Een klant die twijfelt tussen twee leveranciers stelt op een gegeven moment een specifieke vraag. Werkt dit met die andere applicatie? Wat gebeurt er bij deze belasting, dit protocol, deze uitzondering? Het antwoord op dat moment beslist vaak meer dan de offerte die er al ligt. Technische kennis is in de meeste b2b-markten niet de kennis zelf, maar de snelheid en precisie waarmee die kennis op het juiste moment bij de juiste persoon komt. Een leverancier die binnen een uur een onderbouwd antwoord geeft wint tegen een leverancier die drie dagen nodig heeft, ook als de onderliggende kennis bij beide partijen gelijk is.
Dat is de reden dat technische kennis als dimensie op deze benchmark staat: niet omdat het knapste hoofd wint, maar omdat de doorlooptijd van kennis naar antwoord wint.
Achter elk technisch antwoord zit een keten. Iemand herkent de vraag, zoekt de relevante specificatie of ervaring op, vertaalt dat naar de situatie van de klant, en checkt of het antwoord klopt voordat het de deur uitgaat. Bij veel bedrijven loopt die keten via een klein aantal mensen die de kennis in hun hoofd hebben en niet altijd bereikbaar zijn. Bij andere bedrijven is die keten vastgelegd in documentatie, casehistorie en beslisregels die ook door iemand anders te raadplegen zijn.
Dat verschil bepaalt hoeveel van het werk zich laat overnemen. Wat als vastgelegde tekst bestaat, kan een systeem doorzoeken en samenvatten. Wat alleen in het hoofd van een senior engineer zit, kan dat niet, tot iemand het opschrijft.
De drie categorieën die overal terugkomen, gelden hier onverkort. Het opzoeken en samenvatten van bestaande specificaties, handleidingen en eerdere antwoorden is werk dat een systeem kan overnemen, mits de onderliggende documentatie er is en actueel wordt gehouden. Het vertalen van een generiek antwoord naar de specifieke situatie van een klant, inclusief de afweging of een uitzondering wel of niet opgaat, is werk waarbij een systeem een voorstel kan doen maar een deskundige goedkeurt of afkeurt met reden. Het beoordelen van een situatie waarvoor geen precedent bestaat, blijft mensenwerk.
De verschuiving zit niet in de kennis zelf, maar in wie de eerste twee categorieën vandaag al met ondersteuning van een systeem doet en wie dat nog volledig handmatig doet. Een bedrijf waar de eerste vraag van een klant binnen een kwartier een concept-antwoord krijgt dat een engineer alleen nog controleert, concurreert op een andere snelheid dan een bedrijf waar diezelfde vraag in de wachtrij van één specialist belandt. Dat is geen verschil in kennis. Het is een verschil in hoeveel van het voorbereidende werk al is overgenomen.
Het verschil zit zelden in de wil om te veranderen en vaker in de staat van de onderliggende informatie. Een systeem kan alleen snel en betrouwbaar antwoorden als er iets is om op te zoeken: gestructureerde documentatie, een consistente historie van eerdere vragen en antwoorden, heldere beslisregels voor de grensgevallen. Bedrijven die deze informatie al jaren bijhouden omdat ze intern nodig was voor onboarding of kwaliteitsborging, hebben daarmee toevallig ook de basis voor versnelling met AI klaarliggen. Bedrijven waar die kennis vooral mondeling wordt doorgegeven, hebben eerst een vastleggingsslag nodig voordat een systeem er iets mee kan.
Dat heeft niets te maken met de grootte van het bedrijf of het aantal specialisten in dienst. Een klein team met goed gedocumenteerde kennis kan sneller reageren dan een grote afdeling waar de kennis versnipperd in hoofden zit. Dat maakt het ook een dimensie waarop de volgorde in de markt kan verschuiven, los van wie historisch de grootste technische naam had.
De klant ziet niet wie AI gebruikt en wie niet. De klant merkt alleen het resultaat: hoe snel een technische vraag een concreet, correct antwoord krijgt, en hoe consistent dat antwoord is als de vraag een tweede keer aan een andere contactpersoon wordt gesteld. Een bedrijf dat leunt op een individuele specialist scoort wisselend, afhankelijk van wie er die dag beschikbaar is. Een bedrijf waar het antwoord uit een gedeelde, doorzoekbare kennisbasis komt, scoort stabieler, met of zonder tussenkomst van een systeem.
Deze stabiliteit is meetbaar te maken naast andere aspecten van de vergelijking, zoals reactietijd op vragen als concurrentievoordeel, de mate waarin digitale processen al op elkaar aansluiten, en wat sollicitatieteksten van een concurrent verraden over waar zij intern op inzetten. Technische kennis staat zelden op zichzelf; ze wint of verliest in combinatie met de rest van het speelveld.
De vraag of AI in een bedrijf de vraagbeantwoording al deels overneemt, zegt op zichzelf weinig over de kwaliteit van het onderliggende personeelsbestand en niets over wat een werkgever daarmee zou moeten doen met individuele functies; daarvoor gelden eigen wettelijke vereisten die hier niet worden behandeld. Wat wel te beantwoorden is: welk deel van het technische vraagverkeer in een specifiek bedrijf zich, gegeven de staat van de documentatie, laat versnellen. Die vraag wordt per taak beantwoord met de werkscan van FTE TO AI.
Voordat de volledige benchmark met peer-scores beschikbaar is, kunt u nagaan of de claim die u nu al maakt over technische kennis houdbaar is. Wie precisie of snelheid als onderscheidend vermogen inzet, kan die claim toetsen op of het onderscheid ook aantoonbaar is en naast andere harde factoren leggen zoals certificeringen als aantoonbaar bewijs van kwaliteit. De gratis dimensiecheck laat u benoemen waarop u denkt te winnen, en toont welke van die claims met bewijs te verdedigen is. De volledige benchmark is in aanbouw.