Opinie: AI-tools kunnen HR-analytics enorme boost geven – zeker met je eigen HR-data

Geregeld interview ik HR-(analytics)managers over de HR-analytics journey die zij doormaken en daarbij komt uiteraard ook AI ter sprake. Daarbij vallen me twee dingen op.

“Op data en AI leren vertrouwen, is een gedragsverandering die tijd nodig heeft”

Ten eerste dat er tenminste drie niveaus lijken te zijn in (het gebruik van) AI (artificial intelligence c.q. kunstmatige intelligentie) binnen organisaties. Ten tweede dat het gebruik van AI en de volwassenheid in het gebruik van (HR-)data vaak nog nauwelijks gelijk op lopen. Terwijl daar nu juist een enorme kans ligt, zoals ik hierna verder uitleg.

Veel organisaties en mensen hebben inmiddels het gebruik van chatbots, zoals ChatGPT of Copilot omarmd, om zich te laten ondersteunen in het dagelijkse werk. Of ze zijn er volop mee aan het experimenteren. Als inspiratie en creatief brein, als vertaler, als schrijfmaatje of iets dergelijks. Ook ik ben een fan, want je kunt zoveel meer vragen stellen aan een chatbot dan je ooit in een FAQ-lijst kwijt zou kunnen en ze kunnen ook steeds beter iets creëren. Superfijn.

Gebruik van kant- en klare AI-tools

Als ik de trendwatchers moeten geloven dan wordt dit in 2025 helemaal mainstream en gaat zo’n beetje ‘iedereen’ hier wel mee aan de slag. Nou ja, een bouwvakker mogelijk niet tijdens z’n werk, maar dan wellicht toch wel thuis, privé. In de volwassenheidsstadia van HR-analytics in organisaties, zie ik dit nog niet als maatstaf van volwassenheid. Het is eerder onderdeel van de eerste stappen op dit vlak. Temeer omdat het vooralsnog volledig los lijkt te staan van waar de organisatie staat in het gebruik van (HR-)data.

Logisch ook, want het betreft meestal slechts het gebruik van een ‘tool’ waarin niet de eigen data van de organisatie de basis vormen, maar data beschikbaar op het internet, uit wetenschappelijke artikelen, boeken en openbare datasets. Het goede aan het gebruik van kant- en klare AI-tools is natuurlijk wel dat het de drempel voor medewerkers om te werken met data-gestuurde tools verlaagt. Het leert ze om data meer te vertrouwen, maar ondertussen ook kritisch te blijven op wat dergelijke tools wel én niet kunnen.

Een stapje verder

Echter, de early adopters van deze wereld gaan inmiddels een stapje verder. Zij gebruiken de zogenaamde Large Language Models (LLM), die achter de genoemde chatbots zitten, wél om hun eigen data slimmer in te zetten.

De meest voorkomende voorbeelden die ik zie is het samenvatten van zelf gegenereerde tekstbestanden, bijvoorbeeld de antwoorden op open vragen uit medewerkersonderzoeken of de teksten van functioneringsgesprekken en andere dialogen met medewerkers. Een bestaand LLM helpt dan om deze teksten te categoriseren in onderwerpen, samen te vatten en het ‘sentiment’ in de teksten te detecteren (zijn de afzenders van deze teksten happy of niet?).

“Ik gebruik dagelijks AI-tools maar onze HR-rapportages doen we nog met de hand”

Het is vervolgens erg handig om deze toepassing van LLM’s in je dataverwerking en dashboards in te bouwen, zodat je sneller en makkelijker veel tekst kunt verwerken. Vaak doen computers dit net zo goed als wanneer teksten handmatig ‘gecodeerd’ worden. En geloof me, ik heb als marktonderzoeker heel wat teksten handmatig ‘gecodeerd’ in mijn werkende leven.

Een ander voorbeeld is het bouwen van een chatbot met behulp van bestaande modellen, maar dan op basis van de data van je organisatie. Bijvoorbeeld om gemakkelijker vragen van medewerkers te beantwoorden. Vragen over het personeelsbeleid, maar ook praktische vragen over hoe onbetaald verlof aan te vragen of ouderschapsverlof.

