Wat Salesforce ons leert over de grenzen van automatisering
De afgelopen weken ging er een opvallend bericht rond op LinkedIn: Salesforce zou spijt hebben van het ontslaan van duizenden ervaren medewerkers, nadat bleek dat AI hun werk toch niet zo eenvoudig kon overnemen.
Een lekker narratief. AI overschat, mens onderschat, terug naar af. Maar zoals zo vaak bij virale AI-verhalen is de werkelijkheid interessanter en relevanter, dan de headline.
Want zelfs als het verhaal feitelijk genuanceerder ligt, raakt het aan een fundamentele vraag waar veel organisaties vandaag mee worstelen: wanneer wordt AI een productiviteitsverhoger, en wanneer een organisatorisch risico?
De mythe van de vervangbare professional
Volgens diverse berichten zou Salesforce in korte tijd duizenden functies hebben afgebouwd, met de verwachting dat AI-agents een groot deel van het werk konden overnemen. Later zou zijn gebleken dat die AI-oplossingen minder robuust waren dan gedacht. Salesforce zelf nuanceert dit beeld: geen massale ontslagen, maar een herschikking van capaciteit en een andere inzet van mensen.
Toch is het interessant waarom dit verhaal zo geloofwaardig voelt.
Veel organisaties , zeker in de techsector, zijn gaan geloven dat kenniswerk grotendeels te automatiseren is. Dat processen, klantinteracties en besluitvorming vooral een kwestie zijn van voldoende data en een goed model. De realiteit blijkt weerbarstiger.
AI is namelijk uitstekend in het reproduceren van patronen, maar aanzienlijk minder goed in het herkennen van context, impliciete kennis en uitzonderingen. Zie ook recent de chaos bij KLM. Precies die elementen waar ervaren professionals hun waarde toevoegen. Zorg voor voldoende professionals en human intelligence.
AI zonder context is gewoon statistiek
Wat hier zichtbaar wordt, is een klassiek data-probleem dat we ook in auditing, controlling en analytics al jaren kennen: modellen zijn alleen zo goed als het systeem waarin ze opereren.
Een LLM kan klantvragen samenvatten, tickets classificeren of suggesties doen. Maar zodra het gaat om:
– afwijkingen herkennen die niet in de trainingsdata zaten
– belangen afwegen tussen klant, compliance en reputatie
– omgaan met onvolledige of tegenstrijdige informatie
– impliciete signalen oppikken in communicatie
…dan blijkt menselijke ervaring ineens geen “kostenpost”, maar een cruciale vorm van risicobeheersing.
Dat is geen falen van AI, maar een overschatting van wat AI vandaag kan en vooral: zonder stevige data-governance en menselijke regie.
De vergeten laag: governance, datakwaliteit en ownership
Wat in veel AI-cases onderbelicht blijft, is dat succesvolle automatisering niet begint met een model, maar met een organisatie die haar data begrijpt. Dat vraagt om:
- duidelijke datadefinities
- eigenaarschap over databronnen
- monitoring van modelgedrag
- expliciete keuzes over waar AI mag beslissen — en waar niet
Zonder die fundamenten ontstaat een vorm van “automatiseringsschijnzekerheid”: dashboards die vertrouwen uitstralen, maar onderliggend drijven op aannames die niemand meer bevraagt.
In dat licht is het logisch dat organisaties die te snel opschalen, later moeten corrigeren.
Niet minder mensen, maar andere mensen
De interessantste les uit het Salesforce-verhaal is dan ook niet dat AI faalt, maar dat AI de rol van mensen verandert, niet vervangt.
Organisaties hebben minder behoefte aan uitvoerders, maar juist méér aan mensen die:
- begrijpen hoe modellen werken
- kunnen duiden wat data wel en niet zegt
- AI-uitkomsten kunnen vertalen naar besluiten
- en verantwoordelijkheid nemen als het misgaat
Dat is geen IT-rol, maar een bestuurlijke en vakinhoudelijke competentie.
Van AI-hype naar AI-volwassenheid
Voor wie met data en AI werkt of dat overweegt , ligt hier een belangrijke les. Niet alles wat kan worden geautomatiseerd, moet dat ook. En zeker niet zonder inzicht in de consequenties.
Misschien is de echte volwassenheid van AI niet dat het mensen vervangt, maar dat organisaties eindelijk leren waar menselijke intelligentie onmisbaar blijft.
En dat is precies waar data-gedreven werken interessant wordt: niet in de belofte van vervanging, maar in het samenspel tussen mens, model en verantwoordelijkheid.
