Waarom mensen eerlijker oefenen tegen een AI-avatar dan tegen een collega

Iedereen die weleens een training heeft gegeven, kent het moment. Het is kwart over twee, de theorie is behandeld, en de trainer vraagt wie het gesprek wil voordoen. Er zakt een stilte over de zaal die je bijna kunt aanraken. Uiteindelijk meldt zich iemand, vaak dezelfde die zich altijd meldt, en die doet vervolgens een gesprek dat opvallend soepel verloopt. Ik moet steevast aan dat moment denken wanneer iemand mij vraagt wat een AI-avatar nu eigenlijk toevoegt.

Dat laatste zou je moeten verontrusten. Ik heb honderden van die rollenspellen gezien en ze gaan bijna nooit echt mis, terwijl dezelfde gesprekken in de praktijk regelmatig ontsporen. De verklaring is niet dat mensen het in de zaal beter kunnen. Ze doen iets anders dan oefenen.

Het zwaarste argument voor oefenen met een AI-avatar zoek ik daarom in de vraag wie er meekijkt, en veel minder in de techniek.

In de zaal wordt er gepresteerd

Wie voor een groep collega’s gaat staan, houdt rekening met die groep. Je kiest de formulering waarvan je weet dat hij goed valt, je vermijdt het pad waarvan je niet zeker weet waar het uitkomt, en zodra het echt spannend wordt, stap je uit de rol met een grapje. Niemand doet dat bewust. Het gebeurt gewoon, want er zitten veertien mensen te kijken met wie je morgen weer in hetzelfde overleg zit.

En dan is het nog de vraag wie er meekijkt. Bij een managementteam staat de eigen directeur in de zaal. Bij een afdeling zit de leidinggevende erbij die over je beoordeling gaat. Onder die omstandigheden een gesprek willen oefenen waarin je jezelf mag laten zien op je slechtst, is een tamelijk onredelijke vraag.

Amy Edmondson liet in Administrative Science Quarterly zien dat psychologische veiligheid, de gedeelde overtuiging dat een team veilig is om interpersoonlijk risico te nemen, samenhangt met leergedrag, en dat dat leergedrag de schakel vormt naar teamprestatie. Om hulp vragen, fouten toegeven, iets proberen wat kan mislukken: het zijn allemaal handelingen waarmee je jezelf blootgeeft. In een team waar dat niet vanzelfsprekend is, krijg je een rollenspel dat er goed uitziet en niets oplevert.

Wat er gebeurt als het publiek wegvalt

Hier wordt het interessant, want dit is onderzocht.

Lucas, Gratch, King en Morency publiceerden in 2014 in Computers in Human Behavior een studie waarin deelnemers een gesprek voerden met een virtuele gesprekspartner. De ene groep kreeg te horen dat er een mens achter zat die meekeek en het gesprek stuurde. De andere groep kreeg te horen dat het volledig geautomatiseerd was. Voor de deelnemer zag het gesprek er in beide gevallen hetzelfde uit.

Het verschil zat in wat mensen deden. De groep die dacht met een computer te praten, rapporteerde minder angst om zichzelf bloot te geven en minder neiging tot indrukmanagement, toonde meer verdriet in de gezichtsuitdrukking, en gaf volgens onafhankelijke beoordelaars meer prijs over zichzelf.

Eén overtuiging maakte dus het verschil, terwijl de gesprekspartner identiek was. Wat mensen doet dichtklappen zit dus in de blik van iemand die erover kan oordelen, en dat wisten we eigenlijk allang.

Voor wie soft skills wil trainen is dat een belangrijker gegeven dan het meestal krijgt. Een AI-avatar heeft als eigenschap dat er niemand meekijkt, en die eigenschap zit precies op het punt waar oefenen in de praktijk op stuk loopt.

Oefenen vraagt dat je het fout mag doen

Er is een tweede reden waarom dit ertoe doet, en die komt uit een heel andere hoek.

Ericsson, Krampe en Tesch-Römer beschreven in Psychological Review wat gerichte oefening effectief maakt. Je moet werken op de rand van wat je kunt, je moet directe feedback krijgen, en de moeilijkheid moet oplopen. Later onderzoek heeft de reikwijdte van hun claims genuanceerd, maar over dat mechanisme is weinig discussie.

Werken op de rand van je kunnen betekent per definitie dat het vaak misgaat. Als het niet misgaat, zat je niet op de rand. En daar zit de botsing met de zaal: een omgeving waarin fouten sociale kosten hebben, is een omgeving waarin mensen niet op de rand gaan zitten.

Zodra dat publiek weg is, verandert het gedrag van de lerende. Mensen proberen de formulering waarvan ze niet zeker weten of hij werkt. Ze laten een stilte vallen die ongemakkelijk lang duurt om te zien wat er gebeurt. Ze doen het gesprek nog een keer omdat ze het de eerste keer verprutsten, en dat kost ze niets.

Wat een AI-avatar niet oplost

Nu het deel dat mijn eigen verhaal niet helpt.

Zo’n digitale gesprekspartner geeft je geen collega die na afloop zegt: “Ik merkte dat ik dichtklapte toen je dat zei.” Die zin is in een ontwikkeltraject soms meer waard dan tien oefeningen, want het is het moment waarop iemand iets over zichzelf ziet wat hij zelf niet kon zien. Dat is precies wat een goede trainer organiseert en wat een systeem niet kan.

Er is ook een groep voor wie het onwennig blijft. Meestal is dat na twee gesprekken over, zeker als het scenario uit het eigen werk komt, maar niet bij iedereen. Ik vind dat je dat moet accepteren in plaats van wegpoetsen.

