Al in e-learning: wat werkt er eigenlijk?

De meeste L&D-teams hebben inmiddels op de een of andere manier AI gebruikt. De vraag is verschoven. Het gaat er niet langer om of je het moet adopteren. Het gaat erom of het daadwerkelijk iets beters oplevert, of alleen iets sneller.

In ons laatste webinar sloten Nelson Sivalingam, CEO bij HowNow en auteur van Learning at Speed, en Talha Faridy, AI Innovation Lead bij Easygenerator zich aan bij moderator Ashling Moran voor een eerlijke blik op waar AI in L&D daadwerkelijk landt. Wat heeft gewerkt, wat niet, en wat L&D-professionals zouden moeten vragen van de tools waarin ze investeren.

🎥 Bekijk de sessie: Live gemist? Bekijk de volledige opname hierboven.

Efficiëntie is niet hetzelfde als effectiviteit

Wanneer je vraagt hoe L&D-teams vandaag de dag AI gebruiken, is het antwoord meestal hetzelfde: om te doen wat ze al deden, maar dan sneller. Contentcreatie, curriculumplanning, het analyseren van evaluatiegegevens. De efficiëntiewinst is reëel.

Maar Nelson trok een grens tussen efficiëntie en effectiviteit die gedurende het hele gesprek naar voren kwam.

“Er is een groot verschil tussen iets snel doen en het juiste doen. En op dit moment doen we iets snel, maar we evalueren niet noodzakelijkerwijs of het wel de juiste keuze is.”

Het risico is niet alleen verspilde tijd. Het is dat AI het makkelijker maakt om de verkeerde dingen op te schalen. Als je content voorheen niet aansloeg, lost het sneller produceren ervan het probleem niet op. Zoals Nelson het verwoordde:

“Wat we onszelf in feite zouden kunnen zien doen, is het opschalen van het probleem dat we juist hopen op te lossen. Een van de uitdagingen is dat er een enorme hoeveelheid content is. En als je een enorme hoeveelheid content hebt, is vindbaarheid een van de grootste uitdagingen. Door heel snel veel content te kunnen creëren die niet van goede kwaliteit is, schaal je in feite het probleem dat je al had, veel, veel sneller op.”

Er is ook een gevolg waar je moeilijker van herstelt. Wanneer lerenden in aanraking komen met AI-gegenereerde content van slechte kwaliteit en deze niet nuttig vinden, vormen ze een mening. Hen daarna weer terugkrijgen is moeilijk.

Talha voegde eraan toe dat onrealistische verwachtingen een deel zijn van wat dit aanwakkert. Veel auteurs gaan ervan uit dat ze een taak met minimale context aan AI kunnen overdragen en iets terugkrijgen dat klaar is voor productie.

“Veel auteurs hebben verkeerde verwachtingen van wat AI kan doen. Ze hebben het gevoel dat ze het gewoon kunnen delegeren zonder veel context en voorbereidend werk, en dan een resultaat verwachten dat volledig klaar is voor productie. Terwijl dat vaak niet het geval is.”

Hoe een echte waardemaatstaf eruitziet

Als snelheid niet de maatstaf is, wat dan wel? Nelsons antwoord gaat terug naar waar L&D eigenlijk voor bedoeld is.

“Het resultaat van L&D is niet het creëren van content. Het is een middel tot een doel. Onze taak in dit vakgebied is om mensen te helpen hun werk beter te doen en hen te helpen groeien. Zo simpel is het.”

Dat betekent dat de vraag niet is hoeveel cursussen er zijn verzonden of hoeveel leeruren er zijn voltooid. Het gaat erom of de vaardigheden die belangrijk zijn voor het bedrijf daadwerkelijk zijn ontwikkeld.

Nelson kaderde dit in vanuit het perspectief van wat hij de talentencrisis noemde: organisaties die moeite hebben om gespecialiseerde vaardigheden aan te nemen waar veel vraag naar is en die schaars zijn. De enige duurzame reactie is om mensen intern bij te scholen. Dat maakt het ontwikkelen van vaardigheden de output die ertoe doet, en het is de output die de meeste L&D-metingen nog steeds niet direct bijhouden.

“De vraag gaat niet over hoeveel leeruren iemand heeft gemaakt of welke inhoud is voltooid. Het komt echt neer op: hebben we de vaardigheden opgebouwd die we nodig hadden om die doelstellingen te bereiken? Dat is echt de maatstaf voor waarde.”

Context is wat AI mist

Een van de duidelijkste praktische punten uit de sessie ging over wat AI-output daadwerkelijk nuttig maakt. Generieke AI-tools zijn redelijk goed in generieke informatie. Waar ze standaard niet goed in zijn, is bedrijfscontext.

Talha was hier direct over:

“Grote taalmodellen zijn erg goed in generieke informatie. Maar één ding waar ze standaard nog steeds niet geweldig in zijn, is bedrijfscontext. Jouw bedrijfscontext, jouw bedrijfsdoelen, de resultaten waar je naar op zoek bent. Dat is het soort context dat je in de AI wilt brengen. Dat voorbereidende werk moet worden gedaan voordat je met AI aan een tool werkt.”

Dit geldt ook voor het maken van cursussen. Het gemak waarmee iets met AI kan worden gebouwd, maakt het ook makkelijker om het verkeerde te bouwen.

“Het is nu makkelijker om dingen te bouwen, maar het is ook makkelijker om de verkeerde dingen te bouwen.” Dat concept is van toepassing op het maken van cursussen. Je bouwt iets om zinvolle resultaten te stimuleren. Het is zeker makkelijker om trainingen te bouwen, maar het is ook makkelijker om de verkeerde trainingen te bouwen voor de verkeerde mensen in de verkeerde formaten.”

Het voorbereidende werk dat dit voorkomt, is het vooraf definiëren van leerdoelen, specifiek zijn over de gedragsverandering die je van de lerenden verwacht, en de AI een duidelijk beeld geven van hoe goede output eruitziet voordat je begint. In Easygenerator is dit ingebouwd in de Course Guidelines-functie, waarmee auteurs EasyAI expliciete instructies kunnen geven over doelen, contentvoorkeuren en bronmateriaal voordat het iets genereert.

Auteur-eerst AI vs AI-eerst contentgeneratie

Dit bracht het gesprek op een onderscheid dat door de hele sessie liep: het verschil tussen AI die uitgaat van de intentie van de auteur en AI die uitgaat van contentgeneratie.

Talha beschreef hoe Easygenerator dit benadert, door Bloom’s taxonomy te gebruiken om leerdoelen te verankeren voordat er enige content wordt gebouwd.

“We vragen de vakexpert of de instructional designer wat ze precies willen dat hun cursisten doen nadat ze de cursus hebben afgerond.” Wat is die gedragsverandering in termen van toepassing die ze willen stimuleren? Zodra dat vooraf is gedefinieerd, samen met de kennis die de lerenden nodig hebben, stuurt dat de AI in de juiste richting en verhoogt het de algehele kwaliteit van de content.”

Nelson voegde een nuttig kader toe voor wat dit ontgrendelt. In het oude model ging een L&D-team naar een vakexpert (SME), verzamelde expertise, nam die mee, paste instructional design-denken toe en kwam weken later terug met een cursus. AI-ondersteund authoring verandert die tijdlijn.

“Als SME kan ik naar Easygenerator gaan en met de AI werken om te zeggen: Ik dump hier mijn expertise, maar jij hebt de expertise van de pedagogiek, en de beste manier om dit in te kaderen en te structureren. Het zou je weken hebben gekost om tot iets te komen dat pedagogisch verantwoord was. Maar nu kunnen we heel snel van ‘hier is expertise’ naar ‘pedagogisch verantwoorde leerbron’ gaan.”

Dat gezegd hebbende, suggereerde geen van beide sprekers dat dit de noodzaak voor menselijk oordeel wegneemt. De power users van AI zijn degenen die itereren, die de eerste output als startpunt beschouwen en die bij elke stap hun eigen context en expertise in het proces inbrengen.

De nieuwe taak van L&D is het ontwerpen van de context, niet de content

Als vakexperts nu direct content kunnen creëren met AI-ondersteuning, wat betekent dat dan voor de rol van L&D? Zowel Nelson als Talha wezen in dezelfde richting.

Nelsons formulering was memorabel: in deze wereld zijn L&D-teams in feite managers van AI. En de taak van een manager is om de lat te leggen en de voorwaarden te scheppen voor anderen om die te halen.

“Het is niet per se de taak van L&D om de content te ontwerpen. Het is de taak van L&D om de context te ontwerpen zodat iedereen anders met heel weinig wrijving nuttigere bronnen kan creëren.”

Dat betekent definiëren wat goed is, koersrichtlijnen opstellen die elke vakexpert kan volgen, de juiste pedagogische kaders kiezen en governancestructuren opbouwen die de kwaliteit consistent houden in de hele organisatie zonder elke vakexpert te belasten met beslissingen over instructieontwerp.

Talha maakte hetzelfde punt vanuit het perspectief van het product:

“Het L&D-team kan dat kader bepalen en de zaken in de juiste richting sturen. Als je dat niet doet, is het weer een situatie waarin vakexperts, die al overbelast zijn, nu ook moeten leren hoe ze kwalitatief goed leermateriaal kunnen maken. AI kan hier super behulpzaam zijn, waarbij L&D-teams definiëren wat goed is, en vakexperts dat vervolgens kunnen gebruiken om content te creëren zonder dat dit een extra belasting voor hen vormt.”

