HR-leiders die hun data nú op orde maken, zetten straks de grootste stappen met AI

We zijn in het tweede jaar dat het grote publiek de kunsten van Large Language Models (LLM) leert kennen. LLM is beter bekend als de wat algemene term AI en die term is gangbaar geworden bij het grote publiek door ChatGPT. LLM werkt door taal en beeld te (re)genereren als antwoord op de vraag die je stelt. Het toont het meest waarschijnlijke gebaseerd op de bestaande gegevens op internet in combinatie met jouw vraag.

“Slechts 17 procent van ondervraagde HR professionals meent dat hun employee data van hoge kwaliteit zijn”

 De volgende stap voor organisaties is het toepassen van LLM en AI op eigen interne databronnen, zoals de data van allerlei metingen die uitgevoerd worden. Zo kun je in je eigen organisatie vervolgens vragen stellen aan al die data en worden op basis daarvan antwoorden gegenereerd. Dit kun je inzetten om slimmer te werken, te leren en beslissingen te nemen.

Bijvoorbeeld over de beste acties om retentie te verhogen. Of om de eerste signalen van burnout op te merken en suggesties krijgen om dit tij te keren. Automatisch in de mailbox van managers: alles in de flow-of-work, wat al bestaat. Of dat medewerkers op elk moment van de dag kunnen vragen “welke ontwikkelkans is beschikbaar en past het beste bij mij en hoe ontwikkelt de organisatie zich de komende vijf jaar?”

De ontwikkelingen gaan razendsnel op dit gebied. Zelf ben ik al zo’n jaar of zes bezig met begrip van taal, hoe sociale interactie intelligentie tot stand brengt en (technologische) oplossingen om dit naar organisaties te brengen. Het vormt de kern van mijn werk.

Moment voor reflectie

De stoïcijn in mij neemt daarbij regelmatig een flink moment voor reflectie. Dan beheers ik mijn ongeduld en ga vragen stellen om ontwikkelingen te begrijpen en om te zetten in betekenis. Vragen stellen stimuleert mijn denken. Ik heb hierbij ook in mijn hoofd wat de wetenschapper Roy Amara zei: “We onderschatten technologie op lange termijn, maar overschatten deze op korte termijn”.

De vraag die ik nu het belangrijkst vind, is hoe je als CHRO ervoor zorgt dat employee data betrouwbaar, relevant en constant beschikbaar zijn

De vraag die ik nu het belangrijkst vind, is hoe je als CHRO ervoor zorgt dat employee data betrouwbaar, relevant en constant beschikbaar zijn. Als de brondata immers niet deugen, kun je prachtige LLM/AI technologie erop zetten om dit te ontsluiten, maar …. garbage in is garbage out. Uit recent onderzoek van Josh Bersin blijkt dat slechts 17% van ondervraagde HR professionals meent dat hun employee data van hoge kwaliteit zijn. Dat is nogal schokerend moet ik zeggen.

Gebrek aan betrokkenheid

Kijk bijvoorbeeld maar eens jullie employee journey en op welke momenten en hoe je welke data verzamelt. Neem exit-interviews. Deze worden niet consequent gehouden en volgen evenmin altijd een strikt format, of worden niet geregistreerd. Bovendien zijn deze interviews twijfelachtig van inhoud: zeggen medewerkers echt op dat moment wat hen al misschien jaren lang of langer geleden heeft aangezet om nu te vertrekken?

Of weten collega’s dat veel beter door gesprekken aan de lunchtafel en in appgroepjes? Gallup onderzoek laat zien dat 45% van de (stil)vertrekkende medewerkers het gebrek aan betrokkenheid noemen. Maar ja, wat heb je daar aan als je wilt weten is, wat er specifiek speelt in je eigen organisatie. Waar haal je dat vandaan als je er niet structureel naar vraagt en betrouwbaar ontvangt en registreert?

Zonder de talige kant in de vorm van kwalitatieve data te ontwikkelen, heb je een mogelijk veel te gelimiteerde bron

Of neem medewerkersenquêtes, zoals pulse surveys. Enquêtes bestaan meestal uit een set statische vragen, meestal gesloten van karakter. Dit levert weinig kwalitatieve duiding op: waarom wordt gescoord hoe ze scoren? Wat zijn hun suggesties ter verbetering? Steunen ze elkaars suggesties, oftewel valideer je de data bij de medewerkers zelf? Waar zitten hun aandachtspunten als je die suggesties wilt uitvoeren?

Zonder de talige kant in de vorm van kwalitatieve data te ontwikkelen, de eigen woorden van medewerkers, heb je een mogelijk veel te gelimiteerde bron voor LLM/AI om uit te putten en betrouwbare inzichten uit te genereren.

Vergadergedrag monitoren

Andere data komt uit de opkomende categorie van passief luisteren, ook wel surveillance software genoemd. HR monitort het vergadergedrag van mensen, hoeveel ze mailen met wie, hoe snel ze reageren op mails, uren die ze werken, tijdstippen waarop ze werken, et cetera.

Het grootste deel van het werk ligt echter niet op deze manier vast: hoe gemotiveerd helpen ze elkaar, hoe steunen ze elkaar in drukke tijden, hoe creatief zijn ze, alleen en samen, buiten geregistreerde vergaderingen om? Zijn ze vriendelijk en toegankelijk voor elkaar? Dat ligt niet vast in databronnen. Hoe gaan medewerkers dan reageren als managers LLM/AI inzetten om hen aan te spreken op gedrag, dat ze niet herkennen?

LLM/AI moet wat mij betreft niet onderschat worden op de lange termijn. Tesamen met de menselijke collectieve intelligentie gaan organisaties nieuwe tijden tegemoet. Maar dan moeten je data op orde zijn. Gevalideerde data, kwantitatief maar ook ruimschoots talige, dus kwalitatieve data, relevant, specifiek en constant actueel.

Belangrijkste uitdagingen

Werk aan de winkel wat mij betreft! Wie dit op orde krijgt, maakt straks de grootste stappen, zal talent het best weten te verbinden aan de belangrijkste uitdagingen van jullie organisatie.

Ben benieuwd hoe jij ertegenaan kijkt vanuit jouw leiderschapsrol. Want we zullen allemaal in onze leidende rollen keuzes moeten maken op het gebied van LLM/AI. En snel. Maar zonder een kostbare overschatting van deze technologie op korte termijn.