Ontwerp AI die je mensen waardevoller maakt

Daron Acemoglu en Erik Brynjolfsson zijn niet meteen de namen die je net zoveel zullen zeggen als Sam Altman of Dario Amedei, maar het zijn wel invloedrijke denkers op het vlak van AI. Ze zijn interessant om te volgen, want ze zijn het over veel zaken oneens. Maar op één punt komen ze samen: de uitkomst van AI hangt af van hoe je hem inzet (wat een veilige uitspraak is, dat moet gezegd). Ze zeggen eigenlijk:

AI kan werk overnemen of de waarde van mensen vergroten.

Dat verschil is inmiddels zichtbaar in de salarisadministratie van menig organisatie. In beroepen waar AI werk overneemt, daalt de werkgelegenheid voor starters. In beroepen waar AI mensen ondersteunt, groeit die voor alle leeftijden. In dit artikel wil ik eens gaan kijken hoe dat zich doorvertaalt naar Nederlandse organisaties. Zeg, de gemiddelde directietafel. We komen samen op vijf soorten AI-inzet, drie vragen per initiatief en een stappenplan om je eigen plannen erlangs te leggen.

Waarom een Nobelprijswinnaar boos wordt van het AI-debat

De eerder genoemde Daron Acemoglu is MIT-econoom, maar vooral ook de ontvanger van de Nobelprijs voor economie in 2024. Hij gaf medio augustus een interview aan Fortune over zijn nieuwe boek What Happened to Liberal Democracy?. Het gesprek gaat grotendeels over politiek. Het scherpst is hij over het AI-debat zelf, wat me tot dit artikel aanzette.

Acemoglu ziet twee kampen die elkaar gevangen houden. Aan de ene kant de gelovigen, voor wie AI voor iedereen goed uitpakt en die woedend worden van elke tegenwerping. Aan de andere kant de sceptici die de modellen wegzetten als stochastische papegaaien: systemen die plausibel klinkende ruis produceren zonder iets te begrijpen. Hij wijst beide posities af. Wie de modellen dagelijks gebruikt ziet dat ze werkelijk iets kunnen, zegt hij. Tegelijk weigert hij mee te gaan in het vage vertrouwen dat het allemaal wel goed komt.

De oorzaak zoekt hij in het medialandschap. Sociale media belonen escalatie, want escalatie trekt aandacht. Dat geldt voor de politiek en het geldt voor AI. Twee ogenschijnlijk strijdige gedachten tegelijk vasthouden is bijna radicaal geworden, constateert hij: dat AI indrukwekkende dingen kan én dat de gevolgen voor werk om aandacht vragen.

In datzelfde interview staat de zin die dit stuk in gang zette. Acemoglu zegt blij te zijn dat Brynjolfsson steeds vaker pleit voor het bijsturen van AI in een richting die mensen aanvult, iets waar hij zelf al bijna twintig jaar op hamert. Twee economen die publiekelijk stevig botsen over de productiviteitseffecten van AI, komen uit bij dezelfde ontwerpvraag.

In hun werk is dat een beleidsvraag over belastingregels, mededinging en opleidingsinvesteringen. Op directieniveau is het een ontwerpvraag die elke maand terugkomt. Elke keer dat je een AI-toepassing kiest, kies je ook wat er gebeurt met de waarde van het werk van je mensen. Die keuze ligt bij jou.

Twee manieren om AI in te zetten

Brynjolfsson beschreef het onderliggende mechanisme in 2022 in The Turing Trap. Sinds Turing zijn imitatiespel voorstelde is het nabootsen van menselijke intelligentie het impliciete doel van het vakgebied. Die gerichtheid op imitatie leidt volgens hem tot een val. Hij vergelijkt het met Henry Ford: had Ford een machine gebouwd die net zo hard kon rennen als een mens, dan was dat een doodlopende weg geworden. Auto's hebben wielen.

Het economische verschil zit in wat er met de waarde van menselijk werk gebeurt. Wanneer een systeem een taak overneemt, daalt de waarde van de bijdrage van de mens die hem deed. Wanneer een systeem iemand meer laat doen dan hij alleen kon, stijgt die waarde. Brynjolfsson noemt dat tweede model centaurs: teams van mens en machine die samen tot een resultaat komen dat geen van beide alleen haalt.