Het aspect van erkenning is ook van belang. Ashling noemde iets wat ze in de praktijk ziet werken: de namen van mensen op cursussen zetten, sterke voorbeelden benoemen en publiekelijk erkenning geven aan vakexperts die het goed doen. Het legt de lat zichtbaar en geeft anderen iets om naar te streven.

Of AI is ingebouwd of toegevoegd, is belangrijker dan je misschien denkt

Een vraag uit het publiek tijdens de sessie raakte aan iets dat gedurende de hele sessie naar voren kwam: hoe bepaal je of AI oprecht in een tool is ingebouwd of slechts bovenop een bestaand product is geplaatst?

Nelsons visie was dat het antwoord meestal zichtbaar wordt in hoe de AI presteert gedurende de volledige workflow.

“Wanneer je AI native hebt, pas je in wezen intelligentie toe bij elke stap in dat proces. Je krijgt dus de efficiëntiewinst, maar ook de winst in effectiviteit door die intelligentie bij elke stap toe te passen. Als een add-on is het echt moeilijk. Je probeert de laatste mijl te polijsten met AI, en dat is wat het heel moeilijk maakt.”

Zoals Nelson aangaf, omvat contentcreatie meerdere stappen die bij elk ervan profiteren van intelligentie: curriculumontwerp, het structureren van individuele contentonderdelen, het inbouwen van scaffolding en het toepassen van pedagogische kaders. Een bolt-on-oplossing kan op een of twee van deze punten helpen. Een platform waar AI-native is, kan ze allemaal ondersteunen.

De praktische test die hij voorstelde is simpel: hoe effectief was de AI bij het helpen uitvoeren van de specifieke taak die je wilde doen? Niet welke AI het meest indrukwekkend klinkt, maar welke je daadwerkelijk hielp het probleem dat voor je lag op te lossen.

Talha ging direct in op het prijsaspect hiervan. Sommige leveranciers hebben op de kosten van AI gereageerd door de kosten door te berekenen in hogere prijzen. Het standpunt van Easygenerator is dat AI voor iedereen in de basisprijs inbegrepen moet zijn.

“Wij geloven sterk dat de toekomst voor de meeste auteurs en L&D-professionals AI-native is. Ons standpunt is dat iedereen met die technologie moet worden uitgerust. Daarom rekenen we voor de AI in ons kernplatform geen extra kosten. Het is inbegrepen in de basisprijs. Dat is de kernreden: iedereen in staat stellen en samen toewerken naar een toekomst waarin we AI-native zijn.”

Waar dit heen gaat

Het laatste hoofdstuk van het gesprek ging over de komende 12 maanden. Talha wees op agentic AI als de richting waarin het zich beweegt: AI die iteratief door een workflow beweegt en verschillende tools en capaciteiten gebruikt om een taak te voltooien, in plaats van één output te produceren als reactie op één prompt. Effectiever, meer contextbewust, beter in het bereiken van iets nuttigs zonder dat de gebruiker meerdere rondes van handmatige correctie hoeft uit te voeren.

Nelsons visie had een bredere reikwijdte. Hij beschreef een kloof in L&D die nooit is gedicht: het verband tussen leren en presteren. De meeste organisaties kunnen je niet vertellen, als de prestaties dalen, welke vaardigheden ontbreken of waarom. En zelfs wanneer ze een vaardigheidskloof kunnen identificeren, weten ze vaak niet welke leerinterventie dit zal aanpakken.

“Met autonome agenten die die lus helemaal zelf kunnen doorlopen, kun je nu naar werksignalen kijken, afleiden wat de prestatiehiaten zijn, uitzoeken welke vaardigheden ontbreken, je verbinden met de juiste relevante leerbron, en daarna de werkgegevens monitoren om te zien of het de prestaties daadwerkelijk heeft veranderd.” Alles in één autonome lus.”

Hij noemde dit de visie van een zelflerend bedrijf. L&D stelt de kaders vast en het systeem handelt de lus af.

De essentie

AI in L&D levert echte efficiëntieverbeteringen op. De organisaties die de meeste waarde zien, zijn degenen die context als een eerste stap zien, mensen in het proces houden in plaats van ze te verwijderen, en resultaten meten in plaats van output.

De tools zijn ook van belang. AI die vanaf het begin in de auteur-workflow is ingebouwd, gedraagt zich anders dan AI die bovenop een verouderd product is toegevoegd. Het begrijpen van dat verschil is onderdeel van het evalueren of een platform je daadwerkelijk helpt of alleen maar helpt om sneller meer content te produceren.

👏 Enorme dank aan Nelson Sivalingam voor een oprecht eerlijk en praktisch gesprek.

Transcript van het sprekerswebinar

Ashling: Laten we beginnen. Bedankt allemaal voor jullie aanwezigheid. Als je terugkeert, waarderen we dat enorm. En als dit je eerste keer is, welkom. Vandaag gaan we het hebben over AI en e-learning en wat er daadwerkelijk werkt. Mijn naam is Ashling en ik heb het genoegen deze sessie te hosten, en ik word vergezeld door Nelson en Talha, die zichzelf over een paar seconden zullen voorstellen. Dit is een vervolg op een gesprek dat we in oktober 2025 hadden, en dat ging volledig over AI en e-learning. En deze keer beginnen we vanuit een iets ander uitgangspunt. In plaats van te kijken of we AI moeten gebruiken, gaan we ons concentreren op de vraag of dit daadwerkelijk werkt. Zonder verder oponthoud geef ik het woord aan onze gasten van vandaag. Nelson, jij staat als eerste op mijn scherm. Zou je jezelf willen voorstellen?

Nelson: Natuurlijk. Ik ben Nelson, een van de oprichters en CEO bij HowNow. Bij HowNow zijn we een leerplatform dat bedrijven helpt te achterhalen welke vaardigheden ze hebben, welke vaardigheden ze missen, en mensen in contact brengt met relevante leermiddelen zodat ze de vaardigheden kunnen opbouwen die ze nodig hebben. Ik ben ook de auteur van Learning at Speed. Het zou geweldig zijn om te weten of iemand het boek tijdens deze sessie heeft gelezen; als dat niet het geval is, biedt het boek een praktische gids en raamwerken over hoe je de snelheid waarmee je leert in je organisatie kunt versnellen. Geweldig om hier te zijn. Ik kijk echt uit naar de discussie.

Ashling: Bedankt dat je erbij bent. Ik ben benieuwd naar wat je kunt bijdragen. Als iemand het boek heeft gelezen, zet het in de chat, ik zou het graag willen weten. Talha, zou jij jezelf als volgende willen voorstellen?

Talha: Bedankt, Ashling. Dus Talha hier, ik leid de AI-productinspanningen bij Easygenerator. Ik ben dus verantwoordelijk voor de AI-visie, productstrategie en het werken met L&D-teams en vakexperts om de droom van door werknemers gegenereerd leren te verwezenlijken, en hoe AI kan worden toegepast bij het creëren van e-learning, maar ook daarbuiten. En we verkennen die ruimte hier bij Easygenerator vrij rigoureus, zou ik zeggen.

Ashling: Spannende tijden, er verandert veel, dus ik ben blij dat ik vandaag wat tijd heb om jouw inzichten te horen. Voordat we in onze eerste vraag duiken, hoor ik graag van jullie allemaal die vandaag bij ons zijn. In één woord zou ik graag willen weten hoe je zou omschrijven waar je team op dit moment staat met AI. Ik plaats een poll in de chat. Je kunt kiezen welke optie volgens jou het meest aanspreekt. Als er iets is dat we niet hebben vermeld, voel je dan vrij om dat ook te typen. Oké, aan de eerste antwoorden te zien, lijkt het erop dat veel teams nog aan het experimenteren zijn, of zelfs een stap verder zijn en aan het opschalen zijn. Dus ja veel teams zijn momenteel aan het experimenteren. Het zal interessant zijn om te zien waar jullie mee experimenteren en wat er goed werkt. Wat we vandaag de dag zien, is dat de meeste L&D-teams daadwerkelijk zijn begonnen met het op de een of andere manier gebruiken van AI, en de vraag is veranderd. Het gaat er niet langer om of je AI zou moeten adopteren, het gaat erom of het leren daadwerkelijk beter maakt of alleen maar sneller. Dus we gaan hier eerlijk op in: wat heeft gewerkt, wat heeft niet gewerkt, hoe ziet het kwaliteitsverschil er in de praktijk echt uit en wat zouden L&D-professionals moeten vragen van de tools waarin ze investeren. Dus om af te trappen, Nelson, ik zou graag je inzichten willen weten over hoe L&D-teams AI vandaag de dag daadwerkelijk gebruiken, en of het werkt.

