Over voorspellende AI-modellen in HR: Algoritmisch HRM en de toekomst van werk

Data en Innovatie zijn belangrijke punten op de HR-agenda. En met precies dat houdt Simone Roos (1982) zich bij a.s.r. bezig. We spreken met haar voor onze nieuwste rubriek ‘In gesprek met de praktijk’.

Kun je allereerst iets vertellen over je loopbaan tot nu?
Als manager HR Data & Innovatie bij a.s.r. put ik uit ruim vijftien jaar ervaring  in functies op het snijvlak van data, IT, marketing en onderzoek. Mijn loopbaan  startte als consultant en van daaruit groeide ik door naar leiderschapsposities binnen het data-domein. Ik studeerde Sociologie en Economie & Bedrijfskunde aan de UvA en voltooide naast mijn werk aanvullende studies, waaronder Bedrijfseconomie aan Nyenrode, een IT- en Data Executive Programma aan de Erasmus Universiteit Rotterdam tot aan diverse opleidingen op het gebied van Marketing, Strategie en Change Management. Je zou dus kunnen zeggen dat deze combinatie van data-expertise, innovatie en verandermanagement de rode draad is in mijn carrière.

Hoe zie je de ontwikkeling van Algoritmisch (HR) Management en de rol van AI daarin vanuit jouw positie?
Ik zie dat de komst van AI impact heeft op vrijwel alle facetten van het HR-vakgebied. Door AI verandert de rol van de HR-professional. HR wordt minder administratief en operationeel, en verschuift nog meer naar een strategische businesspartner. Processen zoals performance management, verzuimbeheer en employee engagement worden ondersteund door slimme algoritmes en AI. Er gaat voor HR minder tijd ‘verloren’ aan operationele klussen, zoals  lijstwerk in excels, verzuimadministratie of het beantwoorden van vragen van het management en medewerkers.

De kantoorbaan gaat de komende jaren veranderen. Dit vraagt om een hernieuwde visie op werk, leiderschap en bedrijfscultuur

Recruitment en talentontwikkeling zullen in de nabije toekomst steeds meer kunnen leunen op voorspellende AI-modellen die niet alleen kijken naar cv’s en ervaring, maar ook naar vaardigheden, groeipotentieel en culturele fit. In loopbaanontwikkeling zie ik mogelijkheden om met AI over te stappen van generieke carrièrepaden naar maatwerkadvies, gebaseerd op actuele data over competenties, ambities en marktvraag. Ook verzuimbeheer verandert door AI. Wij lanceerden vorig jaar de eMood-verzuimvoorspeller; een interactieve tool die met machine learning verzuim per afdeling inzichtelijk maakt. Op basis van uiteenlopende datapunten, zoals werkgeluk, productiviteit en vitaliteit, krijgen managers een voorspellend verzuimdashboard waarmee ze preventief interventies kunnen inzetten om medewerkers vitaal te houden en verzuim te voorkomen.

De komst van AI betekent dat op termijn processen en besluitvorming binnen en buiten HR gaan veranderen. Dat maakt de komst van AI voor HR impactvol: de kantoorbaan gaat de komende jaren veranderen. Dat vraagt dus om een nieuwe visie op werk, leiderschap en bedrijfscultuur.

Wat zijn daarin volgens jou de belangrijkste kansen en risico’s?
AI wordt vaak in één adem genoemd met de risico’s, en dat is begrijpelijk bij een nieuwe ontwikkeling. Gelukkig biedt de AI-Act heldere kaders die ethische en juridische risico’s adresseren. Bij a.s.r. hebben we deze principes al vooruitlopend op de AI Act, by design toegepast op onze AI-verzuimvoorspeller. Vooroordelen  en bias in de trainingsdata zijn  geëlimineerd en voorspellingen zijn niet herleidbaar tot individuele personen. Het ontwikkelproces werd zorgvuldig begeleid door een onze bedrijfsethicus – met speciale aandacht voor morele dilemma’s en implicaties. Ook was een divers team van datawetenschappers in termen van leeftijd, gender en culturele achtergrond betrokken bij het ontwikkelen van de machinelearning modellen.

De AI-Act biedt heldere kaders die ethische en juridische risico’s adresseren. Tóch blijft de acceptatie van AI als technologie – die op rationele gronden een nobrainer lijkt – in de praktijk niet zonder uitdaging. Er is veel aandacht voor de risico’s van AI, ook in de media. Hierdoor hebben medewerkers als het om AI gaat soms ook meer zorgen dan bij andere technologieën. Dit laat zien dat  een verandering van mindset bij zowel de makers van  AI-modellen als de medewerkers die ermee gaan werken belangrijk is Zonder vertrouwen in AI, wordt een succesvolle implementatie van deze nobrainer in de praktijk soms onverwacht lastig.

