De toekomst van het bedrijf

Noot van de auteurs: Dit is het tweede essay in onze reeks over de volgende economie, onderdeel van een nieuw platform voor onafhankelijke stemmen die een toekomst met AGI verkennen. Het weerspiegelt onze opvattingen, niet die van OpenAI of onze collega's.

We waren allebei vierentwintig toen we hier bij OpenAI onze eigen teams gingen aansturen. Dat klinkt minder indrukwekkend zodra je onze teams leert kennen.

Eigenlijk horen wij het uitvoerende werk te doen. Op je vierentwintigste sta je onderaan de bedrijfsladder. Je notuleert vergaderingen en schrijft wat memo's. Na jaren ploeteren krijg je hopelijk een breder takenpakket.

Ons loopbaanpad — en dat van veel jongeren vandaag — ziet er anders uit. We betreden de arbeidsmarkt met "medewerkers" die al voor ons klaarstaan. Deze assistenten werken dag en nacht, in het weekend en op feestdagen. Ze zijn geweldig in het saaie uitvoerende werk. We hebben zelfs goudenmedaillewinnaars van wiskundeolympiades in dienst om ons te adviseren. Onze nieuwe ondergeschikten maken nog de nodige fouten. Maar ze worden beter, leren onze behoeften kennen, en wij leren hoe we hen moeten aansturen.

Geen van ons is de bedrijfsladder opgeklommen. In plaats daarvan is het management naar onze trede afgedaald. Dit essay gaat over onze promotie en over andere manieren waarop bedrijven zich mogelijk reorganiseren nu we het intelligentietijdperk ingaan.

Welke plek krijgt AI als het een bedrijf binnenkomt? We schetsen drie scenario's ter illustratie:

Geen van deze scenario's zal zich precies zo ontvouwen als we beschrijven, maar volgens ons zullen elementen van alle drie werkelijkheid worden. Alle drie zijn ze nu al in subtiele vorm zichtbaar.

We richten ons hier niet op volledige automatisering, maar op een economie in transitie. We willen weten hoe bedrijven met een mix van mensen en AI eruit zullen zien naarmate AI beter wordt en zich in bestaande organisaties verweeft.

Het hybride bedrijf is volgens ons een belangrijk concept, omdat productieve toepassing van AI niet van de ene op de andere dag gebeurt. Wanneer modellen slechts een deel van de taken uitvoeren, kunnen medewerkers op de werkvloer die het werk kennen ze wellicht het makkelijkst inzetten. Zodra modellen brede functies van begin tot eind vervullen, kunnen hoger geplaatsten ze rechtstreeks inzetten. Volgens ons is capabelere AI makkelijker in te voeren: bedrijven moeten technologie leren gebruiken, maar arbeidskrachten leren het bedrijf kennen en kunnen zichzelf inwerken.

We ontleden de drie nieuwe typen organogrammen en bekijken vervolgens wat ze betekenen voor de toekomst van bureaucratie, zeggenschap van werknemers, bedrijfsgrootte en beloningsverschillen.

Ons eerste scenario lijkt het minst ingrijpend. Hier behoudt iedereen zijn plek en leidinggevende, en doet ogenschijnlijk hetzelfde werk als voorheen. Het menselijke organogram ziet er in deze toekomst hetzelfde uit als nu.

Het verschil zit onder ons. Onder iedere medewerker zonder leidinggevende functie komt een nieuw team van AI-arbeidskrachten dat aan die medewerker rapporteert. Ons organogram krijgt een kelder en we worden allemaal manager.

In het begin is die kelder nog niet af. We beginnen met één of twee agents per persoon: geen doorgewinterde medewerkers, maar eerder gretige stagiairs die we moeten begeleiden en van wie we fouten ruimhartig moeten vergeven. Onze verwachtingen zijn laag: hier een e-mail versturen, daar een memo opstellen, overal Slack-berichten beantwoorden. Net als beginnende menselijke medewerkers krijgen ze aanvankelijk weinig autonomie en vertrouwen.

Maar naarmate modellen verbeteren, nemen onze agents meer taken op zich met minder toezicht. Ze stemmen hun werk op elkaar af. Er komen misschien AI-managers en AI-uitvoerders, accountants en juristen, die allemaal samenwerken in jouw opdracht. Uiteindelijk begeleid je geen stagiair meer aan de hand, maar leid je een soort zelfstandig bedrijfje, met een eigen organogram en jou als raad van bestuur.

