Bedrijven en overheden zien nog geen grote productiviteitssprong door kunstmatige intelligentie. In Nederland en de rest van Europa blijft de groei per gewerkt uur zwak. Dat speelt terwijl generatieve AI als ChatGPT van OpenAI, Google Gemini en Microsoft Copilot snel wordt ingevoerd. De Europese AI-verordening en de AVG bepalen daarbij steeds meer het tempo voor overheid en bedrijfsleven.
Verwachting botst met praktijk
De belofte was helder: slimme algoritmen zouden veel kantoorwerk versnellen. In de praktijk leveren systemen zoals ChatGPT, Claude van Anthropic en GitHub Copilot vooral tijdwinst in deelstappen. Het kost vervolgens extra tijd om output te controleren en te verbeteren. Daardoor blijft de totale productiviteit per team vaak gelijk.
Veel organisaties zetten generatieve modellen in voor samenvattingen, e-mailopzet en eenvoudige code. Dat verlaagt de drempel om te starten, maar raakt nog niet aan kernprocessen. Zwaardere taken vragen betrouwbare data, duidelijke werkafspraken en goede beveiliging. Die randvoorwaarden zijn vaak nog niet op orde.
Ook sectorverschillen tellen mee. In de industrie is productiviteit al decennia geoptimaliseerd met automatisering. In diensten, overheid en zorg is het werk complexer en regelintensiever. Daar is winst lastiger en trager zichtbaar.
Implementatie vraagt herinrichting
AI werkt pas goed als processen worden aangepast. Dat betekent rollen herschikken, taken herverdelen en rapportages stroomlijnen. Zonder zo’n herinrichting stapelen hulpmiddelen zich op bovenop oud werk. Dan verdampt het voordeel.
Organisaties bouwen daarom een “human-in-the-loop”: een medewerker controleert elk AI-antwoord. Dat is nodig door fouten of zogenoemde hallucinaties, waarbij het model onterechte feiten verzint. Deze controle is verstandig, maar drukt de netto tijdwinst. Betrouwbare evaluaties en escalatiepaden zijn daarom essentieel.
Goede data zijn een tweede voorwaarde. Veel bedrijven hebben gefragmenteerde of onvolledige datasets. Om modellen veilig te voeden, moeten gegevens worden opgeschoond, geclassificeerd en versleuteld. Dat is nuttig werk, maar kost in het begin vooral tijd en geld.
AI-verordening stuurt invoering
De Europese AI-verordening (AI Act) deelt systemen in risicoklassen in. Hogere risico’s vragen strengere eisen, zoals documentatie, toetsing en menselijke controle. Voor overheden en gereguleerde sectoren weegt dit extra zwaar. Dat verlaagt risico’s, maar vertraagt schaalbare inzet.
De AVG blijft leidend bij alle dataverwerking. Organisaties moeten dataminimalisatie toepassen en vaak een DPIA uitvoeren, een risicoanalyse voor privacy. Het delen van klant- en patiëntgegevens met externe AI-diensten vraagt heldere verwerkersafspraken en versleuteling. Zonder deze basis mag veel gewoon niet.
Inkoop speelt ook een rol. Europese instellingen en Nederlandse overheden stellen op het moment van schrijven strengere eisen aan cloud en beveiliging. Leveranciers van tools als Microsoft Copilot, Google Workspace met Gemini of OpenAI API’s moeten aantonen hoe data worden opgeslagen en gebruikt. Transparantie over trainingsdata en logbestanden wordt daarmee een harde voorwaarde.
Effect blijft lastig meten
Productiviteitseffecten van nieuwe technologie komen vaak met vertraging. Eerst investeren organisaties in tooling, training en reorganisatie. De baten volgen pas nadat processen zijn aangepast. Dat patroon zagen we eerder bij pc’s en internet, en nu opnieuw bij generatieve AI.
Bovendien zijn veel voordelen immaterieel. Betere kwaliteit, snellere besluitvorming en minder fouten zijn moeilijk in cijfers te vangen. Officiële statistieken lopen achter op wat op de werkvloer gebeurt. Daardoor lijkt de opbrengst kleiner dan die in werkelijkheid is.
Arbeidsproductiviteit is de waarde die een economie of organisatie produceert per gewerkt uur. Het is een kernmaat voor welvaart en loonruimte.
Metingen verschillen ook per taak. Programmeurs merken sneller effect met GitHub Copilot dan juristen met een tekstrobot. In veel functies geldt: wie al efficiënt werkte, haalt minder winst uit automatisering. Vergelijkingen tussen teams en sectoren blijven daarom beperkt.
Nederland kiest voor behoedzaamheid
Gemeenten, uitvoeringsdiensten en onderwijsinstellingen testen slimme schrijfhulpen en zoekassistenten. Vaak gebeurt dit in afgeschermde omgevingen met beperkte datasets. Dat past bij de AVG en bij het uitgangspunt “privacy by design”. Maar het beperkt de snelle schaal van experiment naar productie.
De Autoriteit Persoonsgegevens hamert op heldere doelen en uitleg bij algoritmen. Dat vraagt om logboeken, impactanalyses en duidelijke verantwoordelijkheden. Nederlandse organisaties bouwen daarom governance in: wie mag wat doen, met welk model en welke data. Die structuur maakt gebruik veiliger, maar kost tijd.
Voor bedrijven geldt dat contracten met aanbieders als OpenAI, Google en Microsoft steeds preciezer worden. Denk aan dataretentie, Europese datalokaties en rechten op trainingsdata. Juridische zekerheid is nodig om AI breder in te zetten, zeker in zorg en financiële diensten. Tot die zekerheid er is, blijft de uitrol gefaseerd.
Wat nu wel werkt
Kleine, afgebakende taken leveren het meest op. Denk aan sjablonen voor offertes, eerste concepten van rapporten en het opschonen van datasets. Teams die vaste kwaliteitscontroles inbouwen, zien minder herstelwerk. Zo wordt tijdwinst duurzaam.
Open source-modellen en compacte taalmodellen op eigen servers winnen terrein. Ze geven meer controle over data en kosten. Europese organisaties testen varianten die lokaal draaien, met beperkte maar voldoende kwaliteit. Dat is aantrekkelijk voor privacygevoelige processen.
Scholing is de doorslaggevende factor. Medewerkers die AI-systemen goed leren aansturen, halen meer waarde uit dezelfde tools. Korte, taakgerichte trainingen werken het best. Zo groeit productiviteit stap voor stap, niet in één grote sprong.