Generatieve AI kan werknemers helpen om taken sneller uit te voeren, maar het overbrugt de prestatiekloof tussen beginners en experts niet.
In uiteenlopende vakgebieden, van copywriting tot softwareontwikkeling, zetten leiders in op generatieve AI om werknemers te helpen meer geavanceerde verantwoordelijkheden op zich te nemen. Daarbij verkort generatieve AI de tijd, die beginners nodig hebben om competentie te verwerven in nieuwe taken. Maar het potentieel van de technologie om werknemers te scholen, lijkt één belangrijke antwoord te missen: kan het beginners helpen taken net zo goed uit te voeren als experts?
Het indelen van medewerkers in drie groepen: experts, buitenstaanders met enige ervaring en buitenstaanders met weinig ervaring. Waarbij de buitenstaanders de enige waren met ervaring waren, marketingspecialisten van de schrijversafdeling die geen ervaring hadden met het schrijven van artikelen, maar wel een algemeen begrip hadden van wat de schrijvers deden. De buitenstaanders met weinig ervaring waren ontwikkelaars en datawetenschappers zonder enige marketing- of schrijfachtergrond. Elke groep kreeg twee taken: een artikel bedenken en schrijven zoals die op de website van het bedrijf te vinden zijn. Willekeurig generatieve AI werd toegepast om sommige deelnemers te helpen, maar niet alle. Leidinggevenden beoordeelden vervolgens de resultaten van elke opdracht op een schaal van 1 (laagste cijfer) tot 5 (hoogste cijfer).
Bij het bedenken van een artikel zonder hulp van generatieve AI behaalden de experts de hoogste gemiddelde score (3,84), gevolgd door de buitenstaanders met enige ervaring (3,06) en de buitenstaanders met weinig ervaring (3,04). Deze resultaten onthulden een significant verschil in vaardigheden tussen de experts en de anderen. Toen de groepen echter gen-AI-ondersteuning kregen, werd het verschil kleiner: concepten ontwikkeld door experts scoorden gemiddeld 4,10, terwijl die ontwikkeld door buitenstaanders respectievelijk 4,16 en 4,03 scoorden. Met andere woorden, buitenstaanders met enige ervaring die AI gebruikten, presteerden iets beter dan experts die AI gebruikten en alle drie de groepen die AI gebruikten, presteerden beter dan experts die dat niet deden.
Wat het schrijven van de artikelen betreft, waren de resultaten echter anders. Zonder gen-AI presteerden de experts het beste van alle groepen. Maar zelfs met behulp van AI konden buitenstaanders niet dezelfde kwaliteit leveren als de experts. Experts presteerden, zoals verwacht, het beste van degenen die de technologie gebruikten (gemiddeld 3,98). buitenstaanders met enige ervaring met AI-ondersteuning zaten daar vlak achter (3,94). Maar de buitenstaanders met weinig ervaring met AI-ondersteuning deden het minder goed; hun scores met en zonder gen-AI waren in feite vrijwel gelijk (respectievelijk 3,36 en 3,44).
Waarom verbeterde gen AI de prestaties bij de ene taak meer dan bij de andere, en hielp het de buitenstaanders met weinig ervaring zo weinig bij het schrijven?
Na interviews met verschillende groepen concludeerden we dat hoe verder werknemers verwijderd waren van de kennis die nodig was voor een opdracht, hoe kleiner de kans was dat ze net zo goed presteerden als medewerkers met relevante expertise zelfs met de hulp van gen AI. Niet-experts die AI gebruikten, presteerden beter bij conceptualisatie omdat dit minder expertise vereiste dan schrijven; men hoefde alleen maar te begrijpen of een voorgesteld onderwerp goed genoeg was. Het schrijven van een artikel daarentegen vereiste dat men wist hoe de gewenste boodschap in de juiste taal over te brengen. Een deelnemer gebruikte een metafoor om dit verschil te illustreren: conceptualiseren is als je voorstellen dat je een marathon loopt, maar schrijven is als het daadwerkelijk lopen ervan, wat een heel ander niveau van expertise vereist.
En expertise, was wat mensen in staat stelde effectiever samen te werken met de AI-tools. De buitenstaanders met enige ervaring begrepen de algemene taal die de schrijvers gebruikten en hadden voldoende domeinkennis om de door gen AI geproduceerde content te verfijnen. Maar de buitenstaanders met weinig ervaring (wier werk niets met schrijven te maken had) konden de suggesties van de AI niet effectief gebruiken of verbeteren. Ze misten de intuïtie en kennis die nodig waren om goede beslissingen te nemen over welke taal ze moesten behouden en welke ze moesten weggooien. Dit fenomeen ‘de AI-muur’, de grens aan de mate waarin gen-AI mensen kan helpen bij taken buiten hun expertisegebied.
Deze bevinding heeft implicaties voor de manier waarop we gen-AI-tools inzetten. Het weerlegt de aanname dat de technologie vaardigheidshiërarchieën kan afvlakken en wat we ‘universele taakflexibiliteit’ noemen mogelijk kan maken. In plaats daarvan stellen we dat de effectiviteit van gen-AI afhangt van de expertiseafstand tussen de medewerker en het taakdomein en daarbij is de AI-muur relevant, ook buiten de context van de AI. van experts en buitenstaanders.