Merk op dat dit scenario geen ontslagen hoeft te betekenen. Hier voeren we AI in zonder onszelf weg te automatiseren. In plaats daarvan automatiseren we wie we vroeger waren en schuiven we op in de hiërarchie. AI neemt steeds meer over van wat we vroeger deden. Onze banen blijven bestaan omdat er meer te managen valt, en we worden verantwoordelijk voor een grotere totale productie.

Banen staan niet stil⁠(opent in een nieuw venster). Stel dat AI negentig procent kan doen van wat je voorheen deed. Je zou kunnen concluderen dat er nog maar tien procent van je werk overblijft. De andere mogelijkheid is dat je nog steeds een volwaardige baan hebt, maar een andere — nu gericht op een doel dat tien keer zo groot is. Dat is wat technologie ons van oudsher biedt: de productiviteit stijgt, onze ambities groeien mee en de lonen kunnen meestijgen⁠(opent in een nieuw venster).

Dit hangt er allemaal van af of we nog waarde toevoegen⁠(opent in een nieuw venster) aan de productie. Dit essay richt zich op de komende jaren, waarin automatisering nog niet alles kan of overal is ingevoerd. Zelfs als AI alles zou kunnen, zouden we iets nog steeds meer kunnen waarderen omdat een mens het heeft gemaakt, of erop staan dat een mens het laatste woord heeft.

Het hangt ook af van onze behoefte aan meer. Als we als consumenten geen behoefte hebben aan tien keer zoveel productie, verschuift het evenwicht naar minder werknemers of minder gewerkte uren. Historisch gezien heeft meer productie onze behoeften niet verzadigd. We hebben veel meer⁠(opent in een nieuw venster), maar werken slechts iets minder⁠(opent in een nieuw venster). Als onze behoeften blijven groeien terwijl de productie zich vermenigvuldigt — en we daaraan waarde blijven toevoegen — zullen we ervoor kiezen onze arbeid te blijven ruilen voor meer consumptie. Als de productie daarentegen zo overvloedig wordt dat we genoeg hebben, kiezen we misschien vrijwillig voor een kleinere beroepsbevolking.

Er zijn meer tegenwerpingen die we later bespreken, zoals de vraag of er meer, kleinere bedrijven komen. Toch vinden we dit scenario belangrijk, omdat de invoering ergens moet beginnen. Bedrijven hebben een manier nodig om vanuit hun huidige organisatiestructuur geleidelijk te veranderen. Het werk van bestaande medewerkers versterken is wellicht een makkelijkere eerste stap dan een volledige herstructurering. Dat zien we nu al gebeuren: de ene werknemer na de andere delegeert aan AI, tot dusver zonder organisatorische revolutie.

Dit scenario veronderstelt dat de werkvloer als eerste AI-krachten inschakelt. Uitvoerende werknemers — niet managers en bestuurders — nemen het voortouw bij de invoering van AI. Dat lijkt waarschijnlijk zolang degene die AI het werk het beste kan laten doen, degene is die het vroeger zelf deed.

Modellen kunnen al veel datawetenschappelijke taken automatiseren, maar een afdelingshoofd dat de methoden en details niet kent, zal moeite hebben die hulpmiddelen te benutten. Totdat AI proactief genoeg is om je te vertellen wat je niet weet (zie ons volgende scenario), werkt het waarschijnlijk het beste voor mensen die al weten hoe het werk wordt gedaan.

De grootste verandering in dit scenario is voor starters. Er zou geen onderste trede meer zijn, tenminste niet voor mensen. Als we jongeren aannemen, is dat niet meer om hen onderaan het bedrijf het geestdodende werk te laten doen. Die functies worden vervuld door iets wat daar geen bezwaar tegen heeft.

