We hebben het in HR steeds vaker over AI, algoritmes, voorspellende modellen en slimme toepassingen. Maar als ik met organisaties naar hun HR-data kijk, begint het gesprek zelden bij AI. Het begint meestal met een veel simpelere vraag: wat is eigenlijk een medewerker?
Het klinkt als een detail. Totdat je met data gaat werken. Ik zit regelmatig met HR, Finance en soms IT aan tafel om cijfers te bespreken. Headcount, verloop, productiviteit. En bijna altijd komt er een moment waarop iemand zegt: “Maar wie zit hier eigenlijk wel en niet in?” Dan blijkt dat iedereen net een andere definitie hanteert. HR kijkt veelal naar mensen in dienst, Finance kijkt naar kosten, managers kijken naar wie het werk daadwerkelijk doen. En die drie groepen zijn lang niet altijd hetzelfde.
De praktijk is complexer dan de theorie
In theorie is een medewerker iemand die werk verricht in een organisatie. In de praktijk is het zelden zo overzichtelijk. Neem een organisatie waar ik enkele jaren geleden voor werkte. Zij voeren grote aanbestedingen uit, drie tot vier per jaar. Winnen ze er één extra, dan moeten ze snel opschalen. Missen ze er één, dan moet er net zo snel worden afgeschaald. Bijna een kwart van de mensen werkt daar niet in loondienst, maar wordt flexibel ingezet. Zij draaien gewoon mee in projecten, hebben dezelfde leidinggevenden, doen hetzelfde werk. Maar ze vallen vaak buiten de HR-data. En dus krijg je rapportages over capaciteit, verzuim, productiviteit of verloop die maar een deel van de werkelijkheid laten zien.
En in de zorg zie ik iets vergelijkbaars. In de zorg werken vaak grote groepen stagiairs, bijvoorbeeld via een BOL- of BBL-leerweg. Zij draaien mee in de dagelijkse praktijk, soms op cruciale momenten, verlichten de werkdruk en zijn onderdeel van het team. Maar in veel HR-analyses komen ze nauwelijks terug. Ze staan niet altijd in dezelfde systemen, of worden simpelweg niet meegenomen. En dus ontbreekt een deel van de werkelijkheid in de cijfers.
Daar komen nog andere groepen bij:
- Medewerkers die via een payrollconstructie werken
- Uitzendkrachten
- Mensen die via detachering werken, niet alleen vanuit een detacheringsbureau maar ook vanuit een ‘bevriende’ organisatie. Dit laatste zie ik bijvoorbeeld regelmatig bij gemeentes
- Medewerkers die vallen onder de Participatiewet
- Functies waarvan de kosten niet onder personeelskosten vallen, maar als directe kosten worden geboekt. Die zie je bijvoorbeeld bij rollen die direct gekoppeld zijn aan omzet, zoals customer support. De mensen werken gewoon in het bedrijf, maar staan financieel ergens anders. En dus ook niet altijd in dezelfde HR-rapportages.
- Medewerkers die doorwerken na hun pensioengerechtigde leeftijd. Ik hoorde eens van een cursist dat in hun organisatie deze mensen niet worden meegenomen in de strategische personeelsplanning. Dat terwijl het aantal dat doorwerkte, en vooral in de hogere schalen, relatief groot was. Het rapport dat we hierover maakten heette dan ook ‘AOW’ers te vroeg afgeschreven’
En dan willen we AI inzetten
Wat ik interessant vind, is dat veel organisaties ondertussen nadenken over AI, bijvoorbeeld als digitale assistent voor managers. Een coach die helpt bij vragen, zoals ‘moet ik een vacature openen?’ gebaseerd op zaken als de huidige bezetting, de formatie (het budget), hoeveel mensen al zijn aangenomen (maar nog moeten starten), het aantal externen (nu en de komende maanden), en de kans op uitstroom. Dat soort toepassingen komen eraan. En ze kunnen enorm waardevol zijn, maar ze stellen ook één harde voorwaarde: de data moet kloppen. En niet alleen achteraf, maar real-time.
AI maakt het probleem niet kleiner, maar groter. Een manager die zo’n digitale assistent gebruikt, verwacht een goed advies. Niet een advies op basis van een deel van de werkelijkheid. Als in de berekening alleen medewerkers in loondienst worden meegenomen, maar niet de externen, stagiairs of andere vormen van capaciteit, dan klopt het advies simpelweg niet. Hetzelfde geldt als bepaalde groepen wel in het ene systeem zitten en niet in het andere. AI rekent met wat het krijgt. Dus als niet duidelijk is wat een medewerker is, weet een algoritme dat ook niet.
Eerst dit, dan de rest
In veel trajecten begin ik niet met technologie, maar met een simpele stap. Ik stel de vraag: wat verstaan we hier onder een medewerker? En vervolgens maken we dat expliciet voor elke context. Want dat kan per vraagstuk verschillen. Het hangt ervan af of je wilt investeren in nieuwe medewerkers of in opleidingen, of dat je bij wijze van spreken het aantal kerstpakketten moet bepalen. Pas daarna ga ik verder met dashboards, analyses of AI.
We hebben het in HR graag over de toekomst, over AI, data en technologie. Maar in de praktijk begint goed datagedreven werken nog steeds bij de basis, ofwel heldere definities. Want als we straks AI willen inzetten om managers te ondersteunen in hun beslissingen, dan moet die AI wel weten wie en wat hij meeneemt in de berekening. En dat begint niet bij het algoritme. Maar bij een vraag die eenvoudiger lijkt dan die is: wat is een medewerker?
LEES OOK:
- Nico de Roo, Projectmanager Datagedreven HRM UWV: ‘Datagedreven werken is mensenwerk’
- Video: Zo zet je de eerste stap in datagedreven werken
De 4-daagse HR Analytics Opleiding is een compacte, gespecialiseerde opleiding, waarin je leert om datagedreven HR-analyses te ontwikkelen, strategische HR-beslissingen met data te onderbouwen en data en AI in te zetten binnen HR. Cases en oefeningen helpen je de theorie in de praktijksituaties te plaatsen.
Gerelateerd
In deze training ligt de nadruk op de slimme inzet van GenAI als ondersteunende kracht, mét oog voor de menselijke kant van verandering. Na deze dag beschik je over een heldere roadmap waarmee jouw organisatie AI-gedreven innovatie duurzaam kan realiseren en verankeren in de praktijk.
