AI Native worden – Stap 2: Werk opnieuw inrichten voor mensen en agents

Onlangs moest ik denken aan een oud verhaal over hoe ijzer werd ontdekt. Een paar reizigers zagen dat, toen ze hun kip hadden gegaard, de stenen onder in het vuur waren samengesmolten tot een heel harde substantie die de vorm van de vuurkuil had aangenomen. Ze schreven de allereerste handleiding voor het maken van ijzer, en die begon met een paar goede kippen…

Als er een nieuwe technologie opkomt, prikkelt die de verbeelding van vernieuwers, bedrijfsleiders en technologen, die dromen over hoe de technologie samenleving en bedrijfsleven kan veranderen. Ongehinderd door begrip van de nieuwe technologie of de werkelijke toepasbaarheid ervan, experimenteren vroege pioniers met verschillende ideeën, op zoek naar een doorbraak. Dat was heel zichtbaar bij blockchain en de wildgroei aan tokenisatie- en crypto-initiatieven – die in de meeste gevallen zakelijk geen enkele zin hadden.

Vandaag hebben we AI Agents, met veel opwinding over hoe die onze manier van werken kunnen transformeren en zelfs op grote schaal mensen kunnen vervangen. Ook nu volgen veel ideeën het ‘kippen’-voorbeeld: ze projecteren een beperkt begrip van een nieuwe technologie lineair op een beperkt beeld van de huidige wereld. Dat leidt tot use cases voor AI die simpelweg ongeschikt zijn, of beperkt worden door denken dat verankerd is in oude manieren van werken.

Recente voorbeelden die ik tegenkwam:

• De invoering van AI uitstellen tot alle processen door Lean Six Sigma zijn gegaan en “alle verspilling is geëlimineerd”.
• De invoering van AI uitstellen tot “de huidige database is opgeschoond” (terwijl daar niet de kennis in staat die AI gaat gebruiken).
• Je richten op het invoeren van de chatbot van een bestaande leverancier in een messcherp afgebakende rol, zonder te kijken hoe het serviceproces kan veranderen met een kennisgedreven aanpak.

De kernvraag is: hoe vind en specificeer je toepassingsgebieden voor AI Agents die geldig, waardevol en verifieerbaar zijn?

Een raamwerk voor Agentic business redesign.

Laten we met het goede nieuws beginnen – we hoeven het wiel niet opnieuw uit te vinden. Er zijn een aantal denkmodellen die zich richten op het begrijpen van de structuur van een probleem, en die leveren de helft van de oplossing. Daarnaast groeit het inzicht in de beperkingen van AI en de sterke punten van mensen.

Een paar relevante denkkaders:

• De "goals and methods matrix" van Turner en Cochrane (begin jaren negentig) zet af hoe goed gedefinieerd een doel is tegen hoe goed gedefinieerd de methode is om het te bereiken.
• De Stacey matrix (zekerheid over oorzaak en gevolg tegenover overeenstemming over doelen) en het Cynefin framework van Snowden (clear, complicated, complex, chaotic) baseren een aanpak op het type probleem.
• Thinking for a Living van Thomas Davenport zet de complexiteit van werk af tegen de mate van samenwerking. Dat geeft vier modellen: transaction, integration, expert en collaboration.
• Het HBR-artikel van Hammer uit 1990, "Reengineering Work: Don't Automate, Obliterate", waarschuwt specifiek voor het automatiseren van het bestaande proces in plaats van het opnieuw te doordenken.

Door deze modellen te combineren en er de bril aan toe te voegen van verifieerbare uitkomsten en het beperken van de kosten van fouten, hebben we een model ontwikkeld dat helpt AI-oplossingen te specificeren voor echte typen bedrijfsproblemen.

Het model heeft vijf elementen:

LaagOutcome clarityHoog

Curate outcomes

Co-create components

Code a Solution

Curate workflow

Fit for purpose ?

HoogProcess clarityLaag

Validation

Deze elementen zijn zo gerangschikt dat ze de structuur van het probleem weerspiegelen, en de vraag of er voor dit probleem een geldige oplossing ontstaat.

