Niet sneller — maar wijzer
Over AI, de adoptie-illusie en wat we eigenlijk zouden moeten meten
AI verandert drie dingen tegelijk: het werk, de professional en de organisatie. De meeste organisaties meten alleen het eerste. Dit artikel gaat over alle drie — en over wat er verloren gaat als je de andere twee negeert.
De adoptie-illusie
Bijna elke organisatie die ik spreek, gebruikt inmiddels AI. Bijna geen enkele weet of ze het ook goed doet. Niet efficiënter. Niet sneller. Goed.
Wat me opvalt — in ziekenhuizen, bij beleidsorganisaties, op HR-afdelingen — is steeds hetzelfde patroon. Adoptie is hoog. Kritische evaluatie van de output blijft ver achter. Veel professionals gebruiken de tools. Een veel kleiner deel stelt wat eruit komt ook echt ter discussie.
Die kloof noem ik de adoptie-illusie. Hoe groter het gebruik zonder kritisch oordeel, hoe groter het risico. AI helpt dan niet meer — het vervangt ongemerkt het oordeel van mensen die het eigenlijk beter weten.
Maar wat me de afgelopen jaren steeds meer is gaan opvallen: de adoptie-illusie is geen meetprobleem. Het is een denkprobleem. Organisaties meten wat er makkelijk te meten valt — gebruik, tijdwinst, foutmarge — en noemen dat succes. Maar AI verandert niet één ding. Het verandert drie dingen tegelijk.
Het verandert het werk: welke taken verdwijnen, veranderen of worden versneld. Het verandert de professional: wat er gebeurt met oordeel, vakmanschap, autonomie en zelfbeeld. En het verandert de organisatie: welke normen, werkdruk, verantwoordelijkheden en machtsverhoudingen ontstaan daardoor.
De meeste organisaties meten de eerste. Verantwoorde AI vraagt dat je alle drie meet. Dit artikel laat zien hoe.
Als je alleen meet wat makkelijk meetbaar is, organiseer je precies dat gedrag.
De identiteitsvraag die iedereen overslaat
AI-adoptietrajecten worden bijna altijd ingericht als een skills-probleem. Leer mensen de tool, organiseer een training, wijs een paar early adopters aan, en de rest volgt vanzelf. Wat organisaties daarbij overslaan, is een vraag die fundamenteler is dan welke competentie ook: wie ben jij nog in dit nieuwe werk?
Een rol kunnen uitvoeren is namelijk iets anders dan je erin herkennen. Iemand die zijn hele vakmanschap heeft opgebouwd rond zelf beoordelen, zelf doorgronden, zelf verantwoorden, wordt niet enthousiast van een functie waarin hij vooral controleert wat een algoritme al heeft beslist. Niet omdat hij het niet zou kunnen leren. Maar omdat het niet meer is wie hij dacht te zijn.
Econoom Daniel Susskind beschrijft iets vergelijkbaars op macroniveau: in Zuid-Korea is zestig procent van de werklozen hoogopgeleid — drie keer zoveel als in het Verenigd Koninkrijk. Er zijn banen genoeg. Maar niet voor wat deze mensen, na een moordend onderwijstraject, willen zijn. Het is geen vaardigheidsprobleem. Het is een identiteitsprobleem.
Datzelfde patroon speelt nu binnen organisaties. Je kunt gebruikscijfers laten stijgen zonder ooit te vragen of iemand zich nog herkent in het werk dat overblijft.
Twee reflexen — en een keuze
Achter elk AI-initiatief schuilt een impliciete keuze. Je kunt AI inzetten om de dingen sneller te doen. Of om de goede dingen te doen. Beide zijn nodig. Maar zonder bewust tegenwicht wint bijna altijd het eerste.
Dat is geen kwestie van slechte bedoelingen. Technologie versnelt wat er al is. Als snelheid de norm wordt, verschuift zorgvuldigheid naar de achtergrond. Als systemen leidend worden, verschuift verantwoordelijkheid. Als output centraal staat, raakt betekenis uit beeld.
