Niet de beste verkoper wint de deal. De best passende wel.

In veel organisaties is sales nog steeds een kwestie van verdelen: wie is beschikbaar, wie heeft de meeste ervaring, wie heeft het grootste trackrecord. Logisch. En vaak effectief.

Maar wat als juist die logica je grootste deals kost?

In een recente case binnen een dienstverlenende organisatie werd een strategische aanbesteding niet toegewezen aan de meest ervaren salesmanager, maar aan een medior accountmanager. Niet uit noodzaak, maar op basis van een andere vraag:

Wie past het best bij deze specifieke kans?

Met behulp van de 'Digital Salesmanager' en de 'Human Capital Allocation Engine' werd niet gekeken naar senioriteit, maar naar match. De uitkomst was contra-intuïtief. Het resultaat niet.

Wat is de Human Capital Allocation Engine?

De 'Human Capital Allocation Engine', een nieuwe DFI GPT, maakt deze afweging expliciet. Het is geen planningsinstrument, maar een beslislaag die helpt bepalen wie het best past bij een specifieke opgave, nog voordat het werk wordt verdeeld.

Niet door alleen te kijken naar vaardigheden of senioriteit, maar door drie perspectieven samen te brengen:

• wat vraagt de opgave werkelijk?
• wat brengt iemand mee, zowel in kunnen als in gedrag?
• waar ontstaat de meeste waarde als je die twee combineert?

Dat klinkt logisch. En dat is het ook. Alleen doen we het zelden systematisch.

Met de opkomst van AI, en in de praktijk vaak in de vorm van een maatwerk GPT, wordt deze afweging voor het eerst schaalbaar. Niet als vervanging van het oordeel van managers, maar als versterking ervan. Een tweede paar ogen dat patronen ziet waar wij intuïtief langs bewegen.

Wat hier gebeurt, raakt aan een fundamentele maar vaak onzichtbare laag in organisaties. We besteden veel aandacht aan wie we aannemen, hoe we mensen ontwikkelen en hoe we teams structureren. Maar op het moment dat het werk daadwerkelijk verdeeld wordt, vallen we terug op routines: beschikbaarheid, functie, ervaring.

Daar gaat het vaak mis. Niet spectaculair, maar structureel.

Want een opdracht is zelden 'gewoon werk'. Elke opgave heeft een eigen dynamiek, een eigen complexiteit en een eigen context. Sommige vragen om snelheid en directheid. Andere om geduld, sensitiviteit en het vermogen om belangen te lezen die niet expliciet op tafel liggen.

Wanneer die dynamiek niet matcht met de persoon die het werk uitvoert, ontstaat frictie. Dat zie je terug in kleine signalen: extra afstemming, vertraging, herstelwerk. En uiteindelijk in grotere uitkomsten: gemiste deals, lagere klanttevredenheid, suboptimale resultaten.

KADER 1 – De deal die niet gewonnen werd door de beste verkoper.

De aanbesteding uit de opening was geen standaard salestraject. Het ging om een publieke organisatie, met meerdere stakeholders, een lange besluitvorming en een duidelijke gevoeligheid voor risico’s. Officieel draaide het om prijs en kwaliteit. In de praktijk om vertrouwen en voorspelbaarheid.

De meest ervaren salesmanager was gewend om tempo te maken, knopen door te hakken en deals te sluiten. In veel situaties precies wat nodig is.

Maar deze situatie vroeg iets anders: iemand die kon vertragen, luisteren, relaties kon opbouwen en zich comfortabel voelde in een speelveld waar niet alles expliciet werd uitgesproken.

De Human Capital Allocation Engine maakte die mismatch zichtbaar. Niet door de senior te “degraderen”, maar door scherp te krijgen wat de deal vroeg.

De keuze viel op een medior accountmanager met een sterk profiel in stakeholdermanagement en relatieopbouw. Iemand die in traditionele zin niet de eerste keuze zou zijn geweest.

De uitkomst: de deal werd gewonnen, tegen een hogere waarde dan vooraf ingeschat, met direct zicht op vervolgopdrachten.

