Wat we verliezen als we AI afmeten aan bespaard werk?

Ik geef veel incompany trainingen. En hoe dieper ik een organisatie inkom, hoe vaker ik dezelfde spanning tegenkom. Zodra het woord 'efficiency' valt in de context van AI, verandert de sfeer in de zaal. Niet subtiel. Mensen worden stiller, armen gaan over elkaar, blikken worden wantrouwend.
Ik snap ze volkomen. Want wat zij horen als iemand zegt dat AI hun werk efficiënter gaat maken, is iets heel anders dan wat de directie bedoelt. Zij horen: jullie zijn poppetjes waarmee geschoven kan worden om het rendement te verhogen.

AI & de productiviteit paradox

Wat er op die werkvloeren op het spel staat, is niet abstract. Het is het vakmanschap dat iemand in tien jaar heeft opgebouwd. De klantrelaties die je niet overdraagt aan een chatbot zonder iets te verliezen. De kennis die in hoofden zit en nergens in een systeem staat. Medewerkers die dit voelen, weten ook wat er gaat gebeuren met hun klanten: slechte reviews, weglopende vaste klanten, dalende kwaliteit van dienstverlening. Eigen schuld, dikke bult, zeggen ze dan. En ze hebben gelijk.

Duurzame AI inbedding vraagt om een aanpak die verder gaat dan efficiency. En toch is dat bijna altijd het enige waarop de businesscase is gebouwd.

Neem bol.com als herkenbaar Nederlands voorbeeld. Chatbot Billie handelt 45 procent van alle klantcontact af en deed tijdens Black Friday het werk van 225 FTE op de klantenservice  een operationele businesscase die helder en overtuigend is. Wat minder zichtbaar is: medewerkers die steeds minder complexe gesprekken voeren en zo de vaardigheden verliezen die juist bij moeilijke klantsituaties nodig zijn. Klanten die soms niet meer weten of ze met een mens of een machine spreken. De efficiëntiewinst is onmiddellijk meetbaar. Wat er in ruil voor verdwijnt; vakmanschap, vertrouwen, het vermogen om de uitzonderingssituatie menselijk op te vangen, wordt pas voelbaar als het er al niet meer is. (RetailTrends, 2018)

In 1987 schreef de econoom Robert Solow een zin die de technologie discussie sindsdien niet meer heeft losgelaten: "You can see the computer age everywhere except in the productivity statistics." De computerrevolutie was overal zichtbaar, maar de verwachte productiviteitsgroei bleef uit. Economen noemden het de productivity paradox, en ze puzzelden er jaren over.

Die paradox herken ik in hoe organisaties vandaag de businesscase voor AI bouwen. En ze brengt ons, als we niet oppassen, op precies dezelfde plek.

“You can see the computer age everywhere except in the productivity statistics.”

De smalle taal van efficiency

De econoom Daron Acemoglu maakt een onderscheid tussen automation, waarbij menselijke taken worden overgenomen zonder dat er nieuwe taken voor terugkomen, en innovation, waarbij technologie nieuwe mogelijkheden creëert die mensen in staat stellen waardevoller werk te doen. De eerste vorm verhoogt de winst op de korte termijn; de tweede vergroot de welvaart op de lange termijn.

Wat Acemoglu's analyse laat zien, is dat de huidige golf van AI automatisering zwaarder leunt op het eerste dan op het tweede. Organisaties implementeren AI om taken te vervangen, niet om menselijke capaciteit uit te breiden. Het resultaat is efficiency zonder betekenisvolle groei in wat hij labor productivity noemt: de bijdrage van mensen aan waardecreatie.

Wat dit betekent voor individuele medewerkers, is onderzocht door Amy Wrzesniewski en collega's in hun werk over job crafting en de betekenis van werk (Wrzesniewski & Dutton, 2001). Hun onderzoek laat zien dat mensen niet primair gemotiveerd worden door het voltooien van taken, maar door het gevoel dat hun werk er toe doet, dat zij een bijdrage leveren die herkend en gewaardeerd wordt. Wanneer AI de taken overneemt die mensen als betekenisvol ervaren, zonder dat daar iets voor terugkomt, daalt niet alleen de motivatie. Er daalt iets wat moeilijker meetbaar is maar minstens zo belangrijk: het gevoel van vakmanschap, van professionele identiteit, van agentschap.

