Een snellere tekst is nog geen betere organisatie

Veel organisaties zijn de experimenteerfase met generatieve AI voorbij. Medewerkers gebruiken copilots, chatbots en andere hulpmiddelen om teksten samen te vatten, presentaties voor te bereiden, code te schrijven of informatie op te zoeken. Het werk gaat soms merkbaar sneller. Toch blijft de grote doorbraak in productiviteit of dienstverlening geregeld uit.

Dat hoeft niet te betekenen dat de technologie tegenvalt. Het kan ook betekenen dat we haar in een oude werkorganisatie hebben geduwd en vervolgens verbaasd zijn dat die organisatie zich nog altijd oud gedraagt.

Een medewerker maakt dankzij AI in twintig minuten een rapport waarvoor vroeger een halve dag nodig was. Daarna wacht het rapport drie dagen op goedkeuring. Een marketingteam produceert dubbel zoveel content, maar juridische controle, merkbewaking en publicatieplanning blijven even traag. Een ontwikkelaar bouwt sneller een prototype, terwijl klantentesten en budgetbeslissingen nog door dezelfde flessenhals moeten. De turbo werkt. Alleen staat hij op een dossierkarretje met een scheef wiel.

De november-decembereditie van Harvard Business Review brengt drie onderzoekslijnen samen die een nuttig patroon zichtbaar maken.[7] De eerste gaat over het in kaart brengen en herontwerpen van workflows. De tweede onderzoekt hoe AI-agents niet alleen tijd besparen, maar ook het bereik van kenniswerk vergroten. De derde stelt een lastigere vraag: wat gebeurt er wanneer een AI-systeem wel kan beslissen, maar de organisatie het geen echte beslissingsmacht geeft?[1][5][6]

Samen leiden ze tot één nuchtere vaststelling: AI invoeren is niet hetzelfde als een tool beschikbaar maken. Het is werk herontwerpen. En wie het werk verandert, verandert onvermijdelijk ook rollen, macht, risico en verantwoordelijkheid.

Laag 1: kijk naar de workflow, niet alleen naar de taak

Wat het onderzoek laat zien

Onderzoekers Hyunjin Kim, Dahyeon Kim en Rembrand Koning onderzochten in een gerandomiseerd veldexperiment hoe beginnende ondernemingen AI in hun productieproces konden inpassen. Aan het experiment namen 515 early-stage bedrijven uit verschillende landen deel. Alle deelnemers kregen toegang tot AI-tools, technische training, mentorschap en API-tegoeden. De interventiegroep kreeg daarnaast voorbeelden te zien van organisaties die niet alleen afzonderlijke taken automatiseerden, maar hun workflows en bedrijfsmodel rond AI hadden aangepast.[1][2][3]

Volgens de onderzoeksresultaten identificeerden de ondernemingen die deze voorbeelden kregen 44 procent meer AI-toepassingen dan de controlegroep. Ze voltooiden 12 procent meer taken, hadden 18 procent meer kans om betalende klanten te verwerven en rapporteerden bijna dubbel zoveel omzet. Ze hadden ook minder extern kapitaal nodig om te groeien.[2][3][4]

Het interessante zit niet alleen in die cijfers. De voorbeelden vergrootten blijkbaar het voorstellingsvermogen van managers. Zij gingen AI niet uitsluitend gebruiken voor de meest voor de hand liggende taak, zoals tekstproductie of programmeerhulp. Ze bekeken ook productontwikkeling, administratie, strategie en operationele processen. Daardoor ontstonden combinaties van toepassingen die samen een nieuw werkproces mogelijk maakten.[1][3]

De HBR-bespreking benadrukt vooral overdrachtsmomenten: waar werk van persoon, team of systeem wisselt; waar informatie opnieuw wordt ingevoerd; waar goedkeuringen zich opstapelen; en waar beslissingen blijven liggen. Net op die overgangen kan meer waarde verloren gaan dan in de taak die iedereen probeert te versnellen.[1]

Wat wij daaruit afleiden

Een goede AI-verkenning begint daarom niet met de vraag: “Welke taken kunnen we automatiseren?” Die vraag is niet fout, maar wel te klein. Ze leidt snel naar een lange lijst losse ideeën zonder duidelijk verband met een resultaat.