En teamdynamiek laat zich hier niet mee oefenen. Vier mensen die elkaar al jaren kennen, met alle geschiedenis die daarbij hoort, vraagt om intervisie of een gesprek onder begeleiding. Daar past geen simulatie omheen.

Wat het wel oplost is de herhaling, en dat is bij vrijwel elk traject de bottleneck. Saks en Belcourt lieten in Human Resource Management zien dat het aandeel deelnemers dat de trainingsinhoud toepast daalt van 62 procent direct erna naar 34 procent na een jaar. Die daling stop je met oefenmomenten in de weken daarna, en die zijn in een zaal niet te organiseren.

Hoe wij het hebben ingericht

Bij PractAIce bouwt de gebruiker zijn eigen scenario. Wie een medewerker moet aanspreken op structureel te laat komen, beschrijft die situatie, kiest een persona die past bij deze collega en beschrijft het gedrag en het competentieprofiel toe als context. Het gesprek dat daarna volgt gaat over deze medewerker, in deze organisatie, met dit probleem.

De avatar reageert op wat er feitelijk gezegd wordt. Verander je je toon, dan verandert de reactie. Stel je een gesloten vraag, dan krijg je een kort antwoord terug met alle stroefheid die daarbij hoort. Daarna geeft de AI-coach feedback op het gedrag dat je hebt laten zien, gekoppeld aan de competenties die vooraf zijn ingesteld.

Ging het op één moment mis, bijvoorbeeld bij de eerste tegenwerping, dan kun je met een korte microtraining terug naar dat punt in het gesprek in plaats van alles opnieuw te doen. Twee tot vier minuten, en je merkt direct wat een andere formulering met de ander doet.

Hoe je dit inzet bij het inwerken van nieuwe mensen staat in Onboarding: nieuwe mensen haken niet af op het handboek. Over de bredere werking van deze manier van oefenen schreven we in AI-rollenspellen: waarom oefenen met een AI-avatar wél beklijft. Voor het specifieke geval van feedback geven, waar de sociale kosten van oefenen misschien wel het hoogst zijn, staat er meer in Feedbacktraining.

De combinatie werkt beter dan elk van beide

Waar ik op uitkom, is een verdeling die voor trainers eerder winst dan bedreiging is. De trainer doet waar hij onvervangbaar in is: het patroon blootleggen, confronteren, het moment maken waarop iemand zichzelf ziet. De avatar doet de kilometers, in de weken ertussen, zonder agenda en zonder publiek.

Wie dat combineert, ziet in de bijeenkomsten iets anders gebeuren. Er wordt dan niet meer geoefend of het model werkt, want dat weten mensen inmiddels uit ervaring. Er wordt gepraat over wat er gebeurde toen ze het probeerden, en dat is een stuk interessanter.

Veelgestelde vragen over de AI-avatar

Wat is een AI-avatar?

Een AI-avatar is een digitale gesprekspartner met gezicht en stem, die in realtime reageert op wat jij zegt. In een trainingscontext speelt die avatar bijvoorbeeld een klant, een medewerker of een patiënt, zodat je een gesprek kunt oefenen zonder dat er een acteur of collega nodig is.

Waarom oefenen mensen eerlijker tegen een AI-avatar?

Omdat er niemand meekijkt die over hen kan oordelen. Onderzoek naar virtuele gesprekspartners laat zien dat mensen die denken met een computer te praten minder bezig zijn met de indruk die ze maken en meer van zichzelf laten zien.

Voelt praten tegen een avatar niet onnatuurlijk?

De eerste minuten meestal wel. Daarna neemt het gesprek het over, zeker wanneer het scenario uit het eigen werk komt. Deelnemers merken vaak dat ze dezelfde spanning voelen als in een echt gesprek.

Vervangt een AI-avatar de trainer?

Nee. Een trainer legt patronen bloot en creëert inzicht, en dat kan een systeem niet. Wat de avatar overneemt is de herhaling, en juist daar loopt bijna elk ontwikkeltraject op vast.

Welke gesprekken kun je met een AI-avatar oefenen?

Alles wat zich tussen twee mensen afspeelt: feedback geven, slecht nieuws brengen, omgaan met weerstand, onderhandelen, coachen, de-escaleren en verkopen. Teamdynamiek over langere tijd valt erbuiten.

 

Het gekke aan dit onderwerp is dat lezen je er weinig over vertelt. Of het werkt, merk je binnen drie minuten in een gesprek. Neem het lastigste gesprek dat jij deze maand moet voeren en voer het een keer op de pagina over AI-avatar training. Als het je koud laat, weet je genoeg. En als je halverwege merkt dat je hart een beetje sneller gaat kloppen, ook.

 

Bronnen

• Lucas, G.M., Gratch, J., King, A. & Morency, L.P. (2014). It’s only a computer: virtual humans increase willingness to disclose. *Computers in Human Behavior*, 37, 94-100. https://doi.org/10.1016/j.chb.2014.04.043
• Edmondson, A.C. (1999). Psychological safety and learning behavior in work teams. *Administrative Science Quarterly*, 44(2), 350-383. https://journals.sagepub.com/doi/10.2307/2666999
• Ericsson, K.A., Krampe, R.T. & Tesch-Römer, C. (1993). The role of deliberate practice in the acquisition of expert performance. *Psychological Review*, 100(3), 363-406. https://doi.org/10.1037/0033-295X.100.3.363
• Saks, A.M. & Belcourt, M. (2006). An investigation of training activities and transfer of training in organizations. *Human Resource Management*, 45(4), 629-648. https://onlinelibrary.wiley.com/doi/abs/10.1002/hrm.20135