Samenvatting
Je medewerkers gebruiken AI waarschijnlijk vaker dan je denkt. Maar dat betekent niet dat je als leidinggevende ieder AI-resultaat moet wantrouwen — of juist enthousiast moet omarmen.
Een groot veldexperiment met 758 consultants laat iets veel interessanters zien. Bij taken die binnen het kunnen van AI vielen, steeg de kwaliteit van het werk met meer dan 40 procent. Bij een taak buiten die grens kwamen consultants mét AI juist aanzienlijk minder vaak tot de juiste oplossing.
Het lastige: aan de ervaren moeilijkheid van een taak kun je niet goed zien aan welke kant van die grens je zit.
Daarom vraagt AI niet minder leiderschap, maar beter leiderschap. Je moet niet alleen vragen of iemand AI heeft gebruikt, maar vooral: hoe is het resultaat tot stand gekomen, wat is gecontroleerd en wie neemt er verantwoordelijkheid voor?
Je team gebruikt AI. Maar weet jij waarvoor?
Je krijgt een rapport toegestuurd.
Het is helder opgebouwd. De formuleringen zijn goed. De samenvatting staat keurig bovenaan. Geen spelfouten. Geen rare zinnen.
En toch denk je:
Heeft hij dit zelf geschreven?
Een andere medewerker stuurt ineens in twintig minuten een analyse waarvoor vroeger een halve dag nodig was.
En tijdens een overleg blijkt een collega verrassend goed voorbereid op een onderwerp waar ze vorige week nog weinig vanaf wist.
Misschien is AI gebruikt.
Misschien ook niet.
Maar eigenlijk is dát niet eens de belangrijkste vraag.
De belangrijkere vraag is:
Weet jij als leidinggevende waar je medewerkers AI voor gebruiken, hoe ze de uitkomsten controleren en wanneer ze besluiten het systeem juist níét te volgen?
Want AI verandert niet alleen hoe mensen werken. Het verandert ook jouw werk als leidinggevende.
AI-gebruik gebeurt voor een deel buiten het zicht van de werkgever
Deloitte UK ondervroeg in 2026 25.000 werkenden in het Verenigd Koninkrijk over het gebruik van generatieve AI op het werk.
63 procent gaf aan generatieve AI voor het werk te hebben gebruikt.
Een cijfer springt er voor mij uit:
31 procent van de GenAI-gebruikers gaf aan AI te gebruiken zonder dat de werkgever daarvan wist.
Bijna de helft gebruikte gratis beschikbare tools en ongeveer de helft van de AI-gebruikers gaf aan geen formele training te hebben gekregen over veilig en effectief gebruik.
Belangrijk: dit is Brits vragenlijstonderzoek. Het is dus niet automatisch één op één te vertalen naar een Nederlands of Vlaams team.
Maar het signaal is wel relevant.
AI-gebruik kan sneller ontstaan dan jouw afspraken, opleidingen en leiderschap eromheen.
Dat wordt soms shadow AI genoemd: medewerkers gebruiken generatieve AI in hun werk zonder dat de organisatie precies weet welke systemen worden gebruikt en waarvoor. Deloitte rapporteert dat dit bij bijna een derde van de Britse GenAI-gebruikers voorkomt.
Daar kun je van schrikken.
Je kunt ook een betere vraag stellen:
Waarom zou een medewerker het mij niet vertellen?
Misschien omdat niet duidelijk is wat mag.
Misschien omdat iemand bang is dat je het afkeurt.
Misschien omdat er simpelweg nooit over gesproken wordt.
En daar wordt AI ineens een leiderschapsvraag.
Binnen het IMPACT Leiderschapswiel raakt dit onder andere aan de M: Mijn team is er klaar voor. Een volwassen team kan open bespreken hoe het werk tot stand komt — ook als daar AI bij wordt gebruikt.
Vertrouwen betekent niet dat je alles zomaar accepteert.
Vertrouwen betekent ook dat mensen twijfel, fouten en hulpmiddelen bespreekbaar durven maken.
De belangrijkste les uit AI-onderzoek: de grens is gekarteld
Misschien denk je:
Dan spreken we gewoon af dat mensen AI alleen gebruiken voor eenvoudige taken.
Dat klinkt logisch.
