Iedereen heeft het over de tijd die AI bespaart. Veel minder hoor je wat we met die tijd gaan doen.
In gesprekken over AI gaat het al snel over tools, trainingen en welke taken we kunnen automatiseren. Twee vragen krijgen veel minder aandacht: wat willen we hiermee bereiken, en waarvoor gaan we de tijd gebruiken die vrijkomt?
Stel dat medewerkers straks een dag per week minder administratie hebben. Wat staat er dan voor die dag op de planning? Meer klanten helpen? Beter advies geven? Nieuwe diensten ontwikkelen? Eindelijk tijd om bij te leren? Of wordt die dag alvast als personeelsbesparing ingeboekt?
Zolang daar geen antwoord op is, blijft onduidelijk waarvoor iedereen sneller moet werken.
Een moderne typemachine is nog geen groeiplan
Een mail schrijven, een vergadering samenvatten en een presentatie maken: AI kan daar tijd besparen. Alleen heeft een klant weinig aan een sneller geschreven mail waarin staat dat hij nog een week op een besluit moet wachten.
Daarvoor moet je weten waarom die klant wacht. Ontbreekt informatie? Moeten drie mensen goedkeuring geven? Is er iemand verantwoordelijk voor de hele aanvraag? Als die afspraken hetzelfde blijven, kun je veel tijd besparen zonder dat de dienstverlening merkbaar verbetert.
Het doel moet daarom concreter zijn dan “meer met AI doen”. Bijvoorbeeld: een klant binnen één werkdag een onderbouwd voorstel sturen.
Dan kun je onderzoeken welke informatie, beslissingen en controles daarvoor nodig zijn. Misschien kan AI een deel daarvan uitvoeren. Misschien levert het schrappen van een overbodige goedkeuringsronde meer op.
Ook kosten verlagen kan een doel zijn. Maar welke klanten kun je nu niet helpen? Welke opdrachten laat je liggen? Welke dienst zou je kunnen aanbieden als medewerkers daar tijd voor hadden? Wie alleen naar personeelskosten kijkt, laat die mogelijkheden buiten de berekening.
Dezelfde toegang tot AI, andere resultaten
Een onderzoek van INSEAD en Harvard laat zien waarom gericht zoeken naar toepassingen ertoe doet. Bij 515 start-ups kregen beide groepen dezelfde toegang tot AI-tools, credits en technische training. Een door loting samengestelde groep kreeg daarnaast gerichte voorbeelden en begeleiding rond het anders organiseren van werk met AI.
Die groep vond 44% meer AI-toepassingen. De kans op betalende klanten lag 18% hoger.
De onderzoekers rapporteerden een geschat omzeteffect van 1,9 keer en een 39,5% lagere voorgenomen vraag naar extern kapitaal. Dat laatste betekent dus niet dat de kosten met bijna 40% daalden.
Het omzeteffect is statistisch minder stevig onderbouwd dan sommige andere resultaten. Bovendien gaat het om een working paper, kortetermijnmetingen en jonge bedrijven. Het is geen belofte dat een gevestigde onderneming met dezelfde aanpak haar omzet bijna verdubbelt. [1]
Wel geeft het aanleiding om verder te kijken dan het uitdelen van licenties. Medewerkers moeten kunnen onderzoeken waar AI bruikbaar is en welke aanpassingen nodig zijn om daar iets aan te hebben. Een cursus geeft nog geen antwoord op de vraag welke klant je morgen beter wilt helpen.
Vrije minuten vormen nog geen vrije werkdag
Stel dat tien medewerkers ieder vier uur per week besparen. Op papier heb je veertig uur gewonnen. Dat lijkt op één volledige werkweek.
Alleen liggen die uren verspreid over tien mensen, verschillende taken en verschillende momenten. Daarmee heb je nog geen bezetting die een extra klantgroep kan bedienen. En ook geen functie die zomaar kan verdwijnen. Misschien is de tijd nodig om pieken op te vangen. Misschien moet werk opnieuw worden verdeeld voordat iemand een nieuwe taak kan oppakken.
