Wouter Neef
7 min lezen
June 5, 2025
Het Europese concurrentiedebat komt steeds op dezelfde conclusie uit: de bottleneck is niet de toegang tot technologie, maar het tempo waarin werkende volwassenen nieuwe vaardigheden oppikken. De deelname aan leren op latere leeftijd ligt in de EU ruim onder de ambitie die ervoor is gesteld, en verschilt sterk per lidstaat. De kloof is ook niet gelijk verdeeld: hij is het grootst precies daar waar data en AI het werk het snelst veranderen.
Het woord dat in dat debat meestal ontbreekt is snelheid. Een data- en AI-leider bij een wereldwijd farmabedrijf verwoordde het scherper dan welk beleidsstuk ook: "I don't think it's about adoption, I think it's about the speed of adoption. And humans are at the moment not fast enough to adopt it." Dat is een ander probleem dan een tekort aan vaardigheden. Vanzelf komen de meeste organisaties er uiteindelijk wel. De vraag is of ze er zijn voordat de besluiten die ervan afhingen al genomen zijn.
Voor een individuele organisatie doet het Europese cijfer minder ter zake dan het eigen cijfer. De praktische aanbeveling is het bruikbare deel: word responsiever op veranderende vaardigheidsbehoeften, en verzamel betrouwbare, gedetailleerde en vergelijkbare informatie over waar de gaten precies zitten. Zonder dat gaat het upskillingbudget naar wie het hardst vraagt in plaats van naar waar het het werk verandert.
"Gedetailleerd" doet daar echt werk. Een gemiddelde over de hele organisatie levert niets op waar je iets mee kunt. Het cijfer dat een besluit verandert is dat per team en per rol: welke groep leest een dashboard met vertrouwen maar kan niet bevragen wat erin zit, welke groep bouwt rapportages die niemand opent, welke groep tekent voor AI-initiatieven zonder ze te kunnen beoordelen. Dat zijn vier verschillende problemen met vier verschillende antwoorden, en daarom delen we mensen in vier data- & AI-persona's in voordat we iets ontwerpen.
"Vergelijkbaar" telt net zo zwaar. Een meting die je alleen met jezelf vergelijkt vertelt of je bent opgeschoven, niet of dat genoeg was. Wij meten vaardigheden op een schaal van 0 tot 300, voor, tijdens en na een programma, per persona en per team, en zetten dat af tegen andere organisaties. Zo is het antwoord op "doen we het goed?" geen kwestie van mening meer.
Een veelvoorkomende reactie is de e-learning van een paar jaar terug afstoffen en er een GenAI-module aan vastschroeven. Dat overleeft de praktijk zelden, om een simpele reden: de inhoud veroudert sneller dan het platform waarop hij staat, en een training die niemand afmaakt leert niemand iets.
De omvang van dat tweede probleem wordt makkelijk onderschat. Het afrondingspercentage van standaard e-learningcatalogi ligt rond de 12%. Anders gezegd: ongeveer zeven van elke acht licenties die je betaalt leveren helemaal niets op. Elk budgetgesprek dat begint bij de prijs per gebruiker in plaats van bij de prijs per learner die het afmaakt, meet het verkeerde.
Er zit ook een positioneringsval in. In vrijwel elke grote organisatie die we spreken is het instapniveau al bezet: een verplichte, bedrijfsbrede, grotendeels tekstuele AI-training die iedereen één keer heeft doorgeklikt. Daar meer van kopen verandert niets, en de mensen die het hardst moeten bewegen hebben het vakje al afgevinkt. Het niveau dat echt ontbreekt is dat erboven, waar mensen de stof toepassen in de tools die ze gebruiken, op de problemen die van hen zijn.
Ook de vorm is geen detail. Onderzoek van Carnegie Mellon zet interactief oefenen op ongeveer zes keer effectiever dan alleen video kijken. Dat verschil bepaalt of een curriculum bewustzijn oplevert of werk dat mensen de volgende ochtend kunnen doen.
Curricula moeten dus worden getoetst op effectiviteit en herzien, niet uitgebreid. Dat betekent je completion rates kennen in plaats van je inschrijfcijfers, weten welke modules mensen laten vallen en waar, en bereid zijn materiaal te schrappen dat zijn plek niet meer verdient.
In onze eigen programma's zit het verschil tussen een training die mensen afmaken en een die ze laten vallen bijna nooit in het onderwerp. Het zit in de vraag of de oefeningen hun data, hun tools en hun cases gebruiken, en of iemand het merkt als een learner halverwege blijft steken. Allebei zijn het bewuste ontwerpkeuzes: trainingen gebouwd op de eigen use cases van de klant, en iemand die de voortgang actief volgt en bijstuurt in plaats van een dashboard dat niemand opent. Bij Jaarbeurs leverde die combinatie 96% afronding op bij 350 learners, bij Skyscanner 77% bij ruim 1.400.