Alleen: onderzoek laat zien waarom die regel niet zo goed werkt.
Onderzoekers werkten samen met Boston Consulting Group aan een groot veldexperiment met 758 consultants. De consultants kregen realistische opdrachten en werden willekeurig verdeeld over verschillende condities: werken zonder AI, werken met GPT-4 en werken met GPT-4 plus aanvullende instructies.
De resultaten waren opvallend.
Voor een verzameling taken die binnen het kunnen van het AI-systeem lagen, presteerden mensen met AI aanzienlijk beter.
Ze:
- voltooiden gemiddeld 12,2 procent meer taken;
- werkten gemiddeld 25,1 procent sneller;
- en leverden werk af dat door menselijke beoordelaars meer dan 40 procent hoger in kwaliteit werd beoordeeld.
Dat klinkt als een overtuigend pleidooi om AI zo snel mogelijk overal in te zetten.
Tot je naar een andere taak in hetzelfde onderzoek kijkt.
Daar gebeurde het tegenovergestelde.
Voor een complexe managementopdracht die bewust buiten de capaciteit van het AI-systeem was gekozen, kwamen consultants met AI duidelijk minder vaak tot de juiste oplossing dan consultants die zonder AI werkten. Het gerapporteerde verschil bedroeg ongeveer 19 procentpunt.
Dezelfde professionals.
Dezelfde technologie.
Een compleet ander effect.
De onderzoekers noemen dit de jagged technological frontier: de gekartelde technologische grens.
Wat is de ‘jagged technological frontier’?
De jagged technological frontier betekent dat de grens van wat AI wel en niet goed kan, niet netjes samenvalt met wat wij als eenvoudig of moeilijk ervaren.
En dat vind ik misschien wel het belangrijkste inzicht uit het hele onderzoek.
Hoe moeilijk een taak voor jou aanvoelt, voorspelt niet automatisch hoe moeilijk die taak voor AI is.
Twee opdrachten kunnen voor een medewerker ongeveer even ingewikkeld lijken.
AI kan opdracht A uitstekend uitvoeren.
En bij opdracht B overtuigend de mist ingaan.
De grens loopt niet recht.
Ze is gekarteld.
Het gepubliceerde onderzoek omschrijft expliciet dat AI prestaties kan verbeteren of verslechteren bij taken die onderdeel zijn van dezelfde kennisworkflow en voor mensen een vergelijkbare moeilijkheid lijken te hebben.
Dat heeft een belangrijke consequentie voor jouw leiderschap.
Je kunt niet simpelweg afspreken:
‘Gebruik AI voor gemakkelijke taken en doe moeilijke dingen zelf.’
De werkelijkheid is ingewikkelder.
AI kan juist minder sterke medewerkers sterk vooruithelpen
Er zit nog een interessante bevinding in het BCG-onderzoek.
Binnen de taken waarvoor AI goed geschikt was, profiteerden niet alle consultants even sterk.
De consultants die vooraf lager scoorden, verbeterden hun prestaties sterker dan degenen die vooraf al bovengemiddeld presteerden. In de oorspronkelijke analyse werd voor de groep onder het gemiddelde een verbetering van ongeveer 43 procent gerapporteerd, tegenover ongeveer 17 procent voor de groep daarboven.
Dat kan positief zijn.
Een medewerker die moeite heeft met structuur, schrijven of analyseren kan met AI sneller tot een bruikbaar uitgangspunt komen.
Maar er zit ook een leiderschapsvraag onder.
Want wat gebeurt er wanneer iemand steeds een goed eindproduct oplevert, maar de onderliggende vaardigheid zelf onvoldoende ontwikkelt?
Als een junior medewerker iedere eerste analyse door AI laat maken, ziet zijn werk er misschien sneller professioneel uit.
Maar leert hij ook analyseren?
Als iemand iedere moeilijke mail door een taalmodel laat formuleren, wordt de communicatie misschien beter.
Maar leert hij zelf een moeilijk gesprek voorbereiden?
En als AI voortdurend de eerste oplossingsrichting produceert:
leert iemand dan nog om eerst zelf het probleem te begrijpen?
AI kan prestaties versterken.
Dat betekent nog niet automatisch dat AI ook ontwikkeling versterkt.
