De productiviteitsillusie van AI: wanneer meer output uw bedrijf trager maakt

AI kan een medewerker sneller maken en tegelijk het bedrijf als geheel vertragen. Dat klinkt tegenstrijdig, maar het is precies een van de grootste risico's van de huidige AI-golf. Medewerkers schrijven sneller e-mails, maken sneller analyses, produceren sneller presentaties, genereren sneller softwarecode en werken sneller voorstellen uit. Op individuele dashboards ziet dat eruit als een spectaculaire productiviteitswinst.

Maar ergens verderop in het proces moet iemand die output nog beoordelen, corrigeren, goedkeuren, verwerken of uitvoeren. En daar begint de productiviteitsillusie.

België loopt bovendien opvallend voorop in AI-adoptie. Volgens Eurostat gebruikte in 2025 ongeveer 34,5% van de Belgische ondernemingen met minstens tien medewerkers AI-technologie, tegenover 20% gemiddeld in de Europese Unie. België behoorde daarmee tot de Europese kopgroep. De vraag voor Belgische bedrijven is daarom steeds minder of ze AI moeten gebruiken. De belangrijkere vraag wordt: levert het gebruik ervan daadwerkelijk meer economische output op?

AI maakt taken sneller. Dat is niet hetzelfde als een productiever bedrijf. Er bestaat intussen sterk onderzoek dat aantoont dat generatieve AI bepaalde taken aanzienlijk kan versnellen.

Een grote studie van Erik Brynjolfsson, Danielle Li en Lindsey Raymond onderzocht meer dan 5.000 medewerkers in customer support. Medewerkers die toegang kregen tot een generatieve AI-assistent behandelden gemiddeld ongeveer 14% meer klantenvragen per uur. Bij minder ervaren medewerkers liep de verbetering zelfs op tot ongeveer 34%. Ook een experiment van Harvard Business School en Boston Consulting Group met 758 consultants vond indrukwekkende resultaten. Voor taken die binnen de capaciteiten van GPT-4 lagen, werkten consultants meer dan 25% sneller, voltooiden ze meer taken en lag de beoordeelde kwaliteit van hun werk meer dan 40% hoger.

AI kan dus wel degelijk enorme productiviteitswinst creëren. Maar er staat een belangrijke voorwaarde bij: de taak moet geschikt zijn voor AI én de rest van het proces moet die hogere snelheid kunnen absorberen. Daar gaat het in bedrijven vaak mis.

Stel dat vijf medewerkers vroeger elk één analyse per week maakten. Een manager kon die vijf analyses bekijken en beslissingen nemen. Met AI kunnen diezelfde medewerkers misschien elk vijf analyses produceren. De productiecapaciteit stijgt van vijf naar vijfentwintig. Maar als de manager nog steeds maar vijf analyses grondig kan beoordelen, is de capaciteit van het bedrijf helemaal niet vervijfvoudigd. Er zijn nog altijd slechts vijf analyses verwerkt.

Het enige wat werkelijk vervijfvoudigd is, is de hoeveelheid werk die op beoordeling wacht. AI heeft in dat geval geen productiviteit gecreëerd. Het heeft een backlog gecreëerd. Dat is precies wat de illustratie bij dit artikel zo goed weergeeft.

De bottleneck verhuist

AI verlaagt de kost om iets te produceren bijna tot nul. Een eerste versie van een presentatie? Enkele seconden. Tien alternatieve marketingteksten? Geen probleem. Een uitgebreide analyse van een prospect? Minuten. Een samenvatting van een vergadering met twintig actiepunten? Automatisch. Softwarecode? Steeds vaker onmiddellijk gegenereerd.

Maar AI verlaagt niet automatisch de kost van beoordelen, beslissen, implementeren en verantwoordelijkheid nemen. Daardoor verschuift de bottleneck.

Waar vroeger het schrijven van een rapport twee dagen duurde en de beoordeling een uur, kan AI het rapport misschien in twintig minuten produceren. Diezelfde beoordeling duurt echter nog altijd een uur. Vanaf dat moment is niet langer productie de beperkende factor, maar review. En zodra medewerkers de extra productiecapaciteit ook werkelijk gaan gebruiken, ontstaat work-in-progress: meer documenten, meer voorstellen, meer code, meer analyses, meer berichten en meer beslissingen die wachten op menselijke aandacht.

Het bedrijf voelt drukker. Er gebeurt zichtbaar meer. Iedereen gebruikt AI. Maar de uiteindelijke throughput stijgt nauwelijks.

