Blog
De kracht van AI zit niet alleen in AI. Maar in hoe je het werk eromheen organiseert.
Een wetenschappelijk veldexperiment van INSEAD en Harvard onder 515 start-ups laat dat zien. Tijdens een programma van 10 weken kregen alle deelnemers dezelfde toegang tot AI.
De groep die daarnaast voorbeelden kreeg van hoe andere bedrijven hun werk rond AI hadden ingericht, realiseerde bijna twee keer zoveel omzet als de controlegroep.
Als er in zo’n korte periode al zulke verschillen ontstaan, wat kunnen de effecten dan op langere termijn zijn?
Dezelfde technologie, andere resultaten
Alle deelnemers kregen toegang tot AI-modellen, gebruikstegoed en technische training. De onderzoekers verdeelden de bedrijven willekeurig over twee groepen. De ene groep kreeg praktijkvoorbeelden van bedrijven die hun processen, teams en verdienmodel rond AI hadden georganiseerd. De andere volgde algemene workshops over ondernemerschap.
De groep die de praktijkvoorbeelden had gezien, ontdekte 44% meer AI-toepassingen, vooral bij productontwikkeling en strategie. Deze bedrijven rondden 12% meer taken af en hadden 18% meer kans om betalende klanten binnen te halen. Naast de hogere omzet lag hun vraag naar extern kapitaal 39,5% lager. Hun vraag naar personeel bleef gelijk.
De grootste omzetwinsten zaten bij de best presterende bedrijven. Niet iedere start-up verdubbelde dus zijn omzet. Ook weten we op basis van dit experiment nog niet of het verschil op langere termijn aanhoudt of verder groeit.
De onderzoekers noemen het de mapping problem: ontdekken waar en hoe AI waarde toevoegt binnen je bedrijf. De voorbeelden hielpen ondernemers om toepassingen te vinden waar ze zelf nog niet aan hadden gedacht.
Voor een bestaande Nederlandse organisatie komt daar iets bij. Als duidelijk wordt waar AI het werk kan veranderen, moeten mensen dat andere werk ook kunnen en mogen gaan doen. Dan krijg je te maken met functieprofielen, bevoegdheden, salarisschalen en afspraken over scholing.
Nederland heeft die productiviteitsgroei nodig
Volgens het CBS groeide de Nederlandse arbeidsproductiviteit in het afgelopen decennium gemiddeld met 0,3% per jaar. In de periode 1996–2005 was dat nog 1,7%. In 2025 was er een duidelijke opleving, maar over een langere periode blijft de groei laag.
Tegelijkertijd verandert door vergrijzing de verhouding tussen werkenden en niet-werkenden. Daarmee wordt onze welvaart sterker afhankelijk van wat we per gewerkt uur kunnen realiseren. Het CBS beschreef dat verband al in zijn onderzoek naar vergrijzing en de Nederlandse economie.
Steeds meer mensen aannemen is daardoor geen houdbaar antwoord op iedere groeiende personeelsbehoefte. We zullen ook moeten onderzoeken hoeveel tijd opgaat aan werk dat anders kan.
McKinsey schat dat in tien onderzochte Europese landen, waaronder Nederland, 58% van de huidige gewerkte uren met bestaande technologie geautomatiseerd zou kunnen worden: 44% door AI-agents en 14% door robots. Dit gaat over technische mogelijkheden, niet over voorspeld banenverlies.
Die 58% is gebaseerd op wat met de huidige technologie technisch mogelijk is. Naarmate AI en robots beter worden, zal waarschijnlijk ook een groter deel van de gewerkte uren technisch automatiseerbaar worden. Hoe snel en hoeveel dat percentage stijgt, weten we nog niet.
Hoeveel daarvan daadwerkelijk wordt geautomatiseerd, hangt ook af van kosten, betrouwbaarheid, regelgeving en de keuzes van organisaties. Maar wie nu nadenkt over het werk van de komende jaren, kan er dus niet van uitgaan dat de technische mogelijkheden bij die 58% stoppen.
Je kunt dat percentage niet rechtstreeks vertalen naar een personeelsreductie. Je kunt er wel aanleiding in zien om bestaande takenpakketten opnieuw te bekijken. Welk werk hoeft straks minder tijd te kosten? Welke dienstverlening kunnen we daardoor uitbreiden? En wat moeten medewerkers leren om dat mogelijk te maken?
