Waar helpt AI en waar zijn andere tools handiger

AI kan formuleren, samenvatten, onderzoeken en code schrijven. Het is echter niet dé universele oplossing voor alle problemen binnen een bedrijf. Welke tools echt helpen, hangt af van de taak. Vaak genoeg zijn de tools op zichzelf niet de sleutel tot meer productiviteit.

AI wordt gezien als hét antwoord op het tekort aan geschoold personeel. Microsoft beloof0t zelfs een compleet nieuwe manier van werken. Maar een krachtig instrument betekent niet automatisch meer productiviteit. AI kan ontzettend veel, maar zaken die in een bedrijf fundamenteel misgaan, kan het niet oplossen. En het kan werknemers ook de tijd niet teruggeven die ze verspillen aan vergaderingen en onnodig ingewikkelde taken.

De meeste productiviteitsproblemen in het moderne kenniswerk hebben geen technische oorzaak. Ze ontstaan door verouderde leiderschapsstijlen, door een organisatiecultuur die dol is op vergaderen en geconcentreerd werken in de weg staat – en door het kritiekloos overnemen van softwarelogica die oorspronkelijk voor andere doeleinden ontwikkeld is.

Als je van plan bent nieuwe tools in te voeren, moet je dus eerst de bestaande systemen en processen kritisch onder de loep nemen voordat je zomaar een abonnement neemt op de duurste AI.

Dit artikel belicht de achtergronden van dat probleemlandschap en stelt oplossingen voor, en wel op drie niveaus: het individu, het team en het bedrijf. Op elk van die niveaus zien de cruciale vragen en de juiste antwoorden er anders uit, want op elk van die niveaus rijst een andere vraag.

Voor het individu is die niet Welke tool moet ik gebruiken? maar Wanneer kan ik eindelijk eens ongestoord concentreren?. Voor het team is het niet Welke software hebben we nodig? maar Waarom moeten we eigenlijk allemaal meteen reageren?. En voor het bedrijf is het niet Mogen we AI inzetten?, maar Wat gebeurt er op dit moment al zonder dat we er controle over hebben?.

Een medewerker besteedt de halve ochtend aan het overzetten van gegevens uit een Excel-tabel naar een klantendatabase – met de hand, regel voor regel. Zijn collega heeft voor hetzelfde probleem een andere oplossing gevonden: zij laat een AI de gegevens verwerken. Dat kost de AI maar één minuut. Maar daarna heeft zij nog wel een uur nodig om de overgezette gegevens te controleren en te corrigeren.

Beiden zouden hun tijd beter kunnen besteden, want eigenlijk zou die omslachtige gegevensoverdracht helemaal niet nodig zijn. De database heeft namelijk al lang een interface die Excel-gegevens kan verwerken. Maar de twee medewerkers weten dat niet, en niemand van de IT-afdeling heeft ooit de moeite genomen om de twee systemen aan elkaar te koppelen.

Toegegeven: dat voorbeeld is verzonnen. Maar in veel kantoren spelen zich waarschijnlijk dagelijks dergelijke of soortgelijke scènes af.

Een andere tijdverslinder zijn systemen die voor een bepaald doel ingevoerd zijn, maar in de loop van de tijd voor totaal andere taken gebruikt worden – taken waar ze niet voor geschikt zijn.

Het beste voorbeeld daarvan is e-mail. Het is ontwikkeld als een asynchroon berichtformaat – jij schrijft wat en de ander antwoordt als hij tijd heeft. In veel organisaties is het uitgegroeid tot een realtime communicatiekanaal waarbij impliciet wordt verwacht dat je binnen een uur reageert. De software is nauwelijks veranderd, maar de gebruikslogica is totaal anders.

Hetzelfde geldt voor tools die e-mail moeten vervangen of aanvullen, zoals Slack en Teams en dergelijke. In de praktijk zijn die vaak veranderd in een soort instant-messenger, met aanwezigheidsindicatoren die de beschikbaarheid aangeven en een kanaalstructuur die doet denken aan een open kantoortuin.

We organiseren en communiceren daarbij steeds meer, maar creëren steeds minder. We gebruiken de modernste tools, maar de hoeveelheid en kwaliteit van innovatie neemt wereldwijd meetbaar af. De automatisering van werkprocessen is nooit af en door rebound-effecten voor voortdurende automatiseringen is steeds meer werk vereist.

