TNO waarschuwt dat kunstmatige intelligentie niet automatisch leidt tot hogere productiviteit in Nederland. De onderzoeksorganisatie presenteerde deze week een analyse in Den Haag. Aanleiding is de snelle inzet van generatieve systemen zoals ChatGPT, Microsoft Copilot en Google Gemini op kantoor. TNO ziet kansen, maar benadrukt dat winst alleen ontstaat met goede data, nieuwe werkprocessen en scholing.
Productiviteitswinst niet vanzelf
Generatieve AI kan teksten schrijven, code maken en data samenvatten. Toch levert dat niet vanzelf meer output per gewerkt uur op. Bedrijven moeten taken herontwerpen en resultaten controleren. Zonder die stappen verschuift werk vooral, in plaats van dat het sneller of beter wordt.
De bekende ‘productiviteitsparadox’ speelt ook nu. In pilots zijn de effecten vaak positief op individuele taken. Op organisatieniveau vallen voordelen weg door afstemming, foutenherstel en wachttijden. Dat verklaart waarom macro-effecten traag zichtbaar zijn.
TNO wijst erop dat meetmethoden nog rammelen. Veel teams meten tijdwinst, maar niet de kwaliteitsimpact. Ook risico’s, zoals extra correctiewerk door hallucinaties, blijven soms buiten beeld. Betere meetkaders zijn nodig om investeringen te sturen.
Productiviteit is de hoeveelheid bruikbare output per uur arbeid, gecorrigeerd voor kwaliteit.
Voorwaarde: goede datahuishouding
Algoritmen presteren alleen goed met schone, vindbare en toegankelijke data. Dat vraagt dataminimalisatie, duidelijke bewaartermijnen en versleuteling. De AVG verplicht dit al, inclusief een DPIA bij hoge risico’s. Zonder deze basis blijft AI-output wisselvallig en juridisch kwetsbaar.
De Europese AI-verordening (AI Act) brengt extra plichten voor inzet in risicovolle processen. Denk aan documentatie, menselijk toezicht en incidentmeldingen. Overheden en zorginstellingen moeten hier extra scherp op zijn. Zij verwerken vaak gevoelige gegevens en staan onder toezicht.
Ook leverancierskeuze telt mee. Cloudtools van grote Amerikaanse aanbieders zijn snel inzetbaar, maar kunnen tot lock-in leiden. Europese alternatieven en open-modellen zoals Llama 3 en Mistral vragen meer inrichting, maar geven meer controle over data. Een heldere exitstrategie beperkt toekomstige kosten.
Vaardigheden en organisatie cruciaal
Medewerkers moeten leren om AI-uitslagen te beoordelen. Dit heet ‘kritisch verifiëren’: je controleert bronnen, aannames en rekenstappen. Training in prompten en in basale data-ethiek helpt fouten voorkomen. Zonder vaardigheden neemt de kans op verkeerde besluiten toe.
Organisatieontwerp is even belangrijk. Wie is eigenaar van een AI-uitkomst, en wie fiatteert? Heldere rollen en checklists versnellen werk en beperken juridische risico’s. Een ‘human-in-the-loop’ werkt alleen met tijd, mandaat en verantwoordelijkheid.
In Nederland hebben ondernemingsraden instemmingsrechten bij systemen die arbeid controleren of beoordelen. Betrek hen vroeg bij AI-plannen. Dat verkleint weerstand en verbetert de borging van privacy en veiligheid. Het sluit aan bij de eisen voor menselijk toezicht in de AI-verordening.
Sterke verschillen per sector
Kenniswerkers in advies, IT en marketing zien vaak snelle winst. Taken als samenvatten, coderen en vertalen lenen zich goed voor modellen. In de maakindustrie en logistiek zijn effecten pas zichtbaar na aanpassing van processen en IT-koppelingen. Daar zit de waarde vooral in planning en kwaliteitscontrole.
In de zorg en het onderwijs gelden extra waarborgen. Patiënt- en leerlinggegevens vallen onder strenge AVG-regels. Bovendien zijn fouten maatschappelijk kostbaar. Hier is uitlegbare AI nuttiger dan pure snelheid.
De overheid kan generatieve systemen inzetten voor brieven, wetsduiding en service-antwoorden. Maar de Wet open overheid vraagt herleidbaarheid van besluiten. Dat botst met gesloten modellen die hun bronnen niet tonen. Transparante logging en modelkeuze worden daarom beleidsbeslissingen.
Regelgeving rem en richting
De AI-verordening verdeelt toepassingen in risicoklassen. Hoog-risico-systemen krijgen zwaardere eisen, zoals kwaliteitsbeheer, datagovernance en menselijk toezicht. Generatieve ‘general-purpose’ modellen moeten duidelijke gebruiksbeperkingen en contentmarkering bieden. Op het moment van schrijven treden verplichtingen gefaseerd in werking vanaf 2025.
Voor Nederlandse organisaties betekent dit grotere aandacht voor documentatie en audit. Denk aan modelversies, trainingsdata en evaluatietests. Overheden moeten daarbij ook rekening houden met aanbestedingsregels. Transparantie-eisen maken black-box-tools minder aantrekkelijk.
De AVG blijft leidend voor persoonsgegevens. Delen van klant- of medewerkersdata met leveranciers vraagt een verwerkersovereenkomst. Anonimiseren of pseudonimiseren kan risico’s verlagen. Zonder deze basis kunnen boetes en reputatieschade de baten overtreffen.
Slim invoeren en meten
Kleine, afgebakende pilots werken het best. Kies taken met duidelijke kwaliteitscriteria en meet zowel tijdwinst als foutenlast. Vergelijk AI-gebruikers met een controlegroep. Evalueer vervolgens op team- en procesniveau.
Stel randvoorwaarden vast vóór opschalen. Beperk toegang tot gevoelige data, leg interventiepunten vast en voer steekproeven uit. Gebruik modelkaarten en evaluatiesets die aansluiten op uw domein. Zo blijft kwaliteit voorspelbaar.
Tot slot helpt keuzevrijheid in tooling. Waar mogelijk is een model-agnostische architectuur verstandig. Dan kunt u wisselen tussen GPT-4o, Gemini, Claude of een Europees open model zonder grote herbouw. Dat houdt kosten en risico’s beheersbaar en vergroot de kans op echte productiviteitswinst.