Een bruikbaarder vertrekpunt is een concrete werkstroom, van aanleiding tot uitkomst. Bijvoorbeeld van een binnenkomende klantvraag tot een correct antwoord, van een vacature tot een ingewerkte medewerker, of van een onderhoudsmelding tot een opgeloste storing. Breng vervolgens in kaart:

  1. welke stappen waarde toevoegen voor de klant, medewerker of burger;
  2. waar informatie ontbreekt, dubbel wordt ingevoerd of verkeerd wordt geïnterpreteerd;
  3. waar mensen wachten op een beslissing of goedkeuring;
  4. waar uitzonderingen ontstaan;
  5. welke controle nodig is en welke controle alleen bestaat omdat “we dat altijd zo doen”;
  6. wat er verderop verandert als één stap plots veel sneller wordt.

Dat laatste punt is belangrijk. AI verwijdert niet zomaar een flessenhals. Vaak verplaatst ze die. Wie sneller marketingmateriaal produceert, krijgt mogelijk méér werk in review en publicatie. Wie automatisch dossiers samenvat, ontdekt misschien dat brongegevens onvolledig of tegenstrijdig zijn. Wie software sneller bouwt, moet meer capaciteit voorzien voor testen, beveiliging en gebruikersfeedback.

Daarom is een eerste productiviteitswinst geen eindpunt. Na elke betekenisvolle verandering moet de workflow opnieuw bekeken worden. Waar hoopt het werk zich nu op? Welke nieuwe fout ontstaat? Welke rol krijgt meer druk? Een organisatie die dit niet doet, kan indrukwekkende demonstraties verzamelen en toch weinig veranderen aan haar prestaties. PowerPoint zal het overleven. Daar hoeven we ons geen zorgen over te maken.

Laag 2: agents maken werk niet alleen sneller, maar ook groter

Wat de gebruiksdata laten zien

Een tweede onderzoek analyseerde van februari tot mei 2026 honderdduizenden sessies in twee producten van Perplexity: een conversationele AI-assistent en een autonome AI-agent. De onderzoekers vergeleken dus geen hypothetische intenties in een vragenlijst, maar feitelijk gebruik binnen deze twee omgevingen.[5]

De assistent werd vooral ingezet voor korte, afgebakende opdrachten, zoals een vraag beantwoorden of tekst verbeteren. De agent voerde vaker ketens van acties uit: websites gebruiken, informatie uit externe bronnen ophalen, spreadsheets herstructureren en een afgewerkt resultaat afleveren. Gebruikers besteedden daardoor relatief meer tijd aan controleren, verfijnen of uitbreiden van het werk dan aan elke uitvoeringsstap afzonderlijk.[5]

Bij 76 procent van de opdrachten aan de agent ging het volgens de studie om analyse, creatie of abstractie. Bij de assistent was dat 55 procent. Agentgebruik liep bovendien vaker over klassieke functiegrenzen heen. Managers lieten bijvoorbeeld software bouwen en ingenieurs maakten financiële modellen. Ongeveer 23 procent van de agentopdrachten kwam niet voor in de assistentgeschiedenis van dezelfde gebruikers. Dat suggereert dat de agent niet alleen bestaande opdrachten overnam, maar ook werk mogelijk maakte dat gebruikers voordien niet aan de assistent vroegen.[5]

Wat dit organisatorisch betekent

Bij een assistent blijft de gebruiker meestal dicht bij elke stap. Hij vraagt, ontvangt, past aan en vraagt opnieuw. Een agent kan een doel krijgen en vervolgens zelf meerdere stappen uitvoeren met hulpmiddelen, databronnen en externe systemen. Daardoor verschuift het menselijk werk van uitvoeren naar opdracht formuleren, grenzen instellen, opvolgen, controleren en ingrijpen bij afwijkingen.