Het INSEAD-onderzoek lost het Nederlandse personeelstekort niet op. Het laat wel zien hoeveel verschil het kan maken wanneer bedrijven gericht onderzoeken waar AI bruikbaar is.
AI verandert taken. Wij hebben functies afgesproken
Bij een start-up kunnen oprichters relatief snel besluiten om werkzaamheden anders te verdelen. In een bestaande organisatie hangen aan die werkzaamheden functieprofielen, salarisschalen, bevoegdheden en loopbaanpaden.
Dat zijn afspraken waar mensen op moeten kunnen vertrouwen. Ze bepalen welk werk iemand doet, welke verantwoordelijkheid daarbij hoort en hoe dat werk wordt gewaardeerd.
AI kan de inhoud van zo’n functie veranderen zonder dat de functietitel verandert.
Een medewerker die aanvragen verwerkt, kan bijvoorbeeld minder tijd kwijt zijn aan het verzamelen en controleren van gegevens. Wat overblijft, zijn juist de afwijkende aanvragen, twijfelgevallen en gesprekken met mensen voor wie de standaardprocedure niet werkt.
Op papier doet die medewerker misschien nog hetzelfde werk. In de praktijk vraagt het meer beoordelingsvermogen en draagt hij mogelijk meer verantwoordelijkheid. Minder handelingen betekent dan niet automatisch een lichtere functie.
Daarbij moet je ook kijken hoe nieuwe medewerkers het vak leren. Gegevens verzamelen en eenvoudige aanvragen behandelen zijn vaak de werkzaamheden waarmee junioren ervaring opdoen. Als AI die overneemt, moet je andere manieren organiseren om onder begeleiding te oefenen en beoordelingsvermogen op te bouwen.
Ook tussen functies kunnen taken verschuiven. Als een medewerker met AI zelf analyses kan uitvoeren waarvoor eerst een specialist nodig was, verandert de samenwerking. Wanneer moet die specialist nog meekijken? Wie beoordeelt de kwaliteit? Wie neemt het besluit als de uitkomsten elkaar tegenspreken?
Een cursus AI-gebruik geeft daar geen antwoord op. Je moet opnieuw afspreken hoe het werk wordt verdeeld en wie waarvoor verantwoordelijk is. Daarna volgen de gevolgen voor functiewaardering, opleiding en beloning.
De cao hoeft niet op iedere nieuwe tool te wachten
Onderzoek van Tilburg University laat zien dat expliciete AI-afspraken in cao’s nog in ontwikkeling zijn. In 2024 en begin 2025 kwamen zulke bepalingen voor in de creatieve en financiële sector. Daarnaast bestaan er bredere afspraken over technologische verandering, scholing, beoordeling en informatievoorziening die ook voor AI relevant zijn.
Je hoeft dus niet vanaf nul te beginnen. Wel moet je bekijken of bestaande afspraken passen bij werk dat voortdurend verandert.
Een cao hoeft niet vast te leggen welke AI-tool een medewerker gebruikt. Je kunt wel afspreken hoe werkgevers en werknemers onderzoeken welke taken veranderen. Wanneer een functie opnieuw wordt beoordeeld. Hoeveel tijd beschikbaar is voor scholing. En welke mogelijkheden iemand krijgt als een deel van zijn werk verdwijnt.
Daar hoort ook de verdeling van de opbrengst bij. Als met dezelfde mensen meer werk kan worden gedaan, zijn er keuzes te maken. Groei, betere dienstverlening, minder werkdruk, hogere beloning of lagere kosten. Het maakt voor medewerkers nogal uit welke keuze de werkgever maakt.
Wie medewerkers vraagt mee te helpen hun werk efficiënter te maken, moet bereid zijn dat gesprek te voeren. Het is moeilijk om openheid te verwachten over automatiseerbare taken als mensen vermoeden dat hun eerlijkheid vooral hun eigen baan in gevaar brengt.
Betrek de OR voordat het plan af is
Bij belangrijke technologische of organisatorische veranderingen kan de ondernemingsraad adviesrecht hebben. Bij regelingen voor bijvoorbeeld personeelsbeoordeling of het volgen van medewerkers kan instemmingsrecht spelen. Welke rechten van toepassing zijn, hangt af van het concrete besluit en de omstandigheden.