Neem een adviseur die minder tijd kwijt is aan het uitzoeken en vastleggen van informatie. Als er een wachtlijst met klanten is, kan die tijd helpen om meer afspraken in te plannen. Zijn er onvoldoende nieuwe aanvragen, dan ontstaat die groei niet vanzelf.
De tijd kan ook worden gebruikt voor betere begeleiding van bestaande klanten of het ontwikkelen van een nieuwe dienst. Daar zijn andere afspraken voor nodig.
De keuze moet dus verder gaan dan “de medewerker krijgt tijd voor waardevoller werk”. Welk werk precies? Wie heeft daar behoefte aan? Is de medewerker ervoor toegerust? En welk bestaand doel of welke afspraak verandert mee?
Als de verwachting is dat medewerkers gaan leren, moet daar ruimte voor blijven.
Je kunt dezelfde vier uur niet volledig inzetten voor extra klanten én voor scholing én als kostenbesparing opvoeren.
De klant doet zaken met één bedrijf
Die keuzes raken ook de samenwerking tussen afdelingen. Stel dat verkoop met AI in tien minuten een offerte opstelt. Finance controleert daarna de marge, operations beoordeelt de planning en een manager geeft akkoord.
Iedereen werkt sneller. De offerte ligt nog steeds dagen te wachten.
McKinsey beschrijft de kosten van afstemming en overdracht als een ‘coordination tax’. Informatie verzamelen, verschillen uitzoeken en wachten op een beslissing kunnen de opbrengst van snellere afzonderlijke taken beperken. [2]
Als het doel is om dezelfde dag een voorstel te sturen, moet je de hele route bekijken. Welke informatie heeft verkoop meteen nodig? Kan operations de beschikbare capaciteit eerder zichtbaar maken? Binnen welke marges mag een medewerker zelf beslissen?
AI kan helpen gegevens te verzamelen en afwijkingen te signaleren. De organisatie moet bepalen welke grenzen gelden, wanneer een controle nodig is en wie verantwoordelijk is voor het resultaat.
Anders verstuur je sneller een voorstel met een prijs waar finance van schrikt en een leverdatum die operations niet kan halen.
Ook de doelen moeten bij elkaar passen. Als verkoop wordt beloond voor veel offertes en operations voor zo min mogelijk verstoringen, kunnen beide afdelingen hun doelen halen terwijl de klant niets opschiet.
De klant zou niet hoeven merken hoeveel afdelingen het bedrijf heeft.
Wat komt er werkelijk van terecht?
Een duidelijk doel maakt meten eenvoudiger. Bij de offerte gaat het om de tijd tot een bruikbaar voorstel, de juistheid van prijs en levering en eventueel het aantal aanvragen dat je aankunt. De schrijftijd is daar maar één onderdeel van.
Hetzelfde geldt voor een klantenservice. Twee keer zo snel antwoorden schrijven levert weinig op als klanten daarna vaker terugbellen. De medewerker was sneller klaar, maar de klant moest opnieuw beginnen. Dan is een deel van het werk verplaatst naar het volgende gesprek.
Meet daarom eerst hoe het nu gaat. Vergelijk na de verandering hetzelfde soort werk, inclusief controle, correcties en vervolgvragen. Tel de kosten van software, invoering en beheer mee. Een rustige week met eenvoudige vragen zegt weinig over ingewikkelde dossiers tijdens een piek.
Kijk ook naar wat medewerkers merken. Minder overwerk of ruimte om een klant goed te helpen kan op zichzelf waardevol zijn. Dat hoeft geen omzetstijging te worden om als resultaat te tellen. Maar als uren aan betere service worden besteed, zijn het geen loonkosten die je hebt bespaard.
Een overzicht van prompts en actieve gebruikers laat zien of mensen AI gebruiken. Het vertelt niet of de klant beter geholpen is.
Meer verantwoordelijkheid vraagt tijd om te leren
Als AI de uitvoering verandert, moet je opnieuw bekijken wat mensen mogen en moeten beslissen. Een medewerker die zelfstandig een analyse en voorstel kan maken, schiet weinig op als iedere stap nog langs dezelfde drie goedkeurders moet.