Nelson: Ja, ik denk dat als we kijken naar hoe mensen het vandaag de dag gebruiken, het grotendeels voor efficiëntiewinst is. Wat duidelijk is uit, er is eigenlijk een geweldig onderzoek dat Donald Taylor doet naar AI-gebruik in L&D, dat duidelijk laat zien dat we AI in wezen gebruiken om de dingen te doen die we al deden, maar om ze sneller te doen. En dat gaat specifiek over het creëren van content, of ons helpen bij het plannen van een curriculum, of het in kaart brengen van content. En dan komt het neer op het analyseren van data. Dus als je grote sets evaluatiedata of leerbetrokkenheidsdata hebt, zijn het kunnen analyseren daarvan en het begrijpen ervan waarschijnlijk de twee belangrijkste gebieden. Maar de uitdaging is dat we proberen efficiënter te zijn met AI, maar wat we niet zien, zijn toepassingen waarbij het L&D-teams effectiever maakt. En dat is echt waar de uitdaging op dit moment ligt. Wat betreft je vraag: werkt het eigenlijk wel? Er is een groot verschil tussen iets snel doen en het juiste doen. En op dit moment doen we dingen snel, maar we evalueren niet noodzakelijkerwijs of het het juiste is of niet. En dat komt neer op veel meer dan alleen AI toepassen op een aantal taken die we al deden. Er zijn vragen over hoe het aansluit bij de algemene bedrijfsstrategie. Meet je de juiste dingen om te weten of je de gewenste impact op je organisatie hebt of niet? En dus denk ik dat we daar momenteel de uitdagingen zien. Ik zag dat bijna 10% van de respondenten in de peiling zei sceptisch te zijn, en wat ik zie is dat veel scepsis voortkomt uit het feit dat je niet onmiddellijk de productiviteit of het verbeterde resultaat ziet. En we trekken de conclusie dat dat de schuld is van AI of de AI-tools, in plaats van de meer fundamentele vragen te stellen: passen we het goed toe, en is er een fundamenteler strategisch probleem om te zien of het daadwerkelijk werkt of niet. Er zijn dus zeker efficiëntiewinsten, maar hebben we een significante toename in effectiviteit gezien? Dat moeten we nog zien.

Ashling: Ja, maar dat zou, denk ik, logisch zijn. Veel mensen die in de poll hebben geantwoord, hebben gezegd dat ze in die experimenteerfase zitten, dus proberen het water te testen, kijken wat werkt en wat niet. En hopelijk is dat waar we vandaag wat nader naar gaan kijken. Talha, heb jij hetzelfde opgemerkt, dat we dingen misschien sneller doen maar dat we dat efficiëntiestuk nog moeten ontsluiten?

Talha: Ja, absoluut. Ik denk vanuit mijn perspectief, hoe ik de dingen zie, dat er twee hoofdcategorieën zijn waar de behoefte aan AI en de huidige situatie in vallen. Er is er één waarbij de middelen voor L&D-teams beperkt zijn. Ze hebben dus grote achterstanden, veel taken die ze moeten voltooien en veel cursussen die ze moeten ontwikkelen. Groot volume aan cursussen, dus één probleem. En het tweede is de kwaliteit, toch. Waar, natuurlijk, om dit knelpunt in middelen te overwinnen, een van de manieren is om het creëren van content te delegeren aan vakexperts. Dat is Employee-generated Learning. En daar is natuurlijk de vraag naar kwaliteit. Hoe behoud je de kwaliteit van de output, het niveau van instructional design, van het leren dat over de hele linie wordt gecreëerd. En ik denk dat L&D-teams daarom naar AI kijken om deze problemen aan te pakken, en vooral naar de productiekant van deze zaken. Contentproductie, dat is waarschijnlijk de grootste. En daar ben ik het zeker met Nelson eens. En ik ben het er absoluut mee eens, we zien dit veel, dat dingen sneller produceren niet noodzakelijkerwijs betekent dat je het op de juiste manier doet. En het leidt soms ook tot valse verwachtingen en valse resultaten. Veel auteurs hebben verkeerde verwachtingen van wat AI kan doen. Ze hebben het gevoel dat ze het gewoon kunnen delegeren zonder veel context en veel voorbereidend werk, en dan een output verwachten die volledig klaar is voor productie. Terwijl dat vaak niet het geval is. Dus er moet natuurlijk een sterk bestuur, een sterke strategie en afstemming op bedrijfsresultaten zijn, wil AI echt effectief worden ingezet gedurende de hele levenscyclus van contentcreatie. Dus ja, dat is wat ik aan mijn kant zie.

Nelson: En om daar nog iets aan toe te voegen, toch, ik denk dat het een belangrijk punt is dat niemand zijn baan mag behouden omdat hij efficiënt is in het niet leveren van waarde. En dus is dat op dit moment het risico, of je nu daadwerkelijk een resultaat levert dat het bedrijf wil, of dat je gewoon veel dingen verstuurt? En wat we onszelf misschien wel zien doen, is het opschalen van precies het probleem dat we hopen op te lossen. Een van de uitdagingen is dat er een enorme hoeveelheid content is, en als je een enorme hoeveelheid content hebt, is vindbaarheid een van de grootste uitdagingen. Door heel snel veel content te kunnen maken die niet van goede kwaliteit is, schaal je in feite het probleem dat je al had veel, veel sneller, en maak je het jezelf daardoor moeilijker. En het creëert ook een negatieve feedbackloop, toch. Waarbij als mensen met jouw door AI gegenereerde content aan de slag gaan en deze van lage kwaliteit is, het erg moeilijk is om ze terug te krijgen, omdat ze het hebben geprobeerd, ze het niet nuttig vonden, ze het niet relevant vonden, en ze nu die mening over deze content hebben gevormd. Dus de volgende keer dat je een cursus lanceert en zegt: kom terug, ik heb meer materiaal. Zijn ze minder geneigd om deel te nemen omdat het de vorige keer een negatieve feedbackloop creëerde. En dus, hoe verleidelijk de efficiëntie van het sneller produceren van content ook mag zijn, het kan op de lange termijn schadelijke gevolgen hebben, waarbij je het jezelf moeilijker zou kunnen maken om mensen in de toekomst bij het leren te betrekken, als je er niet voor zorgt dat het van hoge kwaliteit en relevant is.

Ashling: Ja, dat is logisch. Dus, ervoor zorgen dat de kwaliteit er is, is iets waar lerenden mee aan de slag willen gaan. Als ze een training volgen, zien ze de waarde voor zichzelf in en willen ze opnieuw deelnemen. Wat ik daar interessant aan vind, Nelson, is als snelheid niet hetzelfde is als waarde, wat zouden L&D-teams dan moeten gebruiken als een echte test of AI werkt of niet?

Nelson: Ja, ik denk dat het teruggaat naar de heilige graal van waar L&D over gaat, toch. Het resultaat van L&D is niet het creëren van content, het is een middel tot een doel. En onze taak in dit vakgebied is om mensen te helpen hun werk beter te doen en hen te helpen groeien. Zo simpel is het. En dus begin je dat op te splitsen om te kijken: waar kijken we hier naar om te weten of we die waarde aan de organisatie leveren of niet? Als je nu naar de macro-omgevingscontext kijkt, hebben we op dit moment een enorm tekort aan talent, wat misschien niet zo voor de hand liggend is, aangezien veel van de nieuwskoppen op dit moment spreken over massale ontslagen bij organisaties. En daarom is het gemakkelijk om te denken dat de werkloosheidscijfers stijgen. Maar eigenlijk, als je bijvoorbeeld naar het VK kijkt, in de VS, stijgen de werkloosheidscijfers niet, ze dalen. En wat we eigenlijk hebben is een tekort aan aanwervingen voor zeer gespecialiseerde vaardigheden. Een interessante statistiek die ik zag, was dat uit een recent onderzoek bleek dat ongeveer 70% van het technische personeel meerdere baanaanbiedingen had op het moment dat zij een baan accepteerden. Wat ons dat nu vertelt, is dat er voor zeer gespecialiseerde vaardigheden een zeer grote vraag is. Sterker nog, er is een grotere vraag naar bepaalde vaardigheden dan er aanbod is, wat betekent dat het voor organisaties zeer competitief en duur is om de vaardigheden in te huren die ze nodig hebben om het werk gedaan te krijgen. Wat betekent dat de enige duurzame manier voor bedrijven om dit in de huidige omgeving te doen, is door hun eigen mensen te kunnen bijscholen en omscholen. Wat betekent dat dat het doel is, toch. Het doel is: hoe zorgen we ervoor dat we in onze organisatie de vaardigheden opbouwen die we nodig hebben om het werk gedaan te krijgen? Wat betekent dat we nu moeten kunnen begrijpen welke vaardigheden we niet hebben. En dat wordt onze prioriteit. Dit zijn de doelstellingen die het bedrijf wil bereiken, en om die doelstellingen te bereiken, zijn dit de capaciteiten die we in de organisatie moeten opbouwen. En of we waarde leveren of niet, komt neer op: bouwen we die kerncapaciteiten op of niet? En dus gaat de vraag niet over hoeveel uur iemand heeft geleerd, of welke content is voltooid. Het komt er echt op neer: hebben we de vaardigheden opgebouwd die we nodig hadden om die OKR’s of doelstellingen te bereiken? En dat is echt de maatstaf voor waarde. Het gaat minder om de snelheid om content te creëren, maar om de snelheid om content te creëren die relevant was voor het opbouwen van de vaardigheden die we nodig hadden om waarde te leveren aan de organisatie.

Ashling: Logisch. Dus als iemand vandaag begint, zou je advies dan zijn: als je aan het begin van dit proces staat, zoek dan uit welke vaardigheden je nodig hebt en dan zou dat de rest bepalen? En als je al weet welke vaardigheden je nodig hebt, begin dan te meten of je trainingsinspanningen helpen om die vaardigheidskloof te dichten, of zie je dat er waarde wordt geleverd omdat aan deze vaardigheden is voldaan?

