Wanneer is talent “AI-ready”? Hint: meer dan louter tech skills

Beeld je twee collega’s in: Sarah en Tom.

Sarah begint te experimenteren zodra haar team een generatieve AI-tool ter beschikking krijgt en heeft binnen enkele dagen alle tutorials bekeken. Ze beheerst de basis van ‘prompting’ en toont haar collega’s hoe ze met deze tool tijd kunnen winnen binnen hun dagelijkse werking. Tom, lid van hetzelfde team, voelt zich overweldigd. Hij geeft aan dat hij "geen tijd heeft om te spelen", poneert dat "AI te veel fouten maakt" en verklaart dat hij er pas mee zal werken "als het verplicht wordt". Na één onhandige eerste poging legt hij de AI-tool naast zich neer.

Dezelfde organisatie. Dezelfde tools. Dezelfde toegang. En toch een totaal andere aanpak. Dit is geen toeval. De snelheid waarmee nieuwe technologie wordt omarmd, kan sterk variëren van werknemer tot werknemer. Het is geen kwestie van leeftijd, opleiding of zelfs algemene werkmotivatie: de meeste mensen zullen aspecten van zowel Sarah als Tom in zichzelf herkennen. Belangrijk is dat we deze verschillen niet mogen interpreteren als een kloof tussen zij die wel en zij die niet met AI "kunnen" werken. Ze weerspiegelen eerder verschillende vertrekpunten: iedereen kan op de AI-trein stappen, maar niet iedereen doet dat op dezelfde manier.

De Verschuiving van Skills naar Psychologie

Hoewel technische vaardigheid een rol speelt, bevestigt wetenschappelijk onderzoek dat wie we zijn (onze persoonlijkheid) (Seibert et al., 2021) en hoe efficiënt we informatie verwerken (onze cognitieve capaciteiten) (Grassini et al., 2025) sterke voorspellers zijn van succesvolle technologie-adoptie.

In een poging het juiste talent te identificeren, zoeken sommige organisaties naar tools om verworven AI‑vaardigheden, zoals ‘prompting’, te testen. Maar dit is een aanpak die een voortdurend bewegend doel probeert te raken. Aangeleerde vaardigheden veranderen zó snel dat AI-skills tests zelden een stabiele basis vormen voor langetermijnbeslissingen. Tegen de tijd dat een specifieke AI‑test volledig gevalideerd is, zijn zowel de technologie als de bijbehorende vaardigheden vaak al achterhaald.

Wat wél stabiel blijft, zijn de onderliggende psychologische kenmerken. Deze kunnen we betrouwbaar meten via klassieke psychometrische testen. De Tools for Talent van Hudson combineren de resultaten van verschillende tools (zoals een persoonlijkheidsvragenlijst en redeneertesten) op een slimme, gewogen manier. Zo brengen zij vier essentiële kerndomeinen in kaart, die samen de Digital Learning Agility van een individu vormen. Personen die hoog scoren op deze domeinen bezitten het vermogen om nieuwe technologie snel en effectief te adopteren, terwijl degenen die lager scoren waarschijnlijk meer tijd, begeleiding en gestructureerde ondersteuning nodig hebben.

Digital Learning Agility

Verken samen met ons de vier kerndomeinen die de basis vormen van Hudson’s Digital Learning Agility-model, samen met hun wetenschappelijke achtergrond.

1. Learning Ability: Cognitieve paardenkracht

We starten met pure cognitieve capaciteit: Learning Ability. Het succesvol aanleren van nieuwe technologie gaat samen met het verwerken en implementeren van nieuwe concepten. Dit proces wordt sterk beïnvloed door iemands cognitieve vaardigheden, zoals het werkgeheugen en de verwerkingssnelheid (Grassini et al., 2025). In ons model meten we dit via Abstract Redeneervermogen. AI-systemen zijn vaak complex en ondoorgrondelijk. Medewerkers hebben cognitieve paardenkracht nodig om patronen te herkennen, de ambigue output te begrijpen en deze te integreren in hun werk.

• Impact op de werkvloer: In een chaotisch informatielandschap is Learning Ability de motor van efficiëntie. Een hoog cognitief denkvermogen fungeert als een hefboom: deze personen doorgronden de AI-logica sneller, waardoor ze zich snel aan nieuwe technologieën kunnen aanpassen.
  