Daarmee verliezen we enkele traditionele manieren om jonge werknemers op te leiden: de leerwerkplek⁠(opent in een nieuw venster), leren door uitvoerend werk en je sporen verdienen. Dat zijn echte nadelen, maar we zien dit vooral als een voorrecht. Zelfs de meest onervaren nieuwkomer met een goed idee heeft middelen om te experimenteren. Het oudste excuus op kantoor, we hebben er gewoon de mensen niet voor, raakt achterhaald. Een beginnende medewerker met een geweldige videogame in haar hoofd, maar zonder mogelijkheid om er een team voor te krijgen, kan die nu gewoon bouwen.

Volgens ons valt er in dit scenario van "promotie" voor beginnende werknemers nog veel te leren: oordeelsvermogen, smaak, managementvaardigheden en creatieve visie. We worden gestimuleerd deze vaardigheden te ontwikkelen, omdat ze zichtbaar zijn in ons werk. We blijven leren door te doen⁠(opent in een nieuw venster), maar met een breder werkterrein. Ervaren krachten in het bedrijf blijven er belang bij hebben ons als verantwoordelijke begeleiders te helpen, met een aandelenbelang in ons succes. De kans die hier ligt, is een stimulerendere rol voor iedereen, op elke trede. Elke werknemer kan zijn talenten laten zien met een breder mandaat. Dat is vooral van belang voor starters, die nog helemaal geen mandaat hadden.

De tweede route waarlangs AI het bedrijf binnenkomt, loopt dwars door het bestaande organogram. Hier zijn agents geen ondergeschoven krachten, maar collega's. Een traditionele manager geeft een deel van het teamwerk aan een model, zoals ze dat aan elke medewerker zou kunnen delegeren. AI neemt plaats naast mensen, niet alleen onder hen.

Het belangrijkste verschil met het eerste scenario: hier wordt productieve AI ingezet door bestaande menselijke managers, niet alleen door medewerkers die nu uitvoerend werk doen. Daarvoor moet AI bekwaam genoeg zijn om als volwaardig teamlid mee te draaien.

Mensen zijn generalisten. Een hamer helpt bij één taak; een mens doet veel meer. Op de weg van hulpmiddel naar arbeidskracht krijgt AI een steeds breder werkterrein: eerst wordt de taak geautomatiseerd, dan de baan, vervolgens een team en uiteindelijk een bedrijf. Elke verbreding vraagt om bredere vaardigheden.

Een baan is een koffer vol uiteenlopende taken. Bij een heel team zit die koffer propvol met allerlei verschillende werkzaamheden. Meer taken in het pakket betekenen meer potentiële knelpunten. Als ook maar één essentiële teamtaak fysieke arbeid omvat, is er een heel nieuw arsenaal aan randapparatuur nodig. Om een compleet team naadloos te vervangen, moet AI al zijn uiteenlopende verantwoordelijkheden aankunnen.

AI die een breder werkterrein aankan, is moeilijker te bouwen. Maar voor bedrijven — en dit is de centrale asymmetrie van de hele transitie — is AI met een breder werkterrein makkelijker in te voeren.

Een bestuurder kan een volledig geautomatiseerd team of een brede bedrijfsfunctie rechtstreeks inzetten. Een hulpmiddel met beperktere mogelijkheden kan niet zo eenvoudig van bovenaf worden ingevoerd. Dat eenvoudigere hulpmiddel vereist breed draagvlak en bijscholing onder het personeel.

Traditioneel maken nieuwe technologieën het goedkoper om een afgebakende reeks taken uit te voeren. Vervolgens ligt de verantwoordelijkheid bij de koper. Het bedrijf moet uitzoeken hoe het het nieuwe hulpmiddel kan benutten en daarvoor personeel bijscholen, reorganiseren en processen opnieuw inrichten⁠(opent in een nieuw venster). Spreadsheetsoftware integreerde zichzelf niet in de boekhouding; de boekhoudafdeling paste zich aan de software aan.

Bij arbeidskrachten is het andersom. Een stagiair, een medewerker en een goed team zoeken zelf uit hoe ze jou van dienst kunnen zijn. Ze vragen je het hemd van het lijf, doorgronden je situatie en merken op wat je nodig hebt. Ze vertellen je dingen waarvan je niet eens wist dat je ze niet wist. De beste arbeidskrachten werken zichzelf in.