Maar kan AI dan niet helpen bij de stortvloed aan e-mails en andere berichten? Een slimme assistent bijvoorbeeld, die e-mails vooraf sorteert en de berichten die ’s nachts zijn binnengekomen samenvat? Dergelijke systemen bestaan al. Maar als je een nieuwe (AI-)tool invoert in een proces dat al niet goed loopt, krijg je meestal een proces dat niet alleen nog slechter loopt, maar ook nog complexer is.

Dat is geen hypothese, maar een terugkerende observatie uit de praktijk van organisaties. Arbeidsonderzoeker Dominic Price vertelde over een grote bank die experimenteerde met Copilot, de AI-assistent van Microsoft, met als resultaat een gemeten productiviteitsstijging van 40 procent bij de testteams – maar geen enkel effect op het bedrijfsresultaat.

De bespaarde tijd was volledig opgegaan aan overleggen.

Dat is geen argument tegen AI, het is een argument om de vraag Welke tool hebben we nodig? pas te stellen nadat je een andere vraag hebt beantwoord: wat kost ons eigenlijk tijd?

Volgens een onderzoek van een Duitse vakbond uit 2022 voelt 40 procent van de werknemers zich zwaarder belast door de digitalisering van hun werk, terwijl slechts 9 procent aangeeft dat het juist een verlichting is. Daarbij geeft 44 procent aan dat hun werktempo grotendeels wordt bepaald door digitale technologie, 46 procent klaagt over steeds meer multitasking.

Microsoft heeft dat nauwkeuriger in kaart gebracht met een Work Trend Index-onderzoek (zie de link bij dit artikel). Daar heeft Microsoft de samengevoegde en geanonimiseerde productiviteitsgegevens van tienduizenden gebruikers van Microsoft 365 geanalyseerd. Daaruit blijkt dat de gemiddelde gebruiker per dag 117 e-mails en 153 Teams-berichten ontvangt. De gemiddelde tijd tussen twee onderbrekingen door een bericht of een vergadering bedraagt volgens het onderzoek twee minuten.

Wat betekent dat voor jou? Informaticus en non-fictieschrijver Cal Newport heeft in zijn boeken Deep Work, A World Without Email en Slow Productivity een consistent programma opgesteld [1, 2, 3]. Zijn belangrijkste conclusie: kenniswerk lijdt niet onder een tekort aan tools, maar onder te veel parallelle activiteiten.

De drie principes van Newport zijn: doe minder dingen tegelijk, werk in je eigen tempo en geef voorrang aan kwaliteit boven kwantiteit. Hij stelt voor om over te stappen op pull-workflows: in plaats van binnenkomende taken te verzamelen in een steeds langer wordende persoonlijke to-do-lijst, leg je een strikte limiet op het aantal projecten dat tegelijkertijd actief is. Aan nieuw werk mag pas worden begonnen als het oude af is.

Tools voor kenniswerk kunnen grofweg in vier categorieën worden ingedeeld op basis van het soort problemen dat ze oplossen. Op regels gebaseerde automatiseringsoplossingen zoals Zapier, Make en Microsoft Power Automate zijn geschikt voor alles wat precies te beschrijven is: als deze gebeurtenis plaatsvindt, doe dan dat. Een nieuwe e-mail met het onderwerp Factuur belandt automatisch in de juiste map, een nieuwe vermelding in de klantendatabase genereert tegelijkertijd een taak in de projectmanagementtool.

Die tools zijn snel, betrouwbaar en transparant. Hun nadeel: ze zijn star. Als de invoer ook maar een beetje verandert, moet de regel aangepast worden. Voor stabiele, goed gedefinieerde processen zijn ze vaak een betere keuze dan AI – omdat ze goedkoper, voorspelbaarder en controleerbaar zijn.

Gespecialiseerde software, bijvoorbeeld voor boekhouding, CAD of statistiek, kent zijn werkterrein beter dan welke alleskunner dan ook en produceert geen hallucinaties. Als je maandelijks belastingaangiften opstelt, ben je met dergelijke software beter af dan met een taalmodel – niet omdat de AI het niet zou kunnen, maar omdat gespecialiseerde software betrouwbaar en certificeerbaar werkt en niet gaat gissen.

