Vraag een leidinggevende wat AI oplevert, en de kans is groot dat je hoort over urenwinst, versnelling en schaalbaarheid. Vraag het aan de medewerker die ermee moet werken, en je krijgt vaak een heel ander antwoord: extra handelingen, onduidelijke output en een tool die vooral tijd kost om goed te laten werken. Juist daar zit de spanning van dit moment. Waarom voelt AI op de werkvloer vaak nog niet als echte productiviteit?
Omdat medewerkers extra handelingen moeten doen, output moeten controleren en AI vaak niet goed is ingebed in bestaande processen. Betekent dit dat AI vooral hype is? Nee. Het probleem is meestal niet dat de technologie niets kan, maar dat organisaties verwachten dat losse tools vanzelf productiviteit opleveren zonder procesinrichting, training en controle. Niet in de vraag óf AI potentie heeft, maar waarom die potentie op de werkvloer zo vaak nog niet voelt als echte productiviteit — en wat er nodig is om dat te doorbreken.
Waarom is er een kloof tussen wat managers verwachten van AI en wat medewerkers ervaren?
Section’s 2026 AI Proficiency Report onderzocht 5.000 kenniswerkers in de Verenigde Staten, het Verenigd Koninkrijk en Canada bij bedrijven met 1.000 of meer medewerkers, en meldde dat minder dan een derde zei dat AI hen vier uur of meer per week bespaart.
Dat verschil is te groot om weg te poetsen als een kwestie van optimisme. Het laat zien dat AI op veel plekken nog vooral een belofte is in plaats van een merkbare versneller. En het wordt nog interessanter als je kijkt naar wat Bright daar ook over meldt: medewerkers moeten AI soms gebruiken, terwijl ze het in de praktijk niet handig weten toe te passen. Dan ontstaat precies het probleem dat veel organisaties nu herkennen. De ambitie is hoog, maar de dagelijkse winst blijft uit.
Waarom verandert AI in theorie veel, maar in de praktijk nog weinig?
AI verandert in de praktijk weinig. Organisaties lopen aan tegen juridische beperkingen, verandering in de organisatie, menselijke controle en koppelingen met bestaande software. Anthropic beschrijft dat de relevante maatstaf ‘observed exposure’ is: het aandeel taken dat daadwerkelijk met AI-hulp wordt uitgevoerd, in plaats van theoretisch automatiseringspotentieel. In theorie kan AI een groot deel van kantoorwerk automatiseren. In de praktijk blijft het daadwerkelijke gebruik in bedrijven nog beperkt. De kloof zit dus niet in de technologie alleen, maar in de vertaling naar echte processen.
Dat is belangrijk, want de eerste zichtbare gevolgen zijn voorlopig subtieler dan vaak wordt gedacht. Geen massale ontslaggolf, maar bijvoorbeeld langzamere aanname van nieuw personeel. AI verandert werk dus wel, maar niet op de simpele manier die veel headlines suggereren. De studie gebruikt daarvoor het begrip observed exposure: een maat voor hoeveel taken in een baan in de praktijk echt door AI kunnen worden geraakt of overgenomen. Dat is relevant voor organisaties, omdat het laat zien welk deel van het werk vandaag daadwerkelijk met AI-ondersteuning wordt uitgevoerd, in plaats van alleen wat in theorie te automatiseren zou zijn. — en hoeveel nog niet. En juist daar zie je dat er nog veel ruimte is tussen wat AI kan en wat organisaties echt automatiseren.
Anthropic beschrijft dat de relevante maatstaf ‘observed exposure’ is: het aandeel taken dat daadwerkelijk met AI-hulp wordt uitgevoerd, in plaats van theoretisch automatiseringspotentieel. Dat zijn geen details. Dat zijn precies de factoren die bepalen of een slimme tool ook echt onderdeel wordt van het werk.
Bespaart AI echt tijd?
Niet automatisch. AI levert pas tijdwinst op als het goed is ingebed in processen, medewerkers weten hoe ze ermee werken en de output niet steeds handmatig hoeft te worden gecorrigeerd. Bijvoorbeeld: een supportteam wint pas tijd als AI antwoorden direct in het ticketsysteem zet in de juiste tone of voice, in plaats van dat medewerkers elk antwoord eerst moeten kopiëren en herschrijven.
Waarom lopen losse AI-tools in de praktijk vaak vast?
