AI-assisted Intervention Recommendation Engine

Een organisatie kan behoorlijk precies vaststellen waar kwetsbaarheden zitten en toch vastlopen op de volgende vraag:

Wat moeten we nu doen?

Dat is geen eenvoudige vertaalslag van score naar actie.

Een lage score op autonomie betekent bijvoorbeeld niet automatisch dat medewerkers “meer vrijheid” moeten krijgen. Eerst moet duidelijk zijn welk organisatorisch mechanisme waarschijnlijk achter het patroon ligt, welke managementbeslissingen daarop invloed hebben, welke contextbeperkingen bestaan en welke interventies daarvoor voldoende onderbouwd en uitvoerbaar zijn.

Juist daar ontstaat een complex beslisvraagstuk.

TalentKeeper ontwikkelt daarom een kennis- en technologiearchitectuur waarin kunstmatige intelligentie kan helpen bij het systematisch onderzoeken van interventieopties: de AI-assisted Intervention Recommendation Engine.

De rol van AI is niet om de beslissing over te nemen, maar om de kwaliteit van de informatie vóór die beslissing te verhogen.

De AI-assisted Intervention Recommendation Engine is de beoogde technische toepassing waarmee TalentKeeper gecontroleerde interventiekennis kan verbinden aan een gedocumenteerde organisatiediagnose, managementprioriteit, organisatiecontext en implementatievoorwaarden.

Het systeem is niet bedoeld om zelfstandig te bepalen wat een organisatie moet doen.

Het ondersteunt een andere vraag:

Welke interventieopties zijn, gegeven wat we weten én wat we nog niet weten, voldoende relevant om verantwoord aan management voor te leggen?

Daarvoor moet een recommendation engine meer doen dan interventies zoeken die inhoudelijk ergens op lijken.

Hij moet onder andere kunnen onderscheiden:

• wat is gemeten
• wat is geïnterpreteerd
• welke diagnose daaruit is geformuleerd
• hoe sterk die diagnose is onderbouwd
• welke organisatorische conditie beïnvloedbaar lijkt
• welke interventies daarvoor in aanmerking komen
• welke contextvoorwaarden gelden
• welke risico’s bestaan
• hoeveel zekerheid de beschikbare kennis werkelijk rechtvaardigt

Dat is waarom TalentKeeper de recommendation engine niet los ziet van de rest van de methodologie, en waarom de kennislaag in de Intervention Knowledge Base ligt.

Een traditioneel recommendationsysteem kan worden gebouwd rond eenvoudige regels:

lage score op X → adviseer interventie Y

Binnen de TalentKeeper Method is dat onvoldoende.

Een score is immers geen diagnose.

Twee organisaties kunnen op hetzelfde onderwerp een vergelijkbare score laten zien terwijl de achterliggende mechanismen sterk verschillen.

Bij de ene organisatie kan beperkte autonomie bijvoorbeeld vooral samenhangen met centrale besluitvormingsprocedures. Bij een andere met leidinggevenden die formeel beschikbare regelruimte in de praktijk beperken. Bij een derde kan onduidelijkheid over verantwoordelijkheden juist het probleem zijn.

De zichtbare score lijkt vergelijkbaar.

De interventievraag is dat niet.

Daarom mag binnen de TalentKeeper Method een recommendation event pas beginnen wanneer er onder meer een voldoende afgebakende organisatiediagnose, een managementprioriteit, een relevante beïnvloedbare organisatorische conditie of managementmechanisme en voldoende organisatiecontext beschikbaar zijn.

Score → interventie is automatisering.
Diagnose → context → interventieopties is decision support.

Een generatief AI-model kan overtuigend formuleren.

Dat betekent niet dat het weet welke interventie verantwoord is.

Daarom vormt het gebruikte taalmodel niet de inhoudelijke bron van de aanbeveling.

Die bron ligt in de gecontroleerde TalentKeeper-architectuur:

Daarna ontstaat nieuwe gecontroleerde kennis, die alleen via review en release opnieuw beschikbaar komt voor recommendation.

De AI-assisted Intervention Recommendation Engine staat dus niet boven de kennisarchitectuur.

Hij werkt ermee.

De Intervention Knowledge Base bevat de gecontroleerde interventieobjecten, broninformatie, contextkenmerken, implementatiekennis en leerstatus waarop toekomstige recommendation kan worden gebaseerd.

De engine mag die kennis doorzoeken, vergelijken en contextualiseren.

Hij mag haar niet naar eigen inzicht vervangen.

Binnen de canonieke recommendation architecture kan AI worden ingezet om gecontroleerde taken te ondersteunen.