Onderzoek begint precies dat effect te laten zien

Een opvallend experiment van onderzoeksorganisatie METR onderzocht ervaren open-sourceontwikkelaars die werkten aan softwareprojecten die ze zeer goed kenden. Met AI-tools uit begin 2025 verwachtten de ontwikkelaars ongeveer 24% sneller te werken. In werkelijkheid deden ze gemiddeld 19% langer over hun opdrachten wanneer ze AI mochten gebruiken.

Misschien nog interessanter: zelfs nadat het experiment voorbij was, dachten de ontwikkelaars nog steeds dat AI hen ongeveer 20% sneller had gemaakt. Dat is bijna een laboratoriumvoorbeeld van de productiviteitsillusie: de gebruiker ervaart snelheid, terwijl de gemeten totale uitvoeringstijd stijgt.

Die studie mag niet worden geïnterpreteerd alsof AI programmeurs vandaag per definitie trager maakt. METR publiceerde in februari 2026 nieuwe gegevens waaruit blijkt dat recentere modellen waarschijnlijk meer versnelling opleveren, maar de onderzoekers vinden hun nieuwe schattingen nog te onzeker om daar harde conclusies uit te trekken. Het fundamentele punt blijft echter overeind: perceptie van snelheid is geen betrouwbare productiviteitsmaatstaf. Ook Google's DORA-onderzoek naar softwareontwikkeling vond zo'n tegenstelling. Een hogere AI-adoptie ging samen met positieve effecten op verschillende onderdelen van het ontwikkelproces, maar tegelijkertijd met een geschatte 1,5% daling van software delivery throughput en 7,2% lagere delivery stability. DORA waarschuwde expliciet dat verbeteringen in een deel van het ontwikkelproces niet automatisch leiden tot betere uiteindelijke softwarelevering.

Welkom in de wereld van workslop

Er is inmiddels zelfs een term ontstaan voor een ander gevolg van dit mechanisme: workslop. BetterUp Labs en Stanford Social Media Lab gebruiken die term voor AI-output die er afgewerkt en professioneel uitziet, maar onvoldoende inhoud bevat om het werk werkelijk vooruit te helpen. In hun onderzoek onder Amerikaanse kenniswerkers zei ongeveer 40% in de voorafgaande maand dergelijke AI-output van collega's te hebben ontvangen. Het oplossen van één incident kostte volgens de respondenten gemiddeld bijna twee uur.

Dat is een belangrijk onderscheid. Voor de persoon die een AI-rapport genereert, kan een taak van twee uur naar twintig minuten zijn gegaan. Op zijn persoonlijke niveau lijkt dat een enorme productiviteitswinst. Maar wanneer een collega vervolgens twee uur nodig heeft om ontbrekende informatie op te zoeken, redeneringen te controleren en het document bruikbaar te maken, is de arbeid niet verdwenen. Ze is gewoon doorgeschoven naar iemand anders.

Hetzelfde gebeurt met e-mails die snel worden gegenereerd maar onduidelijk zijn, CRM-data die automatisch wordt verrijkt maar gecontroleerd moet worden, softwarecode die snel wordt geproduceerd maar extra debugging vereist, en analyses die overtuigend klinken maar waarvan bronnen en conclusies opnieuw moeten worden gecontroleerd. AI kan daardoor niet alleen werk automatiseren. Het kan ook nieuw werk produceren.

Meer informatie betekent ook meer beslissingen

Er speelt nog een tweede mechanisme. Wanneer de kost om iets te produceren daalt, gaan mensen er meer van produceren. Wie vroeger één marketingconcept uitwerkte, vraagt AI er nu tien. Wie vroeger drie bedrijven analyseerde, kan er dertig analyseren. Wie vroeger één voorstel opstelde, genereert vijf varianten. Wie vroeger een korte managementrapportage maakte, kan plots tientallen analyses laten uitvoeren.

Technisch gezien is dat indrukwekkend. Economisch gezien is de vraag veel eenvoudiger: Had het bedrijf die extra output nodig?

Elke extra analyse vraagt aandacht. Elke extra optie vraagt een keuze. Elke extra lead kan opvolging nodig hebben. Elke extra feature moet getest en onderhouden worden. De kost van creatie daalt, maar de kost van aandacht blijft bestaan. En menselijke aandacht, zeker die van managers en specialisten, is in veel organisaties al een van de schaarsste middelen.

AI verandert ook waar mensen hun denkwerk moeten doen

Onderzoek van Microsoft onder 319 kenniswerkers geeft nog een belangrijke aanwijzing. Naarmate werknemers meer vertrouwen hadden in generatieve AI, rapporteerden ze minder kritisch denkwerk. Tegelijk verdween dat denkwerk niet volledig. Het verschoof naar andere activiteiten, zoals het controleren van informatie, het integreren van antwoorden en het bewaken van het uiteindelijke resultaat. Ook dat is relevant voor productiviteit.