  

2. Agile Thinking: Openheid als voedingsbodem

Digitale wendbaarheid ontstaat wanneer mensen nieuwsgierig zijn naar het onbekende en verandering omarmen. Binnen ons model definiëren we dit als Agile Thinking.

Onderzoek toont aan dat eigenschappen zoals Vriendelijkheid (Agreeableness) vaak samenhangen met de acceptatie van gevestigde technologieën, terwijl de Big Five‑persoonlijkheidsfactor Openheid de sterkste voorspeller is van een positieve houding specifiek tegenover AI (Grassini et al., 2025). AI vormt daarbij een duidelijke disruptieve grens. Professionals die hoog scoren op Openheid beschikken van nature over een innovatieve en veranderingsgerichte ingesteldheid: ze benaderen AI eerder als een instrument om te verkennen dan als een bedreiging (Kovbasiuk et al., 2025).

• Impact op de werkvloer: Intellectuele nieuwsgierigheid is het sleutelwoord.  Werknemers met een uitgesproken Agile Thinking-houding wachten niet op een handleiding; ze houden van experimenteren met nieuwe tools en gebruiken 'out-of-the-box' denken om te ontdekken hoe technologie hun dagelijkse taken kan transformeren.

3. Critical Thinking: de weg naar vertrouwen

Een veelvoorkomende misvatting is dat vertrouwen in AI gelijkstaat aan blind geloof in een machine: in de realiteit kan dit echter enkel tot teleurstelling leiden. Daarom identificeren we als derde kerndomein Critical Thinking: de combinatie van een kritische persoonlijkheid met een sterk logisch redeneervermogen vormen samen de juiste weg richting de adoptie van nieuwe technologieën.

Onderzoek toont aan dat werknemers meer vertrouwen krijgen in AI-systemen wanneer ze zelf actief de beperkingen van de tools ontdekken, zoals hallucinaties of technische beperkingen (Übellacker, 2025). Praktische ervaring met de grenzen van het systeem blijkt daarbij essentieel: om AI effectief te vertrouwen moeten gebruikers niet alleen begrijpen wat het wél kan, maar ook wat het niet kan(Glikson & Woolley, 2020).  Op deze manier evolueren gebruikers van blinde afhankelijkheid naar realistische verwachtingen.

• Impact op de werkvloer: We hebben professionals nodig die in staat zijn de output van AI objectief te analyseren en evalueren: gedefinieerd door het kerndomein Critical Thinking. Deze “human-in-the-loop” zorgt ervoor dat de AI‑output wordt gevalideerd, ethisch verantwoord is en correct wordt ingebed in de zakelijke context.
  
  

4. Growth Mindset: Het tegengif voor "AI-angst"

De adoptie van AI gaat gepaard met de nodige hindernissen: dit is waar een Growth Mindset cruciaal wordt. Ons onderzoek toont dat Emotionele Stabiliteit een sleutelrol speelt in het volhouden van die mindset.

Hoge niveaus van Neuroticisme (het omgekeerde van Emotionele Stabiliteit) zijn consequent gecorreleerd met "Technostress" en "AI-angst" (Symasek et al., 2025), terwijl Self-Efficacy (geloof in eigen kunnen) werkt als een buffer tegen deze onzekerheden (Montag et al., 2023). Professionals met een hoge Emotionele Stabiliteit bezitten de veerkracht die nodig is om met de onvoorspelbaarheid van AI om te gaan. Wanneer een prompt faalt, raken ze niet in paniek; ze zetten door.

• Impact op de werkvloer: Een echte Growth Mindset bestaat uit meer dan de wil om een tool te gebruiken. Het vereist de emotionele stabiliteit om positief te blijven en het doorzettingsvermogen om niet ontmoedigd te raken door tegenslagen. In combinatie met de ambitie om nieuwe taken onder de knie te krijgen, helpt deze veerkracht werknemers om potentiële "Technostress" om te zetten in een gedrevenheid om nieuwe expertise te ontwikkelen.

Van Inzicht naar Impact: Het Model vertalen naar Actie

Het Digital Learning Agility-framework van Hudson biedt een stevige basis om af te stappen van een "one-size-fits-all" benadering voor digitale transformatie. Door deze inzichten toe te passen, kunnen organisaties hun talentstrategieën op maat ontwerpen voor zowel rekrutering als interne ontwikkeling.