In praktijk zie ik dat men denkt dat met name dat banen van ánderen gaan veranderen door AI. Ik verwacht echter dat vrijwel alle banen gaan veranderen; van secretaresse, specialist, manager tot CEO. We krijgen er allemaal mee te maken. Bij a.s.r. hebben we een Centraal Data Office ingericht, een AI-strategie opgesteld, en een intensief opleidingsprogramma laten ontwikkelen door een internationale business school. Zo trainen we ons hele management om de AI-transformatie te leiden. Ook worden onze medewerkers bij opgeleid in het werken met AI-assistenten. Toch moeten we er rekening mee houden dat niet iedereen de AI ontwikkelingen even snel kan bijbenen. Sinds 2015 meten we de learning agility —het vermogen van medewerkers om nieuwe vaardigheden aan te leren — en we weten dat wendbaarheid deels ontwikkelbaar is. a.s.r. ziet het als haar maatschappelijke verantwoordelijkheid om medewerkers hierin te begeleiden.  AI biedt hier juist ook volop nieuwe mogelijkheden: het zal niet lang meer duren tot we AI-agents vragen om ons te helpen bij dagelijkse werkzaamheden.

Kansen zie ik ook in ‘eerlijk en mensgericht’ HR-management. AI kan — mits goed ingezet — de weg juist vrijmaken voor objectieve besluitvorming en een inclusieve samenleving. Als de juiste technieken worden toegepast om onbewuste vooroordelen uit data te elimineren, ontstaat er ruimte voor een ander perspectief op talentwerving. Niet langer is iemands diploma bepalend voor de kansen op de arbeidsmarkt, maar kunnen we echt gaan kijken naar iemands vaardigheden en vermogen om te leren. AI kan deze inzichten transparant maken waardoor mensen die eerder wellicht minder snel in beeld kwamen, meer kansen krijgen.

De afgelopen tien jaar lag de nadruk binnen HR sterk op upskilling en reskilling, maar met de opkomst van AI komt daar een minstens zo cruciaal element bij: ontleren

Ook zorgt AI voor democratisering van kennis. In veel organisaties zijn sleutelfiguren —zoals de bijna-pensionado’s —onmisbaar vanwege hun historische of specialistische kennis. Die kennis was voorheen versnipperd en impliciet, nu al kan AI die informatie toegankelijk en schaalbaar maken via chatbots en slimme zoeksystemen. De menselijke kennis  zal zeker niet verdwijnen, maar is minder een exclusief goed. Iedereen krijgt toegang tot de collectieve intelligentie van de organisatie.

AI en Algoritmisch Management staan nog maar aan het begin van een lange reis. Hoe bepaal je deze reis voor je?
De afgelopen 10 jaar lag de nadruk binnen HR sterk op upskilling en reskilling, maar met de opkomst van AI komt daar een cruciaal element bij: ontleren. Ontleend aan de beroemde uitspraak van futuroloog Alvin Toffler in1970. Het is niet genoeg om nieuwe vaardigheden toe te voegen; we moeten óók loskomen van gewoontes uit het pre-AI tijdperk die straks misschien belemmerend zijn. De vraag gaat ook verder dan hoe we AI inzetten.

HR-expertise is nodig in het begeleiden van deze overgang in de organisatie en het organiseren van de samenwerking tussen mens en machine. Het is daarom essentieel om goed na te denken over een aantal belangrijke vragen. Hoe zorgen we ervoor dat medewerkers effectief samenwerken met een intelligent systeem dat zich steeds verder ontwikkelt? Wie is er eindverantwoordelijk voor de beslisregels, de data scientist die het model ontwikkelde of de leggen we deze verantwoordelijkheid liever op het hoogste niveau? En wie beheert en is aansprakelijk voor agents en systemen die straks zelfstandig opereren en wellicht fouten maken?