Precies daarom is een instrument dat dit bewaakt geen technisch controlemiddel. Het is een manier om de morele ruimte van professionals te beschermen — de ruimte om te twijfelen, af te wijken, en verantwoording te nemen.
Vier niveaus: van symptoom naar betekenis
Om AI verantwoord te beoordelen, moeten we anders meten. Ik gebruik daarvoor een model met vier niveaus — van direct zichtbare output tot de diepere vraag of we eigenlijk nog het goede doen. De meeste organisaties blijven hangen op het eerste niveau. De interessante vragen zitten daarboven.
1. Operationeel — wat gebeurt er?
Werkt het systeem? Hoe vaak zitten er fouten in? Hoeveel tijd besparen we? Dit is wat organisaties al meten — en terecht. Maar een lage foutmarge garandeert niets als tegelijk het kritisch oordeel verdwijnt. Let ook op wat ik workslop noem: AI-output van onvoldoende kwaliteit die handmatige correctie vereist, waardoor de beloofde tijdwinst alsnog wegvloeit.
2. Tactisch — blijft het professioneel oordeel overeind?
Wijken mensen nog af van AI-advies? Durven ze te corrigeren? Waar gaat tijdwinst eigenlijk naartoe? Dit is waar de eerste sluipende risico's ontstaan. Bij twijfelgevallen gaan professionals juist minder op hun eigen oordeel af — precies waar dat het meest nodig is. En de tijdwinst die AI oplevert, wordt zelden omgezet in ruimte. Ze verdampt in meer taken.
3. Strategisch — wat bouwen we op, of af?
Ontwikkelen professionals zich nog? Blijft er ruimte om het vak te leren? AI neemt routinetaken over — maar dat zijn juist de taken waarmee mensen hun vak leren. Wat vandaag efficiënt lijkt, is morgen misschien een sluipend tekort aan expertise dat zich pas openbaart als het systeem faalt.
4. Normatief — doen we nog het goede?
Dit niveau wordt het minst gemeten en is tegelijk het belangrijkste. Draagt AI bij aan rechtvaardigheid? Blijft professioneel oordeel leidend? Ik zie in de praktijk dat professionals soms precies weten wat de juiste beslissing is, maar geen ruimte voelen om die te nemen — omdat het systeem of de organisatiedruk dat verhindert. Dat is de sterkste verborgen voorspeller van uitstroom die ik ken.
Hoe mensen werkelijk reageren op AI
Wat ik in de praktijk zie, is dat mensen niet uniform reageren op AI. De manier waaróp ze reageren, bepaalt of AI-adoptie iets versterkt of juist ondermijnt — en dat verschil zit niet in de mensen zelf, maar in de structuur die hen omgeeft.
Onderzoek onder medewerkers in banken, recruitment en biotechnologie bevestigt dit patroon en maakt het concreet zichtbaar in drie typen reacties:
Maskeren — een Duitse bank
Kredietverstrekkers kregen een AI-systeem dat leningen volledig automatisch afwees of goedkeurde, met summiere technische uitleg die vaak niet aansloot bij hun vakkennis. In plaats van hun verwarring toe te geven, maskeerden ze het systeem: ze gaven klanten vertrouwde, plausibele verklaringen die niets met de echte AI-logica te maken hadden. Klanten voelden de onzekerheid aan, verloren vertrouwen, en sommigen stapten over naar een concurrent.
Omarmen — een internationaal consumentenbedrijf
Recruiters omarmden een nieuw AI-selectie-instrument om hun positie tegenover kritische hiring managers te versterken. Naarmate het systeem zelfstandiger ging ogen, werd hun eigen bijdrage onzichtbaar. Hun expertise bleef essentieel, maar kreeg geen erkenning meer.
Aanvullen — een biotechbedrijf
Zaadexperts kregen toegang tot de onderliggende data van een AI-sorteersysteem, wekelijks contact met de ontwikkelaars, en een eigen lab om patronen te bestuderen. Zij bouwden nieuwe, zichtbare expertise op: niet het maken van de beslissing, maar het betekenisvol maken ervan.
