De ADKAR-methode, ontwikkeld door Prosci, structureert verandering rond vijf individuele mijlpalen: Awareness, Desire, Knowledge, Ability, Reinforcement. De adoptie ervan gaat vandaag de dag verder dan de reikwijdte van adviesbureaus. Grote groepen zoals Atos integreren het in hun interne certificeringspaden, net als SAFe of ITIL, waardoor het een verwachte competentiekader wordt voor functies die verband houden met digitale transformatie.
ADKAR in de context van hyperverandering: uit de sequentiële aanpak
Het ADKAR-model is ontworpen als een lineaire voortgang. In een omgeving van continue releases, agile op schaal of de implementatie van AI-tools houdt deze sequentie niet meer stand. Medewerkers doorlopen meerdere ADKAR-cycli parallel, op verschillende stadia afhankelijk van de projecten.
Lees ook : Alles wat je moet weten over het huren van opslagboxen in Pessac, dichtbij Bordeaux
We observeren op de werkvloer dat de vijf stappen elkaar overlappen zodra het tempo van de transformatie versnelt. Een werknemer kan zich in de fase Ability bevinden bij een ERP-implementatie terwijl hij net begint met Awareness bij een procesherziening gerelateerd aan AI. Deze cycli als onafhankelijk behandelen betekent de cumulatieve cognitieve belasting negeren.
Om het model operationeel te houden, moet het worden aangestuurd als een backlog van individuele overgangen in plaats van als een enkele tunnel. Elke medewerker heeft een portefeuille van actieve veranderingen, en de rol van de change manager is om de ADKAR-mijlpalen te prioriteren op basis van bedrijfsimpact, niet op alfabetische volgorde van het model. Zoals de ADKAR-methodologie uitgelegd op Campus Recrutement in detail beschrijft, blijft het fijne begrip van elke stap de basis, zelfs wanneer de uitvoering niet meer lineair is.
Aanrader : Alles over de partner van Yoann Usai in 2026 en hun leven als koppel
Diagnose van het ADKAR-blokkeringspunt in een transformatieproject
De operationele waarde van ADKAR ligt minder in de beschrijving van de vijf stappen dan in het vermogen om precies te lokaliseren waar een individu of team vastloopt. Te veel implementaties falen omdat projectteams massaal investeren in training (Knowledge) terwijl de werkelijke blokkade zich eerder bevindt, bij Desire.
Een betrouwbare ADKAR-diagnose is gebaseerd op korte en gerichte individuele interviews, niet op generieke tevredenheidsonderzoeken. Voor elke mijlpaal is de vraag binair: heeft het individu deze drempel overschreden, ja of nee? De eerste “nee” in de sequentie identificeert het prioritaire interventiepunt.
Concreet, bij een grootschalig ERP-programma (SAP, Oracle), biedt Prosci nu opleidingspaden aan die zijn afgestemd op elke rol: sponsors, projectleiders, directe managers. Deze granulariteit maakt het mogelijk om de diagnose te industrialiseren en ondersteunende middelen toe te wijzen waar de blokkade reëel is.
- Als de blokkade bij Awareness ligt, is het probleem een tekort aan communicatie gesponsord door het management, geen gebrek aan opleidingsmaterialen.
- Als de blokkade bij Desire ligt, kan geen technische training het gebrek aan antwoord op de vraag “wat heb ik er persoonlijk aan” compenseren.
- Als de blokkade bij Ability ligt, begrijpt de medewerker en wil hij veranderen, maar de werkomgeving (tools, processen, belasting) staat hem niet toe om te oefenen.
ADKAR als orchestratie-element in een projectportefeuille
ADKAR is niet langer alleen een HR- of communicatieframework. Projectmanagementplatforms zoals Asana presenteren het nu als een model voor de orkestratie van adoptie, aanvullend op Agile of PMI delivery frameworks.
Deze evolutie in gebruik verandert de houding van de change manager. Hij produceert niet langer een “veranderplan” parallel aan het project. Hij integreert de ADKAR-mijlpalen direct in de backlog van het projectteam, met acceptatiecriteria die verband houden met de daadwerkelijke adoptie door eindgebruikers.
Bij een transformatieprogramma met meerdere gelijktijdige projecten raden we aan om de getroffen populaties per project in kaart te brengen en deze kaart vervolgens te kruisen met de ADKAR-status van elke groep. Het resultaat is een adoptiebord dat de klassieke projectvoortgangsindicatoren (budget, tijd, scope) aanvult.
ADKAR integreren in agile rituelen
In een SAFe- of Scrum-context op schaal biedt de Program Increment Planning een natuurlijk aanknopingspunt. Elke PI Planning kan een adoptiedoelstelling bevatten geformuleerd in ADKAR-termen: bijvoorbeeld, “het Knowledge-niveau bereiken voor de 40 belangrijkste gebruikers van de financiële module vóór de volgende PI”.
Teamretrospectieven worden ook een hulpmiddel voor Reinforcement. Door een deel van de retrospectieve te structureren rond de vraag “welke nieuwe praktijken hebben we deze sprint daadwerkelijk aangenomen”, verankeren we de laatste ADKAR-mijlpaal in een al bestaand ritueel, zonder een extra vergadering toe te voegen.
Beperkingen van ADKAR en te maken afwegingen
Het model veronderstelt dat verandering wenselijk is. Het biedt geen kader om te beslissen of een verandering uitgevoerd moet worden. ADKAR ondersteunt de adoptie, het valideert niet de strategische relevantie van het project. Dit onderscheid is vaak vaag in organisaties die “de mensen verzetten zich” verwarren met “het project is slecht gekalibreerd”.
Een andere beperking: het model behandelt het individu als een analyseeenheid, wat zijn kracht is maar ook zijn blinde vlek. Collectieve dynamieken (groepsdruk, teamcultuur, politieke spelletjes tussen afdelingen) worden niet gemodelleerd. Een medewerker kan de vijf stappen individueel hebben doorlopen en toch achteruitgaan onder druk van een collectief dat zich tegen de verandering verzet.
- ADKAR werkt beter wanneer het wordt gekoppeld aan een organisatiemodel (Kotter voor sponsoring, Lewin voor groepsdynamiek).
- Bij AI-transformaties vereist de mijlpaal Knowledge continue updates omdat de tools evolueren tussen twee opleidingscycli.
- Reinforcement is de meest verwaarloosde mijlpaal in de praktijk, terwijl het degene is die bepaalt of de verandering overleeft na de go-live.
De effectiviteit van ADKAR hangt minder af van het model zelf dan van de nauwkeurigheid waarmee de individuele diagnose wordt uitgevoerd en gedurende langere tijd wordt onderhouden. Een ADKAR-bord dat eenmaal aan het begin van het project wordt bijgewerkt en vervolgens wordt vergeten, levert geen resultaten op. Verandering wordt continu aangestuurd, of het wordt niet aangestuurd.