Daar zit voor jou als leidinggevende een belangrijk verschil.
Waarom sommige mensen AI na één fout volledig afschrijven
Je ziet waarschijnlijk twee uitersten in organisaties.
De eerste medewerker zegt:
“AI is fantastisch. Ik gebruik het overal voor.”
De tweede zegt:
“Ik heb het één keer geprobeerd. Er stond complete onzin in. Ik gebruik het nooit meer.”
Ook die tweede reactie is interessant.
Dietvorst, Simmons en Massey onderzochten dit verschijnsel in vijf studies. Hun onderzoek verscheen in 2015 in Journal of Experimental Psychology: General.
De onderzoekers lieten mensen voorspellingen van mensen en algoritmes beoordelen.
Wat bleek?
Mensen verloren na het zien van een fout sneller vertrouwen in een algoritme dan in een menselijke voorspeller die een vergelijkbare fout maakte.
Zelfs wanneer deelnemers hadden gezien dat het algoritme gemiddeld beter presteerde, kon het zien van fouten ervoor zorgen dat zij daarna liever voor de minder accurate menselijke voorspeller kozen.
De onderzoekers noemden dit algorithm aversion — algoritme-aversie.
Een belangrijke nuance: dit onderzoek ging over voorspellende algoritmes, niet over moderne generatieve AI zoals ChatGPT.
Je kunt het daarom niet zonder meer vertalen naar ieder hedendaags AI-systeem.
Maar het psychologische mechanisme is relevant:
we beoordelen fouten van technologie niet altijd op dezelfde manier als fouten van mensen.
Dat betekent dat je in je team twee verkeerde reacties wilt voorkomen:
- blind vertrouwen omdat AI meestal overtuigend klinkt;
- en blind wantrouwen omdat AI één keer zichtbaar fout zat.
Geen van beide helpt.
Goed AI-gebruik vraagt om gekalibreerd vertrouwen
Het doel is dus niet dat jouw team AI vertrouwt.
Het doel is ook niet dat jouw team AI wantrouwt.
Het doel is gekalibreerd vertrouwen.
Dat betekent:
veel vertrouwen wanneer daar goede redenen voor zijn en weinig vertrouwen wanneer controle nodig is.
Bij sommige taken kan AI uitstekend helpen.
Bij andere taken wil je bronnen controleren, berekeningen narekenen, aannames blootleggen of deskundige mensen laten meekijken.
En soms wil je AI helemaal niet gebruiken.
Niet omdat de technologie ‘goed’ of ‘slecht’ is.
Maar omdat de taak en het risico daarom vragen.
Daarmee wordt duidelijk wat er voor jou als leidinggevende verandert.
Vier dingen die AI verandert aan jouw werk als leidinggevende
1. Vraag niet alleen naar het resultaat, maar naar de herkomst
Een verzorgd document vertelt je steeds minder over hoeveel denkwerk eraan voorafging.
Een tekst zonder spelfouten kan uitstekend doordacht zijn.
Of volledig door AI gegenereerd.
De vorm geeft je minder informatie dan vroeger.
Vraag daarom vaker:
- Hoe ben je tot deze conclusie gekomen?
- Welke bronnen heb je gebruikt?
- Waar heb je AI ingezet?
- Wat heb je zelf gecontroleerd?
- Welke aannames heb je getest?
Dat is geen wantrouwen.
Dat is professioneel leidinggeven in een andere werkomgeving.
2. Beoordeel het denkproces, niet alleen het eindproduct
Stel dat een medewerker je een uitstekende analyse geeft.
Vraag dan eens:
“Welke alternatieven heb je overwogen?”
Of:
“Wat zou ervoor kunnen zorgen dat deze conclusie fout is?”
Of:
“Waar zit volgens jou het grootste risico in deze analyse?”
Dit zijn goede coachvragen, los van AI.
Maar ze worden belangrijker wanneer een medewerker met één prompt een professioneel ogend antwoord kan produceren.
Hier raakt AI rechtstreeks aan de C van het IMPACT Leiderschapswiel: Coachen van mijn team.
Niet door het denkwerk van je medewerker over te nemen.
Wel door te helpen dat denkwerk sterker te maken.
3. Maak expliciete afspraken over AI-gebruik
Veel leidinggevenden stellen dit uit.