Nelson: Ja. Ik zou het bijna als een piramide bekijken, toch. En aan de top van de piramide, stel je voor dat alles wat het bedrijf doet zich daar bevindt. Elk bedrijf heeft een missie, en elk bedrijf heeft een strategie over hoe die missie te bereiken. En elk bedrijf heeft een set KPI’s of doelstellingen of OKR’s om te zien of ze op koers liggen om die strategie te verwezenlijken of niet. Laten we zeggen dat dat de top van de piramide is. Aan de basis van die piramide heb je, vanuit L&D-perspectief, leerinitiatieven, toch. En wat je doorgaans ziet in organisaties is dat er een kloof is tussen wat L&D doet en wat het bedrijf probeert te doen. Doorgaans proberen we de punten met de top van de piramide achteraf te verbinden. Ik heb een hoop content verspreid en nu is het zoiets van: heeft het waarde opgeleverd? Nou, laat me uitzoeken hoe het dat deed. En we proberen die punten achteraf te verbinden, en dat wordt, het is een beetje als bingo spelen. Iemand heeft een nummer genoemd, sommige mensen hebben het bijbehorende nummer, zij winnen. Maar de realiteit is dat de meeste mensen geen bijbehorend nummer hebben, dus zij verliezen. Dus elke keer dat iemand verliest, is dat een verspilling van tijd, middelen en geld. Wanneer je L&D-bingo speelt, heb je een zekerder manier nodig om die punten met elkaar te verbinden. En de ontbrekende schakel in die piramide is: welke vaardigheden moeten de individuen en de teams hebben om die KPI’s te behalen, toch? Dus het proces dat ik zou doorlopen is: vooraf praat je met de business over, oké, wat zijn de OKR’s of doelstellingen hier die voor ons echt het belangrijkst zijn? Laten we deze kiezen, laten we zeggen dat het gaat om het verhogen van klantbehoud. Dan breken we dat af om te kijken: wat zijn de functierollen die de meeste invloed gaan hebben op deze doelstellingen? En welke vaardigheden moeten zij hebben om de taken te kunnen uitvoeren die die doelstelling gaan aansturen? Zodra we weten welke vaardigheden ze moeten hebben, moeten we nu uitzoeken welke vaardigheden ze daadwerkelijk hebben. Hebben ze die vaardigheden? Laten we zeggen dat ze probleemoplossende vaardigheden op niveau drie moeten hebben. Hebben ze dat of niet? En als ze die vaardigheden nu niet hebben, draait het erom dat dat de focusgebieden zijn waar jij aan moet werken. Dus welke inhoud moet je creëren om het probleemoplossend vermogen in je organisatie te verbeteren, of welke middelen heb je misschien al, die je alleen toegankelijker of aantrekkelijker moet maken voor de juiste mensen, zodat je er het maximale uit kunt halen? En nu je weet wat de basislijn daarvan is, ga je die prestatiedoelstelling meten om te bepalen of we daar naartoe bewegen of niet. Wordt klantbehoud beter? Als dat niet zo is, dan moeten we van koers veranderen. We moeten kijken: ligt het aan de inhoud, ligt het aan de vindbaarheid van de inhoud? Maar de belangrijkste maatstaf waar we naar kijken is dat, en de realiteit is dat we in te veel organisaties die prestatiemaatstaf pas veel te laat meten. En de realiteit is dat je bereikt wat je meet. Als je erover nadenkt, wie was zich tot vijf jaar geleden bewust van het halen van 10.000 stappen? Niemand dacht er echt over na of ik mijn 10.000 stappen had gezet of niet. Maar nu we kunnen meten of we onze stappen zetten, willen we allemaal 10.000 stappen zetten. Dus je bereikt wat je meet. En om te beginnen, moet je de impact van leren op zowel de ontwikkeling van vaardigheden als op prestaties meten om dit te bereiken. Als je het niet meet, ga je het niet bereiken.

Ashling: Dat is heel logisch. En ik denk ook dat dit misschien, Talha, terugkoppelt naar iets wat je noemde, dat sommige teams hier, sommige organisaties dit al meten, of in ieder geval op weg zijn naar deze eindbestemming. En nu ze een vaardigheid hebben, hebben ze training nodig voor die vaardigheid. Misschien zijn er maar één of twee mensen in de organisatie die momenteel aan een bepaalde behoefte of rol kunnen voldoen. Dus beginnen ze met het ontwikkelen van trainingen, maar ze verwachten te veel van AI. Dus Talha, mijn vraag zou zijn: wat voor soort context maakt nu echt het grootste verschil wanneer je AI inzet om te helpen bij het leertraject?

Talha: Ja, dat is een erg goede vraag. Ik denk ook, als ik de chat doorlees, de deelnemers aan het webinar, dat er één ding heel duidelijk is, namelijk dat grote taalmodellen, hoewel ze er steeds beter in worden, echt goed zijn in algemene informatie. Dus informatie op hoog niveau over de meeste onderwerpen, ze zijn ook behoorlijk goed in sommige technische zaken. Maar één ding waar ze standaard nog niet goed in zijn, en dat is erg belangrijk, is de bedrijfscontext. Jouw bedrijfscontext, jouw bedrijfsdoelen, de resultaten die je nastreeft. Dat is het soort context dat je in de AI wilt brengen. En ik denk dat dat voorbereidende werk moet worden gedaan voordat je met AI aan enig hulpmiddel gaat werken. Dus zodra je de vaardigheden hebt geïdentificeerd waarop je je wilt richten en de juiste leerdoelen hebt opgesteld, terwijl je het resultaat in gedachten houdt voordat je daadwerkelijk begint met het bouwen van de e-learning, is het echt heel belangrijk om dat allemaal vooraf te documenteren en dat te gebruiken om je creatie-inspanningen te sturen. Ik denk ook dat een heel goed voorbeeld om hier te geven is dat, zelfs als je het vanuit een productperspectief bekijkt, het tegenwoordig eigenlijk makkelijker is om dingen te bouwen, maar het is ook makkelijker om de verkeerde dingen te bouwen. En dat concept is ook van toepassing op het maken van cursussen. Omdat je iets bouwt om zinvolle resultaten te behalen. En het is zeker makkelijker om een training te bouwen, maar het is ook makkelijker om de verkeerde training te bouwen voor de verkeerde mensen in de verkeerde formaten. Dus dat voorbereidende werk, natuurlijk, het inbrengen van je bedrijfscontext, de resultaten die je zoekt, en het opstellen van de juiste leerdoelen, het plaatsen van de juiste context in de AI, dat is echt, echt belangrijk.

Ashling: Ik zou zeggen, ja, dat is logisch. Ik denk dat er misschien een stap zit tussen wat jij, Nelson, net uitlegde over de kloof en het voorbereiden en weten wat we meten, en dan ook het bouwen van de inhoud. En ik weet dat er waarschijnlijk mensen zijn die vandaag aan dit webinar deelnemen die zich in die stap bevinden, die tussenstap. Dus misschien, Nelson, zou jij ons kunnen helpen bepalen hoe we verder moeten gaan. Dus hoe zou jij voorstellen dat, zodra je de vaardigheden en de zakelijke behoeften hebt geïdentificeerd, en je vervolgens moet beslissen welke leerinterventie het grootste verschil zal maken, wat zou je L&D-teams adviseren om in die situatie te doen?

Nelson: Ja, dus een deel daarvan wordt gedaan door te begrijpen wat die vaardigheidskloven zijn. Wat zijn de vaardigheden die je nu nodig hebt? De vaardigheden worden vervolgens onderverdeeld in de taken en gedragingen die zij zouden moeten kunnen uitvoeren als resultaat van het bezitten van de vaardigheid. Nu komt veel daarvan voort uit probleemontdekking. Ik gebruik hiervoor graag het voorbeeld van een productmentaliteit, omdat ik denk dat veel daarvan wel degelijk van toepassing is. En een groot deel van productontwikkeling is probleemontdekking. Hoeveel tijd besteed je daadwerkelijk aan het proberen te begrijpen wat het werkelijke probleem is? Waarom hebben we een prestatieprobleem? Welke taken en gedragingen zijn deze individuen niet in staat uit te voeren, of moeten ze beter in worden? En dat is waar het werken met de SME echt heel erg belangrijk is, om die context te kunnen begrijpen van hoe deze vaardigheid zal worden toegepast. Nu is een geweldig voorbeeld hiervan als je een vaardigheid als communicatie neemt, bijvoorbeeld. Hoe communicatie zal worden toegepast is heel anders voor een verkoper binnen hun context dan hoe het zal worden toegepast voor een ingenieur binnen hun context. Dus als je kunt begrijpen hoe die vaardigheid zich zal manifesteren als een taak of gedrag, helpt dat je om ervoor te zorgen dat je over de juiste middelen beschikt om dat te kunnen doen. Nu, als je bij middelen komt, gaat het weer terug naar die vraag: wat is het juiste formaat? Het is niet hetzelfde formaat voor elk type vaardigheid, en dat is meestal waar we in verstrikt raken. Maar waar we hier echt over na moeten denken is een ecosysteem van middelen die geschikt zijn voor verschillende contexten, verschillende rollen en verschillende vaardigheden. Het gaat er niet om één cursus te hebben die het probleem oplost voor iedereen die die specifieke vaardigheid heeft. En dat is waar ik denk dat je meer leunt op curatie, en in wezen zelfs verschillende materiedeskundigen erbij betrekt om inhoud te creëren. Het inzetten van, zeg, Easygenerator, om hen in staat te stellen die inhoud te creëren is een vorm van curatie, waarbij de rol van L&D verschuift van bijna een inhoudsfabriek die alle inhoud uitspuugt, naar in wezen het in staat stellen van materiedeskundigen om zich gemachtigd te voelen om de middelen te creëren die je nodig hebt om die hiaten op te vullen. Dus zo ziet die brug er voor mij uit. Ik denk dat een van de kritieke stappen is, voordat we ons haasten om inhoud te creëren, echt die voorafgaande probleemverkenning doen om te begrijpen wat er daadwerkelijk ontbreekt.

