Dit artikel is geschreven door Emmalotte Smit en bundelt inzichten uit conferenties, onderzoek en artikelen over AI en de invloed daarvan op organisatiecultuur en teamwerk. We zien die kijk nadrukkelijk als een work in progress. Nieuwe inzichten kunnen ervoor zorgen dat we onderdelen aanscherpen, aanvullen of anders gaan bekijken. Heb je een reactie, aanvulling of een perspectief dat volgens jou in dit artikel thuishoort? Mail Emmalotte dan via emmalotte@dir.nl.
AI is geobsedeerd door efficiëntie. Sneller schrijven, sneller analyseren, sneller zoeken, sneller plannen. En dat maakt de technologie natuurlijk zo aantrekkelijk. Taken waar werknemers vroeger uren aan kwijt waren, kunnen ineens in minuten. Toch is er een vraag die organisaties vóór de efficiëntievraag zouden moeten stellen: wat zijn we eigenlijk aan het optimaliseren, en wat verliezen we misschien onderweg?
Want zodra AI onderdeel wordt van hoe mensen binnen jouw organisatie werken, automatiseer je niet alleen taken. Je automatiseert ook ideeën over wat goed werk is. Over wat productief gedrag is, welke kennis ertoe doet, hoe snel iets moet gaan en welke rol mensen nog in het proces hebben. Precies daarom is AI niet alleen een technologisch vraagstuk, maar ook een cultuurvraagstuk.
Waar optimaliseren we eigenlijk voor?
Digitaal antropoloog Rahaf Harfoush legde tijdens het Nordic Business Forum uit dat veel van onze huidige ideeën over productiviteit helemaal niet zo neutraal zijn als we denken. Het idee dat productiviteit zichtbaar moet zijn, dat er aan het einde van een uur iets geproduceerd moet zijn wat je kunt aanwijzen, komt voort uit het industriële tijdperk waarin arbeid relatief eenvoudig aan output te koppelen was. In een fabriek was die relatie duidelijk: meer geproduceerde eenheden betekenden meer productie.
In kennisorganisaties werkt dat heel anders. Wie een ingewikkeld probleem voor een klant probeert op te lossen, kan een uur bezig zijn zonder één mail te versturen. Wie een strategische beslissing voorbereidt, moet mogelijkheden afwegen, patronen herkennen, scenario’s verkennen, informatie verbinden en soms vooral een tijdje met een probleem rondlopen. Juist in zo’n uur kan iemand het meest waardevolle werk van de week doen.
Dat maakt de komst van AI interessant. Want als we niet oppassen, gebruiken we een nieuwe technologie om een oud beeld van productiviteit nog verder op te voeren. AI bespaart tijd, maar die tijd wordt vervolgens onmiddellijk weer gevuld met extra vergaderingen, meer taken en meer output. Dan zijn we sneller geworden, maar niet noodzakelijk beter gaan werken.
Harfoush waarschuwt juist voor het verlies van deep thinking: de tijd waarin mensen een probleem laten bezinken, verschillende opties verkennen en verbanden leggen voordat ze handelen. Dat vermogen staat nu al onder druk door de enorme hoeveelheid informatie die we dagelijks verwerken. We consumeren steeds meer, maar nemen minder tijd om te reflecteren en er betekenis aan te geven. Juist onder stress en voortdurende prikkels neemt ons vermogen om goed na te denken af. Meer informatie betekent dus niet automatisch meer inzicht.
De vraag is daarom niet alleen hoeveel tijd AI bespaart, maar vooral wat we met die tijd doen. Ruimte voor reflectie, herstel en geconcentreerd denkwerk helpt mensen om expertise op te bouwen en complexe vraagstukken echt te doorgronden. Ook dagdromen en verveling kunnen daarbij waardevol zijn, omdat juist in die momenten ruimte ontstaat voor creativiteit en nieuwe inzichten. Als we iedere vrijgekomen minuut opnieuw volplannen, blijft de oude norm overeind: zichtbaar bezig zijn is hetzelfde als waarde toevoegen. Lange werkdagen, tientallen mails en onafgebroken meetings ogen dan productief, terwijl juist de ruimte ontbreekt waarin mensen tot beter denkwerk komen.