Een AI-systeem kan bijvoorbeeld relevante goedgekeurde interventieopties terugvinden, hun geschiktheidsvoorwaarden vergelijken met de huidige organisatiecontext, beschikbare onderbouwing samenvatten, implementatievoorwaarden zichtbaar maken en ontbrekende informatie identificeren.

• Het kan uitleggen waarom een interventie mogelijk aansluit bij de vastgestelde diagnose.
• Het kan verschillen tussen alternatieven expliciet maken.
• Het kan risico’s, contra-indicaties en onzekerheden uit gecontroleerde bronnen naar voren halen.
• Het kan een gestructureerde conceptaanbeveling voorbereiden voor menselijke review.

Dat kan een omvangrijke kennisbasis veel toegankelijker maken.

Maar de vrijheid van het AI-systeem wordt begrensd door de methodologie en de governance.

Het model zoekt en redeneert binnen gecontroleerde kennis. Het bepaalt niet zelfstandig wat als geldige TalentKeeper-kennis geldt.

Een overtuigend antwoord is niet automatisch een verantwoord antwoord.

Daarom mag AI binnen deze architectuur geen nieuwe interventie verzinnen en die presenteren alsof zij door TalentKeeper is goedgekeurd of gevalideerd.

• Het mag geen onderzoeksresultaten, klantcases of bronnen fabriceren.
• Het mag onzekerheid niet verbergen omdat een stelliger advies prettiger leest.
• Het mag geen causaliteit afleiden uit alleen scores, correlaties of benchmarks.
• Het mag geen individuele medewerkers classificeren op vertrekrisico.
• Het mag geen interventie-effect claimen omdat vergelijkbare organisaties een gunstig resultaat lieten zien.
• Het mag geen managementbesluit autoriseren.

Die grenzen zijn geen beperkingen die verdwijnen zodra AI krachtiger wordt.

Het zijn methodologische en governancegrenzen.

Wat een AI-systeem technisch kan genereren, bepaalt niet wat het methodologisch mag concluderen.

Goede decision support betekent niet dat management zoveel mogelijk opties krijgt.

Het betekent dat relevante alternatieven systematisch worden teruggebracht tot een overzichtelijk en verantwoord beslisvraagstuk.

Binnen de standaard TalentKeeper recommendation architecture bestaat de beoogde output daarom uit een gerangschikte shortlist van maximaal drie geschikte opties:

De architectuur mag geen derde optie toevoegen alleen omdat het format drie mogelijkheden voorschrijft.

Wanneer onvoldoende geschikte opties beschikbaar zijn, is “onvoldoende onderbouwde interventieopties beschikbaar” een valide uitkomst.

Dat is belangrijk.

Een recommendation engine moet niet alleen weten wanneer zij iets kan voorstellen.

Zij moet ook kunnen aangeven wanneer de beschikbare kennis onvoldoende is.

Ranking maakt keuzes inzichtelijker.

Maar ranking creëert geen bewijs.

Dat een interventie in een bepaalde organisatie als eerste wordt gerangschikt, betekent dat zij binnen de actuele diagnose, context, kennisbasis en gebruikte methodologische versie de sterkste gecombineerde beoordeling krijgt.

Het betekent niet dat deze interventie universeel beter is.

En het betekent niet dat TalentKeeper een gevalideerde kans kent dat de interventie zal slagen.

Bij de beoordeling kunnen onder andere diagnostische fit, contextuele fit, kwaliteit en relevantie van de onderbouwing, uitvoerbaarheid, managementinvloed, proportionaliteit, risico’s, omkeerbaarheid en verwachte implementatietijd een rol spelen.

Die dimensies moeten van elkaar onderscheiden blijven.

Een recommendation rank is een contextuele beslisordening, geen effectbewijs.

Een belangrijk begrip binnen de recommendation architecture is Expected Fit.

Expected Fit beschrijft in welke mate een interventieoptie aansluit op de gedocumenteerde diagnose, organisatiecontext, implementatievoorwaarden en beperkingen.

Dat kan zeer relevante managementinformatie zijn.

Maar een hoge Expected Fit mag niet worden weergegeven alsof daarmee bijvoorbeeld een kans van 82% op succes is berekend.

Zo’n interpretatie zou alleen gerechtvaardigd zijn wanneer daarvoor een afzonderlijk gevalideerd model en voldoende bewijskracht bestaan.

Daarom moeten drie zaken uit elkaar blijven:

AI mag deze verschillen niet gladstrijken tot één schijnbaar precieze betrouwbaarheidsscore.

Dezelfde diagnose hoeft niet tot dezelfde recommendation te leiden.

Een interventie kan inhoudelijk relevant zijn maar praktisch onuitvoerbaar.

