De IT-afdeling is voor AI een interessant domein, omdat het twee soorten werk combineert die volstrekt anders reageren op automatisering. Aan de ene kant staan processen die volgens een vast patroon verlopen: een nieuwe medewerker krijgt een account, een back-up draait 's nachts, een wachtwoord wordt gereset na een verzoek. Aan de andere kant staat werk waarbij de uitkomst afhangt van context, risico-inschatting en gevolgen die niet in een script te vangen zijn. Onze taxonomie telt 39 taken binnen dit domein, en de verdeling over de drie categorieën volgt grotendeels die scheidslijn.
Het gaat hier om taken met een duidelijke invoer, een vaste procedure en een controleerbare uitkomst. Het klaarzetten van werkplek, accounts en toegangsrechten voor een nieuwe medewerker is daar een goed voorbeeld van: het functieprofiel bepaalt welke rechten nodig zijn, en die koppeling is te automatiseren zonder dat iemand steeds opnieuw moet nadenken over de invulling. Hetzelfde geldt voor het intrekken van toegang bij uitdiensttreding, waar het risico van te laat handelen groter is dan het risico van automatisering, en voor het uitvoeren en controleren van back-ups, waar een systeem zelf kan signaleren of een taak geslaagd is of niet. Deze taken vallen in categorie 1 omdat de norm vaststaat: er is een duidelijk goed en fout, en de stappen ertussen hoeven niet telkens opnieuw beoordeeld te worden. Dat betekent niet dat er geen toezicht meer nodig is op het geheel, maar de uitvoering van de taak zelf vraagt geen menselijke beoordeling per geval.
Deze categorie is op de IT-afdeling groot, en dat is geen toeval. Veel taken hebben wel een herkenbaar patroon, maar de uitkomst raakt aan risico's die een mens moet afwegen. Het periodiek beoordelen van toegangsrechten is zo'n taak: AI kan afwijkingen signaleren tussen functie en huidige rechten, maar of een uitzondering terecht is, vraagt een beoordelaar die de context kent en die goedkeurt of afkeurt met reden. Het testen van herstel vanuit een back-up valt in dezelfde categorie: het testen zelf is te automatiseren, maar de conclusie of een systeem daadwerkelijk voldoende hersteld is, vraagt een blik die verder gaat dan een groen vinkje. Ook het inrichten van een koppeling tussen systemen en het monitoren en herstellen van een storing daarin horen hier: AI kan de bouw versnellen en afwijkingen detecteren, maar de beslissing over hoe een storing wordt opgelost zonder data te beschadigen, blijft een afweging die iemand moet maken. Het patroon in deze categorie is steeds hetzelfde: AI doet het herkennen en voorstellen, een mens doet het beoordelen en besluiten.
Een kleiner deel van het IT-werk blijft goed onafhankelijk van hoe volwassen AI wordt, omdat de kern van de taak niet uit patroonherkenning bestaat maar uit interpretatie en verantwoording. Ad-hoc data-analyse is daar een voorbeeld van: een specifieke vraag vanuit de organisatie beantwoorden vraagt dat iemand begrijpt wat er eigenlijk gevraagd wordt, welke data relevant is en welke conclusie houdbaar is. Datakwaliteit controleren en opschonen raakt aan hetzelfde probleem zodra het verder gaat dan het opsporen van dubbele records: de vraag welke bron de waarheid vertegenwoordigt bij tegenstrijdige gegevens, vraagt kennis van de organisatie die niet in de data zelf staat. Ook stamdata beheren blijft voor een deel mensenwerk waar het gaat om het vaststellen van definities en afspraken tussen afdelingen, al is de invoer zelf vaak wel te automatiseren. Deze taken blijven mensenwerk niet omdat AI de techniek niet aankan, maar omdat de verantwoordelijkheid voor de uitkomst niet te delegeren is aan een systeem.
Deze indeling gaat over taken, niet over functies en niet over personen. Een IT-medewerker voert doorgaans taken uit uit alle drie de categorieën, en welk deel van zijn takenpakket verandert hangt af van de precieze invulling van zijn rol. Dat een taak in categorie 1 valt, zegt ook niets over wat een werkgever daarmee doet: dat is een keuze die eigen wettelijke vereisten kent, bijvoorbeeld rond medezeggenschap en arbeidsrecht, en die buiten de scope van deze indeling valt. Wat de indeling wél biedt, is een feitelijk uitgangspunt: welke taken vandaag al met AI te ondersteunen zijn, welke toezicht vragen, en welke ongewijzigd blijven. Vergelijkbare patronen zijn te herkennen in andere domeinen; zo laat welk werk kan AI overnemen op de inkoop zien dat ook daar de scheidslijn vaak ligt bij de vraag of een uitkomst een vaste norm heeft of een afweging vraagt, en illustreert welk werk kan AI overnemen op de logistiek hoe een schijnbaar operationele afdeling toch veel toezichttaken kent zodra fouten kostbaar worden.
Om te zien hoeveel uren binnen een IT-rol op dit moment aan een van de drie categorieën toe te wijzen zijn, is een concrete inventarisatie nodig van de taken die iemand daadwerkelijk uitvoert, niet alleen van de functietitel. De gratis quickscan van ftetoai biedt daarvoor een eerste indicatie: twaalf vragen, zonder account, met als uitkomst een indicatie welk deel van de uren in het profiel vandaag door AI over te nemen is. Dat is een startpunt, geen eindoordeel. De volledige werkscan, die dieper op individuele taken en de onderbouwing daarachter ingaat, is nog in aanbouw. Wat een volgende meting na verandering laat zien, en hoe die zich verhoudt tot de eerste inventarisatie, is te lezen op wat een hermeting laat zien.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.