Marieke leidt een team van twintig klantenservicemedewerkers, een samengestelde, herkenbare situatie uit meerdere praktijkgevallen. Ze besluit kunstmatige intelligentie in te zetten: een systeem dat doorlooptijden, foutpercentages, klantcontacten en productiviteit combineert tot een voorspellende score per medewerker en zelf actie voorstelt bij afwijkingen. Groen betekent goed. Oranje vraagt aandacht. Rood betekent ingrijpen.

Marieke is enthousiast. Eindelijk feiten in plaats van gevoelens. Ze presenteert het dashboard in het managementoverleg als doorbraak: “We sturen nu op data, niet meer op onderbuik.”

Zes weken later klopt er iets niet. De cijfers zien er beter uit dan ooit. Bijna het hele team staat op groen. Maar de klanttevredenheid, die los van het dashboard wordt gemeten, daalt.

Marieke gaat op de vloer kijken. Medewerkers kiezen bewust de kortere, eenvoudigere gesprekken eerst. Ingewikkelde klantvragen worden doorverbonden of vertraagd. Een collega geeft toe: “Ik registreer een gesprek pas als afgerond zodra ik weet dat het goed uitpakt in het systeem.”

Er wordt niet beter gewerkt. Er wordt vooral beter gescoord.

Mariekes eerste opwelling is het dashboard strenger te maken. Maar de avond voordat ze het rondstuurt, realiseert ze zich dat ze daarmee hetzelfde verkeerde signaal alleen nauwkeuriger zou meten. Ze stuurt het niet rond.

Het systeem zelf deed intussen precies wat het moest doen. Het mat nauwkeurig, signaleerde afwijkingen. De technologie functioneerde uitstekend.

Precies daarin zit het probleem.

Technologie vergroot wat er al is

Bij Marieke zat het probleem niet in de technologie. Het dashboard maakte zichtbaar wat al jaren onder de oppervlakte speelde: een cultuur waarin medewerkers werden afgerekend op snelheid, niet op klantwaarde. Het systeem heeft dat gedrag niet veroorzaakt, het heeft het geschaald en van een schijnbaar objectief label voorzien.

AI creëert de cultuur van een organisatie niet vanuit het niets. Zij versterkt bestaande patronen. Een organisatie die mensen vertrouwt, gebruikt technologie om hen beter te ondersteunen. Een organisatie die mensen wantrouwt, krijgt met diezelfde technologie een digitaal controlesysteem. Achter ieder toegepast algoritme zitten keuzes over welk gedrag telt.

Een veelgemaakte vergissing

Marieke had, terugkijkend, één beslissing genomen die het meeste verschil maakte, en het was niet de keuze om AI te gebruiken.

Het was de keuze om het dashboard als eindoordeel te behandelen in plaats van als vraag.

Ze had het rode of oranje label laten bepalen wie een gesprek kreeg over prestaties, in plaats van het label te gebruiken als aanleiding om te vragen: wat zien we hier eigenlijk, en wat zien we niet?

Toen het systeem voorstelde de twee medewerkers met de laagste score een verbetertraject op te leggen, ging ze eerst na waarom hun cijfers zo laag waren. Eén van de twee bleek structureel de moeilijkste, meest tijdrovende klantvragen toegewezen te krijgen. Ze was degene naar wie collega's een boos gesprek doorschakelden, die een probleem eerst zelf probeerde op te lossen voordat ze het escaleerde. Op het dashboard zag dat eruit als traagheid.

Marieke belde haar op en zei dat ze op de shortlist voor een verbetertraject had gestaan. Het bleef even stil aan de andere kant van de lijn. Toen zei de medewerker: “Ik dacht dat ik juist het werk deed dat niemand anders wilde doen.” Voor Marieke was dat het moment waarop ze besefte hoe dicht ze bij een vergissing had gestaan die niet meer terug te draaien was.

Een medewerker die zich onzichtbaar en miskend voelt door precies het systeem dat haar had moeten beschermen, vertrekt niet altijd meteen. Maar het knaagt, en op een gegeven moment doet ze dat wél. In werkelijkheid was zij een van degenen die het team overeind hielden.

Sindsdien begint Marieke een beoordelingsgesprek nooit meer met de cijfers. Bij de eerstvolgende medewerker op oranje begon ze met: “Vertel me eens over een gesprek deze week dat niet in het dashboard paste.” Pas daarna keken ze samen naar de score.

Het systeem zag dat niet, niet omdat het slecht ontworpen was, maar omdat die waarde simpelweg niet in de gekozen variabelen zat. Dat is een pijnlijker risico dan “verkeerd meten”: talent dat wordt weggecorrigeerd, goed gedrag dat wordt ontmoedigd.

De vraag die Marieke zichzelf sindsdien stelt bij ieder dashboard, is niet meer alleen “wat zien we hier niet.” Het is scherper:

Wie in mijn team is waardevol juist omdat ze dingen doen die het systeem slecht kan meten?

Denk aan de medewerker die de moeilijkste klanten opvangt, of die kwaliteit boven snelheid kiest ook al kost dat haar de eigen score. Geen van die bijdragen verschijnt vanzelf op een dashboard. Precies daarom lopen ze het meeste risico om verkeerd beoordeeld te worden.

Dit is geen hypothetisch risico. In 2011 werd lerares Sarah Wysocki in Washington D.C. ontslagen nadat het “IMPACT”-beoordelingssysteem van haar schooldistrict, een algoritmisch systeem en voorloper van wat nu vaak AI wordt genoemd, haar een lage score gaf, terwijl haar schoolleiding haar lesgeven kort daarvoor nog had geprezen. Journalistiek onderzoek van de Washington Post (2012) bracht aan het licht dat meer dan de helft van haar leerlingen afkomstig was van een school die werd onderzocht wegens vermoedelijke examenfraude, een vertekening die het systeem niet kon zien. Haar beroep werd afgewezen.

Dat laatste is de kern: de uitkomst van een model is geen besluit. Het is informatie die pas door mensen van betekenis wordt voorzien.

Wat dit voor u als manager betekent, deze week

Voor veel managers is de vraag niet meer of ze AI gaan inzetten om teams, klanten of processen te monitoren, maar welk gedrag ze daarmee versterken.

Wat helpt: eerst een vraag stellen bij een rood of oranje signaal in plaats van meteen een maatregel, bewust een tweede, kwalitatieve bron naast het dashboard zetten, en bij een algoritmisch advies dat u volgt nagaan of u het ook genegeerd had als het tegen uw eigen inschatting inging.

Maar de belangrijkste vraag is een andere. Vraag uzelf bij uw laagst scorende medewerker af: wat doet deze persoon dat mijn systeem niet kan zien? Soms is het antwoord onderpresteren. Soms is het antwoord dat u naar uw beste medewerker kijkt.

Marieke veranderde het dashboard uiteindelijk niet. Ze veranderde wat ze ermee deed voordat ze iemand aansprak.

Het systeem meet. De manager oordeelt.