Betekent dit dat de tool slecht is? Niet per se. Vaak werkt de tool prima in isolatie, maar ontstaat het probleem pas wanneer die moet aansluiten op echte processen, systemen en verantwoordelijkheden.
Dat verklaart waarom losse AI-tools in de praktijk vaak tegenvallen. Ze kunnen indrukwekkend lijken in een demo, maar op de werkvloer moeten ze meebewegen met systemen, afspraken en verantwoordelijkheden. En daar begint het gedoe.
Een medewerker die een antwoord uit een losse tool moet kopiëren, controleren, herschrijven en daarna alsnog handmatig verwerken, ervaart weinig tijdwinst. Misschien gaat het eerste stukje sneller, maar het totale proces niet. Sterker nog: als de output steeds opnieuw moet worden aangepast aan interne werkwijzen, tone of voice, juridische eisen of klantverwachtingen, verdampt de winst snel.
Dat is precies waarom veel organisaties blijven hangen in experimenten. De tool werkt op zichzelf prima, maar niet in de context waarin het werk echt plaatsvindt. En op de werkvloer telt context nu eenmaal zwaarder dan demo-kwaliteit.
Wat werkt wél als je AI productief wilt maken in het werkproces?
Echte productiviteit ontstaat pas als AI niet buiten het proces staat, maar erin is ingebouwd. In een klantenserviceproces betekent dat bijvoorbeeld dat AI direct meeschrijft in het CRM en antwoorden aanpast aan interne richtlijnen, in plaats van losse tekst in een aparte tool te genereren. Dan wordt het geen losse assistent die af en toe iets oplevert, maar een digitale medewerker die bijvoorbeeld facturen controleert binnen het ERP-systeem, afwijkingen markeert en alleen uitzonderingen doorzet naar een medewerker binnen vooraf ingestelde regels. Voor teams betekent dat minder handmatig overschrijven, minder controlewerk en meer voorspelbare output in het dagelijkse proces.
Daarvoor is meer nodig dan een slim model. Denk aan:
- Bepaal duidelijke taken en afbakening.
- Richt AI in op bestaande processen.
- Koppel de oplossing aan software die teams al gebruiken.
- Voeg menselijke controle toe waar nodig.
- Zorg voor een goede introductie en begeleiding van medewerkers.
- Stem de output af op schrijfstijl, kwaliteitseisen en interne afspraken.
Zonder die elementen blijft AI een hulpmiddel aan de rand. Mét die elementen kan het een vast onderdeel van de operatie worden.
Dat is ook waarom de vergelijking met een digitale medewerker zo relevant is. Niet omdat het begrip hip klinkt, maar omdat het precies aangeeft wat er nodig is: niet zomaar een tool, maar een rol. Iets dat in de dagelijkse praktijk meehelpt, leert van de werkwijze en structureel werk overneemt.
Hoe maak je van AI-belofte meetbare productiviteitswinst?
Je maakt van AI-belofte meetbare productiviteitswinst door AI aan één concreet werkproces te koppelen, frictiepunten weg te nemen en pas succes te claimen als medewerkers aantoonbaar minder handmatig werk doen.
- Kies eerst één concreet proces dat verbeterd moet worden.
- Breng daarna in kaart waar medewerkers tijd verliezen door schakelen, overtypen of herstellen.
- Integreer vervolgens AI in dat bestaande proces in plaats van ernaast.
- Voeg daarna controles, kwaliteitseisen en werkinstructies toe.
- Meet tot slot of medewerkers daadwerkelijk minder handmatig werk hebben en tijd besparen.
De les van dit moment is daarom niet dat AI tegenvalt. De les is dat losse AI-tools vaak te los blijven. Wie productiviteit wil verhogen, moet AI dichter op het werk zetten, niet verder ervan af. Daar ligt het verschil tussen een interessante proef en een digitale collega die echt waarde toevoegt: bijvoorbeeld tussen een losse demo die e-mails samenvat en een AI-oplossing die samenvattingen automatisch in het dossiersysteem zet zodat medewerkers geen dubbel werk meer doen.
En misschien is dat een belangrijke verschuiving van allemaal: niet meer denken in losse tools of grootse beloften, maar in werk dat slimmer, rustiger en consistenter wordt ingericht. Juist daar begint AI eindelijk zichtbaar te worden op de werkvloer.