Hoe meer AI in die zin op een arbeidskracht gaat lijken, met initiatief en aanpassingsvermogen, hoe minder het bedrijf hoeft te leren hoe het AI moet benutten en hoe meer AI zelf uitzoekt hoe het nuttig kan zijn. Een bestuurder zal waarschijnlijk geen introductieles ontwerpsoftware volgen om een nieuw hulpmiddel te leren gebruiken. Maar hij zal graag luisteren naar een aanbod als: zeg het maar, dan zet ik je hele marketingafdeling op.

Te vaak noemen we het automatiseren van een baan de heilige graal van AGI. Toegegeven, zelfs dat hebben we nog niet bereikt. Banen zijn zo buitengewoon ingewikkeld omdat wij zo indrukwekkend veel kunnen. Toch is maar een heel klein deel⁠(opent in een nieuw venster) van onze economische productie afkomstig van mensen die volledig zelfstandig werken. Productieve banen dragen bij aan teams, teams aan bedrijven, en bedrijven produceren bijna alles wat we consumeren.

Een "baan" als maatstaf voor AGI doet ons mensen tekort. Arbeid draait niet alleen om taken, of zelfs om het afhandelen van niet-routinematige onderdelen: ons werk vraagt ook om een enorm vermogen tot coördinatie, om de flexibiliteit waarmee we kleine bijdragen leveren aan grotere resultaten. Wie ons reduceert tot een bundel taken, verkoopt ons ver onder onze waarde. Het menselijk vermogen schuilt meer in onze organisaties⁠(opent in een nieuw venster) dan in het individu. Economisch inzetbare AGI moet het niveau van mensen samen bereiken, niet dat van één mens.

Daarom kan het scenario van "verweving" behoorlijk inefficiënt zijn als AI nog als een hulpmiddel of zelfs als een werknemer functioneert, in plaats van als een team of bedrijf. Een model naast elke werknemer betekent duizenden aansluitpunten en overdrachtsmomenten⁠(opent in een nieuw venster). Deze versnipperde opzet kan de invoering vertragen.

We zien een wedloop tussen vroege, minder capabele toepassingen en latere, capabelere modellen. Wie wint, hangt af van de vraag of toekomstige modellen zoveel sneller worden ingevoerd dat dit de extra ontwikkeltijd voor die vaardigheden goedmaakt.

Dit scenario van "verweving" kan naast het eerste scenario, de "promotie", bestaan. Bedrijven kunnen hun personeelsbestand verkleinen doordat AI bepaalde functies automatiseert, terwijl de overgebleven mensen veel bredere verantwoordelijkheden krijgen, ondersteund door hun teams van agents. Belangrijk is dat dit scenario op zichzelf niet betekent dat de totale werkgelegenheid voor mensen afneemt. Er zouden meer bedrijven kunnen komen, elk met minder personeel.

Ons derde scenario is het meest verrassend. Hier komt AI het bedrijf binnen boven mensen. De volgorde is niet langer mensen boven machines, maar mens, AI, mens: een automatiseringssandwich. Sommige mensen "rapporteren" aan AI.

Dat klinkt vergezocht, zeker als startpunt voor de invoering van AI in bedrijven. Maar volgens ons is dit, in minder radicale vorm, al begonnen.

Zelfs wanneer we AI zien als iets dat denkwerk mechaniseert, richten we ons meestal op de onderste treden. We zeggen doorgaans dat AI spreadsheets en presentaties automatiseert, niet het management. Ons gevoel zegt dat automatisering de hiërarchie opklimt: eerst het saaie denkwerk en als laatste de oordeelsvorming, met de manager als laatste bolwerk.

Maar het werk van een manager speelt zich grotendeels af op een computer en in het hoofd: lezen, vergaderen, afwegen, context onthouden, besluiten nemen. Fysieke aanwezigheid heeft waarde: rondlopen op kantoor en tussen de medewerkers zijn. Toch komt het werk op de werkvloer, ook als het vooral denkwerk is, meer in aanraking met fysieke materialen en hulpmiddelen dan het managementwerk. De stagiair wordt naar het kopieerapparaat gestuurd, niet zijn baas.

Besluitvorming op managementniveau is moeilijk aan een model te leren, omdat succes niet eenduidig is en pas op lange termijn wordt gemeten. Om vergelijkbare redenen⁠(opent in een nieuw venster) is het ook moeilijk om goede menselijke managers op te leiden. We weten nog niet hoe goed modellen zijn in management. Er zijn volop evaluaties voor uitvoerend denkwerk, maar weinig daarvan meten grootschalige coördinatie op het niveau van managers en bestuurders.