Je kunt je zelfs afvragen of werknemers dan vooral productiviteit gaan presteren. Lange werkdagen, tientallen mails en onafgebroken meetings ogen productief, terwijl juist de tijd ontbreekt waarin mensen expertise ontwikkelen, patronen herkennen en complexe vraagstukken werkelijk doorgronden.
Daarmee komen we ook bij een subtielere cultuurvraag. Welke boodschap geef je werknemers als in iedere mail een Copilot-knop verschijnt waarmee AI de tekst kan herschrijven? Kan ieder document automatisch worden samengevat? Dat is natuurlijk handig, maar het normaliseert ook bepaald gedrag. Je zegt impliciet: besteed hier liever niet te veel tijd aan. Lees niet alles. Formuleer niet te lang. Ga door. Het probleem is niet dat iemand ooit een mail met AI laat herschrijven. Het probleem ontstaat wanneer alle digitale signalen in een organisatie dezelfde norm versterken: sneller is beter.
De interessante vraag wordt dan: welke gedragsnorm promoot deze tool eigenlijk? Als een organisatie zegt dat vakmanschap, aandacht en nieuwsgierigheid belangrijke waarden zijn, maar haar systemen werknemers voortdurend richting snelheid en oppervlakkige output sturen, wint uiteindelijk het dagelijkse gedrag het van de organisatiewaarden. Harfoush geeft hiervoor als oplossing dat je in je performance management expliciet kunt opnemen dat je verwacht dat werknemers bijvoorbeeld 15% van hun tijd gebruiken voor deep thinking. Dan maak je zichtbaar dat echt goed nadenken ook productiviteit is.
Wat gebeurt er met de verbinding als AI het werk overneemt?
Dat brengt ons bij een tweede risico van AI: we kunnen in onze zoektocht naar efficiëntie ook menselijke verbinding optimaliseren. Veel dingen die vanuit een proces inefficiënt lijken, zijn sociaal juist buitengewoon waardevol. Even naar een collega lopen met een vraag. Samen puzzelen over een probleem. Iemand bellen omdat je weet dat diegene ergens veel vanaf weet. Na een vergadering blijven er nog vijf minuten hangen. Vanuit een strak procesmodel zijn dat allemaal vormen van frictie. Maar zoals Harfoush het formuleert: organisaties proberen frictie te verwijderen, terwijl menselijke gemeenschappen juist voor een deel op frictie draaien.
Dat is belangrijk omdat mensen voortdurend signalen oppikken over de vraag of ze ertoe doen. Vraagt iemand jouw mening? Komt iemand naar jou toe voor advies? Merkt iemand dat je ergens meezit? Wordt jouw expertise gezien? Dat lijken kleine dingen, maar het zijn precies de momenten waaruit mensen afleiden of ze erbij horen en van waarde zijn.
AI kan veel van die momenten vervangen. Als werknemers iedere vraag voortaan aan een chatbot stellen in plaats van aan een collega, verdwijnt niet alleen een inefficiënte handeling. Er verdwijnt ook een contactmoment. Uit Workday-onderzoek gepubliceerd in The Fast Company blijkt dat 43% van de werknemers aangeeft zich meer zorgen te maken dat AI de interactie met collega’s vermindert dan dat AI hun baan volledig wegneemt. Tegelijk rapporteert een aanzienlijk deel van de werknemers nu al nauwelijks gesprekken met collega’s te voeren die verder gaan dan transactionele werktaken.
