AI versterkt wat je voor ogen hebt

Een eerste versie in seconden. Ruwe input netjes op een rij. Een sparringpartner als je vastloopt.

Met een taalmodel gaat maken bijna vanzelf. De vraag is wat je met die snelheid doet.

AI versnelt namelijk alles wat je erin stopt. Een helder doel, maar ook een vage briefing. Weet je team scherp waar het naartoe wil, dan komt er tijd vrij voor het werk waar mensen het verschil maken. Weet je dat niet, dan krijg je vooral sneller meer van hetzelfde.

Op Frankwatching verschenen onlangs twee sterke stukken over AI in teams. Kim Pot laat zien hoe je van losse prompts naar herbruikbare werkwijzen gaat. Joyce Datema legt uit waarom AI pas iets oplevert als ook de samenwerking verandert. Wij kijken één stap eerder. Wat heb je samen voor ogen?

Eén beeld, één uitkomst

Sterke resultaten beginnen bij een beeld dat het hele team deelt. Liefst één uitkomst waarop iedereen stuurt. Meer aanvragen uit een bepaalde markt. Een kortere doorlooptijd van offerte naar opdracht. Klanten die vaker terugkomen.

Hoe concreter dat beeld, hoe minder discussie later.

Zo’n beeld laat zien welke stappen bijdragen. Het geeft mensen op verschillende plekken in de keten een gemeenschappelijke taal. En het is precies het startpunt dat een taalmodel nodig heeft.

Beide artikelen raden aan om te denken vanuit het eindresultaat. Dat werkt alleen als iedereen hetzelfde eindresultaat ziet. Vraag je collega’s eens hoe zij het voor zich zien. De antwoorden verrassen vaak, en dat gesprek levert al iets op voordat er één tool openstaat.

‍

Vier bouwstenen die ouder zijn dan AI

Met een helder doel stel je de vraag die vooruit helpt: wat moeten we kunnen om dit te halen, en wat gaat daarin sneller of beter met AI? In ons werk komen steeds dezelfde vier bouwstenen terug.

Kaders. Wat is het resultaat, voor wie, waaraan moet het voldoen, wat valt erbuiten en wie keurt het goed? Klinkt streng. In de praktijk geeft het rust, want iedereen weet waar hij aan toe is.

Een keten die samenwerkt. Resultaat ontstaat zelden op één bureau. Werk gaat van hand tot hand. Teams met scherpe overdrachten en duidelijke beslismomenten halen het meest uit elke versnelling.

Vakmensen die beoordelen. Staat een eerste concept er in seconden, dan verschuift het vak. Naar kiezen, aanscherpen en weten wanneer iets klaar is. Daar heb je ervaring voor nodig.

Ruimte om te leren. Anders werken raakt aan gewoontes en rollen. Dat gaat niet in één keer goed. Teams die daar open over praten, vinden sneller een vorm die past.

Geen van deze vier gaat over AI. Goede teams hadden ze altijd al. Met AI erbij leveren ze alleen veel meer op.

‍

Maken kost bijna niks meer. Kiezen wel.

Een eerste versie, een samenvatting, tien alternatieven: met een taalmodel staan ze er in een paar seconden. De tijd die dat oplevert, gaat naar beoordelen, kiezen en verbinden.

Handig detail: de kaders die je voor je team opschrijft, kun je één op één aan een model meegeven. Doel, doelgroep, tone of voice, voorbeelden van goed en fout. Kim Pot noemt het expliciet maken van stille kennis de eerste stap naar werken met AI. Wij noemen het gewoon de beste briefing die je kunt schrijven.

Hoe lager in de tabel, hoe zwaarder het menselijk oordeel weegt. Joyce Datema maakt hetzelfde punt over overleg: laat AI de voorbereiding doen, zodat de tijd samen naar beslissingen en de relatie gaat.

Oude valkuilen, nieuwe snelheid. De meeste valkuilen bestonden al lang voor AI. Een taalmodel legt ze alleen sneller bloot. En wat je ziet, kun je aanpakken.

Beginnen bij de tool. “Waar kunnen we AI inzetten?” levert losse experimenten op. “Wat moet er gebeuren om ons doel te halen?” geeft richting.

Je eigen eiland versnellen. Marketing, sales en development versnellen elk hun eigen output. Het resultaat is sneller werk dat bij de volgende afdeling blijft liggen. Of waarvan die afdeling niet eens weet dat het bestaat.

Capaciteit zien waar kaders ontbreken. Iedereen in het bureauvak kent de briefing van drie zinnen die vijf correctierondes kost. Het voelt als tijdgebrek. Meestal stond er gewoon nergens wat goed was. AI draait die rondes dan alleen sneller.

Het oude proces automatiseren. Een overbodige stap wordt niet nuttiger als hij sneller gaat. Kijk eerst welke stappen je nog nodig hebt.

Het als IT-project behandelen. Werk anders inrichten gaat over gewoontes, rollen en afspraken. Dat los je op met gesprekken, niet met extra licenties.

Sneller verwarren met beter. Een model maakt ook sneller iets dat net niet klopt. Iemand moet blijven checken.

Eén vraag houdt je uit de meeste van deze kuilen. Kun je in vijf regels opschrijven wat het resultaat is, voor wie, waaraan het moet voldoen, wat erbuiten valt en wie het goedkeurt? Lukt dat, dan heeft AI iets om op te bouwen. Je team trouwens ook.

‍

Begin aan tafel, niet in de tool

Een goede start is een eerlijke inventarisatie. Wat wil je bereiken? En welk deel van het werk doen mensen, doet AI of kan helemaal weg? Deze vier vragen helpen daarbij. Ze werken het best met de hele keten aan tafel.

1. Wat hebben we samen voor ogen, en kunnen we dat in één meetbare uitkomst zeggen?
2. Heeft iedereen in de keten hetzelfde beeld van dat resultaat?
3. Welke stappen brengen ons dichterbij, en welke kunnen sneller, slimmer of helemaal weg?
4. Waar zit de grootste winst: in meer capaciteit of in scherpere kaders?

Wie deze vragen samen beantwoordt, heeft het meeste voorwerk voor AI al gedaan. Het doel wordt de opdracht. De kaders worden de instructies. De keten laat zien waar een model het meest bijdraagt.

Hoe sneller het maken gaat, hoe meer het telt dat je weet wat je maakt.

‍