Het verschil zat niet in de mensen. Het zat in de structuur: kregen medewerkers toegang, tijd en een leerloop, of niet? Dat is precies waarom je niet alleen moet meten óf AI wordt gebruikt — maar of er een plek is waar mensen kunnen leren, twijfelen en corrigeren.
Slow AI, en wat AI met je karakter doet
Wat ik steeds meer zie — en wat me het meest zorgen baart — is dat AI niet alleen taken verandert. Het verandert de eigenschappen waarmee mensen beslissen: empathie, verantwoordelijkheidsgevoel, kritisch denken, vertrouwen in het eigen oordeel.
Onderzoek bij professionals in de zorg en het leger, mensen voor wie een verkeerde beslissing een ramp is in plaats van een ongemak, laat zien hoe dit werkt. Vijf mechanismen spelen daarin een rol:
Het instrument legt een laag tussen jou en waar je over beslist — een patiënt wordt een risicopercentage.
De situatie komt al opgeruimd binnen, in cijfers en categorieën. Je redeneert over een dashboard, niet over de werkelijkheid.
Hoe vaker het systeem gelijk heeft, hoe kleiner je eigen vertrouwen wordt — tot je stopt met tegenspreken.
Er is nu een systeem in de kamer om te raadplegen, mee eens te zijn, of de schuld te geven. Het gewicht van een keuze verspreidt zich.
Zolang er een systeem in de lus zit, is er altijd iets anders om verantwoordelijk voor te houden. Verantwoordelijkheid verdwijnt niet — ze voelt alleen niet meer van jou.
Geen van deze vijf voelt dramatisch op het moment zelf. Er is geen instant waarop je jezelf voelt veranderen. Alleen een langzame verschuiving, één gemakkelijke beslissing per keer. Dat is precies wat de adoptie-illusie zo lastig te herkennen maakt: het dashboard kan groen blijven terwijl dit onderhuids gebeurt.
De Schotse onderzoeker Sam Illingworth noemt de houding die hier tegenover staat Slow AI: weten wanneer je AI gebruikt, en wanneer je het gewoon met rust laat. Dat klinkt eenvoudig. Maar het vraagt iets wat in versnellende organisaties steeds zeldzamer wordt — bewuste keuze.
Recent onderzoek onder ontwikkelaars die een nieuwe programmeertaal leerden, deels met AI en deels zonder, maakt scherp zichtbaar wat er op het spel staat. De groep met AI scoorde gemiddeld zeventien procent lager op begrip. Maar er waren drie manieren van werken waarbij dit verschil verdween: AI alleen voor conceptuele vragen gebruiken en zelf blijven coderen; AI als tutor behandelen in plaats van als opdrachtnemer; en AI-output pas overnemen op het moment dat je zelf begrijpt waarom het klopt. Wat deze drie gemeen hebben: de cognitieve inspanning bleef bij de mens. Wie alles direct overliet aan AI, was het snelst — en leerde het minst.
Zou ik dit, de volgende keer, ook zonder AI kunnen?
Die vraag kun je jezelf stellen. Je kunt hem ook als organisatie stellen. Is het antwoord nee, dan heb je AI gebruikt om leren te vermijden.
Wat AI werkelijk verandert
De kern van wat ik probeer te benoemen is dit: AI verandert niet alleen wat we doen. Het verandert wat we als goed werk gaan zien.
Als systemen altijd kloppen, verleren we hoe we zelf betekenis geven aan complexe situaties. Als snelheid de maatstaf wordt, verdwijnt zorgvuldigheid geleidelijk uit het beeld — niet als beslissing, maar als vanzelfsprekendheid. En wat het systeem als normaal markeert, wordt gaandeweg de norm. Dat is geen dystopisch scenario. Het is een beschrijving van iets dat ik in de praktijk zie gebeuren.