De samenwerkings- en communicatieprogramma’s zoals Slack, Teams, Notion, Confluence en Google Workspace vormen vaak de meest problematische categorie. Die tools zijn bedoeld om de samenwerking te vergemakkelijken, maar hebben bij veel organisaties juist het tegenovergestelde effect: meer kanalen, meer meldingen, meer impliciete verwachtingen over bereikbaarheid. Die tools zijn vermenigvuldigers, zowel voor goede als voor slechte communicatiegewoonten.

Als je Slack invoert zonder communicatienormen vast te leggen, haal je alleen maar meer ruis in huis. Generatieve AI met taalmodellen zoals Claude, GPT-4 en Gemini, en beeld- en codegeneratoren vormen de vierde en momenteel meest besproken categorie.

Vooral de taalmodellen zijn heel veelzijdig. Ze kunnen taken overnemen waarvoor geen gespecialiseerde software bestaat, of die te zelden voorkomen om een automatiseringsregel te rechtvaardigen. Die kracht heeft een prijs: AI-antwoorden zijn willekeurig, chatbots hallucineren wel eens – en hebben het soms bij het verkeerde eind.

De doorslaggevende vraag bij het kiezen van een tool zou daarom niet moeten zijn Wat kan de tool?, maar Hoe goed is de taak gedefinieerd? Hoe vaak komt deze terug? En: hoe hoog is de prijs van een fout?. Hoe duidelijker en stabieler een taak, des te geschikter regelgebaseerde automatisering is. Hoe meer taal, context en dubbelzinnigheid er in het spel zijn, des te meer AI de moeite waard is.

En niet zelden is het juiste antwoord: helemaal geen nieuwe tool. Als je tools vergelijkt, moet je ook rekening houden met verborgen kosten, zoals de integratie-inspanning. Geen enkele tool bestaat in een vacuüm. Als je een nieuw projectbeheersysteem invoert, moet je het koppelen, configureren, migreren en trainingen geven – een inspanning die vaak de aanvankelijke meerwaarde overstijgt.

Kwaliteitsborging is de tweede blinde vlek: bij AI-uitvoer moet iemand controleren of het model niet gehallucineerd heeft. En lock-in is de derde: Als je je hele kennisbestand in een propriëtaire AI-tool opbouwt, zit je met een probleem als de aanbieder de prijzen verhoogt.

Een chatbot vragen, antwoord krijgen: dat werkt voor op zichzelf staande taken die geen geschiedenis hebben en geen context nodig hebben. Maar als je regelmatig met AI werkt, merk je al snel dat de echte inspanning ergens anders ligt.

Je moet de AI steeds weer context meegeven, zoals wie ben ik, voor wie schrijf ik, welke toon wil ik aanslaan, wat is er al gezegd? Goede prompts kunnen dat voor je doen. Maar je moet ze elke keer opnieuw formuleren of de prompts ergens beheren.

Het is beter om de AI systematisch te instrueren en te leren wie je bent, hoe je werkt en welke kwaliteitsnormen je hanteert. Chatbots bieden daar verschillende functies voor, zoals permanente instructies, opgeslagen contexten en feedbacklussen. Zo kan een chatbot leren om te functioneren als een goed ingewerkte assistent.

Dat werkt met ChatGPT-accounts, maar je kunt het ook aan de hand van een concreet voorbeeld met Claude doornemen. Met permanente gebruikersinstructies sla je informatie over jezelf, je werkwijze en je voorkeuren blijvend op. De betreffende instellingen staan onder General.

Claude weet dan bijvoorbeeld voor eens en voor altijd dat je geen opsommingstekens, geen marketingtaal en geen anglicismen wilt. Claude kan ook dingen onthouden die verder gaan dan de permanente gebruikersinstructies. Bij de Settings onder Capabilities staat daarvoor de optie Generate memory from chat history.

Met die optie leidt Claude uit eerdere gesprekken algemene informatie af over zijn gesprekspartner en diens vereisten. Claude laat zien wat hij uit de eerdere chats heeft onthouden. Je kunt die informatie op elk moment bewerken.

Maar je kunt de samenwerking nog verder verfijnen via feedbacklussen. Daarvoor laat je Claude eerst een document genereren. Nadat je dat hebt aangepast, laat je de chatbot de twee versies vergelijken. Uit die vergelijking moet hij regels afleiden waarmee hij in de toekomst beter schrijft.

Die regels kan de chatbot vervolgens in zijn geheugen opslaan of als extern bestand bewaren, dat je hem indien nodig als context in een chat kunt meegeven. Het is een beetje zoals bij een menselijke stagiair: alleen door feedback leert hij bij.