Het voordeel is, wederom, vooral tijdwinst: het verlagen van het aantal telefoontjes en mailtjes naar de HR-servicedesk. Handig, en zeker een stap om te overwegen als je nog relatief aan het begin staat van je HR-analytics journey. Maar je zult daarvoor wel je data en vooral je datastromen en dataverwerking enigszins op orde moeten hebben.

Eigen algoritmes/modellen inzetten

Is je organisatie inmiddels al wat meer gevorderd op het vlak van HR-analytics, heb je je data goed georganiseerd in een data-platform en gebruik je zowel data uit systemen als data uit onderzoek en andere meer ‘kwalitatieve’ bronnen, dan kun je de echte slag gaan maken.

Dan kun je je eigen datamodellen gaan bouwen en daarmee je eigen applicaties vullen, zoals recruitment-, HR- en leersystemen. Zo kunnen ze bijvoorbeeld adviezen geven over welke kandidaat je het beste kunt uitnodigen voor een interview, over welk nieuw verzuimgeval het eerste op te pakken en wat de beste training is voor een medewerker.

“Zolang we maar niet stoppen met ook te werken aan de eigen data, want die maken het echte verschil”

In de praktijk zie ik dit nog maar mondjesmaat en het is natuurlijk ook spannend. Weet het algoritme het beter dan een mens? Discrimineert het algoritme niet? Voldoet het aan de nieuwe AI Act? Zaken vaak die wij onszelf nauwelijks afvragen als we dergelijke besluiten nemen, maar waar we van machines wel garanties willen, als het even kan.

Persoonlijk zie ik meer voordelen dan risico’s, zoals ik ook in eerdere artikelen heb aangegeven, maar ik begrijp dat het zowel technisch als ethisch nog wat tijd zal vergen voordat dit ‘mainstream’ wordt.

Robots voor fysieke handelingen

Nog een stap verder wellicht is om niet alleen algoritmes in je bestaande systemen te integreren, maar om daadwerkelijk nieuwe ‘tools/hardware’ te bouwen, lees robots, die fysieke handelingen uitvoeren op basis van deze datamodellen. Overigens red je het daarbij niet met enkel de LLM’s.

Denk bijvoorbeeld aan een zorgrobot, die bepaalde handelingen van een zorgverlener of verpleger zou kunnen overnemen bij het ondersteunen van ouderen thuis. De tekstmodellen helpen dergelijke robots vooral om de menselijke taal te begrijpen en dus te communiceren met hun patiënten en met zorgverleners.

Maar een dergelijke robot heeft ook data over bewegen en vallen nodig om patronen te achterhalen, waarmee valincidenten kunnen worden voorspeld en voorkomen. Ook zal de zorgrobot visuele informatie moeten leren interpreteren om obstakels te herkennen die moeten worden vermeden. En de robot zal uitdrukkingen in gezichten en bewegingen van lichamen moeten kunnen beoordelen, zodat pijn of ‘moeite met bewegen’ kan worden geduid.

Risico op vallen

Een belangrijk ingrediënt is vervolgens een beslissingsmodel, dat al deze verzamelde data gebruikt om beslissingen te nemen. Zodat een robot op het juiste moment daadwerkelijk tot actie overgaat, als een client meer moeite dan ‘normaal’ heeft met bewegen dan wel wanneer het risico op vallen groot is.

Al met al is dergelijke technologie nog niet zo eenvoudig. Het zal dan ook nog wel een tijdje duren voordat AI echt volwassen is. Toch is het belangrijk om nu al de eerste stappen te zetten. Ik juich de aandacht voor tools als ChatGPT en CoPilot dan ook van harte toe. Op data en AI leren vertrouwen, is namelijk een gedragsverandering die tijd nodig heeft.

Door nu te beginnen, kunnen organisaties geleidelijk wennen aan het werken met AI en de voordelen ervan ontdekken. Dit zal de toekomstige integratie van AI in dagelijkse bedrijfsprocessen vergemakkelijken. Het helpt, althans dat denk ik, om de overgang naar een meer datagedreven en efficiënte werkomgeving soepeler te maken. Zolang we maar niet stoppen met ook te werken aan de eigen data, want die maken uiteindelijk het echte verschil.