Acemoglu werkt met een verwant model dat hij ontwikkelde met Pascual Restrepo. Zij zien productie als een reeks taken die je aan mensen of aan machines kunt toewijzen. Automatisering verschuift taken naar de machinekant en drukt de vraag naar arbeid. Nieuwe taken en betere ondersteuning duwen de andere kant op. Beide effecten lopen tegelijk. Hun onderlinge verhouding bepaalt hoe de opbrengst wordt verdeeld.

De automatiseringskant wint op dit moment op punten. Daar zijn nuchtere redenen voor. Personeelskosten staan bij vrijwel elke organisatie bovenaan de kostenregel, dus een business case die op minder mensen rekent, rekent zichzelf snel voor. Belastingstelsels behandelen investeren in machines en software gunstiger dan het aannemen en opleiden van mensen. En het onderzoeksveld richt zich grotendeels op systemen die alles kunnen wat mensen kunnen, waardoor er weinig geld gaat naar systemen die specifiek zijn ontworpen om mensen sterker te maken. Acemoglu, David Autor en Simon Johnson beschrijven dat in hun paper van februari 2026 als een ideologie die automatisering als vanzelfsprekend behandelt.

Leveranciers volgen daarin gewoon de vraag. Voor jouw organisatie betekent het dat de standaardrichting van de markt zelden samenvalt met de inzet die bij jou het meeste oplevert. Een leverancier verkoopt wat zich het makkelijkst laat verkopen. Welke inzet in jouw werkproces het meeste waard is, kan alleen jij bepalen.

Het verschil tussen overnemen en ondersteunen is zichtbaar in de cijfers

Tot voor kort was dit een theoretisch onderscheid. Sinds vorig jaar is het meetbaar. Brynjolfsson publiceerde met Bharat Chandar en Ruyu Chen een studie op basis van de salarisadministratie van ADP, de grootste loonverwerker van de Verenigde Staten, met maandelijkse gegevens van miljoenen werknemers tot en met september 2025.

Hun bevinding die er hier toe doet: in beroepen waar AI vooral wordt gebruikt om werk over te nemen, daalt de werkgelegenheid voor werknemers van 22 tot 25 jaar. In de zwaarst blootgestelde beroepen gaat het om een relatieve daling van ongeveer 13 procent ten opzichte van collega's in nauwelijks blootgestelde beroepen. De aanpassing loopt via het aantal mensen, de lonen bewegen nauwelijks mee. In beroepen waar AI vooral ondersteunend wordt gebruikt, groeide de werkgelegenheid juist, voor alle leeftijdsgroepen.

Voor die indeling gebruiken de onderzoekers de Anthropic Economic Index, die van miljoenen gesprekken met een AI-model vaststelt of de gebruiker een taak volledig uit handen geeft of ermee samenwerkt. In de meting van januari 2026 viel 52 procent van de gesprekken in de samenwerkende categorie en 45 procent in de overnemende. Samenwerking domineert vooral bij complexe, kennisintensieve taken. Wat die metingen wel en niet zeggen over de arbeidsmarkt, werkten we eerder uit.

Er is ook direct bewijs dat ondersteuning oplevert. In een veelgeciteerd experiment van Brynjolfsson, Danielle Li en Lindsey Raymond kregen klantenservicemedewerkers realtime suggesties van een AI-assistent tijdens hun chatgesprekken. Gemiddeld handelden ze ongeveer 14 procent meer vragen per uur af. Bij de minst ervaren medewerkers liep dat op tot ruim dertig procent. Wie twee maanden in dienst was presteerde met de assistent als een collega met een half jaar ervaring. De winst landde bij de mensen die de meeste ruimte hadden om te groeien.

Dat patroon komt in vrijwel elk gecontroleerd onderzoek terug. De grootste sprongen worden gemaakt door de mensen die het minst ervaren waren. Voor een organisatie met openstaande vacatures en een lange inwerkperiode is dat een concreet aanknopingspunt: een nieuwe collega die na twee maanden op het niveau van een half jaar zit, verandert je capaciteitsplanning.

Ondersteuning levert het meest op als je hem bewust ontwerpt

De opbrengst van ondersteunende inzet komt binnen wanneer je het toezicht meeontwerpt. Acemoglu verwijst in het Fortune-interview naar wat Ethan Mollick de jagged frontier noemt: AI is uitzonderlijk goed in sommige taken, onbetrouwbaar in andere en soms een lastig te doorzien mengsel van die twee. Er is volgens hem veel gedetailleerd toezicht nodig. Dat toezicht is precies het werk dat je moet inrichten. Hoe je met die grillige grens omgaat, werkten we eerder uit, inclusief de reden waarom vertrouwen sneller groeit dan betrouwbaarheid.

