AI automatiseert werk niet alleen; het meet vooral ook werknemers

De grootste impact van AI binnen veel bedrijven is mogelijk niet automatisering. Het meten van werknemers.

De eerste grote impact van AI binnen veel organisaties is mogelijk niet automatisering.

Het kan toezicht zijn. Of preciezer: meten.

In tal van organisaties groeit AI stilaan uit tot een nieuwe managementlaag: eentje die activiteit volgt, workflows standaardiseert, zichtbare productiviteit meet en herdefinieert hoe arbeid zelf wordt beoordeeld. Die verschuiving reikt veel verder dan Silicon Valley.

Steeds meer bedrijven experimenteren met interne kengetallen die direct gekoppeld zijn aan AI-gebruik. Het gebruik zelf.

Hoeveel prompts medewerkers draaien. Hoeveel tokens ze verbruiken. Hoe vaak ze met AI-systemen interageren. In sommige organisaties wordt AI-adoptie stilzwijgend een proxy voor prestaties.

Dat creëert een gevaarlijke prikkelstructuur.

Wanneer gebruiksmetingen managementmaatstaven worden, stoppen medewerkers met optimaliseren voor goed werk en gaan ze optimaliseren voor zichtbare activiteit. Het resultaat is vaak meer output, meer ruis, meer gegenereerd materiaal en meer reviewwerk boven op bestaande verantwoordelijkheden.

In plaats van werk te verminderen kan AI zo een tweede laag arbeid creëren: genereren, valideren, corrigeren, herschrijven en documenteren van door machines geproduceerde content.

Dit is een van de minst besproken gevolgen van AI-adoptie in het bedrijfsleven. De technologie hoeft werknemers niet volledig te vervangen om werkdynamiek fundamenteel te veranderen. Het volstaat dat ze verandert hoe arbeid wordt geëvalueerd.

De agressieve boodschap rond AI-gedreven baanverandering dient ook een andere functie: onderhandelingsmacht.

Als werknemers geloven dat hun functies tijdelijk of makkelijk vervangbaar zijn, verzwakken loononderhandelingen. Wervingsstops zijn eenvoudiger te rechtvaardigen. Efficiëntie-eisen worden intern politiek veiliger. Zelfs bedrijven die nog worstelen met het operationaliseren van AI profiteren ervan als de perceptie blijft dat ze “AI-first” zijn.

Die kloof tussen verhaal en operationele realiteit wordt steeds moeilijker te negeren.

Veel bedrijven zoeken nog waar generatieve AI daadwerkelijk betrouwbare waarde creëert. Vroege winst zit vaak in concepten uitwerken, samenvatten, onderzoeksassistentie, snellere codeertrajecten en interne supporttaken. Maar processen die hoge precisie vragen blijven lastig.

Hoe dichter werk komt bij aansprakelijkheid, compliance, klantvertrouwen of technische exactheid, hoe meer menselijk toezicht weer centraal staat.

Hier wijkt het publieke AI-debat vaak af van de dagelijkse praktijk.

Grote ondernemingen voeren AI niet in binnen schone omgevingen. Ze brengen het in binnen gefragmenteerde systemen, legacy-softwarestapels, inkooplagen, beveiligingsrestricties, regulatoire verplichtingen en diep menselijke workflows.

Een startup met 20 engineers kan AI-tools snel integreren. Een multinational met 80.000 medewerkers in meerdere jurisdicties staat voor een compleet ander uitvoeringsprobleem.

Dat onderscheid is belangrijk, omdat veel van het huidige marktnarratief veronderstelt dat adoptie automatisch transformatie betekent.

In de praktijk zoeken veel organisaties nog naar herhaalbare, meetbare productiviteitswinsten die standhouden voorbij pilots en interne demo’s.

De uitdaging is niet het genereren van output. Moderne AI-systemen kunnen dat al uitstekend.

De uitdaging is vertrouwen.

Is de output verifieerbaar? Is ze te auditen? Is ze op schaal betrouwbaar? Werkt ze consistent onder druk, regelgeving, klantentoetsing of juridisch risico?

Dat zijn veel moeilijkere problemen dan het produceren van plausibele tekst.

De volgende fase van de AI-economie wordt mogelijk niet alleen bepaald door modelcapaciteit. Ze kan worden bepaald door organisatiegedrag.

Bedrijven staan nu voor een strategische keuze:

Gebruik AI om workflows echt te verbeteren, frictie te verlagen en hoogwaardig menselijk werk te versterken.

Of gebruik AI vooral als mechanisme voor zichtbaarheid en controle in steeds strakker prestatiegestuurde omgevingen.

Dat zijn twee heel verschillende toekomsten.

De eerste creëert tegelijk hefboomwerking voor werknemers en organisaties.

De tweede dreigt werkplekken te creëren die optimaliseren voor meetbare activiteit in plaats van betekenisvolle output.

Dat onderscheid wordt belangrijker naarmate de economische druk toeneemt en bedrijven harder sturen op rendement op hun enorme AI-investeringen in infrastructuur.

Want uiteindelijk zullen organisaties één eenvoudige vraag moeten beantwoorden:

Verbetert AI het werk daadwerkelijk, of verandert het alleen hoe het werk wordt gemonitord?