AI neemt misschien 80% van het schrijfwerk weg, maar als de resterende 20% bestaat uit complexere controle en besluitvorming door duurdere medewerkers, kan de economische winst veel kleiner zijn dan de tijdsbesparing op het eerste deel van de taak doet vermoeden. Daarom is een KPI zoals "uren bespaard door AI" vaak misleidend. De vraag moet zijn hoeveel tijd, geld en capaciteit het volledige proces minder kost.

De klassieke fout: AI boven op een slecht proces zetten

De fundamentele fout is meestal niet technisch. Bedrijven nemen hun bestaande processen en proberen er AI tussen te plaatsen. Een medewerker verzamelt informatie. AI maakt daar sneller een document van. Een manager controleert het document. De medewerker verwerkt feedback. Iemand voert gegevens in het CRM in. Een andere medewerker verstuurt de communicatie.

AI heeft één stap sneller gemaakt, maar alle overdrachten, controles en goedkeuringen bestaan nog. Soms worden er zelfs nieuwe controles toegevoegd omdat niemand AI volledig vertrouwt. Het resultaat is een proces dat technologisch geavanceerder oogt, maar organisatorisch nauwelijks veranderd is.

De echte winst ontstaat pas wanneer bedrijven zich afvragen of bepaalde stappen überhaupt nog nodig zijn. Misschien hoeft een manager niet langer elk document te controleren, maar alleen uitzonderingen. Misschien hoeft informatie niet meer manueel tussen twee systemen te worden overgenomen. Misschien hoeft AI geen rapport te schrijven, maar kan het rechtstreeks de juiste data in het operationele systeem verwerken. Misschien moeten er geen tien voorstellen worden gegenereerd, maar moet het systeem één voorstel maken wanneer vooraf vastgelegde voorwaarden vervuld zijn.

Dat is procesoptimalisatie. AI is slechts één van de middelen.

Meet AI daarom aan de uitgang van het proces

Een bedrijf dat wil weten of een AI-project werkelijk productiviteit oplevert, zou niet in de eerste plaats moeten meten hoeveel prompts medewerkers gebruiken, hoeveel documenten worden gegenereerd of hoeveel minuten een individuele taak sneller gaat. Meet wat er aan het einde van het proces verandert: totale doorlooptijd, aantal voltooide dossiers per medewerker, percentage werk dat zonder correctie wordt aanvaard, hoeveelheid rework, grootte van wachtrijen en backlogs, managementtijd die aan review wordt besteed, foutpercentage, cost-to-serve, omzet per FTE, EBITDA per FTE, conversie en uiteindelijk klantwaarde.

Een nuttige vuistregel is eenvoudig: Als AI meer output genereert maar de doorlooptijd, kost, kwaliteit of economische output niet verbetert, heeft u waarschijnlijk geen productiviteit gecreëerd. U heeft vooral activiteit gecreëerd.

Eerst het proces, dan de AI

Dit betekent niet dat bedrijven moeten wachten met AI. Integendeel. Onderzoek naar eerdere technologische revoluties laat zien dat nieuwe general-purpose technologies hun grootste productiviteitswinst pas opleveren wanneer bedrijven tegelijk investeren in nieuwe processen, vaardigheden en organisatiemodellen. Brynjolfsson, Rock en Syverson noemen dit de Productivity J-Curve. Nieuwe technologie kan aanvankelijk zelfs extra kosten en complexiteit veroorzaken omdat een organisatie eerst moet worden aangepast voordat de echte productiviteitswinst zichtbaar wordt.

Dat onderscheid is belangrijk. Een tijdelijke productiviteitsdaling omdat een bedrijf processen herontwerpt, systemen integreert en medewerkers opleidt, kan een goede investering zijn. Een permanente stijging van het aantal gegenereerde documenten, analyses, berichten en dashboards zonder verbetering van de operationele resultaten is dat niet.

De echte AI-vraag

De bedrijven die de komende jaren het meeste voordeel uit AI halen, zullen waarschijnlijk niet degene zijn die de meeste AI-tools hebben of de meeste content produceren. Ze zullen processen bouwen waarin minder overdrachten nodig zijn, minder manuele controles plaatsvinden, beslissingen sneller genomen worden, informatie maar één keer ingevoerd wordt en mensen zich vooral bezighouden met uitzonderingen, expertise en verantwoordelijkheid.

AI moet uiteindelijk niet helpen om meer werk te produceren. Het moet helpen om minder werk nodig te hebben om hetzelfde of een beter resultaat te bereiken. Dat is het verschil tussen AI gebruiken en een productiever bedrijf bouwen. En precies daar ligt vandaag voor veel organisaties de grootste valkuil.