Dat klinkt efficiënt, maar het heeft gevolgen voor functie-inhoud. Als een communicatiemedewerker met een agent ook data kan analyseren, een eenvoudige webtoepassing kan opzetten en een distributieproces kan voorbereiden, wordt zijn werkbereik ruimer. Hetzelfde geldt voor een HR-professional die een agent laat zoeken, structureren, vergelijken en documenteren over verschillende systemen heen.

Functies verdwijnen daardoor niet netjes per vakje uit een organigram. Takenbundels veranderen. Sommige routinehandelingen worden kleiner, terwijl coördinatie, kwaliteitsbeoordeling, probleemafbakening en uitzonderingsbeheer belangrijker worden. Teams kunnen werk oppakken waarvoor vroeger meerdere specialisten of overdrachtsmomenten nodig waren. Dat kan bevrijdend zijn, maar ook onduidelijk: wie is nog eigenaar van het resultaat wanneer één medewerker met een agent over verschillende domeinen heen werkt?

De gebruikelijke meting “hoeveel tijd bespaarden we?” is dan onvoldoende. Organisaties moeten ook onderzoeken:

  • welk nieuw of complexer werk nu haalbaar is;
  • welke functiegrenzen vervagen;
  • welke kennis nodig blijft om resultaten te beoordelen;
  • welke fouten sneller en op grotere schaal kunnen doorstromen;
  • welke nieuwe afhankelijkheid ontstaat van data, toegangsrechten en externe diensten;
  • wie verantwoordelijk is voor een keten die deels autonoom is uitgevoerd.

Een agent die in tien minuten een taak uitvoert die vroeger niet werd uitgevoerd, heeft strikt genomen geen tijd bespaard. Hij heeft de capaciteit van de organisatie uitgebreid. Dat kan zeer waardevol zijn, maar het vraagt een ander gesprek over rendement, competenties en verantwoordelijkheid.

Laag 3: beslissingsmacht en verantwoordelijkheid moeten mee veranderen

De bevinding uit de HBR-analyse

Das Narayandas beschrijft in HBR een terugkerend patroon. Organisaties voeren een AI-systeem in dat aantoonbaar goed presteert. Het systeem wordt formeel goedgekeurd en in het proces opgenomen. Toch blijven medewerkers de uitkomst controleren, aanpassen of omzeilen. Het systeem is aanwezig, maar krijgt geen werkelijk gezag.[6]

Een gangbare verklaring is dat medewerkers de technologie niet vertrouwen of moeite hebben met verandering. Narayandas wijst op een structureler probleem. Mensen kunnen gevraagd worden een AI-beslissing te volgen, terwijl zij persoonlijk afgerekend blijven worden als die beslissing verkeerd uitpakt. In zo’n situatie is een menselijke override geen irrationele weerstand. Het is professionele zelfbescherming.[6]

Dat verschil is essentieel. Meer training, communicatie of enthousiasme lost het niet op. Zolang bevoegdheid en aansprakelijkheid uit elkaar liggen, blijft de medewerker rationeel voorzichtig. De organisatie zegt: “Het systeem mag beslissen.” De beoordelingspraktijk zegt: “Maar als het misgaat, was jij erbij.” Dan blijft de muis dicht bij de knop.

Met agents wordt dit vraagstuk nog scherper. Een aanbevelingssysteem stelt iets voor; een mens kan formeel nog beslissen. Een agent kan binnen afgesproken grenzen daadwerkelijk boeken, goedkeuren, routeren, contracteren of escaleren. Als het resultaat fout is, kan de oorzaak op verschillende plaatsen liggen: verkeerde data, te ruime bevoegdheid, een onvolledige regel, slecht toezicht of een uitzonderlijke situatie die niemand had voorzien.[6]

Onze interpretatie: governance is concreet organisatiewerk

“AI-governance” klinkt soms als een document dat een commissie opstelt en daarna op een goed beveiligde SharePoint-pagina laat rusten. In de praktijk gaat governance over heel tastbare keuzes:

  • Welke beslissingen mag het systeem zelfstandig nemen?
  • Binnen welke financiële, juridische en operationele grenzen?
  • Welke beslissingen vereisen menselijke goedkeuring?
  • Wanneer is een override toegestaan of verplicht?
  • Wie onderzoekt afwijkingen en modelgedrag?
  • Wie legt een beslissing uit aan een klant, medewerker, toezichthouder of rechter?
  • Wie draagt de gevolgen van fouten tijdens de leerfase?
  • Hoe worden medewerkers beoordeeld wanneer zij binnen de afgesproken regels op het systeem vertrouwen?