Dat dit toezicht werk kost, blijkt uit een gecontroleerd experiment van onderzoeksinstituut METR onder ervaren softwareontwikkelaars. Zij waren met AI-hulp 19 procent langzamer dan zonder, terwijl ze zelf dachten dat ze sneller waren. Ervaring met het gereedschap en een taak die er goed bij past, maken hier het verschil.

Acemoglu houdt ook het macro-effect bescheiden. In zijn paper The Simple Macroeconomics of AI komt hij uit op maximaal 0,66 procent extra totale factorproductiviteit over tien jaar, ver onder de percentages die investeringsbanken noemen. Zijn redenering: het vroege bewijs komt uit makkelijk leerbare taken, terwijl veel van het echte werk bestaat uit taken waarbij de context per geval verschilt en een objectieve uitkomstmaat ontbreekt.

Dat gemiddelde zegt weinig over jouw organisatie, want daarin zitten ook alle bedrijven die niets doen en alle implementaties die stranden. Het zegt wel iets over de spreiding. Organisaties die hun werkproces opnieuw inrichten halen er substantieel meer uit dan organisaties die het bij een licentie laten.

In Nederland is de rekensom anders dan in Amerika

Het Amerikaanse debat gaat over verdringing van werknemers. In Nederland is schaarste aan mensen het startpunt. Uit onderzoek van het CBS blijkt dat 64 procent van de Nederlandse bedrijven kampt met een tekort aan geschikt personeel. Sinds dit jaar is automatisering, vaak met AI, de meest gekozen oplossing voor dat tekort: 29,7 procent van de bedrijven zet erop in, tegen 24,9 procent dat zichzelf aantrekkelijker maakt als werkgever. Een jaar eerder lag die verhouding nog omgekeerd. Bij bedrijven met 50 tot 250 medewerkers zet 28,1 procent in op automatisering.

Die cijfers veranderen de rekensom onder de keuze. Wanneer de beperkende factor de beschikbaarheid van mensen is, levert het vervangen van iemand die je al hebt weinig op. De vacature die je toch niet vervuld krijgt, blijft open staan. De winst zit in het complexere werk dat je huidige team erbij kan nemen zodra het routinewerk sneller gaat. Ze zit ook in de kortere inwerktijd van de mensen die je wél binnenhaalt. Dat is per definitie ondersteunend werk.

De adoptiecijfers laten zien hoeveel ruimte er nog zit. In 2025 gebruikte 29,8 procent van de bedrijven met 10 tot 249 medewerkers minstens één AI-technologie, tegen 66,2 procent van de bedrijven met 250 of meer medewerkers. Nederland hoort tot de Europese kopgroep, met een fors verschil tussen groot en klein.

Er komt een juridische kant bij. De AI-verordening verplicht organisaties die AI-systemen inzetten sinds februari 2025 om te zorgen voor voldoende AI-geletterdheid bij de medewerkers die ermee werken. Wie zijn mensen serieus opleidt om met deze systemen om te gaan, voldoet aan die verplichting en bouwt tegelijk aan het vermogen om AI-output te beoordelen. Dat beoordelingsvermogen is de kern van elke ondersteunende inzet, dus die investering betaalt zich twee keer terug.

Vijf soorten AI-inzet en wat ze doen met de waarde van je mensen

Acemoglu, Autor en Johnson publiceerden in februari 2026 via The Hamilton Project een indeling die zich goed laat vertalen naar de directietafel. Zij onderscheiden vijf soorten technologie, ingedeeld naar wat elke soort doet met de waarde van menselijke kennis en vaardigheden.

1. Werk versterken. Mensen worden beter in wat ze al doen. Een eindredacteur die vóór het schrijven drie invalshoeken laat toetsen aan het eigen archief. Een bidmanager die binnen een half uur alle eerdere antwoorden op een terugkerende tendervraag naast elkaar heeft liggen. Het werk blijft van de mens, de kwaliteit gaat omhoog.

