Boutique learning: hoe L&D waarde kan toevoegen in een wereld van door AI gegenereerde inhoud

AI is klaar om industrieën en de wereld zoals we die kennen te veranderen. Voor leiders op het gebied van leren en ontwikkeling (L&D) die al moeite hebben om zichzelf positioneren strategisch binnen organisaties zal het van cruciaal belang zijn om hun waarde aan te tonen en manieren te vinden om zich aan te passen aan AI.

Een belangrijke kans voor L&D ligt in leren in de boetiek — de juiste vaardigheden op het juiste niveau aanbieden — in plaats van AI te gebruiken om generieke inhoud te creëren met een lage mate van overdracht van vaardigheden.

‍

Maar hoe zal dit er in de praktijk uitzien? We spraken met L&D-strategieconsultant Peter Meerman om het onderwerp uit te pakken. Hij werkt samen met toonaangevende bedrijven in verschillende sectoren, waaronder Shell, Phillips en Novartis, en heeft een grondige kennis van leerstrategieën, data-analyse en andere tools en processen die L&D-leiders naar een hoger niveau kunnen tillen.

In ons gesprek behandelen we:

• Hoe AI het L&D-beroep zal veranderen
• Het belang van „boutique learning” in een wereld van door AI gegenereerde inhoud
• Stap voor stap bekijken hoe L&D de impact ervan kan kwantificeren.

Klaar om dieper op het onderwerp in te gaan? Markeer je agenda voor onze paneldiscussie op 22 november en bespreek AI in learning met experts Peter Meerman, Ross Stevenson en Dr. Clemens Lechner.

‍

‍Hoe ziet u dat AI de toekomst van vaardigheidstraining en het L&D-beroep zelf vormgeeft?

‍

Wat vaardigheden betreft, zal dit het hele landschap veranderen.

‍

Mijn zorg is dat als we niet een stap verder gaan in de wereld van bedrijfstrainingen, technologie zoals ChatGPT het grootste deel ervan zal overnemen. Ik denk dat je in L&D alleen overleeft als je een heel specifieke toegevoegde waarde hebt.

‍

We moeten beginnen na te denken over wat ik 'boetiektrainingsprogramma's' of trainingsaanbiedingen noem die oefening, feedback en de juiste context bieden om mensen echt te helpen nieuwe vaardigheden te leren. Als je die elementen kunt geven, denk ik dat je relevant blijft. Als je net als iedereen heel generieke content blijft maken, word je vervangen door ChatGPT en andere generatieve AI-oplossingen.

Dit geldt zowel voor commerciële bedrijven als voor interne L&D-afdelingen. Daarom ben ik gepassioneerd door het onderwerp. We moeten vaardigheden serieus nemen, en ik denk niet dat we dat genoeg doen. Iedereen praat erover, maar ik denk dat maar heel weinig mensen proberen te begrijpen wat het echt betekent om nieuwe vaardigheden te leren en dat maar heel weinig L&D-teams hun strategie daarop aanpassen.

‍Waar moeten L&D-teams rekening mee houden wanneer ze AI gaan gebruiken voor training?

‍

We moeten de juiste vaardigheden op het gebied van L&D opbouwen om het potentieel van AI ten volle te kunnen benutten. Het valluik zorgt ervoor dat we AI niet gebruiken om meer betekenisloze, generieke inhoud te genereren met een zeer lage mate van overdracht van vaardigheden. We kunnen AI gebruiken om dat spul sneller en goedkoper te maken, maar als je 100.000 dollar uitgeeft aan een reeks zinloze programma's die je 200.000 dollar zouden hebben gekost zonder AI te gebruiken, zal AI nog steeds niet veel waarde genereren. Het is het verschil tussen efficiënt en effectief zijn.

We moeten ons gaan realiseren dat AI veel van de behoefte aan trainingsprogramma's die we momenteel maken zal wegnemen, omdat mensen gewoon naar hun persoonlijke AI-coach kunnen gaan. We moeten onszelf dus de vraag stellen: waarom zou je naar een L&D-bedrijf of -afdeling gaan?

‍

Dit is wat ik bedoel met leren in een boetiek; selectiever zijn in wat je doet en programma's afstemmen op individuele behoeften.

‍

Er kunnen onderwerpen zijn die erg strategisch zijn voor een bedrijf of onderwerpen die de kern vormen van het intellectuele eigendom van een bedrijf, en ik denk dat dat gebieden zijn waarop L&D zich moet concentreren.

Boutique learning is ook veel meer gericht op vaardigheden in plaats van op kennis. Omdat we tegenwoordig zoveel kennis binnen handbereik hebben, maakt kennis eigenlijk niet meer uit.

In de praktijk zou dit kunnen lijken op een focus op persoonlijke training met uitstekende facilitators die signalen van het publiek opvangen en het programma gaandeweg aanpassen. Of een serieuzere intake doen om echt te begrijpen waar mensen het moeilijk hebben en waar ze hulp nodig hebben, in plaats van ze gewoon een eenduidig programma te geven.