In de zomer van 2026 had ik een inspirerend gesprek met Laurens Vreekamp, schrijver van het boek Niet onze AI. Ik legde hem uit wat me al langer bezighoudt: dat de taal van efficiency het gesprek over AI-waarde domineert, maar dat ik steeds meer ga twijfelen of we überhaupt het juiste meten. Vreekamp tipte me dit interview .‍

James Manyika, senior vice president bij Google en sinds de jaren negentig onderzoeker van de economie van werk en technologie, voegt daar een even wezenlijk mechanisme aan toe. In een interview met technologiejournalist Casey Newton beschreef hij het concept van coupled tasks: wanneer je een taak automatiseert die onlosmakelijk verbonden is met een niet-automatiseerbare taak, gaat het geheel niet sneller. Het geheel gaat even snel als de langzaamste stap. "If you take two tasks and can automate one of them, but they need to be done in a coupled way, you'll only go at the speed of the weakest link." De meeste banen, aldus Manyika, zitten vol met dit soort koppelingen. Volledige automatisering is daarmee niet alleen technisch maar ook structureel moeilijker dan businesscases suggereren, en de efficiëntiewinst kleiner dan berekend.

Wat verdwijnt uit de spreadsheet

De businesscase-methodologie die de meeste organisaties hanteren, mist structureel een aantal dimensies.

Vertrouwen. Shoshana Zuboff beschrijft in The Age of Surveillance Capitalism (2019) hoe digitale systemen die gericht zijn op gedragsoptimalisatie fundamenteel botsen met de condities waaronder mensen vertrouwen opbouwen, met organisaties, met diensten, met instellingen. Vertrouwen is geen bijproduct van efficiency; het is een zelfstandige waarde die tijd, consistentie en menselijke interactie vereist. Wanneer een klantenserviceproces volledig wordt geautomatiseerd omwille van kostenverlaging, verdwijnt niet alleen de menselijke interactie. De mogelijkheid tot de onverwachte, niet gescripte reactie die vertrouwen opbouwt verdwijnt mee.

Institutionele robuustheid. Organisaties die processen volledig overdragen aan AI systemen, verliezen geleidelijk de menselijke kennis en het oordeelsvermogen die nodig zijn om die systemen te beoordelen, te corrigeren en zo nodig te verwerpen. Erik Brynjolfsson en Andrew McAfee signaleerden dit al in The Second Machine Age (2014): automatisering creëert afhankelijkheden die op korte termijn onzichtbaar zijn maar op lange termijn kwetsbaar maken. Wanneer het systeem faalt, en systemen falen, is er niemand meer die weet hoe het handmatig moet.

Wat een complete businesscase meet

Een robuuste AI-businesscase behandelt efficiency niet als hoofddoel met de rest als bijvangst. De vier waardedimensies, operationeel, menselijk, maatschappelijk en duurzaam, verdienen elk een eigen meting en een eigen afweging. Niet als vinkje op een checklist, maar als volwaardige criteria voor besluitvorming. Pas als alle vier de dimensies worden meegewogen, zie je het werkelijke plaatje van wat een AI-implementatie oplevert en wat ze kost.

Een meer robuuste AI-businesscase stelt daarom vragen als: wat doet deze implementatie met de professionele ontwikkeling van onze mensen? Versterkt of verzwakt zij het vertrouwen van onze klanten? Leidt zij tot eerlijkere uitkomsten voor de mensen die ons product of onze dienst ontvangen? En: wat verliezen wij aan institutionele kennis, en hoe bouwen wij dat opnieuw op als we het nodig hebben?

Solow's paradox leerde ons dat de meeste winst van technologie pas zichtbaar wordt wanneer je weet waar je op moet letten. Voor de huidige golf van AI-investeringen geldt hetzelfde. De organisaties die over tien jaar nog weten waarom ze het deden, zijn de organisaties die leerden verder te kijken dan de uren-bespaard-cel in hun spreadsheet.

Vanuit die overtuiging werk ik bij HumanAI Academy. Wat ons onderscheidt van vrijwel elk ander AI-opleidingsinstituut in Europa en de VS, is de keuze om businesscases te bouwen die verder kijken dan efficiency alleen, onderbouwd door gedragswetenschap en getoetst in de praktijk van Nederlandse en Europese organisaties.

Het curriculum van de Human AI Academy bestaat onder meer uit:

AI Waarde & Businesscase Masterclass — leer een businesscase opstellen die alle vier waardedimensies meeneemt: efficiency, groei, risicoreductie én de effecten die doorgaans buiten de spreadsheet vallen.

AI Eigenaarschap training — breng systematisch in kaart wat een AI-implementatie doet met je organisatie, je medewerkers en de mensen die de uitkomsten ondervinden.

AI Innovatie voor Sociale en Maatschappelijke Impact — voor organisaties die AI inzetten voor publieke of maatschappelijke doelen en verantwoording willen kunnen afleggen over bredere effecten.