Ook de Europese AI-verordening raakt het functieontwerp. Bepaalde toepassingen voor werving, personeelsbeoordeling en taakverdeling vallen onder de hoogrisicoregels. Die voorzien in menselijk toezicht door mensen met voldoende kennis en bevoegdheden om in te grijpen. Ook dat werk moet je ergens beleggen.
Dat maakt vroeg overleg belangrijk. Als de leverancier al gekozen is, de besparing ingeboekt en de nieuwe organisatie uitgetekend, valt er weinig meer gezamenlijk te onderzoeken.
De SER adviseert werkgevers en werknemers juist om samen te bepalen welke AI-toepassingen waarde kunnen toevoegen en wat daarvoor nodig is. Daarbij horen de gevolgen voor klanten, werkprocessen, vaardigheden en de kwaliteit van het werk.
Medewerkers weten welke uitzonderingen dagelijks voorkomen en waarom bepaalde controles bestaan. Een toepassing die in een demonstratie overtuigt, kan in de praktijk extra herstelwerk veroorzaken. Andersom kunnen medewerkers kansen zien die een leverancier of directie mist.
Geef de OR daarom ook de informatie, tijd en kennis om mee te denken. Anders vraag je mensen een oordeel te vormen over veranderingen waarvan ze de werking en gevolgen nauwelijks kunnen beoordelen.
Afspraken kunnen verandering ook mogelijk maken
Functiehuizen, cao’s en medezeggenschap worden in discussies over vernieuwing gemakkelijk als vertragend gezien. Ze kunnen inderdaad in de weg zitten wanneer iedere wijziging moet passen in een functieomschrijving die jaren geleden is gemaakt.
Maar duidelijke afspraken kunnen mensen ook ruimte geven om mee te bewegen.
Als medewerkers weten dat er tijd is om nieuw werk te leren, dat veranderende verantwoordelijkheden worden beoordeeld en dat er begeleiding is wanneer taken verdwijnen, wordt het makkelijker om serieus te onderzoeken wat anders kan.
Er kunnen nog steeds moeilijke keuzes nodig zijn. Een organisatie kan tot de conclusie komen dat zij minder mensen nodig heeft of andere kennis moet aantrekken. Juist dan wil je vooraf hebben besproken hoe je daarmee omgaat.
Je kunt bovendien afspreken om veranderingen regelmatig te beoordelen. Wat blijkt er na zes maanden daadwerkelijk te zijn veranderd? Is de werkdruk afgenomen of juist toegenomen? Welke kennis ontbreekt? En passen de functieprofielen nog bij het werk?
Daarmee maak je ruimte om ervaringen te verwerken in nieuwe afspraken, zonder voor iedere aanpassing het hele functiehuis opnieuw te moeten ontwerpen.
Van experiment naar ander werk
Begin bij een proces waarin AI verschil kan maken en onderzoek het samen met de betrokken medewerkers. Kijk over afdelingsgrenzen heen. Leg vast welke taken veranderen, waar menselijke beoordeling nodig blijft en wat je met de vrijgekomen tijd wilt bereiken.
Bij gevestigde organisaties moet je bovendien rekening houden met bestaande IT-systemen en verspreide of onvolledige gegevens. Soms vraagt het koppelen van systemen en bruikbaar maken van data eerst een flinke investering, voordat je de werkwijze kunt aanpassen.
Beoordeel vervolgens de uitkomst voor de organisatie én voor de mensen die het werk doen. Een sneller proces dat elders meer fouten of werkdruk veroorzaakt, is nog geen verbetering.
Gebruik die ervaringen om functieprofielen, scholing en afspraken aan te passen. Wat je in één team leert, kan ook bruikbaar zijn voor andere afdelingen of voor afspraken op cao-niveau.
De start-ups in het INSEAD-onderzoek werden geholpen om mogelijkheden te zien die ze eerder over het hoofd zagen. Voor gevestigde organisaties volgt daarna het werk om die mogelijkheden ook uitvoerbaar te maken.
Zolang het takenpakket verandert maar de beoordeling, salarisschaal en opleiding op het oude werk blijven aansluiten, moet de medewerker zelf uitzoeken hoe hij aan de nieuwe verwachtingen kan voldoen.
Een AI-licentie is snel geregeld. Het werk opnieuw organiseren vraagt besluiten over mensen, verantwoordelijkheden en geld. Die horen vanaf het begin in hetzelfde plan.