Ashling: Dat is logisch. Dus ja, er gebeurt veel en het is interessant om te zien hoe het zich in de loop van de tijd ontwikkelt, en hoe het doen van die voorafgaande ontdekking echt kan helpen, en het hebben van een plan voordat je ergens aan begint, kan een verschil maken. Ik weet dat dit lijkt aan te slaan, er zijn veel opmerkingen in de chat. Ik zag er net een binnenkomen van Jodi, en ik vind het interessant hoe Jodi AI heeft gebruikt om elke dag inhoud te helpen creëren. Dus voor zaken als samenvattingen, overzichten, scripts van schermopnames of het structureren van curricula, kun je op basis van de output vervolgens valideren en itereren met betere prompts. Dus hier, het gebruik van AI om te helpen met het kwaliteitsaspect, en ik weet dat dat een zorg is voor velen tijdens de call. Talha, het is iets dat jij ook hebt genoemd, dus ik ben benieuwd of dit iets is dat echt bij iemand resoneert, wat zou je hen aanraden om te doen om te evalueren of een AI-functie de leerkwaliteit daadwerkelijk verbetert, of dat het alleen tijd bespaart?

Talha: Ik denk dat één ding zeker is, ik zou beamen, we zien dit patroon veel, in termen van het genereren van nuttige samenvattingen, overzichten, en dan natuurlijk die eerste output krijgen en er vervolgens op itereren, niet verwachten dat de AI het wondermiddel is. Laten we zeggen, bijvoorbeeld, je geeft het een prompt en boem, in één keer heb je je cursus klaar, dat gebeurt niet. De realiteit is dat je met de AI moet gaan itereren, en vaak is de ontbrekende context die er aanvankelijk niet was, wat in die fase wordt ingebracht, en dan perfectioneer je de inhoud en maak je deze klaar voor publicatie. En dat is iets wat we veel zien. Eigenlijk zijn de power users van AI, degenen die het het meest effectief gebruiken, degenen die dit soort workflow volgen. Terwijl degenen die min of meer verwachten dat de AI onrealistische dingen doet, waarschijnlijk afhaken na het eerste gebruik. Degenen die doorgaan in de iteratiecyclus zijn degenen die het meeste uit AI halen, dat is absoluut zeker. En wat betreft het bouwen van effectieve content, denk ik ook dat het belangrijk is, terugkomend op Nelsons punt, om ook die gedragsverandering aan het einde te hebben die je wilt dat de lerende heeft, en je content daaromheen te ontwerpen. Binnen Easygenerator gebruiken we de taxonomie van Bloom om bij dit proces te helpen, waarbij we tijdens de contentcreatiecyclus in feite de taxonomie van Bloom gebruiken om te helpen bij het creëren van leerdoelen, en dat inspireert dan de rest van de content die met AI wordt gecreëerd, in die zin dat we vooraf aan de materiedeskundige of de instructional designer die onze tool gebruikt om leren te creëren, vragen: wat is het precies dat je wilt dat je leerders doen nadat ze de cursus hebben afgerond? Welke gedragsverandering in termen van toepassing wil je dat zij bewerkstelligen? En zodra dat vooraf is gedefinieerd, samen met de kennis die ze moeten weten om die actie te kunnen uitvoeren, stuurt dat de AI in de juiste richting, en verhoogt het over het algemeen de kwaliteit van je content. En helpt ook bij het kiezen van de juiste formaten, omdat er veel verschillende formaten zijn waarin je leren kunt consumeren. Dus nogmaals, door terug te grijpen op de doelen die je vooraf hebt vastgelegd, kan AI beter bepalen welke formaten gebruikt moeten worden. Dus, bijvoorbeeld, voor actiegerichte scenario’s zijn rollenspellen misschien een heel goed formaat, terwijl voor enkel begrijpen en onthouden, tekstblokken misschien de meer geprefereerde methode zijn. Dat is dus het soort configuratie dat je vooraf moet doen, om AI in de juiste richting te sturen, en natuurlijk meer content te creëren die effectiever is.

Ashling: Echt interessant. Dus als een mens achter het stuur zit en AI meewerkt, zie ik dat het aanslaat. Iemand vergeleek het met koken versus een magnetron, of AI gebruiken als sidekick. Dus ja, als er een persoon bij betrokken is, is dat waar mensen al de beste resultaten zien. Nelson, ik ben erg benieuwd naar jouw standpunt. Stel dat teams dit onderzoeken, ze willen mensen, mensen, betrekken bij het leerproces. Welke rol moeten experts spelen bij het helpen van L&D om te begrijpen wat het werkelijke prestatieprobleem is, zodat ze zich het beste kunnen voorbereiden, zoals Talha had vermeld?

Nelson: Ja, dus ik denk dat het oude model was, als L&D, laten we zeggen instructional designer, of als L&D-manager of professional, ik zou naar een expert gaan om te begrijpen, geef me de inhoud, geef me de expertise, toch. Dus de expert deelde als het ware al zijn kennis, en L&D en ik namen dat over, waarna ik met pedagogische methoden aan de slag ging en er een cursus omheen ontwikkelde. En wat AI, gecombineerd met authoring ontgrendelt, is die flessenhals van een zeer slank L&D-team dat verantwoordelijk moet zijn om dat te doen. Op dit moment kun je als expert naar Easygenerator gaan en met de AI werken om te kunnen zeggen: ik dump hier mijn expertise, maar jij hebt de expertise van de pedagogiek, en de beste manier om dit vorm te geven en te structureren en dat te doen. Dus waar je nu het voordeel van krijgt, is dat het je weken zou hebben gekost om tot iets te komen dat pedagogisch verantwoord was. Maar nu kunnen we heel snel van expertise naar een pedagogisch verantwoorde leerbron gaan. Dat gezegd hebbende, is de vraag dan: wat is de rol van L&D? En ik denk dat het een zeer fundamentele en belangrijke rol is, waarbij L&D de richtlijnen en het kader bepaalt voor wat als goed wordt beschouwd. En dat is niet noodzakelijkerwijs: ik moet het bouwen. En een goede vergelijking hier is, zeg ik vaak, als ik denk aan wat de rol van een manager is, dan is de rol van een manager voor mij iemand die de lat legt, en dan iemand die de voorwaarden schept voor jou om die lat te halen. Dat zijn de enige twee dingen die een manager moet doen. En ik denk dat we in deze wereld in wezen allemaal managers van AI zijn. En voor mij is L&D een manager van AI die specifiek is ontworpen voor L&D. En daarom is het jouw taak om de lat voor AI hoog te leggen en de voorwaarden te scheppen om die lat te halen. En de voorwaarden om hier de lat te halen zijn zaken als context, die eerder werden beschreven. Wat heb je gedaan om het gemakkelijk te maken om die context in te brengen? Want je kunt niet verwachten dat de expert elke keer de context inbrengt. Zijn er zaken zoals, hoe je hierover zou kunnen nadenken, bijna als een soort skill MD-bestand? Wat zijn de soort instructies of bestanden die universeel zijn voor de organisatie, in termen van hoe we de wereld zien, wat we leuk vinden, wat we niet leuk vinden? Hoe breng je die context in, zodat de expert dat niet de hele tijd hoeft te doen? Zijn er bepaalde pedagogische kaders waar je de voorkeur aan geeft, waarvan je wilt zorgen dat AI zich daarvan bewust is? Dus dat context opbouwen, het is een grote taak, en je realiseert je pas hoe belangrijk het is als je probeert dingen te creëren zonder die context en ziet hoe verschrikkelijk het is. En dat is echt de rol van L&D, het is niet per se om de inhoud te ontwerpen, het is om de context te ontwerpen, zodat anderen met heel weinig wrijving nuttigere bronnen kunnen creëren.

Ashling: Ik vond het echt goed hoe je het verwoordde, de lat leggen en vervolgens de voorwaarden creëren zodat je de lat kunt halen. Talha, gezien jouw rol in het vormgeven van EasyAI bij Easygenerator, zou ik graag willen weten hoe die lessen je onderweg hebben beïnvloed, op een reis van author-first AI versus reguliere AI-inhoudsgeneratie.