Door AI kunnen we veel productiever worden, maar hoe zorgen we dat er niet allerlei taken bijkrijgen ‘omdat het kan’, maar  het ook echt waarde voor de organisatie creëert?
Ik ben nieuwsgierig naar de vraag op welke manier AI de productiviteit  op de korte en middellange termijn zal verhogen. De kunst wordt om de hefboom die AI is voor productiviteit optimaal te benutten en te voorkomen dat het vooral de werkdruk anders verdeelt. We zullen stap voor stap moeten  her-organiseren wat echt waarde toevoegt en wat misschien een pre is voor de persoonlijke effectiviteit maar uiteindelijk minder essentieel is voor groei van een organisatie. Bij a.s.r vinden we het belangrijk om een AI-portfolio op te bouwen dat ruimte biedt voor zowel kleinschalige experimenten als voor meer complexe toepassingen die in de loop van de tijd kunnen groeien. Deze aanpak maakt het mogelijk om te leren, bij te sturen en tegelijkertijd strategisch te bouwen aan grotere AI-initiatieven. AI zien wij daarbij niet los van bredere digitaliserings- en robotiseringsbewegingen, zoals Straight Through Processing (STP); juist in de combinatie daarvan ligt veel onbenut potentieel. Ook in HR-organisaties is vaak laaghangend fruit te plukken. De  klant profiteert uiteindelijk van deze ontwikkelingen: we zien nu al dat AI leidt tot meer efficiency, meer werkplezier, en een hogere klanttevredenheid.

Tegelijkertijd zien we bij a.s.r. ook een belangrijk aandachtspunt: het simpelweg toevoegen van nieuwe technologieën aan bestaande structuren brengt het risico met zich mee dat je eindigt als een zogeheten expensive old organisation, zoals Insead dat benoemt – een organisatie die wél investeert in innovatie, maar geen fundamentele vernieuwing doorvoert in haar processen of cultuur. Het resultaat? Hoge kosten, weinig wendbaarheid en een gemiste kans op echte transformatie.

In Covid zag a.s.r aanleiding om meer aandacht te besteden aan medewerkerswelzijn. Jullie zijn op een digitale manier met de applicatie eMood de stemming gaan meten onder medewerkers door hen iedere week drie stellingen voor te leggen. Op basis van welke theorie worden die vragen bepaald?
In de hectiek van de eerste COVID-19-lockdown rees bij a.s.r. direct de vraag: hoe houden we voeling met onze mensen zonder de (toevallige) ontmoetingen bij de koffieautomaat. We besloten een eigen meetinstrument te ontwikkelen: eMood®, een Mood Monitor die het welzijn van medewerkers structureel en systematisch meet.

Het ontwerp hiervan is gebaseerd op drie in house statistisch onderbouwde constructen die samen employee wellbeing definiëren: werkgeluk, vitaliteit en productiviteit. In plaats van periodieke uitgebreide vragenlijsten ontvangen medewerkers iedere dinsdag via e-mail 3 stellingen die in 9 seconden werkgeluk, vitaliteit en productiviteit meten. Binnen enkele weken na de eerste lockdown hadden leidinggevenden iedere vrijdag inzicht in de stemming binnen hun team, en — belangrijker — een concrete aanleiding om het gesprek aan te gaan over zaken die anders vaak onbesproken blijven. De kracht van eMood ligt niet alleen in data, maar juist in de dialoog: alleen al het voeren van het  eMood-gesprek met het team leidt op zichzelf al tot meer verbinding, onderling begrip, steun, nieuwe werkafspraken en daarmee tot een betere mood. Met eMood wordt niet alleen zichtbaar wanneer het sentiment daalt of verbetert, maar ook aan welke knoppen we kunnen draaien. Nu, bijna 5 jaar later, laten nog steeds wekelijks in een tijdsbestek van 2 dagen zo’n 3.500 medewerkers hun reactie achter.

Wat wordt vervolgens gedaan met de verkregen data/ welke analyses worden gemaakt?
Uit de eerste analyses van eMood bleek dat er significante correlaties bestonden tussen de mood van medewerkers en hun ziekteverzuim. Stellingen als “Na het weekend ben ik voldoende opgeladen voor een nieuwe werkweek”, “Ik ben trots op het werk dat ik doe” en “Ik ervaar ruimte om initiatieven te nemen” bleken voorspellers van vitaliteit. Om die reden hebben we de back-end van eMood zó ontworpen dat een koppeling met verzuimgegevens mogelijk was — met strikte waarborgen voor de privacy van medewerkers. De inzichten hieruit vormden vervolgens de basis voor de ontwikkeling van onze AI-verzuimvoorspeller. Het doel hiervan is om leidinggevenden bewuster te maken van ‘beïnvloedbaar verzuim ’— verzuim dat niet puur medisch is, maar waarbij werkgerelateerde factoren een rol spelen en waar tijdige interventies verschil kunnen maken.