Precies daarom is dit geen technisch vraagstuk. Het is een vraagstuk van organisatieontwikkeling, van professionaliteit en van persoonsvorming. En precies daarom is een dashboard dat alleen gebruik meet, onvoldoende.
Wat dit er in de praktijk uitziet
In HR-afdelingen, beleidsorganisaties en uitvoeringsinstanties zie ik telkens dezelfde patronen, onder andere namen.
Een HR-professional die tegen een AI-selectiescore in wil gaan, maar daarvoor geen ruimte voelt. Een beleidsmedewerker die twijfelt aan een modeluitkomst, maar geen taal heeft om dat te benoemen. Een advies dat zonder tegenspraak wordt overgenomen — niet omdat iedereen het ermee eens is, maar omdat het model het ook zegt. Een verzuimanalyse die als feit wordt behandeld, terwijl het een voorspelling is.
En misschien het meest herkenbaar: AI maakt snellere verslaglegging mogelijk, maar de ruimte die vrijkomt wordt gevuld met meer beleid, meer rapportages, meer verantwoording. Efficiëntie leidt niet tot ademruimte. Ze leidt tot intensivering.
De vraag is niet of dit in jouw organisatie speelt. De vraag is: zie je het al?
Het Verantwoord AI-Adoptie Dashboard
Het dashboard hieronder toont niet hoeveel AI wordt gebruikt, maar hoe. De getallen zijn illustratief, de structuur is direct toepasbaar.
Verantwoord AI-Adoptie Dashboard
Drie ontbrekende dimensies
Het dashboard meet gedrag. Maar wie het eerlijk wil invullen, moet drie dimensies toevoegen die AI-tools zelf niet registreren, en die het verschil maken tussen een groene score en een gezonde organisatie.
1. De adoptie-illusie als zelfstandige indicator
De kloof tussen directe acceptatie en scaffolding verdient een eigen plek. Een organisatie met 80% gebruik en 15% scaffolding heeft een groter probleem dan een organisatie met 50% gebruik en 45% scaffolding.
2. Psychologische veiligheid om af te wijken
Een override-rate van 34% zegt niets als mensen zich niet veilig voelen om af te wijken. Dat is een cultuurvraag, geen systeemvraag, en precies daarom ontbreekt hij in elk dashboard.
3. Moral distress als vroeg signaal
Weten wat goed is maar het niet kunnen doen door systeembeperkingen is de sterkste verborgen voorspeller van uitstroom. Geen enkel AI-platform registreert dit. Alleen een directe vraag aan professionals legt bloot waar de morele ruimte onder druk staat.
De meetbare vragenlijst: Verantwoord AI-gebruik
Deze vragenlijst vertaalt de domeinen van het dashboard — inclusief de drie ontbrekende dimensies en de identiteitsvraag — naar concrete vragen. Bedoeld voor kwartaalse, anonieme afname van tien tot vijftien minuten, met een score per domein.
Beantwoord elke vraag op een schaal van 1 (nooit / helemaal niet) tot 5 (altijd / volledig). Geen goede of foute antwoorden. De uitkomst is bedoeld als teamgesprek, niet als beoordeling van individuen.