Narayandas vat de bestuurlijke kern samen in vier vragen: wie verliest beslissingsruimte als het systeem werkt, wie krijgt welke bevoegdheid, wie legt de uitkomst uit en wie draagt het transitierisico tijdens de leerperiode?[6]

Die vragen horen vóór opschaling op tafel. Anders worden ze na de invoering informeel beantwoord door de mensen die het risico voelen. Zij voegen extra controles toe, verlagen drempels, maken uitzonderingen en bouwen parallelle werkmethodes. Elke afzonderlijke ingreep kan verdedigbaar lijken. Samen maken ze van een beslissingssysteem opnieuw een dure adviseur.

Verantwoord AI-gebruik betekent dus niet dat altijd een mens elke uitkomst opnieuw moet controleren. Dat klinkt veilig, maar kan schijnveiligheid creëren en alle efficiëntiewinst opeten. Verantwoord gebruik betekent dat de mate van menselijke tussenkomst bewust wordt gekozen op basis van impact, onzekerheid en herstelbaarheid. Het betekent ook dat medewerkers niet worden gestraft omdat zij een goedgekeurde werkwijze volgden binnen duidelijke grenzen.

De menselijke rol verschuift dan van routinematig dubbelchecken naar systeemtoezicht: grenzen bepalen, afwijkingen onderzoeken, prestaties opvolgen, uitzonderingen behandelen en het systeem verbeteren. Menselijke expertise verdwijnt niet. Ze wordt anders ingezet en, als het goed is, geconcentreerd waar context en oordeel echt nodig zijn.

Drie lagen, één veranderopgave

De drie onderzoekslijnen vullen elkaar aan.

Eerst de workflow. Zonder zicht op het volledige proces optimaliseert AI vooral losse taken. De winst blijft lokaal en de volgende flessenhals neemt het over.

Dan het werkbereik. Agents kunnen ketens van handelingen uitvoeren en maken nieuwe, complexere of functieoverschrijdende opdrachten haalbaar. Daardoor veranderen rollen en samenwerking, niet alleen doorlooptijden.

Ten slotte de gezagsstructuur. Zodra systemen aanbevelen of handelen, moet duidelijk zijn waar beslissingsrecht, toezicht en verantwoordelijkheid liggen. Anders ontstaat stille terugtrekking: het systeem wordt gebruikt, maar niet gevolgd.

Deze volgorde helpt ook om AI-projecten anders te beoordelen. Niet alleen: werkt het model? Niet alleen: gebruiken medewerkers het? Maar ook:

  1. Is het beoogde organisatieresultaat verbeterd?
  2. Is de volledige werkstroom eenvoudiger of beter geworden?
  3. Welke nieuwe mogelijkheden zijn ontstaan?
  4. Zijn rollen en competenties mee aangepast?
  5. Dalen uitzonderingen en overbodige controles, of nemen ze toe?
  6. Kunnen mensen uitleggen wie beslist, wie toezicht houdt en wie verantwoordelijk is?

Adoptie is pas echt wanneer het werk anders verloopt. Als een AI-systeem morgen wordt uitgezet en alle betekenisvolle beslissingen gewoon hetzelfde blijven, dan was het wellicht vooral decor met een login.

Belangrijke beperkingen van het onderzoek

De resultaten verdienen aandacht, maar geen triomfantelijke trompet.