2. Machines beter maken. Systemen doen sneller of goedkoper wat ze al deden. Een betere zoekfunctie op je documentbeheer, snellere transcriptie, scherpere spamfiltering. Waardevol werk dat meestal onzichtbaar blijft voor de mensen die ermee werken.

3. Taken overnemen. Werk verschuift van mens naar systeem. Eerstelijns e-mailafhandeling, standaardoffertes, het samenvatten van vergaderingen. Deze categorie verlaagt de waarde van de expertise die voor die taak nodig was.

4. Expertise verbreden. Mensen doen werk waarvoor eerder een specialist nodig was. Een accountmanager die zelf een eerste contractcheck uitvoert. Een redacteur die zelf een dataset uitpluist. Deze categorie kan twee kanten op: hij maakt de een waardevoller en de ander overbodig, afhankelijk van wie je verbreedt en wat er met de specialist gebeurt.

5. Nieuw werk mogelijk maken. Taken die niemand deed omdat ze te duur waren. Elk artikel een eigen distributieplan. Elke lead een eigen propositie-analyse. Bij Voetbal International werkten we uit hoe je elk artikel zijn eigen marketeer geeft.

De onderzoekers zijn stellig over twee van de vijf. Nieuw werk mogelijk maken vergroot altijd de vraag naar menselijke kennis, omdat er zowel meer werk als gevarieerder werk ontstaat. Taken overnemen verkleint die vraag altijd. De andere drie kunnen beide kanten op vallen, afhankelijk van hoe je ze inricht.

Categorie 3 is daarmee geen verboden terrein. Sommig werk mag gewoon verdwijnen. De tijd die daardoor vrijkomt kan de andere vier categorieën voeden. Het gaat om de verhouding tussen de vijf. Daarbij hoort de vraag of je die verdeling bewust hebt gekozen. Automatisering levert in de praktijk vaak juist meer expertwerk op, mits je die rol belegt bij iemand.

Hoe de vijf categorieën uitpakken op een redactie en in een salesteam

De indeling wordt pas bruikbaar als je hem op je eigen werk legt. Twee uitwerkingen.

Op een redactie. Transcriptie en het genereren van sociale posts vallen in categorie 2 en 3. Ze leveren tijd op en veranderen weinig aan de waarde van de redacteur. De verschuiving zit in categorie 4 en 5. Een redacteur die zelf een dataset kan doorzoeken zonder een datajournalist in te schakelen, verbreedt zijn expertise. Een redactie die elk gepubliceerd stuk automatisch een distributieplan geeft, doet werk dat er eerder simpelweg bij inschoot. In beide gevallen wordt de redactionele beoordeling belangrijker, want iemand moet bepalen wat er klopt en wat er past bij de eigen stem.

In een salesteam. Het automatisch invullen van standaardvelden in een offerte is categorie 3. De doorbraak zit in het werk dat de bidmanager nu overslaat omdat de deadline te krap is: de analyse van waarom eerdere inschrijvingen bij deze opdrachtgever wel of niet werden gegund, de vergelijking met de drie concurrenten die altijd meedoen, de check op consistentie tussen wat je in het bidbook belooft en wat je operationeel waarmaakt. Dat is categorie 5. Het raakt de winkans, waar categorie 3 alleen de doorlooptijd raakt.

In beide voorbeelden geldt dezelfde verschuiving. De tijdwinst uit categorie 2 en 3 is het budget waarmee je categorie 4 en 5 financiert. Blijft die winst persoonlijk, dan verdampt hij voor de organisatie.

De waardetoets in drie vragen

De indeling vertelt je in welke categorie een initiatief valt. Drie vragen vertellen je of het oplevert wat je ervan hoopt. Wij leggen elk AI-initiatief in een klantproject langs deze drie.

Wordt de persoon die dit werk doet er meer waard door?

Stel de vraag concreet. Kan deze medewerker over drie maanden werk aan dat hij nu niet aankan? Kan de contentmanager na de zomer zelf analyseren welke artikelen verkeer opleveren? Kan de junior consultant zelfstandig een eerste versie van een adviesnota opleveren die de senior alleen nog hoeft aan te scherpen? Bij een ja is de expertise in je organisatie toegenomen. Bij een nee heb je vooral tijd verplaatst, wat prima kan zijn, zolang je weet dat dat is wat je koopt.

Waar landt de vrijgekomen tijd?

