De meeste onderzoeksorganisaties zijn druk met AI, maar de mensen die het onderzoekswerk dagelijks uitvoeren, worden zelden vroeg genoeg betrokken bij de keuzes die bepalen hoe AI dat werk verandert. Dat leidt niet tot snellere adoptie, maar tot vertraagde en versnipperde implementatie die de organisatie uiteindelijk meer kost dan oplevert.
▼
Uit het jaarlijkse State of AI in the Enterprise-rapport van Deloitte, gebaseerd op ruim 3.200 zakelijke leiders en IT-verantwoordelijken in 24 landen, blijkt dat een gebrek aan vaardigheden onder medewerkers door organisaties wordt gezien als de grootste belemmering voor succesvolle AI-integratie. Tegelijkertijd heeft een grote meerderheid van de organisaties werkprocessen en functies nog niet fundamenteel aangepast aan AI.
AI wordt daarmee vooral ingevoerd als aanvulling op bestaande werkwijzen, niet als aanleiding om die werkwijzen opnieuw te doordenken. De technologie wordt uitgerold, maar de manier waarop werk is ingericht verandert niet mee.
Weerstand is geen technofobie
Wie de terughoudendheid van ervaren onderzoekers tegenover AI-tools afdoet als technofobie, mist wat er werkelijk speelt. Professionals die jarenlang vakkennis hebben opgebouwd, zien beter hoe tools die kennis gedeeltelijk kunnen nabootsen en hoe snel dat vervolgens wordt gepresenteerd als vervanging. De aarzeling om mee te gaan is geen onbegrip van technologie. Dat kan worden gezien als een rationele reactie op onzekerheid over de toekomstige rol van het vak.
Dat heeft directe operationele gevolgen. Teams die psychologisch niet achter de richting staan, gebruiken AI vaak inconsistent. AI wordt op papier omarmd, maar de onderliggende werkwijze verandert niet. De organisatie loopt daardoor bij elke volgende ontwikkeling verder achter, terwijl zij op papier al volop bezig lijkt met adoptie.
Voor grote en kleine organisaties geldt hetzelfde
Grote organisaties kunnen sneller schakelen. Budget, capaciteit en ondersteuning maken transformatie op schaal mogelijk. Maar snelheid zonder draagvlak creëert zijn eigen problemen. Onderzoekers worden geconfronteerd met veranderingen in hoe ze moeten werken, terwijl ze zelden zijn gevraagd wat die verandering zou moeten inhouden.
Middelgrote bureaus en afdelingen staan voor een andere afweging. De ambitie is er, maar de middelen ontbreken om die goed te vertalen naar de praktijk. Dat leidt tot twee herkenbare gevolgen. Het eerste is afwachtendheid. Men erkent de technologie, maar wacht op een duidelijker signaal vanuit leiderschap of de markt voordat er serieus wordt geïnvesteerd. Het tweede is individuele inspanning zonder organisatiebrede richting. De interne AI-ambassadeur bestaat, doet nuttig werk, maar draagt de verantwoordelijkheid voor iets wat eigenlijk een gedeeld vraagstuk is. Zodra die persoon vertrekt of ergens anders gaat werken, verdwijnt een groot deel van de opgebouwde kennis.
Wat werkelijke adoptie vraagt
Organisaties die consequent vooruitkomen met AI hebben niet per se de grootste budgetten. Ze hebben geïnvesteerd in mensen en processen voordat ze verwachtten dat de technologie resultaten zou opleveren. Dat klinkt vanzelfsprekend, maar wijkt sterk af van hoe veel adoptietrajecten zijn ingericht.
Drie dingen maken daarin het verschil:
- Geef onderzoekers zeggenschap over hoe ze leren
Niet iedereen vertrekt vanuit dezelfde positie. Een uniform trainingsprogramma gaat ervan uit dat iedereen hetzelfde startpunt heeft. Dat leidt eerder tot gelijkmatige weerstand dan tot gelijkmatige vaardigheidsontwikkeling. - Maak onzekerheid bespreekbaar
Onderzoekers die niet weten hoe hun rol er over twee jaar uitziet, worden niet productiever in de tussentijd. Ze worden voorzichtiger. Een gesprek over welke taken AI overneemt, welke het ondersteunt en welke menselijk oordeel blijven vereisen, hoeft niet te wachten tot alle antwoorden bekend zijn. - Betrek onderzoekers bij het plan voordat het af is
Plannen worden vaak gemaakt door mensen met strategische verantwoordelijkheid en vervolgens als directief doorgegeven. Maar de mensen die bepalen of adoptie slaagt, kennen hun eigen werk op een detailniveau dat geen strategiedocument kan vatten. Onderzoekers al in een vroeg stadium betrekken is geen cosmetische consultatie. Het is de manier waarop een plan realistisch wordt.
Beschikbaarheid is niet hetzelfde als gebruik
Deloitte constateert dat het aandeel medewerkers met toegang tot AI-tools het afgelopen jaar sterk is gegroeid. Toch gebruikt een aanzienlijk deel van de mensen met toegang die tools nog altijd niet actief in de dagelijkse workflow. Die verhouding is de afgelopen jaren nauwelijks veranderd. Beschikbaarheid creëren en gebruik stimuleren zijn twee verschillende vraagstukken, en het tweede blijkt vaak het moeilijkst.
Voor onderzoeksorganisaties is dat onderscheid bijzonder relevant. De meeste tools zijn inmiddels beschikbaar. Wat vaak ontbreekt, is beschermde tijd om te experimenteren, organisatorische ruimte om te leren van wat niet werkt en een gedeelde taal om AI-gebruik bespreekbaar te maken zonder dat het wordt gezien als valsspelen of als bedreiging. Zolang die voorwaarden ontbreken, blijft AI-adoptie iets wat medewerkers naast hun werk doen, in plaats van iets wat onderdeel wordt van hoe het werk wordt uitgevoerd.
De AI-vaardigheidskloof is uiteindelijk geen technisch probleem, maar een vraagstuk van mensen en processen. Organisaties die dat onderscheid maken, bouwen aan duurzame adoptie. Wie vooral investeert in tools, loopt het risico dat gebruik en resultaten achterblijven.