Europa loopt al lang achter op de VS en delen van Azië op productiviteit, en het verschil is het duidelijkst in hoe snel nieuwe technologie daadwerkelijk gebruikt wordt in plaats van alleen aangeschaft. Voor organisaties die die grens wél over gaan is het rendement er: Morgan Stanley kwam op een netto productiviteitswinst van 11,5% bij bedrijven die AI een jaar of langer echt gebruiken, gemeten over de vijf sectoren die er het meest aan blootstaan. Let op de voorwaarde in die zin. Het is een cijfer voor bedrijven die de technologie daadwerkelijk gebruiken, geen belofte dat aanschaffen loont.
Diezelfde scheefheid zie je terug in wat de vaardigheden waard zijn. PwC's Global AI Jobs Barometer zette de loonpremie voor AI-vaardigheden op 56%, terwijl Lightcast, wiens vacaturedata PwC gebruikt, op 28% uitkomt bij een grotere steekproef. Ergens tussen een kwart en de helft dus, afhankelijk van wiens cijfers je pakt, en in beide gevallen stijgend. De arbeidsmarkt beprijst de vaardigheid die jouw programma moet opleveren nu al.
Wat die gemiddelden verbergen, is hoe ver vergelijkbare bedrijven inmiddels uit elkaar liggen. In onze eigen gesprekken met Nederlandse ondernemingen van soortgelijke omvang hoorden we binnen een paar weken "een paar duizend AI-agents in productie", "vijftigduizend", en "nul, want dat durven we nog niet". Dat verschil is niet te verklaren uit ambitie, en ook niet uit budget. Het is te verklaren uit de vraag of genoeg mensen in de organisatie de technologie goed genoeg begrijpen om iemand toestemming te durven geven.
Er is een menselijke hindernis die het benoemen waard is. Een groot deel van de Europese werknemers is onzeker over AI, en een aanzienlijk deel zou overheidsbeperkingen verkiezen om banen te beschermen. Dat los je niet op met een compliance-module. Dat los je op door mensen genoeg praktische vaardigheid te geven dat AI niet langer voelt als iets wat hún overkomt, maar als iets wat ze zelf kunnen sturen.
Die onzekerheid is ook de reden dat een volledig vrijwillig programma juist de mensen bereikt die het het minst nodig hebben. De collega's die zich als eerste inschrijven zijn meestal degenen die er al comfortabel bij zitten. Degenen waar de business case op leunt, hopen in stilte dat het overwaait.
En de kloof zit niet alleen op de werkvloer. Een dataconsultancy legde hem, kijkend naar de eigen klantenkring, juist bovenin: leiders en bestuurders die onvoldoende geletterd zijn om de gevolgen te zien van de besluiten die ze nemen, in organisaties die aannemen dat het geregeld is omdat er ergens binnen IT een datateam zit. Een programma dat de leidinggevende laag overslaat, strandt meestal één niveau daaronder.
Daaruit volgen drie dingen voor wie een programma draait. Beperk het niet tot de data-organisatie. Beperk het niet tot de mensen die zich er al comfortabel bij voelen. En accepteer dat sommige groepen, mensen die niet de hele dag achter een bureau zitten, of wier eerste taal niet de taal van je training is, een ander formaat nodig hebben in plaats van een luidere uitnodiging.
Hier is geen driejarenplan voor nodig. Wel één cohort, met een eerlijke meting eromheen.
Het helpt om af te spreken wat "het kunnen" betekent voordat je het meet. De onze, ontstaan tijdens het bouwen van de assessment: begrijpen wat data is, genoeg vertrouwen hebben om ermee te werken, en het toepassen in je dagelijkse werk. Pas als alle drie waar zijn verandert er iets. Twee van de drie is een afgeronde training.
Meet daarna eerst, zodat je later een nulmeting hebt om mee te argumenteren. Kies het deel van de organisatie waar data of AI het werk zichtbaar verandert, niet het deel dat er het enthousiastst over is. Draai één cohort van begin tot eind op echte cases uit dat deel van de organisatie, en meet daarna dezelfde vaardigheden opnieuw. Leid vervolgens een handvol champions op binnen die groep, zodat het tweede cohort niet meer van jou afhangt.
Die volgorde maakt van een trainingsbudget een vaardigheid die de organisatie zelf bezit. Het programma bij Jaarbeurs is daar een uitgewerkt voorbeeld van: een bedrijfsbrede ambitie, vertaald naar cohorten op hun eigen materiaal, met groei in vaardigheden die is gemeten in plaats van aangenomen.
De Europese vaardighedenkloof wordt door geen enkele werkgever alleen gedicht. Maar het deel dat binnen je eigen organisatie zit is meetbaar, en het is het enige deel waar je dit jaar iets aan kunt doen.
Lid van
Genomineerd