Ze kennen de technologie onvoldoende.
Ze weten niet welke tool volgende maand dominant is.
Of ze zijn bang om regels te maken die meteen achterhaald zijn.
Maar je hoeft geen AI-expert te zijn om heldere afspraken te maken.
Begin bijvoorbeeld met drie categorieën:
Dit mag.
Bijvoorbeeld brainstormen, teksten structureren of een eerste samenvatting maken van niet-vertrouwelijke informatie.
Dit mag niet.
Bijvoorbeeld vertrouwelijke persoonsgegevens invoeren in een niet-goedgekeurde openbare tool.
Hierover overleggen we eerst.
Bijvoorbeeld beslissingen met grote financiële, juridische, personele of reputatierisico’s.
Dat past bij de A van IMPACT: Aanpakken van verbeterpunten.
Niet alles verbieden.
Niet alles loslaten.
Wel helder zijn.
4. Maak duidelijk wie verantwoordelijk blijft
Misschien is dit de belangrijkste afspraak:
Wie het werk inlevert, blijft verantwoordelijk voor de inhoud.
“AI zei het” is geen professioneel argument.
Net zoals “Excel berekende het” geen excuus is wanneer je verkeerde gegevens hebt ingevoerd.
De medewerker die een analyse, advies, rapport of voorstel indient, moet er voldoende achter kunnen staan om het toe te lichten en te verdedigen.
AI kan ondersteunen.
Verantwoordelijkheid kun je niet uitbesteden.
Vier vragen voor je volgende teamoverleg
Je hoeft hiervoor geen werkgroep op te richten.
Plan twintig minuten tijdens een bestaand overleg en stel vier vragen:
1. Waar gebruiken wij AI vandaag al voor?
Niet:
“Wie gebruikt ChatGPT?”
Maar:
“Bij welke taken helpt AI jou vandaag?”
Dat gesprek is veel minder bedreigend en levert meer informatie op.
2. Waar werkt het verrassend goed?
Maak zichtbaar op welke terugkerende taken AI werkelijk waarde toevoegt.
Niet op basis van gevoel.
Op basis van ervaring.
3. Waar hebben we AI al fouten zien maken?
Dit is misschien de interessantste vraag.
Gebruik fouten niet onmiddellijk als reden om een tool te verbieden.
Gebruik ze om samen beter te begrijpen waar jullie eigen gekartelde grens ligt.
4. Welke resultaten moeten we altijd controleren?
Niet elke fout heeft dezelfde gevolgen.
Een slechte formulering in een interne brainstorm is iets anders dan een verkeerde berekening in een klantadvies.
Bepaal daarom niet alleen waar AI wordt gebruikt, maar vooral waar menselijke verificatie noodzakelijk blijft.
Een praktische oefening: teken jullie eigen AI-grens
Neem vijf tot tien terugkerende taken uit jullie team.
Bijvoorbeeld:
- een e-mail schrijven;
- een rapport samenvatten;
- klantgegevens analyseren;
- een juridisch document interpreteren;
- ideeën voor een campagne genereren;
- een planning maken;
- een beslissing voorbereiden.
Maak vervolgens vier kolommen:
| Taak | Waar helpt AI? | Waar kan het fout gaan? | Welke controle is nodig? |
|---|---|---|---|
| Rapport samenvatten | Snel hoofdpunten vinden | Belangrijke nuance missen | Origineel naast samenvatting leggen |
| Klantadvies voorbereiden | Structuur en opties | Verkeerde feiten of aannames | Expertcontrole |
| Ideeën genereren | Veel opties in korte tijd | Generieke of vergelijkbare ideeën | Menselijke selectie |
| E-mail opstellen | Formuleren en structureren | Toon past niet bij situatie | Afzender leest en past aan |
Doe dit niet één keer om vervolgens een procedure in een map te stoppen.
Herhaal het.
De AI verandert.
Jullie ervaring verandert.
En dus verschuift die grens.
Drie denkfouten over AI en leidinggeven
“We verbieden AI gewoon”
Dat kan in bepaalde situaties noodzakelijk zijn, bijvoorbeeld vanwege informatiebeveiliging of regelgeving.
Maar verwacht niet dat een verbod op zichzelf ervoor zorgt dat er geen AI meer wordt gebruikt.