‍

We moeten ook expliciet zijn in de manier waarop we onze waarde aantonen..

‍

„We zullen een betere leider van je maken” is niet tastbaar. Maar als je zou zeggen: „Mensen die onze programma's volgen, krijgen doorgaans 10% betere beoordelingen in 360's”, en je hebt goed gestructureerd bewijs om dat te ondersteunen, dan kunnen mensen overtuigd worden om het programma te volgen.

‍Hoe kunnen L&D-teams beoordelen of een trainingsprogramma de gewenste impact heeft gehad?

‍

Het komt neer op een paar belangrijke stappen.

1. Stel je doelen en definieer je doelgroep

Het uitgangspunt is om je doelstellingen expliciet te maken. Stel een doel voor welke vaardigheden je wilt opbouwen voor welke mensen (met vermelding van hun niveau), want je wilt niet dat mensen de verkeerde vaardigheden ontwikkelen. In een ideale situatie moet je ook heel expliciet zijn over je publiek, niet in termen van cijfers, maar in termen van datakarakteristieken: functie, locatie, mensen die structureel ondermaats presteren, enz. Als je je publiek uitdrukt in termen van data, dan kun je beginnen met het genereren van inzichten in of je daadwerkelijk de juiste mensen traint.

2. Prestaties kwantificeren

Als we het dan over impact hebben, is het uiteindelijke doel om uw trainingsgegevens te correleren met gegevens over bedrijfsprestaties, d.w.z. door te kijken naar mensen die de training hebben gevolgd om te zien of ze betere prestaties laten zien. Het is ook belangrijk om te kwantificeren hoe de prestaties eruit zien. Hopelijk heeft het bedrijf een idee van KPI's die een gekwantificeerd doel kunnen opleveren — bijvoorbeeld 5% meer omzet of 10% minder omzet.

3. Ontwerp voor vroegtijdige analyse en meting

Begin ten slotte zo snel mogelijk met meten, want de resultaten kunnen u zeer snel aangeven of de vragen en inhoud die in uw programma worden gebruikt, daadwerkelijk door uw publiek worden begrepen, en u kunt gaandeweg beginnen met verbeteren. Zorg er ook voor, en dit is van cruciaal belang, dat alles wat je ontwerpt de analyses ondersteunt. Ik noem dit datagestuurd ontwerp. Doorgaans denken we te laat in het proces aan gegevens. Dus als u de voortgang van verschillende modules wilt volgen, moet u uw modules zo ontwerpen dat u dat kunt doen. Een voorbeeld is het stroomlijnen van evaluatieformulieren in verschillende programma's om analyses tussen programma's mogelijk te maken.

Alle industrieën maken een of andere transformatie door dankzij digitalisering en AI. Wat betekent dat voor de toekomst van bijscholing?

‍

Ik geloof echt dat we niet weten welke vaardigheden in de toekomst nodig zullen zijn, omdat we heel weinig betrouwbare gegevens of bewijzen hebben om dit te staven. Ik denk dat het belangrijker is om een structuur op te bouwen die continu gegevens kan volgen en analyseren om te voorspellen welke vaardigheden je denkt nodig te hebben voor je organisatie, in plaats van deze analyses als een jaarlijks project uit te voeren.

Doorlopende vaardigheidsanalyses zullen cruciaal zijn, zodat u sneller kunt reageren als dingen zich in een andere richting ontwikkelen dan verwacht of gewenst.

‍

En er zijn vaardigheden die je gemakkelijker kunt volgen dan andere, dus daar zou ik mee beginnen.

Als u bijvoorbeeld denkt dat een van de vaardigheden „eigendom nemen” is, bedenk dan wat dat in de praktijk betekent. Hoe zou je meten of iemand eigenaar wordt? Analyseer je de tekst van e-mails? Scan je actielijsten? Deze vragen zijn heel moeilijk te beantwoorden. Ik zou dus beginnen met vaardigheden die gemakkelijker te volgen en te analyseren zijn.

Wat ik wel hoop is dat alle L&D-professionals zich bijscholen op het gebied van data en analyse, want anders zullen ze moeite hebben om bij te blijven. We zullen ongetwijfeld zien dat veel startups AI-training gebruiken in plaats van de talking heads-aanpak.

‍

L&D-professionals zullen beter moeten nadenken over waar ze waarde toevoegen en daar explicieter over moeten zijn tegenover hun klanten en werknemers.

‍

We moeten onszelf ook opnieuw uitvinden en daar heel luidruchtig over zijn. Anders komen we terecht in een stoffige hoek van de organisatie en komt er niemand meer naar onze programma's omdat ze een oplossing hebben gevonden die sneller, eenvoudiger en even goed is. We staan hierin niet alleen — veel industrieën stellen deze existentiële vragen ook. Dus nu is het tijd om je voor te stellen wat die verandering zou kunnen zijn.