Het workflowonderzoek vond plaats bij 515 early-stage bedrijven. Startups hebben doorgaans kortere beslissingslijnen, minder bestaande systemen, kleinere teams en meer ruimte om hun werkwijze snel aan te passen dan grote, gevestigde organisaties. Resultaten over klantverwerving, taken, omzet en kapitaalbehoefte kunnen niet zonder meer worden vertaald naar een bank, ziekenhuis, overheidsdienst of internationale industriële groep. Het experiment toont overtuigend dat voorbeelden van AI-gedreven herontwerp het denken en handelen van startupmanagers kunnen verbreden. Het bewijst niet dat dezelfde effectgroottes overal zullen optreden.[1][3][4]

Ook de agentstudie vraagt nuance. De onderzoekers analyseerden werkelijk gebruik, wat sterker is dan alleen zelfrapportage. Maar de data komen uit twee producten van één aanbieder, Perplexity, gedurende een beperkte periode van februari tot mei 2026. Gebruikers die voor een agent kiezen, kunnen bovendien al verschillen van assistentgebruikers in ervaring, ambitie, taaktype of bereidheid om autonomie toe te laten. De onderzoekers gebruiken observationele methoden en een econometrische benadering om selectiebias te verkleinen, maar dat maakt de vergelijking niet gelijk aan een gerandomiseerd experiment. De resultaten beschrijven gedrag binnen deze productcontext en mogen niet automatisch worden veralgemeend naar alle agents, sectoren of werknemers.[5]

Ten slotte is het artikel over authority en accountability vooral een managementanalyse, opgebouwd uit historische voorbeelden, onderzoeksliteratuur, veldobservaties en cases. Het biedt een sterk verklarend kader, maar geen universele formule waarmee elke override als zelfbescherming kan worden bestempeld. Soms is een systeem simpelweg slecht, onveilig of ongeschikt. Kritisch menselijk ingrijpen blijft dan noodzakelijk.[6]

Begin niet bij de tool

Wie met AI duurzame waarde wil creëren, kan beter beginnen met een werkstroom die ertoe doet. Teken ze uit, inclusief wachttijden, overdrachten, beslissingen en uitzonderingen. Bepaal vervolgens waar een assistent helpt, waar een agent nieuw werk mogelijk maakt en waar automatisering vooral een bestaand probleem sneller zou rondpompen.

Bespreek daarna niet alleen toegang, training en techniek, maar ook de verandering in rollen. Wie doet straks minder routinewerk? Welk nieuw werk komt ervoor in de plaats? Welke kennis is nodig om de uitkomsten te beoordelen? Waar blijft menselijke tussenkomst verplicht, en waarom?

En stel vóór de opschaling de ongemakkelijke vragen over macht en risico. Wie mag beslissen? Wie mag ingrijpen? Wie moet uitleg geven? Wie draagt een vroege fout die ontstaat terwijl het systeem binnen de afgesproken grenzen werkte?

Dat gesprek is minder spectaculair dan een agent die in drie minuten een kleurig rapport bouwt. Het is wel het gesprek dat bepaalt of die agent na zes maanden echt onderdeel is van een betere organisatie, of gewoon nog een tabblad dat iedereen beleefd open laat staan.

Bronnen

[1] https://hbr.org/2026/11/for-real-performance-gains-with-ai-start-by-mapping-your-workflows — For Real Performance Gains with AI, Start by Mapping Your Workflows

[2] https://www.hbs.edu/faculty/Pages/item.aspx?num=68814 — Mapping AI into Production: A Field Experiment on Firm Performance — Harvard Business School

[3] https://www.insead.edu/faculty-research/publications/working-papers/mapping-ai-production-a-field-experiment-firm — Mapping AI into Production: A Field Experiment on Firm Performance — INSEAD

[4] https://ssrn.com/abstract=6513481 — Mapping AI into Production — SSRN

[5] https://arxiv.org/abs/2606.07489 — How AI Agents Reshape Knowledge Work: Autonomy, Efficiency, and Scope

[6] https://hbr.org/2026/11/why-even-your-best-employees-override-ai-systems-that-work — Why Even Your Best Employees Override AI Systems That Work — HBR

[7] https://hbr.org/archive-toc/BR2606 — Harvard Business Review, November–December 2026