Het Britse Deloitte-onderzoek laat in ieder geval zien dat een aanzienlijk deel van de werknemers generatieve AI gebruikt zonder dat de werkgever daarvan op de hoogte is. Dat bewijst niet dat verboden niet werken, maar wel dat beleid zonder gesprek, training en zicht op de praktijk onvoldoende kan zijn.
“Voor gemakkelijke dingen gebruiken we AI, voor moeilijke niet”
Juist het BCG-onderzoek laat zien waarom deze regel te eenvoudig is.
De grens van AI-capaciteiten loopt niet netjes gelijk met de menselijke inschatting van moeilijkheid.
De vraag is dus niet alleen:
Hoe moeilijk is de taak?
Maar:
Hoe goed blijkt AI juist bij deze taak te functioneren, en hoe controleren we dat?
“AI is iets voor IT”
IT is belangrijk.
Welke systemen zijn toegestaan?
Waar worden gegevens opgeslagen?
Welke beveiliging is nodig?
Dat zijn belangrijke vragen.
Maar daarmee is jouw werk als leidinggevende niet klaar.
Want jij blijft verantwoordelijk voor vragen zoals:
- Wat doet AI met de kwaliteit van het werk?
- Wat doet het met de ontwikkeling van medewerkers?
- Welke controle verwachten we?
- Wie neemt verantwoordelijkheid?
- Kunnen mensen fouten open bespreken?
- Wanneer moet iemand zelf nadenken voordat AI wordt ingezet?
Dat zijn geen technische vragen.
Dat zijn leiderschapsvragen.
Wat zegt het onderzoek wel — en wat niet?
Wetenschappelijk onderzoek wordt pas bruikbaar wanneer je ook de grenzen ervan respecteert.
Daarom drie belangrijke nuances.
Het BCG-onderzoek bewijst niet dat AI altijd 40 procent betere resultaten geeft
Het experiment werd uitgevoerd met 758 hoogopgeleide consultants en met GPT-4, op zorgvuldig ontworpen consultingtaken.
De uitkomsten zijn dus geen universele productiviteitsbelofte voor iedere medewerker, organisatie, taak of nieuw AI-model.
Wat het onderzoek vooral overtuigend laat zien, is het verschil tussen taken binnen en buiten de capaciteit van het systeem.
Het Deloitte-onderzoek gaat over het Verenigd Koninkrijk
De 31 procent shadow-AI-gebruikers komt uit een enquête onder Britse werkenden.
Gebruik het daarom als signaal, niet als voorspelling dat exact 31 procent van jouw Nederlandse of Vlaamse medewerkers hetzelfde doet.
Het onderzoek naar algoritme-aversie ging niet over ChatGPT
Dietvorst, Simmons en Massey onderzochten hoe mensen reageerden op voorspellende algoritmes.
Het onderzoek laat overtuigend zien dat mensen fouten van algoritmes relatief zwaar kunnen bestraffen, maar het is wetenschappelijk te kort door de bocht om te beweren dat iedere reactie op generatieve AI daarmee volledig verklaard is.
Die nuances maken de boodschap niet zwakker.
Ze maken haar betrouwbaarder.
De kern: AI vraagt niet minder leiderschap, maar beter leiderschap
Je team zal steeds meer mogelijkheden krijgen om AI te gebruiken.
Sommige toepassingen gaan de kwaliteit van het werk verbeteren.
Andere toepassingen gaan vooral tijd besparen.
En er zullen momenten zijn waarop AI mensen juist overtuigender de verkeerde kant op stuurt.
Het lastige is dat je aan de buitenkant niet altijd kunt zien welke situatie je voor je hebt.
Daarom verschuift jouw werk.
Minder:
“Heb je het goed gedaan?”
Meer:
“Hoe weet je dat dit klopt?”
Minder:
“Heb je AI gebruikt?”
Meer:
“Waar heeft AI je geholpen en wat heb je daarna zelf gecontroleerd?”
Minder controleren om controle.
Meer bewustwording, eigenaarschap en professioneel oordeel.
Dat past precies bij hoe ik naar leiderschap kijk.
