AI versterkt individueel leren
Het is vandaag moeilijk om over softwareontwikkeling te schrijven zonder te stuiten op de impact van generatieve AI. AI helpt de mens om sneller dan ooit te analyseren, te coderen en te leren en brengt daarmee ongekende persoonlijke productiviteit. Wanneer ik echter terugkijk op twintig jaar software delivery, heb ik weinig digitaliseringsprojecten zien mislukken door een gebrek aan individuele expertise. Veel vaker zag ik projecten vastlopen omdat mensen, ondanks alle expertise aan tafel, niet tot een gedeeld begrip kwamen van wat er moest gebeuren.
Ik vraag me af of we in ons enthousiasme over hoe AI individuen versnelt, niet vergeten hoe belangrijk collectief leren blijft.
Twintig jaar collectief leren verbeteren
De voorbije twintig jaar heeft de IT-sector verschillende grote veranderingen gekend: cloud computing, mobiele ontwikkeling, NoSQL-dataopslag. Maar de meest ingrijpende veranderingen waren voor mij in de eerste plaats niet technologisch. Ze gingen over hoe teams en organisaties sneller kunnen leren en effectiever kunnen opleveren.
Denk aan enkele van die grote verschuivingen:
- Agile verkortte de feedback loops tussen teams en stakeholders. In plaats van maanden- of jarenlang assumpties te documenteren en te implementeren, leren teams om de paar weken of ze het juiste probleem oplossen.
- DevOps stelde vast dat een organisatie niet kan leren wanneer mensen die software ontwikkelen gescheiden zijn van de mensen die de infrastructuur en tools beheren. Door deze twee groepen samen te brengen rond gedeeld eigenaarschap worden productie-incidenten kansen om samen te leren en te verbeteren, in plaats van te belanden in een traditionele blame game.
- UX-onderzoek en service design stellen het idee in vraag dat gebruikersbehoeften volledig begrepen kunnen worden door analisten in een vergaderzaal over hypotheses te laten debatteren. Gestructureerd gebruikersonderzoek laat teams toe om aannames te valideren of te ontkrachten nog voordat in dure softwareontwikkeling geïnvesteerd wordt.
- Organisatorische frameworks zoals Teamtopologieën en toolkits zoals Sociocratie 3.0 winnen terrein omdat ze organisaties structureren rond de interacties tussen mensen. Om organisaties te bouwen die wendbaarheid en effectiviteit verzoenen, moeten we alle aspecten van menselijke samenwerking expliciet meenemen.
Verschillende praktijken, verschillende contexten, maar een gemeenschappelijke rode draad: collectief leren verbeteren.
Een vroege les in de publieke sector
In 2005, vers van de schoolbanken, kwam ik terecht in een softwareteam dat verantwoordelijk was voor de aangifte van sociale bijdragen in België. Ik dacht dat softwareontwikkeling vooral zou draaien rond datamodellen ontwerpen en code schrijven. In werkelijkheid kwam ik terecht in een team van meer dan dertig mensen dat elk kwartaal een nieuwe release opleverde. De oplossing bestond uit systemen in COBOL, andere in Java, een hele reeks integraties en verschillende externe partijen waarmee afgestemd moest worden.
Wat me het meest bijblijft uit die periode, is de inspanning die werd gestoken in het creëren van een gedeeld begrip van het werk. Elke releasecyclus begon met een grote kick-offmeeting. Teams kwamen samen om te begrijpen wat we wilden bereiken, wat er veranderd was en waar samenwerking nodig zou zijn. De leidraad tijdens de meetings was een gigantisch Word-document waarin beslissingen en kennis centraal werden bijgehouden.
Ik ben er zeker van dat sommige agilisten zouden huiveren bij die meetings. Maar ze zorgden voor afstemming, en die afstemming maakte de rest mogelijk.
Eén les werd al snel duidelijk: het moeilijkste was niet de software. Het was mensen helpen om elkaar te begrijpen en zich op elkaar af te stemmen.
De AI-paradox: waarom menselijk gedoe belangrijk is
Menselijke samenwerking is rommelig en gaat vaak gepaard met heel wat gedoe. Stakeholders zijn het oneens. Teamleden spreken zich niet uit. Onze beste bedoelingen gaan verloren in de vertaling. Beslissingen duren langer dan verwacht. Die momenten kunnen inefficiënt aanvoelen, en toch is het net daar dat aannames in vraag worden gesteld, dat afwegingen zichtbaar worden en dat gedeelde ownership ontstaat.
Vandaag laat generatieve AI toe om een groot deel van die menselijke wrijving te omzeilen. User stories nodig? Vraag het aan een AI. Geen zin om testcode te schrijven? Vraag het aan een AI. Inzichten nodig voor gebruikerspersona’s? Simuleer ze met een AI. Daar zit waarde in. Maar ook risico.
Hoe meer we zelfstandiger worden als individu, hoe kleiner de kansen op collectief leren. AI kan perspectieven genereren. Ze kan aannames in vraag stellen. Ze kan zelfs de standpunten van verschillende stakeholders simuleren.
Maar AI kan geen engagement creëren. AI kan geen vertrouwen tussen teams opbouwen. AI kan geen verantwoordelijkheid dragen voor moeilijke beslissingen.
De volgende uitdaging
In onze podcast Public Service Adventure spreken Alixe en ik regelmatig met mensen die werken aan publieke dienstverlening.
Wat me daarbij telkens opnieuw opvalt, is dat hun grootste bijdrage zelden hun individuele expertise is. Hun echte meerwaarde zit in hun vermogen om mensen, teams en organisaties samen vooruit te helpen.
Veel van de meest succesvolle praktijken van de voorbije twintig jaar hebben geholpen om groepen beter samen te laten leren. Generatieve AI helpt ons vandaag om als individu sneller te leren.
Misschien ligt de volgende uitdaging wel in het zoeken naar hoe we het eerste niet verliezen terwijl we het tweede omarmen.