Talha: Ja, ik denk, in termen van de geschiedenis met EasyAI, vanaf het begin tot wat het vandaag de dag is, resoneert het ook in het algemeen met hoe AI zelf en de perceptie eromheen in de loop van de tijd is veranderd. Natuurlijk, toen het voor het eerst kwam, hadden mensen de verwachting dat je er simpelweg een prompt aan zou geven, en met één enkele prompt je gewenste resultaat zou ontvangen. En toen was er iets van: ‘Oké, kun je een paar voorbeelden geven van wat geweldige resultaten zijn?’, en dan zou je een betere respons krijgen. Toen kwam het idee van projecten, bijvoorbeeld, je kunt dan dingen in projecten plaatsen en dan zal het je context beheren. Toen kwamen we in het tijdperk van Claude Code, we hebben nu MD-bestanden die als context worden opgeslagen, en dan hebben we tegenwoordig skills. Dus we zien een duidelijk patroon, de dingen bewegen zich in de richting van, nogmaals, terugkerend naar het punt van Nelson, het sturen van de AI in de juiste richting, het leggen van die lat, en het hebben van skills, bijvoorbeeld, het hebben van meerdere latten die je stelt voor verschillende gebieden of domeinen of verschillende dingen die de AI zou moeten doen, en het dan laten volgen van die latten. En dat is precies wat author-first authoring biedt, waarbij je de AI in de juiste richting stuurt, je stelt de voorwaarden ervoor in. Bijvoorbeeld, binnen onze EasyAI-suite hebben we iets dat Course Guidelines heet. En binnen de Course Guidelines staan we de auteur toe om instructies aan de AI te geven over wat de inhoudsvoorkeuren zijn, wat de doelen zijn en wat de bronbestanden zijn. En het is in feite een van de taken van de AI om die richtlijnen daadwerkelijk te lezen en er altijd naar terug te verwijzen wanneer de AI een beslissing neemt over wat er gecreëerd moet worden. En dat is uiterst belangrijk, want dat helpt de AI te begrijpen wat goed voor mij is, hoe het gewenste resultaat eruit zal zien, en vervolgens die instructies op te volgen. Dus ik denk dat dit het patroon is waar we nu op afstevenen. En ik denk vanuit een L&D-perspectief, ter ondersteuning van Nelsons punt, dat het allemaal aan de governance-kant van de zaken ligt. Het vaststellen van die standaarden zodat de AI vervolgens effectief over de hele linie kan opereren. Elke expert kan de contentcreatie oppakken, en dan heb je deze governance-laag die de experts helpt om AI op de best mogelijke manier te gebruiken. Anders is het weer gewoon de verkeerde dingen bouwen in een razendsnel tempo, zonder enige richting en kwaliteit.

Ashling: Ja, ik denk dat je iets aanstipt dat zeker bij mij persoonlijk resoneert, en ik ben benieuwd of iemand anders dit ook voelt, maar AI wordt zo’n modewoord, en al deze tools hebben nu AI, dat het echt belangrijk is dat we gaan kijken naar wat AI daadwerkelijk kan, hoe het in een tool is ingebouwd, of dat het aan een tool is toegevoegd. Dus misschien kunnen we dit gesprek ook verbreden. Nelson, gezien het werk dat je bij HowNow doet, zou ik graag ook jouw perspectief hierover horen. Wanneer je AI-leertools evalueert, waaraan merk jij dat dit echt in het product is ingebouwd en waarde gaat toevoegen, in plaats van iets dat er achteraf aan is toegevoegd?

Nelson: Ja, ik denk dat het terugkomt op dezelfde fundamentele vraag: dit gaat niet over AI-first zijn, toch, je gebruikt niet iets omdat het AI is. En ik denk niet dat dat bij welke technologie dan ook de juiste manier is om ernaar te kijken. Het komt fundamenteel neer op wat het probleem is dat je probeert op te lossen. En ik denk dat de bekende uitspraak is: je houdt van het probleem, niet van de oplossing. En ik denk dat dat hier essentieel is. Anders kun je enorm overweldigd raken door technologie omwille van de technologie. Maar zodra je duidelijk hebt welk probleem je probeert op te lossen, komt het neer op wat de tool of de AI-tool is die het best in staat is om je te helpen dat aan te pakken. Waar het nu uitmaakt, of het nu AI-native is of een add-on, is dat bij een add-on, voor een bepaald type taak, het erg beperkt is, omdat er een zeer verouderde aanpak is, en je vervolgens probeert de laatste mijl te polijsten met AI, wat het erg moeilijk maakt. Maar wanneer je AI-native hebt, pas je in wezen intelligentie toe bij elke stap in dat proces. Je krijgt dus de efficiëntiewinst, maar ook de winst in effectiviteit door die intelligentie bij elke stap toe te passen. Dat betekent niet dat we bolt-on oplossingen volledig moeten uitsluiten; ik denk dat in sommige scenario’s, afhankelijk van wat je probeert te bereiken, een bolt-on prima kan zijn voor wat je probeert te doen. Maar eigenlijk, als je kijkt naar zoiets als contentcreatie, is de reden waarom het uitmaakt dat, hoewel we het contentcreatie noemen, er in feite meerdere stappen plaatsvinden bij contentcreatie, van het begrijpen wat het juiste curriculumontwerp hiervoor is, tot wat de inhoud van elk ding hierbinnen is, en hoe je dynamische scaffolding hierin opbouwt, hoe je verschillende pedagogische kaders hierin integreert. Er gebeuren meerdere dingen om dit te doen. En dus als add-on is het erg moeilijk om dat te doen, we moeten AI echt inbouwen vanaf de basis van hoe je te werk gaat bij het creëren van content. Ik denk dat de manier om het te evalueren is: hoe effectief was het bij het helpen uitvoeren van de taak die je probeerde te doen, in plaats van het te bekijken als: is deze AI beter dan die AI. Welke AI was het beste in het helpen oplossen van het probleem dat je in de eerste plaats had, is de manier waarop ik ernaar zou kijken. Het komt echt terug op die mapping, weten wat je doel aan het einde is, en je misschien niet laten afleiden door iets dat nieuw of glimmend is, maar of het je daadwerkelijk waarde oplevert, of het je helpt om naar je doelen toe te werken.

Ashling: Ik zie een vraag van Victoria die via de chat binnenkwam, die volgens mij hier mooi op aansluit. Victoria legde uit hoe materiedeskundigen nu veel AI gebruiken; ze creëren dingen zoals documenten en denken: hé, dit is echt geweldig, dit is echt nuttig. Het is echter niet altijd even nuttig, zeker niet als we pedagogiek in overweging nemen. Dus, Talha, ik ben dol op je inzichten hier. Hoe kunnen we beginnen met het opleiden van materiedeskundigen over het proces, en de noodzaak van in ieder geval een beoordeling, als het gaat om het leren of creëren van leermateriaal?

Talha: Ik denk meer nog, ik zou niet zeggen dat het waarschijnlijk de juiste aanpak is om materiedeskundigen te leren hoe ze kwalitatief hoogwaardige content kunnen creëren. Ik zou zeggen dat het L&D is; ik denk dat het L&D-team dat kader kan scheppen en de juiste richting kan sturen. Nogmaals, het concept van de cursusrichtlijnen, de lat hoog leggen, over bepaalde vaardigheden beschikken en die vervolgens laten gebruiken door materiedeskundigen. Anders is het weer een van die problemen waarbij, laten we zeggen, de materiedeskundigen niet de tijd en de middelen hebben om deze content te creëren; het wordt gewoon weer een van die elementen die je ze nu moet leren en waarbij ze moeten leren hoe ze kwalitatief goed leermateriaal maken. En daarom denk ik dat AI echt heel erg kan helpen waar L&D-teams het echt oppakken en die bestuurslaag hebben, en definiëren wat kwaliteit is, en dan kunnen materiedeskundigen dat gebruiken om content te creëren, en in feite voegt het dan geen last toe aan hen. Dus bij vraagstukken rondom door werknemers gegenereerd leren op grote schaal, hebben materiedeskundigen niet de tijd om de last van het creëren van leermateriaal op zich te nemen. Dus in plaats van hen de extra last op te leggen dat ze moeten leren hoe ze goed leermateriaal maken, creëer je die bestuurslaag om hen te helpen dit te benutten. En dat is waar AI super behulpzaam kan zijn.

Nelson: En om daar nog iets aan toe te voegen: ik denk dat als je zegt dat we een beoordeling vanuit leerperspectief nodig hebben omdat dat nu eenmaal zo is, dat waarschijnlijk niet goed zal overkomen. En ik denk dat de verantwoordelijkheid bij jou ligt om uit te leggen waarom en dat te onderbouwen met data, want anders lijkt het gewoon een vakje dat moet worden aangevinkt om het aanvinken. En dus moet je de data vastleggen om te kijken: waar staan we, waarom is het niet nuttig, of zijn sommige delen ervan wel nuttig? En je zegt: kijk naar deze data, het slaat hier niet aan, of het doet X, Y, Z niet op de manier die je wilt, en dat komt hierdoor. En dus denk ik dat het afdwingen daarvan een manier is waarop mensen het als ontmoedigend kunnen ervaren, en je wilt niet dat dat de boodschap is die overkomt; je wilt juist mensen aanmoedigen die de moeite nemen om dit überhaupt te doen, wat geweldig is. Het betekent dat ze leren oprecht zien als een oplossing voor het probleem. Dat is een geweldig startpunt, want vaak komen mensen niet eens tot dat punt; ze realiseren zich niet dat leren de oplossing voor het probleem is. En dus is het heel tactvol om te zeggen: hier is de kwantitatieve plus kwalitatieve data die laat zien dat dit leermateriaal dit mist, en ik kan je daarbij helpen, dit is mijn expertise, laat me je hierbij ondersteunen, dit is wat je had kunnen doen, en gebruik het meer als een coachingsmoment in plaats van een ‘ik zei het toch’-moment.

