Uit de gesprekken met managementadviseurs over kunstmatige intelligentie (AI) komt steeds dezelfde aanpak naar voren: herhaal het recept om repetitieve taken te automatiseren, papierwerk te stroomlijnen en grote datasets sneller te verwerken om de productiviteit te verhogen. Early adopters van AI zien het als een manier om een concurrentievoordeel te behalen. Hoewel de productiviteitswinst door AI echt is, is zo'n efficiëntiegericht voordeel waarschijnlijk van tijdelijke aard, omdat slechts enkele grote taalmodellen—zoals die achter ChatGPT—de markt domineren, en veel bedrijven ze betaalbaar kunnen gebruiken. Wanneer concurrenten dezelfde AI-tools inzetten voor vergelijkbare efficiëntie-doelen, gaan ze vaak over op gelijkaardige workflows en aanbod, waardoor differentiatie afneemt. Ethan Mollick van de Wharton School betoogt dat om echt een concurrentievoordeel te behalen, bedrijven een meer betekenisvolle toepassing van AI nodig hebben. In een gesprek met Economist Impact presenteert Mollick een raamwerk voor AI-gedreven innovatie, gebaseerd op drie pijlers: een ‘crowd’ van medewerkers die met AI experimenteren, leiderschap dat passende incentives stelt, en een toegewijd ‘lab’ om succesvolle doorbraken vast te leggen en op te schalen. Het combineren van deze drie elementen kan een bedrijf echt onderscheiden. Innovatie moet beginnen bij de ‘onderkant’—de werknemers die dagelijks inefficiënties en creatieve kansen ervaren. Omdat AI-tools breed beschikbaar en betaalbaar zijn, kunnen medewerkers die dicht bij de taken staan gemakkelijk experimenteren met de voordelen ervan, zoals een marketingmanager die AI test voor campagne-ideeën of een advocaat die AI gebruikt om memos op te stellen. Deze experimenten kosten vooral tijd en leveren waardevolle inzichten op. Een gezamenlijk veldexperiment door Mollick, Harvard, MIT en BCG bevestigde dat meer dan 750 consultants die OpenAI’s GPT-4 gebruikten voor complexe, kennisintensieve taken, werk produceerden dat 40% hoger gewaardeerd werd op kwaliteit dan dat van degenen die geen AI gebruikten, vooral waar AI’s sterktes in schrijven, ideeënvormen en synthese van toepassing waren. Leiderschap speelt een cruciale rol door ambitie te balanceren met geruststelling.

Werknemers moeten begrijpen dat AI-gedreven verandering verwacht wordt, maar dat experimenteren niet automatisch tot ontslagen leidt. Mollick benadrukt dat medewerkers vaak ‘productiviteitswinst’ gelijkstellen aan ontslag, dus heldere communicatie is essentieel. Leiders moeten (1) zelf AI gebruiken om het goede voorbeeld te geven, (2) een duidelijke, concrete visie schetsen voor de toekomst van het bedrijf in een wereld met AI—voorbij vage oproepen als “gebruik AI”, en (3) duidelijk maken wat de organisatie belangrijk vindt, en onderscheid maken tussen processen en resultaten. AI kan bijvoorbeeld talloze rapporten of code genereren, maar als alleen de hoeveelheid output telt, dannen ze mogelijk de verkeerde doelen na. Leiders moeten bepalen of de waarde ligt in het samenproces van rapportages maken of in de uitkomsten ervan, en daarbij traditionele metrics zoals gewerkte uren of voltooide taken ter zijde schuiven. Om AI-gedreven innovatie te stimuleren, moeten bedrijven ‘context bieden’—niet alleen technisch, door modellen te trainen met bedrijfsspecifieke data en ze in workflows te integreren, maar ook organisatorisch. Mollicks raamwerk moedigt bedrijven aan om herhaalde cycli van experimenteren, leren en succes opschalen te doorstaan, zodat ze ontdekken waar AI echt waarde toevoegt. Deze continue leercapacity, aangepast aan de unieke context van elk bedrijf, zal organisaties onderscheiden die AI inzetten voor betekenisvolle innovatie van degenen die zich slechts richten op incrementele efficiëntie. Hoewel AI snel alomtegenwoordig wordt, blijft de organisatorische context die het volledige potentieel ervan ontgrendelt een zeldzaam voordeel.