Bovendien ontwikkelen AI-systemen zich momenteel in de richting van echte werkondersteuning. AI-agents kunnen op de achtergrond taken uitvoeren: e-mails categoriseren, afspraken controleren, onderzoek doen en documenten samenvatten. Interfaces zoals het Model Context Protocol (MCP) maken het mogelijk om taalmodellen rechtstreeks aan externe tools te koppelen – zoals agenda’s, e-mail en projectbeheersystemen – zodat de AI niet alleen adviseert, maar ook actie onderneemt.

Als je een chatbot gebruikt die een van die interfaces biedt, moet je die zeker eens uitproberen.

Sommige vervelende routineklussen kun je nu al door een virtuele assistent laten doen. Je moet alleen wel letten op welke tools en gegevens je hem laat gebruiken – vooral als de servers buiten de EU staan.

Individuele strategieën helpen – maar hebben een structurele beperking. Je hebt geen kans om geconcentreerd te werken als het team verwacht dat je constant bereikbaar bent via Teams en aanverwanten en meteen reageert. Wat heb je aan een persoonlijke projectlimiet als leidinggevenden zonder overleg nieuwe taken rechtstreeks op je virtuele takenlijst zetten?

Het echte probleem ligt vaak niet in het gedrag van individuen, maar in de collectieve verwachtingen waarover niet onderhandeld is. Asana heeft voor zijn Anatomy of Work Index 2021 meer dan 13.000 kenniswerkers in acht landen ondervraagd. Daaruit blijkt dat organisaties zo’n 60 procent van hun werktijd verliezen aan organisatorische zaken: statusoverleggen, het wisselen tussen apps en het zoeken naar informatie die ergens al gedocumenteerd is.

Cal Newport noemt dat patroon de Hyperactive Hive Mind. Een team dat geen expliciete workflow voor samenwerking heeft, coördineert via een constante, ongestructureerde stroom van e-mails, Slack-berichten en spontane verzoeken – iedereen reageert op iedereen, continu.

Dat zorgt voor collectieve activiteit, maar niet voor collectieve intelligentie. Integendeel: iedereen is bezig, maar niemand komt toe aan geconcentreerd werk.

Het klassieke tegengif is niet een nieuwe app, maar een korte, schriftelijke afspraak over hoe het team communiceert, wanneer het bereikbaar is en hoe beslissingen worden vastgelegd. Dat klinkt simpel, maar komt in de praktijk zelden voor.

Typische elementen: een afgesproken reactietijd voor e-mails (bijvoorbeeld 24 uur in plaats van meteen) en voor berichten via een messenger (vier uur binnen de kernuren), een gezamenlijk blok in de ochtend om ongestoord te kunnen werken zonder overleggen, en vaste tijdvakken waarin vragen onder collega’s synchroon en snel worden opgehelderd, zodat de rest van de dag ongestoord blijft.

Hoe effectief collectieve vergaderregels zijn, blijkt uit een MIT Sloan-onderzoek (zie de link bij dit artikel) van Ben Laker, Vijay Pereira en collega’s, dat in 2022 in de MIT Sloan Management Review gepubliceerd is. De onderzoekers ondervroegen 76 bedrijven die vergadervrije dagen hadden ingevoerd – variërend van één dag per week tot een volledig vergaderverbod.

De resultaten waren duidelijk: al één vergaderloze dag per week verbeterde de autonomie, communicatie, betrokkenheid en tevredenheid, terwijl micromanagement en stress afnamen en de productiviteit steeg. Het verrassende daaraan: de productiviteit steeg – niet ondanks minder communicatie, maar juist dankzij minder communicatie.

Omdat het team een betrouwbare vrije dag inplande, verliepen overdrachten soepeler, werden afhankelijkheden duidelijker en werden beslissingen sneller gedocumenteerd. Minder overleggen zorgden voor betere processen.

Als je vandaag in een bedrijf naar AI-regels vraagt, krijg je meestal een van twee antwoorden: stilte – of een verbod dat al lang niet meer werkt. Slechts een klein deel van de bedrijven heeft regels opgesteld, terwijl een groter deel ervan uitgaat dat hun werknemers privé AI-toegang gebruiken tijdens het werk.