De verzuimvoorspellingen worden gegenereerd door 3 geavanceerde machine learning-modellen die langdurig en intensief zijn getraind. Deze AI-modellen maken gebruik van een breed scala aan datapunten: eMood-data en de responsstijl van medewerkers over de afgelopen jaren, gecombineerd met achtergrondkenmerken, zoals historisch verzuim, seizoensinvloeden en organisatorische trends. Wetenschappelijke studies tonen aan dat machinelearning en deep neural network-modellen het ziekteverzuim van werknemers kunnen voorspellen met een nauwkeurigheid van 97,5% en daarmee beter presteren dan traditionele modellen zoals Decision Trees en SVM, en daarmee dus een enorm potentieel hebben om organisaties te helpen verzuim effectief te beheren (Ali Shah et al., Lima et al., 2020). Het doel is dat leidinggevenden verzuim meer gaan ervaren als een (deels) beïnvloedbaar proces. Door patronen in welzijn en verzuim tijdig te herkennen, kunnen we bijdragen aan een werkomgeving waarin medewerkers niet alleen duurzaam inzetbaar blijven, maar zich ook daadwerkelijk beter voelen en dus beter presteren.

Jullie gedachte is dat een medewerker die goed in zijn of haar vel zit, ook productiever is. Hoe meet je dit en welke resultaten zie je bij jullie en bij bedrijven die ook gebruik maken van deze tool?
Omdat eMood binnen ons bedrijf zo’n succes bleek, werden we al snel benaderd door arbodiensten en klanten van onze arbeidsongeschiktheidsverzekeringen met de vraag of zij deze tool ook konden inzetten. Dit leidde ertoe dat we eMood® ook extern beschikbaar stelden als full-service dienst van a.s.r.

Om de betrouwbaarheid en validiteit van de metingen te garanderen, toetsen we continu het eMood-onderzoeksdesign en voeren we non-respons analyses uit om de representativiteit te meten op organisatieniveau. Om ons ervan te verzekeren dat de stellingen binnen constructen als werkgeluk daadwerkelijk meten wat ze beogen te meten, voeren we unsupervised learning uit met behulp van clusteranalyses. Uit de statistische analyses blijken onder meer sterke correlaties tussen mentaal welzijn en productiviteit.

eMood bestaat in april precies 5 jaar en daarmee ontwikkelen wij een enorme hoeveelheid aan data op het gebied van duurzame inzetbaarheid. Het unieke karakter van deze eMood-data ligt in de longitudinale opzet; het anoniem volgen van individuen over tijd. Het geeft a.s.r. een onderscheidende positie in de markt voor het voorspellen van verzuim. Dit sluit naadloos aan bij onze missie: niet alleen verzuim verzekeren, maar het ook helpen voorkomen en duurzame inzetbaarheid bevorderen.

Kun je 3 tips geven aan bedrijven die met Algoritmisch Management en AI aan de slag willen?
1) Blijf niet hangen in ‘data op orde brengen’ —richt je ook op de flexibiliteit van data.  Veel HR-afdelingen willen eerst een perfect datafundament bouwen voordat ze starten met datagedreven-werken en AI. Wat belangrijker is, is dat je een flexibele en modulaire datastructuur opzet, zodat je snel kunt inspelen op actualiteiten en kunt experimenteren met nieuwe databronnen.

2) Investeer in datageletterdheid en AI-adoptie—geen technologie zonder mensen
Veel organisaties investeren volop in technologie, maar vergeten dat de échte uitdaging bij de adoptie ligt. Hoe vaak zien we niet dat er dashboards worden gebouwd waar uiteindelijk niemand naar kijkt? Het probleem is meestal niet de technologie zelf, maar het ontbreken van vaardigheden bij medewerkers en leiders.

3) Voor het opbouwen van een datagedreven HR-afdeling is het belangrijk dat het strategische belang van data wordt onderkent vanuit de top. Er is bij a.s.r. in de afgelopen jaren stapsgewijs gebouwd aan solide HR-datamanagement, waarbij niet alleen aandacht is besteed aan techniek, maar vooral ook aan het opbouwen van een gespecialiseerd datateam binnen HR. Deze bewuste investering zorgt ervoor dat we vandaag de dag niet alleen rapporteren over het verleden, maar ook vooruit kunnen kijken met voorspellende modellen, en een goede basis hebben voor het implementeren van AI-oplossingen. Datagedreven werken en besluiten nemen is daarmee een integraal onderdeel van ons HR-beleid.