Waarom verzetten je beste mensen zich tegen AI? Meestal omdat ze standaarden hebben en de tools die niet halen. Behandel AI-weerstand bij bureaus als een mensenprobleem en je krijgt verplichtingen, trainingsdagen en opgebrande seniors die om 19.00 uur nog machinewerk aan het overdoen zijn. Behandel het als een standaardenprobleem en je weerstanders worden de mensen die AI goed genoeg maken om te leveren.
De kwaliteitsinzet is zelden zo openbaar geweest. In Marketing Week noemde BBH-medeoprichter Sir John Hegarty vorige maand veel van de huidige marketing ‘repetitief, clichématig, saai’. Hij betoogde dat de branche nu bemand wordt door ‘linkerhersenhelft-denkers’ die spreadsheets begrijpen maar geen ideeën, en merkte op dat ‘zo'n 95% van de nieuwe productlanceringen mislukt’, een percentage dat volgens hem in 20 jaar niet is veranderd ondanks veel meer data. Giet middelmatige AI-output in dat systeem en je krijgt meer van hetzelfde, maar sneller.
Waarom verzetten ervaren mensen zich tegen AI-tools?
De oprichter van een bureau die deze week sprak tijdens een sessie over AI-adoptie in Singapore, was daar verfrissend openhartig over. Hij probeerde 18 maanden zijn bureau van zo'n 20 mensen AI-native te maken en zette zwaar in op adoptie. Toen hij goed keek wie zich verzette, bleken het geen technofoben. Ze verzetten zich tegen slechte output: het systeem leverde slecht werk en zij moesten het toch gebruiken.
Het waren mensen die vijf of zes jaar in het vak zaten. Ze wisten hoe goed eruitziet. Als het AI-concept tekortschoot, moesten ze het werk zelf opnieuw doen, dus gingen ze terug naar de oude manier. In zijn woorden betekende AI-weerstand vaak simpelweg dat de tools niet aan de standaarden van het team voldeden. Gedragsverandering mislukt wanneer de kwaliteit mislukt.
Dat is een nuttige herformulering voor elke bureaudirecteur. De account director die geen door AI geschreven statusrapport wil versturen, of de strateeg die het persona-deck van de AI helemaal opnieuw opbouwt, werkt niet dwars. Zij doen jouw kwaliteitscontrole, onbetaald en zonder dank.
Maakt gedwongen AI-adoptie burn-out bij bureaus erger?
Dat kan. Slecht uitgevoerd verdubbelt AI-adoptie het werk: het concept met de tool maken omdat het je is opgedragen en het daarna met de hand repareren omdat de klant het zo niet kan zien. Voeg daar het schuldgevoel van ‘niet snel genoeg adopteren’ aan toe en je hebt het recept voor uitgeputte senior medewerkers.
Goed uitgevoerd doet het precies het tegenovergestelde. In een stuk van de Forbes Agency Council over hoe bureaus onmisbaar blijven, wees Matt Jayson van Multiply campagne-opzet en QA aan als het meest te automatiseren werk: ‘Voor één snelgroeiende klant is dat gemakkelijk 20 uur per week aan onzichtbaar werk.’ Dat is het sleurwerk dat AI moet wegnemen, naast urenregistratie, statusrapporten, resizen, budgetbewaking en concurrentieanalyses.
Het verschil is of de output aan de standaard voldoet zonder een tweede dienst herstelwerk. Als je team langer werkt sinds de uitrol van AI, besparen de tools geen tijd. Ze schuiven die door naar de avond.
Waarom brokkelt vertrouwen in AI zo snel af?
De Trust Theory biedt een heldere verklaring. We vertrouwen een persoon of systeem wanneer we geloven dat het bekwaam, betrouwbaar en in ons belang handelt. Elk daarvan wordt verdiend door ervaring en gesprek; niets kan worden aangekondigd. Een tool die drie slechte concepten achter elkaar oplevert, verliest zijn aanspraak op bekwaamheid. Een tool die wordt opgelegd zonder het team te vragen, verliest het gevoel dat hij aan hun kant staat.
Daarom werken verplichtingen averechts. Een gebruiksdashboard vertelt leidinggevenden wie er heeft ingelogd. Het kan niet vertellen of mensen de output vertrouwen. Dat lukt alleen met gesprek: naast de strateeg gaan zitten en vragen wat ze heeft aangepast, en waarom.