We bevelen twee beste praktijken aan voor het koppelen van generatieve AI aan werknemers met verschillende expertiseniveaus:
Overschat de mogelijkheden van generatieve AI niet. Het is cruciaal dat werknemers een algemeen begrip hebben van, en enige ervaring met, het gebied waarin ze AI toepassen. Hun kennis moet in ieder geval uitgebreid genoeg zijn om AI-gegenereerd werk te kunnen beoordelen en verbeteren. Kopieerden en plakten is voor veel technologen bijvoorbeeld simpelweg de suggesties van generatieve AI in artikelen, omdat ze het genuanceerde oordeel misten om de taal aan te passen en te integreren. “AI is geen wondermiddel voor alles op het werk als het taken niet volledig kan automatiseren”. Wanneer AI de klus niet alleen kan klaren en experts vervangt, zal het sommige mensen helpen de kloof tussen henzelf en experts te verkleinen, maar alleen in bepaalde situaties en onder de juiste omstandigheden. Het is geen kant-en-klare oplossing.” Heroverweeg hoe werk wordt gedaan. Bedenk hoe de organisatie moet veranderen zodra medewerkers generatie-AI effectief gaan gebruiken. Om er de maximale waarde uit te halen, moeten we mogelijk processen, besluitvormingsmethoden en de manier waarop teams samenwerken aanpassen. Generatie-AI-tools kunnen zelfs functietitels in verwante vakgebieden, zoals SEO-specialist en contentstrateeg, doen vervagen. Het is echter veel moeilijker om ze te gebruiken om grotere kloven te overbruggen zoals die tussen marketing-, verkoop- en productteams omdat die functies verbonden zijn aan verschillende expertisegebieden, budgetten en machtsstructuren. Het ontwerpen van bredere en flexibelere functies kan helpen om die uitdaging te overwinnen, maar de verschuiving vereist structurele en culturele veranderingen.
En wanneer we generatie-AI in workflows integreren, houd er dan rekening met de menselijke context: Wie gebruikt het? Wat weten die mensen? Hoe goed interpreteren en verfijnen ze de AI-output? AI kan mensen maar tot op zekere hoogte helpen Expertise is onvervangbaar. Geen enkele technologie kan het vervangen.
Hoe hielp gen buitenstaanders met enige ervaring om artikelen bijna net zo goed te schrijven als experts?
Het gaf hen de praktische vaardigheden die ze misten. Buitenstaanders met enige ervaring hadden de basiskennis omdat ze wisten hoe goede content eruitzag, maar ze misten de ervaring om het zelf te schrijven. Gen AI fungeerde als een brug, waardoor ze op hetzelfde niveau konden presteren als de experts. Het democratiseerde het schrijfvak voor degenen die het concept marketing al begrepen.
Generatie-AI verkort de weg naar expertise, maar kan praktijkervaring nog niet volledig vervangen. Het AI-systeem produceerde solide eerste concepten, waardoor de ervaren schrijvers na het onderzoek de artikelen konden verfijnen, de toon konden aanpassen en ervoor konden zorgen dat de SEO-elementen klopten voordat ze werden gepubliceerd.
Denkt u dat generatie-AI buitenstaanders met enige ervaring of zelfs technologen, uiteindelijk tot experts had kunnen maken?
Dat hangt af van hun startpunt. Een verschil: voor verwante functies zoals buitenstaanders met enige ervaring werd de kloof effectief gedicht ze evenaarden de experts. Maar voor functies die verder weg lagen, zoals onze buitenstaanders met weinig ervaring, bleef de kloof groot. Omdat ze de fundamentele context van buitenstaanders met enige ervaring misten, konden ze de output van de AI niet goed beoordelen.
Gezien hoeveel AI de experts heeft geholpen, zouden bedrijven minder beginners moeten aannemen?
Dat is het gevaar: veel organisaties zien een daling in het aantal junior medewerkers, maar als we alleen experts aannemen om AI te bewerken, vernietigen we de mogelijkheid om toekomstige experts op te leiden. Je kunt geen smaak of oordeelsvermogen ontwikkelen zonder het werk te doen. Dat bedrijven door vandaag te optimaliseren voor efficiëntie, de trainingsmogelijkheden voor morgen ondermijnen.
Een leerlingstelsel dat zou moeten werken, is veranderd. Vroeger dacht we dat de enige manier om te leren was door tactische uitvoering, door honderden concepten door te nemen om spiergeheugen op te bouwen. Maar we zagen dat AI, voor mensen met de juiste context, die uitvoering kan overnemen. Het echte knelpunt ontstaat wanneer je de basiskennis mist en niet kunt beoordelen of de AI gelijk heeft of niet. Het trainingsmodel zou moeten verschuiven naar het leren van wat goed schrijven maakt, in plaats van beginners te leren hoe ze moeten schrijven.