| A1Wanneer ik een AI-tool gebruik voor een inhoudelijke taak, beoordeel ik de output kritisch voordat ik er iets mee doe. | 12345 |
| A2Ik vraag mij af welke aannames of patronen aan de basis liggen van een AI-aanbeveling, in plaats van alleen het eindadvies over te nemen. | 12345 |
| A3Als ik tijdwinst boek door AI-gebruik, gebruik ik die ruimte voor verdieping of reflectie — niet alleen voor méér taken. | 12345 |
| A4Ik kan aangeven bij welke typen taken ik AI niet inzet — en waarom. | 12345 |
| B1Als ik het niet eens ben met een AI-aanbeveling, wijk ik er ook daadwerkelijk van af — en leg ik dat vast. | 12345 |
| B2Ik voel mij verantwoordelijk voor de uitkomst van een besluit dat (mede) door AI is ondersteund. | 12345 |
| B3Ik weet wie in mijn organisatie aanspreekbaar is als een AI-systeem een fout maakt of een onrechtvaardig resultaat geeft. | 12345 |
| C1Ik voel mij vrij om een AI-aanbeveling te betwisten, ook als anderen in mijn team die al hebben overgenomen. | 12345 |
| C2In mijn team is het normaal om hardop te twijfelen aan een AI-uitkomst — zonder dat dit als traag of lastig wordt gezien. | 12345 |
| C3Mijn leidinggevende waardeert het als ik een AI-suggestie kritisch bevraag, ook als dit meer tijd kost. | 12345 |
| D1Ik kan complexe analyses in mijn vakgebied nog zelfstandig uitvoeren — zonder AI — op het niveau dat ik twee jaar geleden ook kon. | 12345 |
| D2Ik weet wanneer mijn eigen oordeel betrouwbaarder is dan een AI-uitkomst — en durf daar ook op te handelen. | 12345 |
| D3Ik voer periodiek, bewust, taken uit zonder AI-ondersteuning, om mijn eigen referentiekader scherp te houden. | 12345 |
| D4Als ik nu AI gebruik voor een taak, zou ik die taak de volgende keer ook zonder AI kunnen doen. | 12345 |
| E1Er zijn situaties in mijn werk waarbij ik weet wat de juiste beslissing is, maar het AI-systeem of de organisatiedruk mij verhindert dat te doen. | 12345 |
| E2Als ik het gevoel heb dat een AI-aanbeveling onrechtvaardig uitpakt voor een cliënt, medewerker of burger, heb ik de middelen om dat te adresseren. | 12345 |
| E3In mijn organisatie is er ruimte om normatieve vragen te stellen over AI — over rechtvaardigheid, waarden en wie het systeem dient. | 12345 |
| F1Voordat een nieuw AI-systeem in mijn team wordt ingezet, wordt expliciet besproken waarvoor we het inzetten — en waarvoor niet. | 12345 |
| F2AI-output in mijn werkproces is uitlegbaar — ik kan (of weet wie kan) verklaren hoe een aanbeveling tot stand is gekomen. | 12345 |
| F3Er zijn vaste momenten waarop mijn team de inzet van AI evalueert — niet alleen technisch, maar ook op waarden en effecten voor mensen. | 12345 |
| G1Ik herken mezelf nog in het werk dat overblijft nadat AI een deel van mijn taken heeft overgenomen. | 12345 |
| G2Ik heb inspraak gehad in hoe mijn rol verandert door AI, in plaats van dat dit alleen aan mij werd meegedeeld. | 12345 |
| G3Mijn expertise wordt zichtbaar erkend, ook als AI het zichtbare eindresultaat produceert. | 12345 |
Scoringsgids — per domein (gemiddelde over vragen)
✓ Gezond — blijf monitoren
⚠ Aandacht — bespreek in team
⚡ Risico — actie vereist
✗ Kritiek — stop en heroverweeg
Adoptie-illusie index = (A1+A2) − (A3+A4) — hoe hoger het verschil, hoe groter de kloof tussen gebruik en kritisch oordeel.
Moral distress alarm: E1 ≥ 3,5 gecombineerd met E2 ≤ 2,5 = verhoogd uitstroomrisico; direct bespreekbaar maken.
De vragenlijst geeft geen definitief oordeel — ze geeft gespreksstof. Wat telt, is niet de gemiddelde score maar het patroon: waar zit het verschil tussen domeinen? Wie geeft structureel lagere scores op moral distress of identiteit? Welk team heeft een hoge override-rate maar lage psychologische veiligheid?
Vijf vragen die meer zeggen dan welke KPI ook
- Waar meten we gebruik — en noemen we dat succes?
- Waar verdampt tijdwinst in méér werk in plaats van meer ruimte?
- Waar leren mensen hun vak minder goed — omdat AI het voor ze doet?