Klanten maken dezelfde berekening. Het punt van de Singaporese oprichter was dat je geen half afgemaakt werk naar klanten kunt sturen, want zo verlies je hun vertrouwen. Je weerstanders beschermen de klantrelatie.
Wie moet bepalen hoe ‘goed’ eruitziet?
De mensen die het al weten. De oplossing van de oprichter was om vakexperts een expliciete rol als goedkeurder te geven: zij bepalen hoe goed eruitziet en niets gaat de deur uit zonder hun akkoord. Iedereen profiteert van AI, maar niet iedereen hoeft het te bouwen. De experts leggen de lat.
Het helpt ook om de bekende tekenen van weerstand te lezen als signalen over standaarden in plaats van over houding.
| Hoe weerstand eruitziet | Wat het meestal betekent | Wat je eraan kunt doen |
|---|---|---|
| Mensen gaan stilletjes terug naar de oude template | De output haalt hun kwaliteitslat niet | Vraag om hun bewerkingen te zien; repareer het systeem, niet de persoon |
| Concepten repareren kost meer tijd dan ze schrijven | AI voegt werk toe in plaats van het weg te nemen | Meet bewerktijd; zet de workflow op pauze tot de acceptatie stijgt |
| Niemand wil AI-output aan een klant laten zien | Ze zien niet waar de conclusies vandaan komen | Eis een traceerbare bron voor elke AI-bewering |
| Seniors haken af terwijl juniors te veel leunen op AI | De standaard is nooit opgeschreven | Maak experts tot goedkeurders die bepalen hoe goed eruitziet |
| Grapjes over ‘de robot’ in elke all-hands | De tool is verplicht gesteld zonder gesprek | Betrek het team bij het kiezen en testen van tools |
De terugkerende thema's van het Forbes-panel wijzen dezelfde kant op: verantwoordelijkheid, oordeelsvermogen en het opkomen voor werk waarvoor AI niet aansprakelijk kan worden gesteld, houden bureaus onmisbaar.
Hoe maak je van AI-weerstanders goedkeurders?
- Zoek je luidste sceptici op en vraag om hun bewerkingen te zien. Het verschil tussen het AI-concept en wat ze daadwerkelijk hebben verstuurd, is jouw specificatie van ‘goed’.
- Schrijf de standaard op. Toon, structuur, bronnen, wat er nooit in mag staan. Als het alleen in het hoofd van een senior zit, kunnen noch AI noch een nieuwe collega eraan voldoen.
- Maak de experts goedkeurders, met echte bevoegdheid. Zij tekenen af voordat iets AI-ondersteunds bij een klant komt, en ze kunnen een workflow stopzetten die niet aan de lat voldoet.
- Meet bewerktijd, geen inlogmomenten. Als repareren langer duurt dan zelf doen, stop dan en herstel de workflow voordat je verder uitrolt.
- Voed correcties terug. Zet elke bewerking van een goedkeurder om in betere prompts, templates en voorbeelden, zodat het volgende concept minder reparatie nodig heeft.
- Begin met het onzichtbare werk. Opzet, QA, rapportage en monitoring, waar een misser weinig kost en de tijdwinst meteen voelbaar is.
- Praat er openlijk over. Een halfuur per twee weken over wat werkte en wat niet, bouwt meer vertrouwen op dan welke uitrolmail ook.
Wat maakt AI-output betrouwbaar genoeg om te leveren?
Bewijs dat je experts kunnen controleren. Een senior strateeg accepteert een AI-conclusie als ze kan zien waar die vandaan komt en er zelf over kan oordelen. Ze wijst een conclusie af die als stellige alinea zonder bronnen binnenkomt.
Daarom is op het Defy-platform elke AI-conclusie terug te voeren op de echte gepubliceerde posts erachter. Strategie wordt teruggerekend vanuit wat doelgroepen en concurrenten daadwerkelijk publiceren, niet vanuit enquêtes, zodat de goedkeurder het bewijs kan openen en zelf kan beslissen.
Mensen, zei de oprichter, zijn niet het beste in verandering. Ze zijn de grootste blokkade en de grootste aanjager van AI-transformatie tegelijk. Welke van de twee je mensen worden, hangt ervan af of de tools hun standaarden respecteren.