Denk aan verschillen in omvang, organisatiestructuur, beslissingsbevoegdheid, arbeidsvoorwaarden, beschikbare managementcapaciteit, implementatietijd, bestaande programma’s, werkdruk, juridische beperkingen of afhankelijkheden van andere onderdelen van de organisatie.

Daarom maakt de organisatiecontext expliciet deel uit van intervention recommendation.

Een engine moet niet alleen vragen:

Welke interventie past bij dit probleem?

maar ook:

Welke interventie kan deze organisatie onder deze omstandigheden verantwoord overwegen?

Juist dat onderscheid maakt contextuele recommendation iets anders dan het genereren van algemene HR-adviezen.

Management heeft weinig aan een advies dat alleen zegt:

“Optie A heeft de hoogste score.”

Een gecontroleerde recommendation moet ook duidelijk maken waarom.

Per optie moet daarom zichtbaar kunnen worden:

• wat de relatie is met de diagnose;
• op welk organisatorisch mechanisme de interventie is gericht;
• welke onderbouwing beschikbaar is;
• welke onderdelen daadwerkelijk moeten worden geïmplementeerd;
• welke middelen en bevoegdheden nodig zijn;
• welke relevante risico’s of contra-indicaties bestaan;
• welke onzekerheden overblijven;
• en welke informatie later nodig is om te evalueren wat er gebeurde.

Daarmee wordt explainability meer dan een technische uitleg van hoe een algoritme tot een getal kwam.

De relevante managementvraag is:

Kan ik als verantwoordelijke beslisser begrijpen op welke kennis, aannames, voorwaarden en onzekerheden deze recommendation berust?

Wanneer AI een recommendation helpt formuleren, moet achteraf kunnen worden gereconstrueerd waarop die recommendation was gebaseerd.

Daarom voorziet de TalentKeeper Method in een Recommendation Record.

Daarin wordt de relevante keten vastgelegd: gebruikte onderbouwing, organisatiecontext, kandidaatinterventies, uitgesloten opties, ranking rationale, gebruikte versies, gegenereerde toelichting, menselijke review en de uiteindelijke managementrespons.

Dat maakt een belangrijk verschil tussen gewone generatieve AI en gecontroleerde decision support.

Een antwoord dat plausibel klinkt maar niet terug te voeren is op goedgekeurde kennis en methodologische logica, is binnen TalentKeeper geen gecontroleerde recommendation.

Plausibiliteit zonder herkomst is geen voldoende basis voor een managementadvies.

De huidige TalentKeeper Method houdt twee beslispunten bewust gescheiden.

TalentKeeper beoordeelt de methodologische recommendation.

De organisatie neemt het managementbesluit.

Dat betekent dat een gekwalificeerde menselijke reviewer de recommendation daadwerkelijk moet kunnen beoordelen, wijzigen, herordenen, beperken of tegenhouden.

Een menselijke klik op “approve” nadat een algoritme feitelijk alle keuzes heeft bepaald, is geen betekenisvolle human review.

De reviewer moet onder meer kunnen beoordelen of de diagnose voldoende sterk is, of interventies werkelijk geschikt zijn, of relevante risico’s zichtbaar zijn, of de onderbouwing correct wordt weergegeven en of de AI binnen de toegestane grenzen is gebleven.

Menselijke betrokkenheid is daarmee geen noodoplossing voor wanneer AI het niet weet.

Het is onderdeel van de huidige governance-architectuur.

Human review betekent dat een mens de recommendation werkelijk kan betwisten, wijzigen of tegenhouden.

Na review kan een recommendation aan management worden voorgelegd.

De organisatie kan vervolgens een optie:

selecteren, aanpassen, afwijzen, testen of uitstellen.

Die beslissingsvrijheid is fundamenteel.

Een organisatie kan beschikken over informatie die niet volledig in het recommendationsysteem is opgenomen. Zij kan andere verantwoordelijkheden, wettelijke verplichtingen, strategische prioriteiten of operationele beperkingen hebben.

Daarom is de recommendation geen opdracht.

En managementacceptatie maakt de recommendation ook niet wetenschappelijk juist.

Omgekeerd maakt afwijzing door management de oorspronkelijke recommendation niet automatisch fout.

Recommendation quality en Management Selection zijn verschillende beoordelingsobjecten.

De primaire analyseeenheid van de TalentKeeper Method is het organisatorische collectief: bijvoorbeeld de organisatie, businessunit, afdeling of een legitiem gedefinieerd team.

De AI-assisted Intervention Recommendation Engine is daarom niet bedoeld om individuele medewerkers te beoordelen.

Hij voorspelt niet wie waarschijnlijk zal vertrekken.

Hij maakt geen individuele retention-risk score.

