Nederlandse bedrijven en overheden zetten ChatGPT van OpenAI, Microsoft Copilot en Google Gemini in om sneller te werken. De belofte is meer efficiëntie en lagere kosten op kantoor. Deze weken laait het debat op in Nederland en Europa of dat realistisch is. Critici waarschuwen dat dit denken tekortschiet en zelfs nieuwe risico’s en kosten kan toevoegen, ook door regels uit de Europese AI-verordening.
Efficiëntiebelofte botst met praktijk
Leveranciers presenteren kunstmatige intelligentie als snel antwoord op volle inboxen en rapportages. Tools als Copilot, Gemini en Anthropic Claude beloven samenvattingen, eerste versies en codevoorstellen. Dat klinkt als tijdwinst, maar organisaties ervaren dat controle en herwerk vaak nodig zijn. Daardoor schuift tijdverlies op naar andere stappen in het proces.
Generatieve modellen kunnen hallucineren, wat betekent dat een systeem overtuigend onjuiste informatie verzint. Medewerkers moeten bronnen controleren en feitelijke claims verifiëren. Deze controle kost tijd en vakkennis, zeker bij juridische, financiële of publieke taken. De verleiding om “meer” te produceren leidt zo tot extra beoordelingsrondes.
Er ontstaan ook coördinatiekosten. Wie conceptteksten van een algoritme ontvangt, vraagt sneller om varianten, vertalingen of visuals, die weer beoordeeld moeten worden. De stroom aan concepten vergroot het aantal beslismomenten in plaats van het te verkleinen. Efficiëntie in één stap kan zo inefficiëntie in de keten veroorzaken.
AI maakt werk intensiever
Bij inzet van algoritmen schuift verantwoordelijkheid niet weg maar juist naar medewerkers. Zij moeten toetsen of uitkomsten kloppen, uitlegbaar zijn en passen bij beleid. Dat vergroot de mentale belasting en vraagt extra training. Ook leidinggevenden moeten tijd vrijmaken voor kwaliteitsnormen en escalaties.
In Nederlandse organisaties geldt het instemmingsrecht van de ondernemingsraad bij systemen die personeel volgen of beoordelen. Als AI-suites rapporteren over toetsaanslagen, tijdsbesteding of prestatie, vereist dat duidelijke afspraken. Vakbonden als FNV en CNV waarschuwen al langer voor werkdruk en verantwoording zonder zeggenschap. Transparante doelen en meetbare kwaliteitscriteria zijn daarom nodig vóór brede uitrol.
Daarnaast ontstaan aansprakelijkheidsvragen bij fouten. Bij klantadvies, zorg, onderwijs of overheid kan een misleidend AI-antwoord directe gevolgen hebben. Wie is dan verantwoordelijk: de medewerker, de leidinggevende of de leverancier van het model? Zonder heldere rolverdeling nemen juridische risico’s toe.
Gevolgen AI-verordening voor overheid
De Europese AI-verordening (AI Act) classificeert toepassingen op risico. Chatbots vallen vaak in “beperkt risico” met transparantieplichten, maar inzet voor selectie van personeel of toekenning van publieke diensten kan “hoog risico” zijn. Dan gelden zwaardere eisen, zoals risicobeheer, data-kwaliteit en menselijke controle. Overheden en bedrijven moeten dit per use-case vastleggen.
De AVG blijft ook leidend. Wie AI-tools inzet met persoonsgegevens moet dataminimalisatie toepassen, versleuteling regelen en een verwerkersovereenkomst sluiten. Voor veel scenario’s is een Data Protection Impact Assessment verplicht. Gebruik van clouddiensten buiten de EU vraagt extra aandacht voor doorgifte en passende waarborgen.
Voor publieke instellingen betekent dit dat snelheid niet boven zorgvuldigheid kan gaan. Inkoop en pilots moeten rekening houden met auditlogs, explainability en bewaartermijnen. Open modellen, zoals Llama 3 van Meta, kunnen on-premise draaien en daarmee privacy helpen, maar vergen eigen beveiliging en beheer. De keuze tussen gesloten en open technologie wordt zo een governance-beslissing, geen puur technische.
Productiviteit is meer dan output
Veel organisaties meten vooral aantallen: e-mails verwerkt, tickets gesloten, woorden geschreven. Dat zegt weinig over kwaliteit, veiligheid en vertrouwen. AI kan het aantal documenten verhogen, terwijl fouten en misverstanden toenemen. Productiviteit moet daarom worden herijkt op eindresultaat en foutkans, niet alleen op snelheid.
In klantcontact en publieke dienstverlening telt begrijpelijkheid en rechtvaardigheid zwaarder dan volume. Een samenvatting die nuances verliest kan klachten of bezwaarprocedures opleveren. De verborgen kosten hiervan zijn hoog en komen pas later in beeld. Hetzelfde geldt voor software: sneller genereren is zinloos als onderhoud en bugs daarna exploderen.
Efficiëntie is hetzelfde resultaat bereiken met minder tijd, geld of energie — niet een groter volume met meer controlewerk.
Heldere definities voorkomen schijnwinst. Vooraf bepalen wat “goed” is, helpt om AI-uitvoer te toetsen. Denk aan foutbudgetten, kwaliteitsdrempels en steekproefcontroles. Zo wordt zichtbaar of een datamodel werkelijk waarde toevoegt.
Stapsgewijs invoeren, niet opschalen
Kleine pilots met duidelijke doelen werken beter dan brede uitrol. Start met laag-risicotaken, zoals interne conceptteksten zonder persoonsgegevens. Meet end-to-end-tijd inclusief review en correcties, niet alleen generatietijd. Vergelijk met een controlegroep om placebo-effecten te vermijden.
Leg governance vast voordat het aantal gebruikers groeit. Richt toegangsrechten, logging en bewaartermijnen in, en beschrijf menselijke eindverantwoordelijkheid. Train medewerkers in basisbegrippen als hallucinaties en promptstrategie, en maak afspraken over bronvermelding. Zo blijft het systeem uitlegbaar en toetsbaar.
Kies technologie passend bij het doel. Soms volstaat een zoekfunctie of sjabloon in plaats van een groot taalmodel. Waar privacy gevoelig is, kan een lokaal model of EU-gehoste dienst uitkomst bieden. En als AI niet overtuigend beter is dan de bestaande werkwijze, is niet invoeren ook een rationele keuze.