Niet omdat de organisatie beter werd in sales. Maar omdat de juiste persoon op het juiste moment de juiste rol kreeg.

Wat deze casus zichtbaar maakt, is dat het verschil niet zit in individuele kwaliteit, maar in de fit tussen mens en opgave.

En dat principe beperkt zich niet tot complexe salestrajecten of strategische aanbestedingen. Integendeel. Juist in ogenschijnlijk eenvoudige, operationele omgevingen speelt dezelfde dynamiek, alleen minder expliciet.

Waar het in de eerste case ging om stakeholders, vertrouwen en timing, draait het in andere contexten om iets anders: tempo, precisie, klanttype of werkomgeving.

Maar de onderliggende vraag blijft identiek: wat vraagt het werk… en wie past daar het best bij? Dat zie je misschien nog wel scherper terug in een totaal andere setting.

KADER 2 – De schilder die beter werd zonder iets nieuws te leren.

In een schildersbedrijf werd werk verdeeld zoals dat vaak gaat: op basis van planning en beschikbaarheid. Iedereen kon in principe alles. Dus iedereen deed alles.

Totdat men ging kijken naar verschillen die altijd al zichtbaar waren, maar nooit echt werden benut. De ene schilder bleek uit te blinken in fijn, secuur werk bij particuliere klanten. De andere in tempo en efficiëntie bij grotere onderhoudsprojecten.

Door die twee systematisch anders in te zetten, veranderde er iets opvallends.

Niet in de vaardigheden. Die bleven hetzelfde. Maar in de uitkomsten:

• minder herstelwerk
• hogere klanttevredenheid
• ruimte om premium werk beter te positioneren
• en, misschien nog wel belangrijker, meer werkplezier

De schilder die goed is in detailwerk werd niet ineens sneller. Maar werd wel beter, omdat hij op de juiste plek zat.

Wat dit oplevert

De kracht van een Human Capital Allocation Engine zit niet in technologie, maar in wat het zichtbaar maakt.

Het maakt duidelijk dat prestaties niet alleen afhangen van individuele kwaliteit, maar van de interactie tussen mens en context.

Wanneer die interactie klopt:

• neemt de effectiviteit toe, omdat mensen doen waar ze goed in zijn
• neemt de efficiëntie toe, omdat er minder ruis en herstelwerk ontstaat
• verbetert de klantgerichtheid, omdat stijl en verwachting beter op elkaar aansluiten
• en groeit het resultaat, vaak zonder extra capaciteit

Het is daarmee geen optimalisatie aan de rand, maar een verschuiving in de kern.

De rol van AI (subtiel maar bepalend)

AI speelt hierin een ondersteunende rol. Niet door beslissingen over te nemen, maar door patronen te herkennen en keuzes te expliciteren.

In een tijd waarin steeds meer standaardwerk wordt geautomatiseerd, verschuift de waarde naar het deel van het werk dat contextafhankelijk is. Relaties, interpretatie, timing.

Juist daar wordt de kwaliteit van de match doorslaggevend. Of, anders gezegd:

Hoe slimmer de technologie wordt, hoe belangrijker het wordt om mensen precies daar in te zetten waar ze het meeste verschil maken.

Tot slot

Veel organisaties sturen op capaciteit. Op bezetting, op planning, op verdeling. Misschien is het tijd om een andere vraag centraler te zetten:

Niet: hebben we het werk verdeeld? Maar: hebben we het werk goed toegewezen?

Daar zit geen kleine verbetering. Daar zit het verschil tussen gemiddeld en onderscheidend; de Human Capital Allocation Engine GPT als nieuwe standaard voor effectieve organisaties. 

Overigens, anders dan 7 andere GPT's publiceer ik deze niet, heb je interesse? Benader me. 

Willem E.A.J. Scheepers, AI Implementer

Indo over de AI Reality Check vind je op de LI pagina DAMIES Future Intelligence. Of mail: willem@willemscheepers.eu  GET READY FOR THE FUTURE

Mijn Yamala.ai Profile; daarin kun je met mijn AI-Twin praten.

Voor je AI-Agent heb ik dit profiel beschikbaar: Rent-a-Human.ai