Identificeer je AI champions

Bij selectie biedt het framework een duidelijke houvast om toekomstbestendig talent te identificeren. Door te focussen op personen met een hoge Digital Learning Agility, kunnen organisaties hun "AI champions" aantrekken—de Sarahs die een voortrekkersrol opnemen, die als een mentor voor anderen kunnen fungeren en die de organische implementatie van nieuwe tools zullen stimuleren door hun natuurlijke nieuwsgierigheid en cognitieve wendbaarheid.

Ondersteuning op maat

Voor bestaande teams bieden deze inzichten een roadmap voor gepersonaliseerde ondersteuning. Een lagere score op een specifieke competentie betekent geen finaal eindoordeel; het is een signaal voor een andere aanpak. Ook de enthousiaste early adopters hebben behoefte aan de juiste omkadering om hun impact te maximaliseren.

• Structuur bieden: Waar een "Sarah" floreert bij experimenteren, heeft een "Tom" mogelijk behoefte aan een zeer gestructureerde omgeving, duidelijke stapsgewijze richtlijnen en de psychologische veiligheid om initiële aarzeling en onzekerheid te overwinnen. Door vanop managementniveau afgebakende experimenteertijd te voorzien, vergroot de kans dat ook “Toms” effectief aan de slag gaan met AI.
  
  
• Gerichte ontwikkeling: Als de weerstand wordt veroorzaakt door het kerndomein Critical Thinking, kan de ontwikkeling zich focussen op validatietechnieken. Als het een Growth Mindset-uitdaging betreft, verschuift de focus naar het faciliteren van psychologische veiligheid en een duidelijke human‑in‑the‑loop aanpak: zo voelen werknemers zich veilig genoeg om te experimenteren zonder angst te falen.
  
  
• Samenwerking stimuleren: Een goede kennis van deze profielen laat toe om teams strategisch samen te stellen: high-scorers koppelen aan collega’s die meer begeleiding nodig hebben creëert een peer-to-peer leercultuur. Ook “Sarahs” versterken zo hun vaardigheden in mentoring, reflectie en kennisoverdracht.

Conclusie: Een holistische Kijk op Talent

Hoewel de AI-gereedheid van de organisatie—waaronder strategie, alignering van de business én de technologische infrastructuur—een vitale bouwsteen is, vertelt ze slechts een deel van het verhaal. Er bestaan namelijk grote verschillen tussen werknemers in termen van het enthousiasme en de snelheid waarmee ze AI omarmen.

Het begrijpen van individuele verschillen in AI-gereedheid draait niet om beslissen wie er wel of niet thuishoort in de toekomst van werk, maar om ervoor zorgen dat iedereen een haalbaar pad heeft om daar te komen.

Benieuwd hoe deze inzichten jouw talentstrategie kunnen transformeren? Contacteer ons.

Referenties

Glikson, E. and Woolley, A. W. (2020). Human trust in artificial intelligence: Review of empirical research. Academy of Management Annals, 14 (2):627–660.

Grassini, S., Oltedal Thorp, S., Sævild Ree, A., Sevic, A., & Cipriani, E. (2025). Distinct predictors of positive attitudes toward artificial intelligence and general technology: big five traits, gender, and age. Behaviour & Information Technology.

Kovbasiuk, A., Triantoro, T., Przegalińska, A., Sowa, K., Ciechanowski, L., & Gloor, P. (2025). The personality profile of early generative AI adopters: a big five perspective. Central European Management Journal, 33 (2), 252-264.

Montag, C., Kraus, J., Baumann, M., & Rozgonjuk, D. (2023). The propensity to trust in (automated) technology mediates the links between technology self-efficacy and fear and acceptance of artificial intelligence. Computers in Human Behavior Reports, 11.

Seibert, D., Godulla, A., & Wolf, C. (2021). Understanding How Personality Affects the Acceptance of Technology: A Literature Review. Working paper.

Symasek, L., Yeazitzis, T., Weger, K., & Mesmer, B. (2025). Recent Developments in Individual Difference Research to Inform the Adoption of AI Technology. Systems, 13 (3), 156.

Übellacker, T. (2025). Making sense of AI limitations: how individual perceptions shape organizational readiness for AI adoption. arXiv preprint.