Ashling: Dat vind ik goed, dus ja, een coachingsmoment. En we zien steeds meer dat L&D, naarmate de dingen evolueren, in deze ondersteunende rollen werkt, dat hun functie nu binnen het bedrijf het ondersteunen van leren is en dat mogelijk maken, en ervoor zorgen dat leren aansluit bij de waarde.

Nelson: Als dit iets is wat je probeert, vanuit het werken met verschillende organisaties die zich op dit traject bevinden, is iets wat ik heel goed zie werken het bieden van die ondersteuning, maar dan ook het geven van enige erkenning. Het zou dus kunnen gaan om het plaatsen van namen van mensen bij cursussen en zeggen: hé Talha, je hebt een werkelijk fantastische cursus over AI gemaakt, je hebt onze checklist gevolgd en nu krijg je lovende recensies, of een wedstrijd organiseren, of gewoon het erkennen en benoemen van leren. Degenen die het goed doen, worden dus aangemoedigd om dat te blijven doen, en degenen die misschien alleen documenten produceren die niet zo nuttig zijn, hebben iets om naar te streven. Dus nogmaals, de lat bepalen en hen vervolgens helpen deze te bereiken.

Ashling: Ik zie nog een vraag in de chat, we hebben het over AI en tools, hoe ondersteunen we AI, maar er is ook iets interessants, het gaat over hoe sommige tools AI eraan vastplakken en dan ook nog eens extra prijzen toevoegen, of ze absorberen die prijzen niet, en dan is er de vraag: is dit nuttig, is dit iets wat we nodig hebben? Talha, ik hoor graag jouw inbreng daarover voordat we voor vandaag afronden, over de prijsstelling, het absorberen van de prijs, hoe pak je dit aan wanneer je naar verschillende tools kijkt?

Talha: Nou, dat hangt van tool tot tool af, als het gaat om het aanbod. Ik zal ons standpunt bij Easygenerator geven, wij geloven er sterk in dat de toekomst voor de meeste auteurs en L&D-mensen natuurlijk AI-native is. Het is een realiteit dat AI zichzelf in feite in belangrijke workflows inbedt, ongeacht je domein, in de meeste domeinen heeft het een zeer significante impact gehad. En ons standpunt is dat iedereen met die technologie in staat moet worden gesteld, en wij willen natuurlijk samen met onze klanten, L&D’ers en vakexperts op reis gaan om te ontdekken hoe AI voor hen werkt. En daarom rekenen wij vanuit ons standpunt voor onze kernplatform-AI geen extra kosten. Het is inbegrepen in de basisprijs. En dat is de kernreden daarvoor: het is bedoeld om iedereen in staat te stellen, en om samen met hen te werken aan een toekomst waarin we AI-native zijn, en om met hen te leren hoe die toekomst eruitziet. Dat is dus ons standpunt, en het is niet voor elke tool mogelijk om dat te doen, het hangt ervan af waar ze vandaan komen in termen van hoe AI-native ze waren, of hoe klaar ze waren om de AI-revolutie aan te gaan. Omdat sommige tools de kosten van AI natuurlijk hebben moeten doorberekenen aan de klant, terwijl wij die hebben geabsorbeerd en klanten hebben meegenomen op de reis, en wij staan natuurlijk aan de andere kant.

Ashling: Ja, ik denk dat het teruggaat naar hoe AI in de tool wordt gebruikt, is het iets dat waarde toevoegt, is het er aan toegevoegd, zal het je ervaring veranderen? Dat is dus echt nuttig inzicht. Ik zag dat we nog wat tijd over hebben, dus we willen natuurlijk altijd naar de toekomst kijken, en dan laten we ook wat tijd voor vragen, dus als je vragen hebt, zorg dan dat je ze in de chat zet. Talha, misschien kun jij het voortouw nemen als we naar de toekomst kijken; waar zie je AI het komende jaar of zo naartoe gaan?

Talha: Ja, veel verschillende dingen zijn zeker in de loop der tijd veranderd, natuurlijk is AI geweldig geworden in verschillende domeinen op verschillende gebieden. Dus het begon allemaal met werken met tekst, daarna werd AI uitstekend in het verwerken van afbeeldingen en video’s, en nu blinkt het uit in vele taken en in het omgaan met diverse soorten multimedia. Ik denk absoluut dat de toekomst voor nu, wat vrij duidelijk is in de richting die de meeste tools daarbuiten opgaan, evenals bij Easygenerator, de richting is die wij opgaan: de richting van agentic AI. En het raakt aan veel van de problemen die we vandaag hebben besproken, zoals het probleem van onvoldoende context bieden, kwaliteit als een van die problemen, betere output vooraf krijgen, dat soort zaken. En als ik agentic zeg, is het weer het iteratieve karakter van AI: AI die de tools heeft, er creatief doorheen gaat, ze benut, taken voltooit en samenwerkt met de auteur of gebruiker voor hun specifieke taak en workflow om dat te bereiken. En in die hele reis benut het vervolgens verschillende delen van de context die nodig zijn, verschillende vaardigheden en verschillende tools om te bereiken wat het moet bereiken. Dus ik denk dat dat een effectievere manier is om AI toe te passen, in plaats van alles in één keer te doen. En ik denk dat de branche zich dat realiseert.

Ashling: We gaan over naar de vragen, maar Nelson, ben je het eens, en is er nog iets anders dat je ziet in de komende zes tot twaalf maanden als het gaat om AI en L&D?

Nelson: Ja, ik denk dat een van de dingen die we in L&D nooit echt hebben kunnen doen, is de verbinding leggen tussen leren en prestaties. Wanneer de prestaties dalen, kunnen de meeste organisaties je niet vertellen welke vaardigheden ontbreken en wat de reden was voor de daling van de prestaties. Laten we zeggen dat je door een wonder wel weet welke vaardigheden ontbreken, dan weet je vaak niet welke leeroplossing geschikt is voor dat vaardigheidsniveau. En om die verbinding te kunnen leggen, en stel dat er geleerd wordt, kun je zelden zeggen of het werkt of niet. Dus deze kloof tussen leren en prestaties hebben we nooit kunnen dichten. En de reden daarvoor is dat je, om die kloof te kunnen dichten, eerst moet kunnen zien hoe er gewerkt wordt; je moet mensen daadwerkelijk aan het werk zien, of werkgegevens, om te kunnen zien of ze iets goed doen of niet. En dan moet je de intelligentie hebben om naar die werkgegevens te kijken en ze te analyseren om te kunnen zeggen: op basis van wat ik deze persoon zie doen, is hij of zij hier goed in, maar daar minder goed in. En zodra het dat heeft bepaald, moet het je de exact juiste hulp kunnen bieden om beter te worden in die taak die ik niet kon uitvoeren. En dit is doorgaans erg gefragmenteerd geweest; je had verschillende mensen en verschillende systemen nodig, en er waren enorme coördinatiekosten bij betrokken. Nu, met agents, maar nog belangrijker autonome agents die die lus helemaal zelf kunnen doorlopen, kun je nu naar werksignalen kijken, afleiden wat de prestatiekloven zijn, uitzoeken welke vaardigheden ontbreken, je vervolgens koppelen aan de juiste relevante leerbron, en dan de werkgegevens monitoren om te zien of het de prestaties of het gedrag daadwerkelijk heeft veranderd, allemaal in één autonome lus. Dit is wat we op dit moment hebben bij organisaties waarmee we samenwerken met HowNow, en dit is waar we het naartoe zien gaan: die prestatieverbeteringslus zal volledig autonoom zijn, met vangrails ingesteld door L&D, maar je hoeft dat zware werk niet meer te doen, wat ongelooflijk is, want als je autonoom prestaties kunt verbeteren op snelheid en schaal, opent dat echt deze visie van een zelfverbeterend bedrijf.

Ashling: Wat ik zeer spannend vind, denk ik ook. En ik denk dat je ons mooi hebt ingeleid naar enkele vragen die via de chat binnenkomen, en misschien kun je helpen, en Talha, als jij hier een standpunt over hebt, kun je inspringen. Sanjo heeft gevraagd: hoe leid je af van een strategie voor het genereren van inkomsten op korte termijn in je L&D-organisatie zonder kwalitatieve doelen of doelstellingen, zodat je niet achter glimmende objecten en AI aanloopt, maar eerst een gedecentraliseerde of creatieve strategie definieert? Dus ja, hoe scheid je misschien de bomen van het bos, door een strategie te definiëren en niet zomaar op de laatste trend te springen, heb je nog gedachten?

Talha: Dat is een hele goede vraag. En ik denk, ja, één ding dat daar zeker uit naar voren komt, is dat er natuurlijk ook op een hoger niveau een probleem is, namelijk het gebrek aan begrip van hoe AI in het algemeen functioneert, en de tastbare voordelen die het kan brengen, en waar de beperkingen liggen. Dat leidt tot die onrealistische verwachtingen, en vervolgens tot prioritering van winst op korte termijn, in plaats van eerst een strategie te definiëren, ik denk dat die verschuiving moet plaatsvinden. Ik denk dat het moet komen van, het zou bottom-up moeten zijn, natuurlijk, binnen een organisatie waar je power users van AI hebt, want de meeste organisaties zouden deze power users van AI hebben die de technologie echt, echt omarmen. En ik denk dat het een soort van is, misschien moeten zij gedeelde verantwoordelijkheid nemen om die kennis daar naar boven te drijven en vakexperts binnen hun bedrijven te worden, om het leiderschap echt te helpen inzien waar AI werkt, waar AI niet werkt, en dan vanaf daar verder te werken, en dan een creatieve strategie te prioriteren. Dat is mijn kijk erop, ik ben benieuwd hoe Nelson daar tegenaan kijkt.