Tijdwinst wordt pas productiviteit als je vooraf bepaalt waar hij naartoe gaat. TNO onderzocht dat bij a.s.r., de Douane, HelloPrint en LINKIT en vond precies dat verschil tussen organisaties die die keuze wel maakten en organisaties die hem overlieten aan de waan van de dag. Wat je met vrijgekomen tijd doet, bepaalt of de AI-winst zichtbaar wordt. Zonder die keuze vult de tijd zich vanzelf met het werk dat toch al bleef liggen. In de cijfers zie je er dan niets van terug.

Wie bouwt hier ervaring op?

Beoordelingsvermogen ontstaat door werk zelf te doen en fouten terug te zien. Wanneer een systeem de eerste versie levert en een senior die controleert, verdwijnt de leerschool waarin die senior zelf is opgeleid. Dat is het mechanisme achter de dalende starterswerkgelegenheid in de Amerikaanse cijfers. Het is ook een vraag die je nu al kunt beantwoorden voor je eigen team: hoe richt je AI-gebruik in zodat juniors sneller én beter worden.

Leg je lopende AI-initiatieven langs de vijf categorieën

De toets werkt alleen als je hem toepast op wat er daadwerkelijk gebeurt in je organisatie. Zes stappen, uit te voeren in een middag met je MT.

1. Maak de lijst compleet. Alles wat draait, inclusief wat medewerkers zelf hebben aangezet zonder het te melden. In veel organisaties lopen twee AI-bewegingen naast elkaar. De onderste helft van die lijst is meestal de interessantste.

2. Zet achter elk initiatief één van de vijf categorieën. Twijfel je tussen twee, kies dan de categorie die het zwaarst weegt in het dagelijks gebruik.

3. Kijk naar de verdeling. Staat vrijwel alles in categorie 2 en 3, dan druk je op één knop. Dat kan een bewuste keuze zijn. Vaker is het de optelsom van losse aanschafbeslissingen.

4. Herontwerp één initiatief. Pak er één uit categorie 3 en vraag je af hoe dezelfde tijdwinst eruit zou zien als de medewerker er iets bij zou leren of iets nieuws mee zou kunnen doen.

5. Leg vooraf vast waar de vrijgekomen tijd landt en wie het resultaat beoordeelt. Dit is de stap die het vaakst wordt overgeslagen en die het verschil maakt tussen een pilot met een leuke demo en een werkproces dat blijft draaien.

6. Meet na drie maanden op werk dat eerder onhaalbaar was. Bespaarde uren zijn makkelijk te tellen en zeggen weinig. Nieuwe output die er zonder AI niet was geweest, zegt alles.

Waar wij op letten in klantprojecten

Wij beginnen bij het werkproces zoals het nu loopt, inclusief de omwegen die mensen hebben verzonnen om eromheen te werken. Daar zit meestal de informatie die in geen enkel procesdocument staat.

Het patroon dat we het vaakst tegenkomen: een organisatie schaft een tool aan die een deeltaak overneemt, de vrijgekomen tijd verdwijnt in het werk dat toch al bleef liggen. Na een half jaar kan niemand aanwijzen wat er beter is geworden. De projecten die blijven draaien zijn steevast de projecten waarin iemand in het team beter is geworden in zijn vak.

Er zit ook een inkoopkant aan. Standaardsoftware levert vooral categorie 2 en 3, want dat zijn de categorieën die zich in een productdemo laten verkopen. Categorie 1, 4 en 5 hangen af van hoe jouw werk in elkaar zit. Ze vragen daarom bijna altijd om iets dat op je eigen proces is aangesloten. Wanneer kopen volstaat en wanneer bouwen loont, werkten we eerder uit aan de hand van de gevoeligheid van je data.

Wat Acemoglu op landelijk niveau vraagt van belastingregels en mededingingsbeleid, kun jij binnen je eigen organisatie in een middag beslissen. Dat is het optimistische deel van zijn verhaal, ook al brengt hij het zelf met een zucht.

We schreven vaker over wat AI doet met werk en werkgelegenheid. Bekijk alle artikelen over de arbeidsmarkt.

Kijk eens naar de AI-initiatieven die op dit moment in je organisatie lopen. Welke van de vijf categorieën is oververtegenwoordigd? Heb je die verdeling gekozen of is hij ontstaan? Wij lopen zo'n lijst graag een keer met je door. Plan een kennismaking in.