBM verdrievoudigt de aanwerving van starters omdat de pijplijn van jong talent opdroogt. De eerste golf van AI-ontslagen blijkt een kostbare vergissing: kunstmatige intelligentie vervangt geen ervaring, maar is slechts zo goed als de data en mensen die erachter zitten.

Wat er aan de hand is

Autofabrikant Ford heeft recent ongeveer 350 senior engineers teruggehaald naar het bedrijf. Zij moeten de kwaliteitsproblemen oplossen die ontstonden nadat Ford AI door het hele industriële systeem had doorgevoerd en 900 AI-camera’s in fabrieken installeerde om kwaliteitsproblemen bloot te leggen. Charles Poon, vicepresident hardware-engineering, geeft tegenover de BBC toe dat dit niet werkte. “We dachten ten onrechte dat we door simpelweg kunstmatige intelligentie te introduceren en de ontwerpvereisten in te voeren, een hoogwaardig product zouden opleveren”, zegt hij. Hij erkent dat de afgelopen jaren te weinig aandacht is besteed aan de ervaring van de meest deskundige ingenieurs, die al vele productcycli hebben doorlopen.

Bij softwaregigant IBM ligt een vergelijkbaar probleem. Na duizenden ontslagen en vervanging door AI-tools, blijkt dat 94 procent van de routinematige HR-vragen wordt afgehandeld door chatbots, maar de laatste 6 procent niet. Dat zijn vragen over ethische dilemma’s of vragen die een menselijk oordeel nodig hebben, zo meldt CNBC. IBM-CHRO Nickle LaMoreaux waarschuwt daarnaast voor een gebrek aan jong talent. “Als we niet blijven investeren in het aannemen van starters, wat gebeurt er dan over drie tot vijf jaar? Er is geen pijplijn, de bron droogt gewoon op”, citeert AI Magazine haar. Ze heeft opgedragen om het aannemen van jonge starters in de VS te verdrievoudigen.

Wat dit betekent

Voor Nederlandse ondernemers is dit een waarschuwing die je niet mag negeren. De aanname dat AI medewerkers kan vervangen, blijkt in de praktijk bij twee van de grootste bedrijven ter wereld te leiden tot kwaliteitsverlies en een lege talentpijplijn. De kernles is dat AI geen ervaring bevat. Een AI-systeem kan patronen herkennen in data, maar mist de context, het oordeelsvermogen en de productkennis die iemand opbouwt na jaren in een sector te werken. Die kennis is nodig om AI goed te trainen en om de laatste paar procent van complexe vraagstukken op te lossen die niet in een algoritme te vangen zijn.

Voor het mkb is de impact dubbel. Enerzijds is de verleiding groot om kosten te besparen door AI in te zetten op taken die voorheen door mensen werden gedaan. Anderzijds laat dit voorbeeld zien dat die besparing tijdelijk kan zijn, omdat je daarna duur betaalt voor het terugwinnen van verloren expertise. Het risico is niet alleen kwaliteitsverlies, maar ook het opdrogen van je toekomstige talentpool als je stopt met het aannemen van starters.

Hoe je dit kunt toepassen

Als je een productiebedrijf runt… Overweeg om AI in te zetten voor kwaliteitscontrole en procesoptimalisatie, maar behoud je ervaren medewerkers als supervisors van die systemen. Hun kennis van productcycli en materiaaleigenschappen is nodig om te beoordelen of de AI de juiste signalen oppikt. Een mogelijkheid is om wekelijks een sessie in te plannen waarin senior medewerkers de output van AI-systemen reviewen en bijsturen waar nodig.

Als je een team aanstuurt in een dienstverlenende sector… Kijk naar het IBM-voorbeeld van de 6 procent vragen die AI niet aankan. Identificeer welke taken in jouw organisatie echt menselijk oordeel vereisen, zoals klachtenafhandeling met emotionele lading of ethische afwegingen. Je zou kunnen besluiten om AI alleen in te zetten voor de eerste triage en een duidelijke escalatielijn te houden naar ervaren medewerkers voor de complexe gevallen.

Als je verantwoordelijk bent voor personeelsbeleid… Het IBM-voorbeeld over de opdrogende pijplijn is direct toepasbaar. Overweeg om, ook als je automatisering doorvoert, een minimum aantal starters per jaar aan te nemen. Zij brengen niet alleen nieuwe energie, maar bouwen de ervaring op die je over vijf jaar nodig hebt. Een optie is om een vast percentage van je personeelsbudget te reserveren voor junior posities, ongeacht de automatiseringsgraad.

Als je AI wilt inzetten om kosten te besparen… Gebruik de Ford-case als realitycheck. Voordat je medewerkers vervangt, zou je kunnen inventariseren welke kennis zij bezitten die niet in documentatie of data staat. Die impliciete kennis is precies wat nodig is om AI goed te trainen. Een mogelijkheid is om eerst een kennisaudit uit te voeren en pas daarna te beslissen welke rollen echt geautomatiseerd kunnen worden.

Als je een klein team hebt waarin iedereen multifunctioneel is… De les is dat je niet moet bezuinigen op de meest ervaren mensen, omdat zij degenen zijn die AI effectief kunnen maken. Overweeg om juist hen extra tijd te geven om AI-systemen te trainen en te verbeteren, in plaats van hen te vervangen door die systemen. Hun oordeel over wat wel en niet klopt in de output is de kwaliteitsgarantie die je niet kunt automatiseren.

Bron: Sprout