- Waar komt de menselijke maat onder druk te staan — zonder dat iemand dat hardop zegt?
- Herkennen mensen zichzelf nog in het werk dat overblijft, of hebben we ze een baan aangeboden zonder ze een plek te geven?
Vertragen als professionele vaardigheid
AI nodigt uit tot versnelling. Meer doen, sneller beslissen, efficiënter werken. Precies daarom wordt iets anders cruciaal: het vermogen om te vertragen.
Niet om minder te doen. Om beter te zien: wat er gebeurt, wat er verschuift, en wat we misschien verliezen.
Een dashboard is daarin een hulpmiddel, geen doel. Het gaat er niet om een perfecte set KPI's te hebben. Het gaat erom dat de organisatie de vragen blijft stellen die het systeem zelf niet stelt.
Want als je alleen meet wat makkelijk meetbaar is, organiseer je precies dat gedrag. En de rest — zorgvuldigheid, autonomie, rechtvaardigheid, identiteit — verdwijnt niet ineens. Het verdampt langzaam, onzichtbaar, terwijl de dashboards groen blijven.
De vraag is uiteindelijk niet wat AI kan. De vraag is: wat voor organisatie willen wij zijn, en wie mogen we blijven?
Wil je hiermee aan de slag?
Gebruik dit artikel als reflectiekader in je team of organisatie. Begin niet met technologie. Begin met de vraag: waar willen wij ruimte houden, en voor wie?
Literatuur
- Acemoglu, D. & Restrepo, P. (2022). Tasks, automation, and the rise in US wage inequality. Econometrica, 90(5), 1973–2016.
- Austin, W., Lemermeyer, G., Goldberg, L., Bergum, V. & Johnson, M.S. (2005). Moral distress in healthcare practice: The situation of nurses. HEC Forum, 17(1), 33–48.
- Buçinca, Z., Malaya, M.B. & Gajos, K.Z. (2021). To trust or to think: Cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW1), Article 188, 1–21.
- Kahn, L., Probasco, E. & Kinoshita, R. (2024). AI Safety and Automation Bias: The Downside of Human-in-the-Loop. Center for Security and Emerging Technology (CSET), Georgetown University.
- Corley, M.C. (2002). Nurse moral distress: A proposed theory and research agenda. Nursing Ethics, 9(6), 636–650.
- Foucault, M. (1977). Discipline and Punish. Pantheon Books.
- Illingworth, S. (2023–heden). Slow AI. Nieuwsbrief en curriculum over kritische AI-geletterdheid, waaronder onderzoek naar trait displacement bij professionals in zorg en leger. theslowai.substack.com
- Mayer, A-S., van den Broek, E. & Karačić, T. (2026). When Employees Are Held Accountable for AI-Generated Decisions. Harvard Business Review, 22 juli 2026.
- Obermeyer, Z., Powers, B., Vogeli, C. & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453.
- Rosenthal-von der Pütten, A.M. & Sach, A. (2024). Michael is better than Mehmet: Exploring the perils of algorithmic biases and selective adherence to advice from automated decision support systems in hiring. Frontiers in Psychology, 15, Article 1416504.
- Shen, J.H. & Tamkin, A. (2026). How AI Impacts Skill Formation. Anthropic Fellows Program. arXiv:2601.20245.
- Susskind, D. (2026). Interview: 'Werk zal straks veel minder vanzelfsprekend zijn.' Het Financieele Dagblad, 24 juli 2026.
- Taylor, C. (1991). The Ethics of Authenticity. Harvard University Press.
- Weick, K.E. (1995). Sensemaking in Organizations. SAGE Publications.
- Xu, K., Shen, Y., Yan, L. & Ren, Y. (2026). Cognitive Agency Surrender: Defending Epistemic Sovereignty via Scaffolded AI Friction. arXiv:2603.21735.
- Ranganathan, A. & Ye, X.M. / UC Berkeley Haas – HBR (2026). AI Doesn't Reduce Work—It Intensifies It.