Code a solution – Heldere uitkomst · Heldere stappen

Hier zetten we AI in om snel een nieuwe oplossing te ontwikkelen, of een bestaande oplossing te reverse engineeren, zodat verdere ontwikkeling met vibe coding mogelijk wordt. Als we de functie en de architectuur van de oplossing eenmaal hebben vastgelegd, zit het voordeel in:

• Snel verbeteringen doorvoeren, zoals nieuwe features
• De betrouwbaarheid vergroten en bugs of zwakke plekken in de beveiliging oplossen
• Minder afhankelijk worden van ‘kennis in de hoofden’ van menselijke ontwikkelaars

Curate outcomes – Onduidelijke uitkomst · Heldere stappen

Hier willen we door te experimenteren een nieuwe, creatieve of onbekende uitkomst maken. Het proces dat we volgen is helder en kan worden vastgelegd in een workflow met AI-componenten op de belangrijke stappen. Denk aan het genereren van een (aanvraag voor een) offerte, een video of een afbeelding.

Curate workflow – Heldere uitkomst · Onduidelijke stappen

Hier weten we welke uitkomst we willen, zonder een duidelijke aanpak om die te bereiken. Ons doel is het proces te cureren dat tot de gewenste uitkomst leidt. Denk aan de ontdekking van nieuwe geneesmiddelen, het opschonen en migreren van data, of het afhandelen van tickets in de klantenservice.

Co-create components – Onduidelijke uitkomst · Onduidelijke stappen

Hier is het probleem complex en ambigu, en zitten er misschien zelfs ‘feedback loops’ in die zich niet lineair laten modelleren. We accepteren dat we het niet in één stap kunnen oplossen – we moeten het probleem opdelen in componenten en bouwstenen maken die delen van een oplossing leveren. Daarbij horen technieken als fractal thinking en problem decomposition. Na verloop van tijd kunnen we toewerken naar een completere en geldige oplossing.

Voorbeelden zijn het modelleren van vraag en aanbod van energie, de wereldwijde financiële markten of het oplossen van geopolitieke geschillen.

Fit for purpose?

Deze validatiestap geldt voor alle vier de probleemtypen hierboven – is onze oplossing een passend antwoord op het probleem dat we wilden aanpakken? De criteria daarvoor zijn onder meer:

• Validity – pakt de oplossing het probleem aan, verkleint of verhelpt ze het?
• Value – de kosten van de oplossing tegenover de kosten van het probleem / de waarde die ze oplevert?
• Verification – wat zijn de risico’s? En hoe groot zijn de kans op en de kosten van falen?

Samenvatting

Agentic Redesign begint met begrip van het probleem, de structuur en het karakter ervan. Pas daarna kun je een oplossing voorstellen en die op verschillende manieren met AI valideren.

Einstein werd ooit gevraagd: als je maar één uur had om een probleem op te lossen, hoe zou je dat aanpakken? Zijn antwoord galmt nog altijd na – “Ik zou 55 minuten besteden aan het begrijpen van het probleem, en 5 minuten aan het bepalen van de oplossing”.

Hoog — Outcome clarity: kun je “klaar” definiëren en controleren? — Laag

Onduidelijke uitkomst · Heldere stappen

Curate outcomes

Maak kwaliteit expliciet met rubrics, voorbeelden en criteria.

Agent pattern

Workflow afdwingen met stappen en een evaluator loop

Rol van de mens

Beoordeelt en redigeert

Autonomie

Laag tot middel

Voorbeelden

Offertes uit templates, managementrapportages, due diligence

“Hoe ziet succes eruit?”

Onduidelijke uitkomst · Onduidelijke stappen

Co-create components

Kader het probleem en ontleed het tot werkbare bouwstenen.

Agent pattern

Cowork- of research-assistent; opties parallel verkennen

Rol van de mens

Leidt het denkwerk

Autonomie

Laag

Voorbeelden

Strategieontwikkeling, ontwerp van nieuwe diensten, organisatieverandering

“Wat zou dit duidelijker maken?”

Heldere uitkomst · Heldere stappen

Code a solution

Laat AI een herhaalbare oplossing genereren en testen.

Agent pattern

Deterministische workflow

Rol van de mens

Handelt uitzonderingen af

Autonomie

Hoog

Voorbeelden

ERP, CRM, factuurmatching, controle van declaraties, onboarding-checklists

“De mens bewaakt de uitvoering”

Heldere uitkomst · Onduidelijke stappen

Curate workflow

Leg de uitkomst en de randvoorwaarden vast, niet de stappen. Laat AI experimenteren.

Agent pattern

Doelgericht, geverifieerd

Rol van de mens

Stelt doelen en keurt resultaten goed

Autonomie

Middel tot hoog, binnen guardrails

Voorbeelden

Supporttickets, datareconciliatie, leveranciersselectie

“Kunnen we de acceptatietest schrijven?”

Hoog — Process clarity: zijn de “regels” en stappen bekend en stabiel? — Laag