In Leidinggeven met IMPACT begint leiderschap met bewust worden van wat je doet en welk effect dat heeft. In In 10 stappen een topteam staat verantwoordelijkheid niet alleen bij de teamleider: ook teamleden moeten leiderschap nemen.
AI verandert dat uitgangspunt niet.
Het maakt het urgenter.
Want hoe krachtiger het hulpmiddel wordt, hoe belangrijker het wordt dat iemand bewust blijft nadenken over wanneer en waarom hij het inzet.
Begin daarom niet met een AI-beleid van twintig pagina’s.
Begin met één gesprek.
Vraag je team:
“Waar helpt AI ons vandaag al echt — en waar vertrouwen we het misschien te gemakkelijk?”
Luister naar de antwoorden.
Waarschijnlijk begint daar jouw belangrijkste AI-beleid.
Veelgestelde vragen over AI en leidinggeven
Wat betekent AI voor leidinggevenden?
AI verandert vooral de manier waarop je kwaliteit, ontwikkeling en verantwoordelijkheid beoordeelt. Omdat AI snel professioneel ogende resultaten kan produceren, wordt het belangrijker om ook te vragen naar het proces, de gebruikte bronnen, controles en onderliggende afwegingen.
Kun je aan de moeilijkheid van een taak zien of AI er goed in is?
Nee. Het BCG-veldexperiment laat zien dat AI-capaciteiten een ‘gekartelde grens’ hebben. Taken die voor mensen ongeveer even moeilijk lijken, kunnen voor AI heel verschillend uitpakken.
Moet een medewerker vertellen dat hij AI gebruikt?
Organisaties moeten hierover zelf heldere afspraken maken. Voor leiderschap is vooral belangrijk dat transparantie normaal wordt wanneer AI invloed kan hebben op kwaliteit, vertrouwelijkheid, belangrijke beslissingen of de betrouwbaarheid van het resultaat.
Hoe voorkom je dat medewerkers AI blind vertrouwen?
Vraag medewerkers niet alleen het resultaat te tonen, maar ook belangrijke bronnen, aannames, alternatieven en controles. Spreek daarnaast af bij welke typen taken menselijke verificatie altijd nodig is.
Is een AI-verbod verstandig?
Bij specifieke risico’s kan een verbod noodzakelijk zijn. Als algemene leiderschapsstrategie is alleen verbieden echter onvoldoende. Je hebt daarnaast heldere kaders, gesprekken, training, veilige tools en opvolging nodig.
Conclusie
AI is geen onderwerp dat je volledig bij IT kunt neerleggen.
Het raakt rechtstreeks aan leiderschap.
Het BCG-experiment laat zien waarom: dezelfde AI kan bij de ene taak de kwaliteit met meer dan 40 procent verhogen en bij een andere taak de kans op een correct antwoord fors verkleinen.
Deloitte laat tegelijkertijd zien dat werknemers AI al op grote schaal gebruiken en dat een deel daarvan buiten het zicht van de werkgever gebeurt.
En onderzoek naar algoritme-aversie herinnert ons eraan dat mensen ook niet altijd rationeel omgaan met fouten van technologie.
Dus hoef je als leidinggevende niet ieder nieuw AI-model te begrijpen.
Je moet wel het gesprek organiseren.
Wat gebruiken we?
Waarvoor?
Wanneer helpt het?
Wanneer controleren we?
En wie blijft verantwoordelijk?
De technologie mag nieuw zijn.
Dat deel van leidinggeven is dat niet.
Leider, sta op. Blijf nieuwsgierig, maak duidelijke afspraken en zorg dat jouw mensen niet alleen sneller werken met AI, maar ook bewust blijven nadenken.
Wetenschappelijke verantwoording
Dell’Acqua, F., McFowland III, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F. & Lakhani, K. R.
Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 2026. Het onderzoek was eerder beschikbaar als working paper vanaf 2023. DOI: 10.1287/orsc.2025.21838.
Deloitte UK.
GenAI Workforce Survey 2026. Survey onder 25.000 Britse werkenden, veldwerk mei-juni 2026.
Dietvorst, B. J., Simmons, J. P., & Massey, C.
Algorithm Aversion: People Erroneously Avoid Algorithms After Seeing Them Err. Journal of Experimental Psychology: General, 144(1), 114–126, 2015. DOI: 10.1037/xge0000033.