Juist daarom moet je bij AI-implementatie niet alleen vragen welk werk kan verdwijnen, maar ook welke menselijke interactie daarmee verdwijnt. In ons boek Micromomenten schreven we al over het verdwijnen van de menselijke schakel bij helpdesks. Vanuit efficiëntie zijn die een logische kandidaat voor automatisering: veel herhalende vragen, veel tijd en hoge kosten. Maar het is óók precies het moment waarop iemand vastloopt en hulp nodig heeft. En dat geldt niet alleen voor je klanten, maar ook voor je werknemers. Een werknemer die vroeger een IT-collega belde met een vraag, krijgt nu misschien binnen drie seconden een antwoord van AI. Dat is sneller, maar het betekent ook dat mensen elkaar minder vaak nodig hebben. En dat raakt uiteindelijk aan iets fundamenteels: het gevoel dat je van nut bent en iets voor een ander kunt betekenen.
Dat sluit aan bij de waarschuwing die computerwetenschapper Roman Yampolskiy koppelt aan het concept ikigai: als machines steeds meer activiteiten efficiënter kunnen uitvoeren, moeten we oppassen dat mensen niet ook het gevoel verliezen dat zij ergens voor nodig zijn. Dat is geen argument tegen AI, maar wel een argument om bewust te blijven nadenken over wat je wél menselijk wilt houden.
Tegelijkertijd hoeft AI-verbinding helemaal niet te verzwakken. Dezelfde technologie kan juist worden ingezet om de verbinding te versterken. Een agenda-assistent kan je week zo vol mogelijk plannen, maar hij kan ook deep thinking tijd beschermen, ruimte voor herstel reserveren en bewust ontmoetingen organiseren met collega’s die je normaal nauwelijks of nooit zou spreken. AI kan mensen uit verschillende functies met elkaar verbinden of kennis en talent zichtbaar maken die anders in silo’s blijven zitten. Het verschil zit dus niet in de technologie zelf, maar in waar je haar op laat optimaliseren.
Laat je AI je missie versterken of bepalen wat belangrijk wordt?
Daarmee komen we bij een derde punt. In de huidige AI-race dreigen organisaties soms te vergeten waar technologie eigenlijk voor dient. Jarenlang hebben organisaties missies, waarden en strategieën opgebouwd. Maar zodra er een nieuwe AI-toepassing verschijnt, lijkt de vraag ineens te worden: waar kunnen we dit nog meer inzetten? Dat is een vreemde omkering. De missie zou de technologie moeten sturen, niet andersom.
Harfoush waarschuwt precies voor die FOMO-dynamiek. Als vrijgekomen tijd alleen maar wordt gebruikt voor meer drukte, meer vergaderingen en meer output, zonder dat er extra ruimte ontstaat om klanten beter te begrijpen, de markt te doorgronden of de missie beter uit te voeren, dan is snelheid het doel geworden in plaats van een middel.
Dat is extra relevant voor organisaties die diversiteit van perspectieven belangrijk vinden. Veel organisaties hebben de afgelopen jaren bewust geprobeerd om meer verschillende stemmen in besluitvorming te krijgen. Juist omdat homogene groepen sneller elkaars aannames bevestigen en alternatieven missen. Maar generatieve AI introduceert iets interessants: één vraag levert vaak één overtuigend geformuleerd antwoord op. Dat kan gemakkelijk de indruk wekken dat er een beste of objectieve uitkomst is.
Aan de muur van je organisatie hangt dan misschien dat verschillende perspectieven waardevol zijn, maar in het dagelijkse werk wordt de gewoonte ongemerkt om één antwoord als vertrekpunt te nemen, in plaats van actief meerdere interpretaties te onderzoeken.
Daar zit een risico. AI is immers gebaseerd op bestaande data en bestaande patronen. Het is daardoor in zekere zin inherent conserverend: het voorspelt wat waarschijnlijk is op basis van wat al geweest is. Dat maakt het krachtig, maar ook beperkend. Mensen kunnen juist iets doen wat buiten die bestaande patronen valt.