Toch is het de moeite waard te overwegen dat de huidige modellen qua vaardigheden misschien dichter bij menselijke managers staan dan bij uitvoerende werknemers. Sommige managementfuncties worden mogelijk eerder geautomatiseerd dan het werk waarop ze toezicht houden.

Misschien bestaat de volledige versie van dit scenario met een "tussenlaag" uit AI die het denkwerk doet en haar ontbrekende vaardigheden aanvult met menselijke opdrachtnemers die aan haar rapporteren. Die wereld voelt ons behoorlijk vreemd aan. Er zou veel moeten veranderen.

Maar er is een natuurlijkere vorm, waarvan de eerste stappen al zichtbaar zijn: adviseren. Een bestuurder kan ChatGPT nu al vragen om honderden Slack-kanalen, documenten, berichten en codebestanden uit haar hele bedrijf te lezen en vervolgens vragen te beantwoorden. Wat doet dit team eigenlijk? Waar duikt die kwetsbaarheid op? Elk onderdeel van de organisatie wordt voor haar steeds beter te doorgronden⁠(opent in een nieuw venster).

Bestuurders verweven al lang ingehuurde tussenpersonen in het organogram. Dat noemen ze consultancy. Een managementadviesbureau plaatst een laag boven je: tijdelijk en duur. In de toekomst kunnen AI-adviseurs vrijwel niets kosten en altijd aanwezig zijn.

Modellen beginnen bedrijfsdocumenten en -communicatie nog maar net betrouwbaar te doorgronden. Hun gevoel voor kwaliteit en hun proactiviteit moeten nog rijpen. Voorlopig helpt ChatGPT een gemotiveerde bestuurder om haar organisatie gedetailleerder te begrijpen. We zien het uiteindelijk uitgroeien tot een volwaardig adviesbureau. Het wordt geen echte "manager" van medewerkers lager in de hiërarchie, maar eerder een interne verslaggever en adviseur voor bestuurders. Het zal met bedrijfskundige expertise alles doorlichten, proactief knelpunten signaleren en helpen prioriteiten te stellen.

Of dat gunstig of schadelijk uitpakt, hangt af van de bestuurder. Het structurele effect is centralisatie. Volgens ons verkleint dit de afstand tussen de directiekamer en de rest van het bedrijf. Het legt meer macht bij de top, waar gebrekkige informatiestromen vroeger juist voor meer decentrale besluitvorming pleitten.

Wij vinden dit scenario ingrijpend, niet alleen vanwege de verschuiving van gezag, maar ook omdat AI als adviesbureau zo eenvoudig kan worden ingevoerd. Net als traditionele consultancy vraagt het AI-adviesbureau geen technische kennis van de bestuurder. Dit is niet de computer, die van onderaf werd ingevoerd door wie kon typen en met een terminal overweg kon. Je praat gewoon met je adviseur, die de technische kant voor zijn rekening neemt. Deze invoeringsgolf kan in de directiekamer beginnen. Het adviesbureau kan vervolgens de invoering van AI in de rest van de organisatie versnellen.

Eén belangrijke reden waarom bedrijven thuiswerk en externe inhuur wantrouwen, is de vraag of afspraken afdwingbaar zijn. Bedrijven hebben nooit een goedkope manier gehad om de uitvoering van werk in al haar nuances te volgen. Dus meten ze de schijn ervan⁠(opent in een nieuw venster): aantallen klikken, muisbewegingen, groene statusbolletjes — signalen die nauwelijks iets zeggen over de vraag of er goed werk wordt geleverd.

AI biedt een toezichthouder die begrijpt. AI kan bekijken wat iemand produceert en echte vooruitgang richting grotere doelen herkennen. Zoals we in de volgende paragraaf bespreken, mag geen enkele nieuwe vorm van toezicht lichtvaardig worden ingevoerd⁠(opent in een nieuw venster). Maar onder de juiste omstandigheden kan dit vertrouwen vergroten en bedrijven aanmoedigen hun werknemers meer vrijheid te geven.