Microsofts Work Trend Index 2024 bevestigt dat wereldwijd: 78 procent van degenen die AI gebruiken, neemt zijn eigen tools mee omdat het bedrijf die niet ter beschikking stelt. Als je geen tools aanbiedt, stimuleer je echter schaduw-AI en laat je de kans liggen om te sturen hoe productief het gebruik daadwerkelijk is.

Schaduw-AI brengt bovendien het risico met zich mee dat bedrijfs- en klantgegevens in oncontroleerbare kanalen terechtkomen. Als je klantgegevens invoert in een model dat niet door het bedrijf gecontroleerd is, overtreed je bovendien mogelijk de wetgeving inzake gegevensbescherming.

Bedrijven doen er dus goed aan om met een AI-richtlijn te bepalen hoe hun medewerkers AI gebruiken. Daarin staat welke tools zijn toegestaan, welke gegevens niet in externe modellen mogen terechtkomen, dat AI-uitvoer als zodanig moet worden gemarkeerd en dat beslissingen over personen door mensen blijven worden genomen.

Vanaf februari 2025 is dat deels al verplicht: de EU AI Act eist een aantoonbaar niveau van AI-competentie bij alle medewerkers die met AI-systemen werken.

Sommige bedrijven hebben al in een vroeg stadium dergelijke richtlijnen opgesteld en daarbij de ondernemingsraden betrokken – niet om het proces te vertragen, maar omdat acceptatie een voorwaarde is voor daadwerkelijk gebruik.

Een ander probleem is het gebrek aan praktijkervaring. Een groot deel van de leidinggevenden ziet onbenut AI-potentieel in hun organisaties – en vindt tegelijkertijd dat hun eigen opleidingsaanbod ontoereikend is. Volgens een Ipsos-enquête uit 2025 gebruikt slechts ongeveer een derde van de leidinggevenden AI regelmatig voor hun eigen taken.

Maar als je niet zelf experimenteert, kun je niet inschatten waar AI daadwerkelijk werk uit handen neemt en zul je ook niet geloofwaardig kunnen overbrengen hoe het moet worden ingezet.

Op elk van de drie niveaus komt de centrale uitdaging neer op hetzelfde basisprincipe: niet overhaast meer tools inzetten, maar betere beslissingen nemen over welke tools wanneer worden ingezet.

Voor een individu betekent dit dat je AI inzet waar het bestaande taken efficiënter maakt – niet om nog meer taken op je te nemen.

Voor een team betekent het: collectieve verwachtingen expliciet bespreken, in plaats van ze in de hive-mind te laten rondzweven.

Voor een bedrijf betekent het: een governance opzetten voordat de schaduw-AI de veiligheid van het bedrijf in gevaar brengt.

De kenniswerkers die de komende jaren het productiefst zullen zijn, zijn waarschijnlijk niet degenen die de meeste tools gebruiken. Het zullen degenen zijn die een klein aantal tools heel goed kennen, waarvan ze de grenzen begrijpen – en die de moed hebben om processen te vereenvoudigen in plaats van ze ingewikkelder te maken.

Cal Newport verwoordt dat als drie criteria voor goede tools: zorgen ze ervoor dat je minder dingen hoeft te doen? Maken ze een natuurlijk werktempo mogelijk? Bevorderen ze kwaliteit boven kwantiteit? Dat is een ongebruikelijk sobere maatstaf in een tijd waarin de volgende grote productiviteitsdoorbraak altijd net om de hoek lijkt te liggen.

Maar misschien is dat wel de juiste. Want als je gedachteloos nieuwe tools invoert, loop je het risico met elke nieuwe tool weer een beetje meer te kopen van wat je eigenlijk kwijt wilde.

[1] Carl Newport: Deep Work. Rules for Focused Success in a Distracted World, Grand Central Publishing, New York 2016

[2] Cal Newport: A World Without Email. Reimagining Work in an Age of Communication Overload, Portfolio/Penguin, New York 2021

[3] Cal Newport: Slow Productivity. The Lost Art of Accomplishment Without Burnout, Portfolio/Penguin, New York 2024

Overzicht van links bij dit artikel

Microsoft: Work Trend Index Special Report:

https://www.microsoft.com/en-us/worklab/work-trend-index/breaking-down-infinite-workday

MIT Sloan Management Review: The Surprising Impact of Meeting-Free Days:

https://sloanreview.mit.edu/article/the-surprising-impact-of-meeting-free-days

(Jo Bager en Noud van Kruysbergen)