Op het Nordic Business Forum werd dat duidelijk in het verhaal van Nando Parrado, die de vliegtuigcrash in de Andes in 1972 overleefde. Terloops merkte hij op dat als hij destijds een AI-systeem had gevraagd wat hun overlevingskansen waren, het waarschijnlijk had geconcludeerd dat ze al voor dood waren opgeschreven. Toch overleefden ze, omdat mensen in staat zijn uitzonderlijke dingen te doen. Ook buiten wat statistisch waarschijnlijk lijkt.
Dat is precies wat je niet kwijt wilt raken: menselijke creativiteit en vindingrijkheid. AI kan patronen herkennen, enorme hoeveelheden informatie verwerken en routinetaken razendsnel uitvoeren. Gebruik die kracht dan vooral om mensen meer tijd te geven voor datgene waarin zij juist waarde toevoegen: nieuwe verbanden leggen, experimenteren, iets proberen wat nog niet eerder is gedaan en oplossingen bedenken die niet vanzelf uit bestaande data volgen.
De gewonnen tijd wil je dan dus teruggeven in de vorm van contact met anderen, reflectie en momenten waarop het brein even niet continu wordt belast. Juist daar ontstaan nieuwe inzichten en betere afwegingen. De echte belofte van AI is dan niet dat mensen minder hoeven na te denken, maar dat ze meer tijd krijgen voor het soort denken, verbinden en beslissen dat alleen maar belangrijker wordt.
Wat vertelt AI-gebruik over de psychologische veiligheid in je organisatie?
AI kan ook iets zichtbaar maken over de psychologische veiligheid in een organisatie. Amy Edmondson en Jayshree Seth beschrijven in een recent artikel in Harvard Business Review dat AI op dit moment een bijzonder, maar waarschijnlijk tijdelijk, voordeel heeft: mensen ervaren AI vaak nog als een relatief neutrale boodschapper. Naarmate AI steeds meer onderdeel wordt van organisaties, verwachten zij dat die gepercipieerde neutraliteit afneemt.
In organisaties zie je dan soms dat werknemers AI gebruiken om een zorg of tegenargument te formuleren dat zij zelf niet rechtstreeks durven uitspreken. Dat kan bijvoorbeeld gebeuren omdat iemand junior is, minder status heeft of in een tweede taal werkt. AI kan dan helpen om een argument scherper en neutraler te formuleren en zo de drempel om het in te brengen te verlagen. Edmondson en Seth vergelijken dit met situaties waarin werknemers in het verleden op eigen initiatief een anonieme enquête opzetten: zo krijg je niet alleen zicht op wat mensen denken, maar ook op het feit dat zij het blijkbaar niet rechtstreeks durfden te zeggen.
AI is daarmee geen oplossing voor een onveilige cultuur, maar kan juist een signaal ervan zijn. Als werknemers de technologie nodig hebben om iets te zeggen wat ze zelf niet veilig genoeg vinden om rechtstreeks in te brengen, vertelt dat iets over de cultuur. Let dus op de manier waarop collega’s AI gebruiken in discussies en besluitvorming.
Tegelijkertijd zien Edmondson en Seth voor leiders een interessante mogelijkheid om de invloed van hun eigen positie enigszins te compenseren. Zij adviseren leiders bijvoorbeeld om AI bewust te vragen de sterkste tegenargumenten tegen hun eigen plannen te formuleren. Hiërarchie maakt mensen immers soms terughoudender om een leider rechtstreeks tegen te spreken.
Wij zouden dat idee nog een stap verder willen trekken. Niet alleen leiders, maar eigenlijk iedere werknemer kan AI bewust inzetten om het eigen denkwerk uit te dagen. Dat is juist belangrijk omdat veel chatbots van nature met je meepraten en makkelijk meegaan in de richting die je zelf al hebt ingezet.
Vraag daarom niet alleen om een antwoord, maar bijvoorbeeld: Welke blindspots heb ik? Welke aannames maak ik? Wat is het sterkste argument tegen mijn voorstel? Hoe zou iemand uit een andere discipline hiernaar kijken? Welke alternatieve verklaringen passen bij dezelfde data? Zo gebruik je AI niet om sneller bevestigd te worden in wat je al dacht, maar om je blik te verbreden. Dan verandert AI van consensusmachine in tegenspreker.