Nelson: Ja, ik zal daarop voortbouwen, en teruggaan naar het koppelen aan een andere vraag die binnenkwam over het verkrijgen van draagvlak, ik denk dat die elkaar overlappen. Je bent niet, de tool en technologie zijn ondergeschikt, toch, het belangrijkste is, dit is de bedrijfsstrategie, wat hebben we nodig om die bedrijfsstrategie te kunnen leveren, welke vaardigheden moeten we opbouwen om dat te doen, zo stem je je strategie af en krijg je het draagvlak. Ik raad doorgaans, en veel van de organisaties waarmee we werken, dit raamwerk aan, de drie waarom-vragen, voor het opbouwen van je businesscase. En de eerste waarom is waarom nu. En het waarom nu is, de meesten van ons, zo niet wij allemaal, haten verandering. Wij haten verandering. En de reden waarom we verandering haten is omdat verandering veel risico met zich meebrengt, persoonlijk risico, sociaal risico, financieel risico, er is veel risico, dat is de reden waarom we verandering haten. Maar er is maar één ding dat ons tot verandering aanzet als we verandering haten, en dat is een hele grote verandering, toch. Wanneer er een hele grote verandering plaatsvindt, maakt dat de huidige status quo onacceptabel. En wanneer het de huidige status quo onacceptabel maakt, moeten we daarom veranderen om de kans te grijpen, of om weg te navigeren van de dreiging. En ik denk dat het eerste deel van het verkrijgen van draagvlak is om uit te leggen wat die grote verandering is die de huidige status quo onacceptabel maakt, en dat is je ‘waarom nu’. Nu, zodra je je ‘waarom nu’ hebt gedaan, kom je bij je ‘waarom’, je ‘waarom van de oplossing’, het ding dat je voorstelt. En dat is waar je over praat: oké, ik begrijp je ‘waarom nu’, maar wat zijn de obstakels op dit moment die je ervan weerhouden om dit probleem aan te pakken? Je moet de obstakels benoemen voordat je naar de oplossing springt, anders stuur je alleen een oplossing, maar laat je het aan mij over om die punten met elkaar te verbinden. Nu, zodra je die obstakels hebt benoemd, praat je over je oplossing, die oplossing kan HowNow, Easygenerator, AI dit, AI dat zijn. Maar wanneer je over die oplossing praat, praat je erover in de context van: wat zijn de obstakels die deze oplossing mij gaat helpen overwinnen? Laten we nu aannemen dat je dat hebt gedaan, dan kom je bij je laatste deel, en dat is het ‘waarom niet’. Het ‘waarom niet’ is in essentie: geen enkele businesscase of voorstel is solide totdat je hebt gesproken over alle dingen die mis kunnen gaan en je dat adresseert. En een van de meest voorkomende dingen die op dit moment naar voren komen, is de angst om het te verpesten. Die fobie is de meest voorkomende reden waarom mensen niets aan iets doen. En dus moet je adresseren: waarom hebben we deze angst om het te verpesten? Is het een gebrek aan expertise, of is het een gebrek aan bandbreedte en middelen? En dat verwerk je in je businesscase om het draagvlak te krijgen en het af te stemmen op die strategie. Dit is doorgaans het raamwerk waarmee we organisaties helpen om de oplossing, waarvoor je draagvlak probeert te creëren, naar voren te brengen.

Ashling: Ja, en ik zou zeggen dat werken met klanten ook, aan de kant van de klantwaarde, wanneer ze businesscases bouwen, heel logisch is, dus dat uitbouwen, en ik hoop dat dat helpt. Ik denk dat je ook hebt geholpen bij het beantwoorden van een vraag van Callum over het creëren van draagvlak, dus Callum, de drie waarom-vragen, je hebt het hier gehoord van Nelson. Voordat we afronden, zie ik ook een vraag van Monique. Monique gebruikt AI om wat e-learning te maken, en merkte op dat je na een paar keer opnieuw genereren verschillende resultaten kunt krijgen, en vraagt zich af of er richtlijnen zijn voor instellingen om de beste kwaliteit content te creëren. Talha, met jouw expertise zou je hier misschien wat inzicht in kunnen geven.

Talha: Ja, ik denk dat we zullen proberen wat algemene richtlijnen te delen, ik denk natuurlijk dat er zeer tool-specifieke zijn, maar er zijn ook wat algemene dingen die we kunnen doen. Ik denk dat het belangrijk is om te begrijpen dat AI-modellen van nature niet deterministisch zijn, en het is absoluut zo dat je bij veel van je interacties met AI, of workflows die je doorloopt, waarschijnlijk de ene keer een output krijgt en de tweede keer waarschijnlijk een compleet andere output. En er zijn natuurlijk manieren om te proberen meer deterministische uitkomsten te krijgen. Natuurlijk begin je met waar je mee werkt qua prompts, schrijf je betere en gedetailleerdere prompts, zorg je ervoor dat je prompting-technieken goed zijn, dat je geen vage prompts geeft, zoals ‘doe dit’ of ‘doe dat’, maar juist meer details geeft over wat je precies wilt bereiken met de output. En als je iets consistent wilt, zorg er dan voor dat je prompts ook consistent zijn, dat je een soort sjabloon volgt en natuurlijk ook je broninhoud. Als je werkt met een RAG-gebaseerde oplossing waarbij je documenten en andere contexten uploadt, zorg er dan voor dat die niet te groot zijn en ook niet te gedetailleerd. Zorg ervoor dat je documenten en je broninhoud opgeschoond, goed gestructureerd en ideaal voor verwerking zijn. Niet iets dat lijkt op een boek van drie of vierhonderd pagina’s, of een document van twee pagina’s, en dan verwachten dat daar een e-learning van negen pagina’s uit komt. Je moet dus een goed begrip hebben van waar je mee werkt, in termen van de mogelijkheden van de tool, maar ook je brondocument daarop afstemmen. Prompting is waarschijnlijk een van de belangrijkste vaardigheden hier, en dan natuurlijk het opschonen van je broninhoud en ervoor zorgen dat het ‘AI-ready’ is, dat zijn de twee dingen. En vanuit leerperspectief, om ook een voorbeeld van Easygenerator te noemen, hebben we een functie genaamd Course Builder, waar we een sectie hebben waarin de leerder doelen definieert. Dus ook daar moedigen we de auteur echt aan om heel specifiek te zijn over zijn of haar doelen, zoals wat hij of zij precies wil dat de leerder doet of weet, welke onderwerpen, en wat de resultaten zijn. En daar gedetailleerd zijn helpt AI echt om de contentcreatie in die richting te sturen en de juiste dingen uit het brondocument op te pikken.

Ashling: Monique, ik kan dit ook offline oppakken om te kijken of het iets was dat meer Easygenerator-specifiek was. Ik kan ook wat specifiekere richtlijnen met je delen, maar ik zal zorgen dat ik contact opneem. Ik denk dat we daarmee aan het einde van vandaag zijn gekomen, ik zie dat we bijna aan het uur zitten, dus voordat we afronden: nog laatste woorden, Talha, of Nelson?

Nelson: Ik kan het aftrappen. Het was goed om te zien dat experimenteren als een van de meest gekozen dingen in jullie poll naar voren kwam, en ik denk dat dat op dit moment het belangrijkste is. Ik zou zeggen dat iedereen de ‘chief tinkering officer’ in zijn organisatie moet zijn. En wat ik zou aanraden, is om in het openbaar te experimenteren. Het gaat er niet alleen om dat jij experimenteert en knutselt met tools, maar ik denk dat het ook belangrijk is om de cultuur in de organisatie op te bouwen, te delen waar je mee hebt geëxperimenteerd, wat je hebt geleerd, wat werkte, wat niet werkte, en dat in het openbaar te doen. En ik denk dat dat de beste manier is om de cultuur van AI-experimenten en adoptie in je organisatie te stimuleren, er is geen betere manier dan openlijk experimenteren.

Talha: Ja, dat vat je mooi samen. Ja, dat is absoluut iets wat ik echt zou aanmoedigen, ik denk dat dat heel nuttig is voor de organisatie, en gedeeld leren over AI is waar de echte vooruitgang zal plaatsvinden. Van mijn kant ben ik ook heel, heel enthousiast over waar de sector naartoe gaat, er gebeuren veel spannende dingen, om de dag is er een nieuwe AI-innovatie die de hele sociale media stormenderhand verovert, en er gebeuren eigenlijk best interessante dingen. Dus wat dit betekent voor L&D-teams en vakexperts, zullen we de komende maanden ontdekken.

Ashling: Laten we kijken, in de komende zes tot 12 maanden zullen we hier weer zijn om te bekijken wat er daarna komt. Maar voor vandaag, hartelijk dank aan Nelson en Talha voor een heel eerlijk en praktisch gesprek, ik heb er erg van genoten en ik heb veel ideeën die ik nu wil gaan implementeren. En ik wil ook iedereen bedanken die bij ons aanwezig was en vragen heeft ingestuurd.

Transcript geproduceerd op basis van VEED-ondertitels. Sprekerattributie toegewezen op basis van context en rol.