BCG interviewde leiders bij 50 AI-voorlopers. Bij bijna twee derde waren procedurele controles en goedkeuringen sterk verminderd.
Het gaat om geselecteerde bedrijven en kwalitatief onderzoek, geen recept dat overal hetzelfde resultaat geeft. Het laat wel zien dat invoering van AI kan samengaan met andere afspraken over zelfstandigheid. [3]
“De mens blijft verantwoordelijk” is daarvoor onvoldoende. Welke mens? Heeft die de kennis en tijd om de uitkomst te beoordelen? Mag diegene het proces stilzetten? En is er iemand beschikbaar als de situatie afwijkt?
Voor juniors is dit extra belangrijk. Als AI de eerste analyse maakt, moeten zij leren herkennen wat eraan ontbreekt. Dat vraagt oefening, feedback en gesprekken over fouten. Alleen op akkoord klikken levert die ervaring niet op.
Begeleiding moet dus onderdeel van het werk worden, met tijd voor zowel de junior als de ervaren collega.
Daar hoort een gesprek met medewerkers bij. Wie hen vraagt mee te denken over wat AI kan overnemen, moet ook uitleggen wat er daarna gebeurt. Extra productie, ander werk, scholing of minder werkdruk zijn verschillende keuzes.
Bij NN zijn bijvoorbeeld afspraken gemaakt over AI-opleidingen onder werktijd en onderzoek naar winstdeling en een kortere werkweek in relatie tot AI.
Dat zijn afspraken om mogelijkheden te onderzoeken, geen bewijs dat de werkweek al is verkort. [4] Het voorbeeld laat zien dat je de besteding van mogelijke opbrengsten vooraf bespreekbaar kunt maken.
De volgende vacature begint bij het nieuwe werk
Uiteindelijk komen die keuzes terecht in functieprofielen, beoordeling en recruitment. Stel dat een financieel medewerker minder rapportages samenstelt en meer tijd besteedt aan het beoordelen van afwijkingen en adviseren van managers. De titel kan gelijk blijven, terwijl de verantwoordelijkheid verandert.
Meer output maakt een functie niet automatisch zwaarder. Andere beslissingen of grotere verantwoordelijkheid kunnen wel aanleiding zijn om opnieuw naar de functie-inhoud en waardering te kijken. Een functiehuis helpt alleen als het nog beschrijft wat mensen werkelijk doen.
Bij een vertrek moet daarom eerst duidelijk worden welk werk je wilt terughalen. Welke taken ondersteunt AI? Wat kunnen collega’s leren? Welke expertise ontbreekt vervolgens nog? Pas daarna heeft het zin de vacature te schrijven.
Neem een Data Engineer. Als AI helpt code te schrijven, blijft kennis nodig om de logica, veiligheid en onderhoudbaarheid te beoordelen. Hoeveel tijd naar bouwen, controleren en overleggen gaat, hangt af van de toepassing en de organisatie. Dat moet in het profiel terugkomen.
Alleen “affiniteit met AI” toevoegen aan de oude vacature is onvoldoende.
Wat je met de gewonnen tijd wilt doen, bepaalt dus mede welke mensen je nodig hebt. Die keuze hoort aan het begin van het AI-plan te staan. Anders werf je straks opnieuw voor het werk dat je net probeerde te veranderen.
Als je met AI alleen je personeelsbestand kleiner maakt, moet je niet verbaasd zijn als je concurrent er zijn klantenbestand mee vergroot.
Met mijn AI Impact Analyse breng ik in kaart welke taken in jouw team veranderen, welk werk erbij komt en welke mensen je daarvoor nodig hebt. Stuur me een bericht om dat concreet te maken.
Bronnen
1. Kim, Kim & Koning (2026), Mapping AI into Production: A Field Experiment on Firm Performance, working paper, 30 maart 2026. Bekijk bron
2. McKinsey (2026), Cutting the coordination tax: How agentic AI can reshape workflows, 18 september 2026. Bekijk bron
3. BCG (2026), How Companies Use AI to Redesign How Work Gets Done. Bekijk bron
4. Ministerie van SZW (2026), Trends in cao-akkoorden voorjaar 2026, p. 30. Bekijk bron