De interessante vraag is daarom niet alleen wat mensen met AI doen, maar ook waarom. Gebruiken ze het om hun denken te verbeteren, of om een gesprek te vermijden dat eigenlijk tussen mensen gevoerd zou moeten worden? Uiteindelijk blijft dat menselijke gesprek noodzakelijk. AI kan mogelijke bezwaren zichtbaar maken, maar alleen mensen kunnen vertellen wat er werkelijk in een team leeft. De volgorde die Edmondson en Seth adviseren is daarom veelzeggend: denk met AI, luister vervolgens naar mensen en neem daarna pas een besluit.
Hoe ontwikkelt jong talent zich nog?
Een laatste risico zit in de ontwikkeling van expertise. Juist de taken die het gemakkelijkst door AI over te nemen zijn, vormden traditioneel vaak de leerschool voor jonge werknemers. Door veel relatief eenvoudig werk te doen, leren zij niet alleen de regels van het vak, maar ontwikkelen ze ook ervaring, intuïtie en gevoel voor uitzonderingen. Tegelijk nemen ze de impliciete cultuur van hun organisatie over: wat vinden we hier belangrijk, wanneer remmen we af en wat verstaan we onder goed professioneel handelen?
Dat is belangrijk, omdat veel kennis in organisaties helemaal niet formeel is vastgelegd. Procedures vertellen wat iemand moet doen, maar ervaren werknemers weten ook waar ze op moeten letten, wanneer iets niet klopt en wanneer het verstandig is om te vertragen. Precies die impliciete kennis staat vaak niet in de systemen waarop AI zich baseert.
Econoom K. Sudhir geeft een voorbeeld uit de financiële sector. Voor junioren bij banken bestond de leerschool traditioneel onder meer uit het langdurig beoordelen van lening aanvragen. Daarmee leerden zij niet alleen de techniek, maar ook wanneer een dossier ondanks alle formele criteria toch extra aandacht vroeg. Als AI dat werk overneemt, moet je dus ook die leerschool opnieuw ontwerpen. Laat junioren bijvoorbeeld AI-beslissingen controleren, bewust zoeken naar fouten en uitzonderingen en met ervaren collega’s bespreken waarom zij in bepaalde gevallen zouden vertragen of afwijken. Zo kan het beoordelen en bijsturen van AI zelf een nieuwe oefenplek worden.
Daarmee voorkom je ook een paradox van AI-automatisering: op korte termijn heb je minder junior capaciteit nodig, maar op lange termijn dreigt je eigen voorraad senior expertise daarmee op te drogen. Je moet blijven investeren in mensen die later genoeg vakkennis, ervaring en normbesef hebben opgebouwd om door te groeien naar senior rollen en daar goed professioneel oordeel te kunnen vormen. De vraag vóór AI-automatisering is daarom: hoe leren mensen nu het professionele oordeel dat we later van onze senioren verwachten? Als het antwoord is: door precies dit werk veelvuldig te doen, dan moet je eerst een nieuwe leerlijn ontwerpen voordat je het volledig aan AI overdraagt.
Conclusie
De discussie over AI wordt nog vaak gevoerd alsof we moeten kiezen tussen twee kampen. Voor of tegen. Optimist of pessimist. Mens of machine. Wij scharen onszelf in het technologie-optimistische kamp, juist omdat we willen focussen op de kansen die AI biedt om mensen daadwerkelijk te helpen.
Daarmee is AI uiteindelijk ook een cultuurvraagstuk. Iedere toepassing maakt bepaald gedrag gemakkelijker en ander gedrag minder vanzelfsprekend. De kunst is dus niet om te hopen dat je cultuur overeind blijft terwijl je AI invoert, maar om je cultuur als vertrekpunt te nemen voor de manier waarop je AI inzet. Niet beginnen bij wat de technologie kan, maar bij wat je als organisatie wilt versterken.