Als de toezichthouder begrijpt dat veel verschillende wegen tot goed werk kunnen leiden, kunnen werknemers meer op hun eigen manier werken. Vooruitgang richting goede resultaten wordt dan belangrijker dan één voorgeschreven methode die leidinggevenden makkelijk kunnen volgen. Een intelligente toezichthouder biedt flexibiliteit en straft de schijnproductiviteit af waar we allemaal een hekel aan hebben.

Het aanbod lijkt op dat van verzekeraars die je premie verlagen als je een tracker in je auto installeert. Als je het systeem probeerde te misleiden, werkt dit tegen je; als je gewoon je werk deed, kan de toezichthouder dat bevestigen en krijgt het management meer vertrouwen in je.

Dat vertrouwen schept nieuwe mogelijkheden. Bedrijven die eerder terughoudend waren, staan misschien meer open⁠(opent in een nieuw venster) voor hybride werken, onorthodoxe denkers, externe krachten of het aannemen van briljante mensen in verre landen.

Werknemers onderaan de organisatie ervaren tegenwoordig veel problemen met het organogram. Het is enorm ontmoedigend als je een probleem zelf ziet, maar het niet hogerop kunt aankaarten. Het is onrechtvaardig om vast te zitten onder een ineffectieve manager, of geweldig werk te leveren dat niet wordt erkend.

Volgens ons was de vorige golf van extreme bedrijfsoptimalisatie gebaseerd op beperkte data, grove richtlijnen en domme algoritmen. Als je alleen overbrengingsverhoudingen kunt verwerken, ziet iedereen eruit als een tandwiel. Bedrijven worstelen al lang met het meten van de prestaties van hun personeel. Een intelligente toezichthouder zou waardevolle bijdragen en unieke benaderingen kunnen herkennen die de huidige grove meetmethoden missen.

Aan de hand van de drie geschetste scenario's verkennen we nu enkele bepalende vragen over de toekomst van het bedrijf.

Iets maken is doorgaans behoorlijk duur. Een app, een film, een presentatie, een functie, een analyse: ze opnieuw maken kost veel geld, tijd en moeite. Als je feitelijk maar één schot hebt, investeer je in goed richten. Er zijn planningscycli, rituele overleggen over de roadmap en goedkeuringscommissies, allemaal om te zorgen dat het bedrijf, zodra het eindelijk groen licht geeft, aan iets waardevols begint. Veel controles in onze hiërarchieën bestaan omdat uitvoering zo kostbaar was.

Op veel terreinen verlaagt AI de kosten van het maken drastisch — in elk geval tot aan het prototype, zo niet tot het eindproduct. Volgens ons moet de aanpak van bedrijven meeveranderen: minder richten, vaker schieten. Een bedrijf kan een prototype bouwen, observeren, snel leren, de koers bijstellen en opnieuw bouwen. Als prototypes makkelijker te maken zijn⁠(opent in een nieuw venster), zouden bedrijven geleidelijk afstand moeten nemen van de structuren achter productie die veel planning vergt.

De eenvoudigste vorm hiervan is een team dat sneller in opeenvolgende rondes werkt. Een radicalere interpretatie stelt het team zelf ter discussie. Als gezamenlijk plannen minder belangrijk wordt en uiteenlopende, onafhankelijk ontstane ideeën belangrijker, wat is dan beter: één team dat snel blijft bijsturen, of veel individuen die ieder hun eigen werkende prototypes aandragen? Als een echt prototype een visie beter overbrengt dan welk afbakeningsdocument ook, veranderen onze communicatienormen dan: meer en eerder delen, en concrete creaties delen in plaats van memo's?

Goedkoper kunnen bouwen kan het zwaartepunt in bedrijven naar individuen verschuiven. Dat zou minder lagen middenmanagement en minder toestemming vragen betekenen, omdat vragen vroeger goedkoper was dan doen, maar nu niet meer.

Toch kan dezelfde technologie waarmee individuen met minder risico prototypes maken ook méér bureaucratie afdwingen, zoals we hierna bespreken.