En hij adviseert geen arbeidsrechtelijke of andere personeelsmaatregelen tegen identificeerbare medewerkers.

De intervention recommendation richt zich op beïnvloedbare organisatorische condities en managementmechanismen.

Dat is een wezenlijk andere toepassing van AI.

Na interventies kunnen nieuwe gegevens beschikbaar komen.

Die kunnen bijdragen aan Local Learning en, wanneer aan de voorwaarden wordt voldaan, aan bredere cumulatieve interventiekennis binnen de Intervention Knowledge Base.

Maar dat betekent niet dat de AI-assisted Intervention Recommendation Engine iedere nieuwe case direct gebruikt om zichzelf te veranderen.

Nieuwe bronnen, Intervention Episodes, rankinglogica, prompts, modellen of interventiedefinities mogen productiegedrag alleen beïnvloeden via gecontroleerde review en release.

Er bestaat dus een bewuste scheiding tussen:

nieuwe informatie verzamelen

en

die informatie autoriseren voor toekomstige recommendation.

Dat voorkomt dat een incidentele succeservaring, foutieve case, afwijkende implementatie of modelwijziging ongemerkt de recommendations voor volgende organisaties verandert.

Veel organisaties kunnen hetzelfde taalmodel gebruiken.

Daarmee hebben zij nog niet hetzelfde recommendationsysteem.

De kwaliteit van AI-assisted intervention recommendation wordt mede bepaald door wat vóór, onder en na het model gebeurt:

• de theoretische architectuur waarmee het organisatievraagstuk wordt bekeken;
• de kwaliteit van de meting;
• de discipline waarmee scores worden geïnterpreteerd;
• de kwaliteit van de diagnose;
• de interventiekennis die beschikbaar is;
• de manier waarop bronnen en context worden onderscheiden;
• de regels voor geschiktheid en uitsluiting;
• de behandeling van onzekerheid en risico;
• de menselijke review;
• de registratie van beslissingen;
• de evaluatie na implementatie;
• en de governance waarmee nieuwe kennis wordt toegelaten.

Het gebruikte AI-model is één onderdeel van die keten.

Niet de keten zelf.

De verdedigbare asset is niet het vermogen om AI tekst te laten genereren. Het is de gecontroleerde kennis- en besluitvormingsarchitectuur waarbinnen AI mag functioneren.

De ambitie achter de AI-assisted Intervention Recommendation Engine is daarom breder dan sneller advies genereren.

TalentKeeper wil de verbinding leggen tussen:

• wat binnen een organisatie wordt waargenomen;
• wat die patronen waarschijnlijk betekenen;
• welke mechanismen management kan beïnvloeden;
• welke interventiekennis daarvoor relevant is;
• welke opties binnen de specifieke context gerechtvaardigd lijken;
• en welke onzekerheid management daarbij moet kennen.

Dat noemen we hier Diagnostic Intelligence: de gecontroleerde vertaallaag tussen organisatiegegevens, interpretatie, diagnose en de context die nodig is voor intervention recommendation.

Diagnostic Intelligence is geen vervanging van de formele Diagnose-stap van de TalentKeeper Method en creëert geen nieuwe methodestap.

Het beschrijft de kennis- en technologiecapaciteit die nodig is om diagnostische informatie verantwoord bruikbaar te maken voor volgende managementbeslissingen. De herkomst van die kennis staat beschreven bij de wetenschappelijke basis van TalentKeeper.

De TalentKeeper Method bestaat uit exact zeven stappen:

De AI-assisted Intervention Recommendation Engine vormt geen achtste stap.

Hij ondersteunt de gecontroleerde overgang tussen Prioriteren en Interveniëren.

De volgorde is:

Daarna volgen binnen de methode:

De technologie ondersteunt daarmee de methodologie.

Zij definieert haar niet.

De AI-assisted Intervention Recommendation Engine is geen:

• chatbot die algemene HR-adviezen produceert;
• systeem dat rechtstreeks van een score naar een actie springt;
• autonome beslisser;
• universele “best intervention”-calculator;
• model dat een gegarandeerde succeskans voor een interventie berekent;
• individueel flight-risk systeem;
• zelflerend systeem dat iedere nieuwe klantcase automatisch in productie verwerkt;
• vervanging van menselijke methodologische beoordeling;
• vervanging van het managementbesluit;
• of bewijs dat een voorgestelde interventie daadwerkelijk effect zal hebben.

De ambitie is specifieker:

AI gebruiken om gecontroleerde wetenschappelijke en interventiekennis systematischer te verbinden aan diagnose en organisatiecontext, zodat mensen beter geïnformeerde en beter uitlegbare managementbeslissingen kunnen nemen.