Een belangrijke reden voor top-downmanagement is de overtuiging dat bestuurders betere zakelijke beslissingen⁠(opent in een nieuw venster) nemen dan beginnende werknemers. Bedrijven betalen meer voor zeer bekwame, ervaren krachten aan de top. Managers zijn vaak geschoold in bedrijfsstrategie, terwijl uitvoerende medewerkers zich in hun eigen vakgebied specialiseren. Als AI alle werknemers uitstekend advies biedt, wordt het kwaliteitsverschil in besluitvorming kleiner. Managers zouden dan minder reden hebben om zich ermee te bemoeien. Dat zou werknemers meer autonomie geven en mogelijk het aantal managementlagen verminderen.

Tegelijk zorgt het "AI-adviesbureau" ervoor dat er niets met al te grote gevolgen gebeurt zonder dat een bestuurder wordt gewaarschuwd. Als een medewerker op het punt staat een blogbericht te publiceren met ernstige gevolgen voor het bedrijf, brengt het adviesbureau dat proactief onder de aandacht van de bestuurder. Dat schept vertrouwen: het management hoeft niet bang te zijn dat grote missers onopgemerkt blijven, en hoeft werknemers dus minder kort te houden⁠(opent in een nieuw venster) in de manier waarop ze hun werk doen.

Maar het AI-adviesbureau is een tweesnijdend zwaard⁠(opent in een nieuw venster). Als intelligente toezichthouder kan het meer vertrouwen in werknemers scheppen, maar het kan ook de voorkeurswerkwijze van een CEO strenger in de hele organisatie afdwingen. Bedrijven hechten aan samenhang⁠(opent in een nieuw venster): niet alleen een goede beslissing, maar een die past bij de bedrijfscultuur, het merk en de schaalvoordelen. Een restaurantketen geeft wellicht de voorkeur aan één menu voor alle franchisevestigingen, zodat ingrediënten in bulk kunnen worden ingekocht en klanten op een consistent product kunnen rekenen.

Daarmee hangt samen dat de belangen van bedrijfsleiders niet altijd overeenkomen met die van werknemers. Werknemers streven naar succes binnen hun eigen werkterrein⁠(opent in een nieuw venster), terwijl bestuurders naar het hele bedrijf kijken. Aandeelhouders hebben andere voorkeuren dan werknemers in loondienst, omdat zij de vruchten plukken⁠(opent in een nieuw venster) van harder werken. Het adviesbureau zou striktere naleving van specifieke, van bovenaf voorgeschreven werkwijzen kunnen afdwingen.

Volgens ons krijgen werknemers per saldo meer zeggenschap. Ons optimisme berust op de verwachting dat bedrijven AI gebruiken om ingrijpende uitzonderingen te signaleren, terwijl ze meer beslissingen aan werknemers overlaten.

Wij denken dat AI een ondersteunend kader zal vormen: ook als bestuurders een consistent merk willen behouden, is dat slechts een randvoorwaarde waarbinnen mensen kunnen werken. Werknemers krijgen beter inzicht in de zakelijke randvoorwaarden en meer zekerheid om in de ruimte die overblijft creatief te zijn. Nu de risico's zijn afgedekt, kunnen bestuurders medewerkers nieuwe, mogelijk winstgevende werkwijzen laten uitproberen. Met AI-assistenten onder zich zullen werknemers ook verantwoordelijk zijn voor omvangrijkere resultaten. Wij zien meer ruimte voor creativiteit wanneer we complexer werk aansturen.

Dezelfde redenering over de autonomie van werknemers geldt ook voor de omvang van bedrijven. Ronald Coase⁠(opent in een nieuw venster) vroeg zich af waarom we productie binnen bedrijven organiseren en niet via een netwerk van contracten. Zelfs een vliegtuig zou volledig via onderlinge contracten tussen afzonderlijke partijen kunnen worden gebouwd, maar dat zou zeer inefficiënt zijn. Bedrijven realiseren schaalvoordelen, brengen belangen op één lijn, organiseren grote projecten en maken voortdurend onderhandelen overbodig.

Door communicatie te vergemakkelijken kan AI zowel grotere als kleinere bedrijven aantrekkelijker maken. Het klassieke bedrijf is een infrastructuur die informatie naar boven en instructies naar beneden doorgeeft, met volop wrijving en ruis zoals bij het doorfluisterspel. Een groter bedrijf met meer menselijke medewerkers is minder log als AI als coördinatielaag fungeert. Met het "AI-adviesbureau" kan een bestuurder haar bedrijf kennen zoals een oprichter een start-up met twintig medewerkers kent. Ze kan de uitvoering van een initiatief volgen in plaats van op het kwartaalverslag te wachten, en een melding krijgen als er iets gebeurt. Haar visie kan breder doordringen. Iedereen weet beter wat de anderen doen en wat de overkoepelende prioriteiten van de organisatie zijn.

Het kan ook de andere kant op werken. Als communicatie soepel verloopt en naleving beter te controleren is, hoeft een bedrijf minder van zijn toeleveringsketen in eigen beheer te hebben. Het bedrijf kan meer vertrouwen op externe leveranciers en opdrachtnemers.

Een belangrijke reden voor verticale integratie is het op één lijn brengen van belangen. Denk aan het concept van onvolledige contracten⁠(opent in een nieuw venster): een vliegtuigbouwer kan een contract sluiten met een fabrikant van straalmotoren, maar bij alles wat niet expliciet in het contract staat, heeft de motorfabrikant er belang bij te beknibbelen en zijn eigen winst voorop te stellen. Om dit te voorkomen koopt de vliegtuigbouwer de motorfabrikant op. Net als bij werknemers en leidinggevenden geldt: als contracten beter te controleren zijn en geschillen intelligent worden beoordeeld in plaats van met afvinklijstjes, durven bedrijven wellicht meer op andere bedrijven te vertrouwen. Er zou minder reden zijn om alles zelf te doen.

We verwachten veel kleinere bedrijven, maar ook uitgestrekte AI-"holdingmaatschappijen" waarin enorme aantallen verschillende projecten binnen één onderneming worden uitgevoerd. Zo'n conglomeraat is economisch zinvol wanneer alle verschillende projecten een gemeenschappelijk bedrijfsmiddel benutten. Dat gedeelde middel zou rekenkracht kunnen zijn, al is die ook makkelijk in kleine hoeveelheden naar behoefte in te kopen. Een gedeelde fabriek of robotvloot is een betere reden.

Ook gelijkgerichte belangen kunnen een grote "holdingmaatschappij" rechtvaardigen. Als een grote organisatie van AI-systemen en kapitaal volledig is gericht op een gezamenlijke missie — bijvoorbeeld kanker genezen — is er minder behoefte aan afzonderlijke, kleinere initiatieven. Een AI-bedrijf zou machtsstrijd kunnen vermijden, alle informatie kunnen delen en waar nodig creatieve diversiteit onder zijn agents kunnen creëren, zodat verschillende wegen worden verkend.

Het huidige systeem hoort uitblinkende werknemers te belonen. Ze klimmen op en krijgen beter betaald. Maar hoe onderscheiden werknemers zich in een wereld waarin modellen uitstekende adviseurs zijn?

Als AI iedereen hetzelfde geweldige idee geeft, hebben we minder kansen om ons te onderscheiden. De salarissen zouden dan dichter bij elkaar moeten komen te liggen.

Wat daartegenin werkt, zijn oordeelsvermogen, smaak en de omvang van iemands verantwoordelijkheid. Als we ieder AI-bedrijven onder ons aansturen, ligt onze resterende menselijke waarde in onze besluitvorming. Als iedereen verantwoordelijk is voor meer werk onder zich, weegt het verschil tussen een goed en een slecht oordeel zwaarder⁠(opent in een nieuw venster).

Die redenering passen we al lang toe op de top van het organogram. We rechtvaardigen de beloning van CEO's⁠(opent in een nieuw venster) met het idee dat iets betere besluiten aan de top enorme gevolgen kunnen hebben voor de winst. De loonongelijkheid kan toenemen als sommige werknemers de AI-bedrijven onder zich beter aansturen bij het inzetten van schaarse middelen.

Hoe meer er op het spel staat, hoe sterker je kleine voorsprong op een ander in je salaris tot uiting komt. Aan de andere kant zal AI iedereen goed advies geven. Minder onderscheid drukt de beloningsverschillen samen.

Hier en elders hangt de doorslaggevende kracht misschien af van de vraag of we vooral zelf oordelen of het oordeel van AI volgen.