Verlies de draad niet: hoe je voorkomt dat AI-gebruik een prestatiemaatstaf wordt
Probleem met tokenmaximalisatie: Werknemers manipuleren statistieken over tokengebruik door AI in plaats van zich te richten op daadwerkelijke productiviteit.
Gebreken in metingen: Huidige evaluatiemethoden geven voorrang aan AI-activiteit boven betekenisvolle resultaten, wat leidt tot misleidende prestatie-indicatoren.
Risico's op corruptie: Afhankelijkheid van gebruiksgegevens tast de betrouwbaarheid ervan aan, waardoor het moeilijk wordt om de werkelijke prestaties van werknemers te beoordelen.
Preventiestrategieën: Organisaties moeten overstappen op resultaatgerichte AI-statistieken, waarbij kwaliteit boven kwantiteit in prestaties wordt gesteld.
Communicatie door leiders: Doeltreffend leiderschap moet leerresultaten centraal stellen in gesprekken over AI om de ontwikkeling van echte capaciteiten te bevorderen.
Begin april 2026 onthulde een gelekt intern dashboard van Meta dat het bedrijf zijn ongeveer 85.000 werknemers rangschikte op basis van hun AI-tokenverbruik.
Tokens zijn de data-eenheden die AI-modellen verwerken, en iemand bij Meta besloot dat het tellen ervan een nuttige manier was om bij te houden wie AI daadwerkelijk gebruikte. De grootste gebruiker had in één maand 281 miljard tokens verbruikt. Het totale gebruik dat op het dashboard werd bijgehouden, overschreed 60 biljoen tokens voordat het offline werd gehaald.
Kort daarna berichtte de Financial Times over een vergelijkbaar patroon bij Amazon. Werknemers automatiseerden onnodige taken specifiek om hun AI-gebruikscijfers op te krikken en zo de indruk te wekken dat ze betrokken waren bij de AI-ambitie van het bedrijf.
Create a Free Account to Keep Reading—and Keep Leading Smarter
Unlock this piece and join a community of forward-thinking leaders discovering tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Het gedrag heeft inmiddels de naam “tokenmaxxing” gekregen, ontleend aan Gen Z-slang voor het maximaliseren van iets. In dit geval gaat het om de zichtbare prestaties van AI-gebruik, in plaats van om datgene wat AI-gebruik zou moeten opleveren.
Twee van de grootste bedrijven ter wereld, dezelfde dynamiek en een naam die suggereert dat het zich verspreidt.
Tokenmaxxing is niet zozeer een technologisch probleem als wel een probleem op het gebied van prestatiemanagement en cultuur, en het draagt de sporen van HR en bedrijfsvoering, ongeacht of HR aanwezig was toen de oorspronkelijke beslissingen werden genomen die dit gedrag veroorzaken.
Iemand heeft de prikkel ingesteld. Iemand heeft het klassement gebouwd of getolereerd. Iemand heeft besloten dat verbruik een redelijke graadmeter voor bekwaamheid was. Dit artikel gaat over begrijpen hoe dat gebeurt en wat je kunt doen voordat het zover is.
Waarom meten misgaat
Organisaties zijn over het algemeen niet van plan om culturen rond klassementen op te bouwen. Tokenmaxxing ontstaat in de ruimte tussen wat bedrijven daadwerkelijk willen dat AI oplevert en wat ze momenteel kunnen meten.
Uit een Gallup-enquête uit februari 2026 onder meer dan 23.000 werknemers in de VS bleek dat de helft van de werkende volwassenen minstens een paar keer per jaar AI gebruikt, en dat werknemers binnen organisaties die AI invoeren meer verstoring en onzekerheid over hun baan melden dan werknemers binnen organisaties die AI nog niet hebben ingevoerd.
Ondertussen blijkt uit gegevens van Gartner dat slechts één op de vijftig AI-investeringen transformerende waarde oplevert en slechts één op de vijf enige meetbare ROI oplevert. Uit McKinsey's De staat van AI 2025 bleek dat de meeste organisaties ondanks de snelle invoering nog in de beginfase zitten van het realiseren van waarde op ondernemingsniveau.
Wat volgens McKinsey resultaten met een hogere waarde onderscheidt van resultaten met een lagere waarde, is het herontwerpen van werkprocessen en governance, niet het ruwe gebruiksvolume.
Maar raden van bestuur en CEO's voelen die nuance niet. Zij voelen urgentie, en die urgentie vertaalt zich in eisen om zichtbaar bewijs van invoering te leveren. Die eisen leiden vervolgens tot middenmanagers die iets willen hebben om te tonen. Wanneer je niet kunt meten of AI resultaten daadwerkelijk verbetert, meet je het op één na beste meetbare aspect: activiteit. Daar is het dashboard.
Yakov Filippenko, CEO van het professionele netwerkplatform Intch, trekt een parallel met de verplichtingen om terug te keren naar kantoor. Bedrijven stuurden werknemers deels terug naar kantoor omdat aandeelhouders eigenaar waren van dure, leegstaande gebouwen, zo stelt hij.
Nu verbruiken organisaties tokens om investeerders te laten zien dat ze de AI-revolutie niet missen. In beide gevallen leidde een legitieme onderliggende druk — zichtbaarheid voor aandeelhouders, concurrentiepositie — tot een meting die meer de schijn diende dan de bedrijfsvoering.
Meta-CTO Andrew Bosworth maakte deze logica expliciet door publiekelijk te beschrijven dat zijn beste ingenieur voor een bedrag ter hoogte van zijn salaris aan AI-tokens besteedt en daardoor "5x tot 10x productiever" is. "Het is zoiets van: dit is gemakkelijk geld. Blijf het doen. Geen limiet."
Die voorstelling van tokenbestedingen als productiviteitssignaal, afkomstig van een senior technologieleider bij een van de invloedrijkste bedrijven ter wereld, is geen geïsoleerde mening. Ze weerspiegelt een breder onvermogen om onderscheid te maken tussen correlatie en oorzaak-gevolg. De goed presterende werknemer gebruikt toevallig veel tokens, waardoor tokens de oorzaak van hoge prestaties lijken in plaats van een bijproduct ervan.
De fout stapelt zich snel op. Managers die deze voorstelling van bovenaf zien worden uitgedragen, hebben geen formeel klassement nodig om de boodschap te internaliseren. Het gedrag volgt het signaal, zelfs wanneer niemand van plan was het signaal af te geven.
Wat het kost
Gebruiksdashboards waren al een onbetrouwbare maatstaf voor AI-productiviteit voordat iemand ze begon te manipuleren.
Yasser Drif, oprichter van Roman AI, deelde gegevens uit zijn klantenbestand die erop wijzen dat de kloof tussen activiteit en resultaat groter is dan de meeste organisaties aannemen. Slechts ongeveer 24% van de door mensen geïnitieerde AI-uitvoeringen levert een bruikbaar resultaat op. De rest bestaat uit iteratie en werk in uitvoering, die volumestatistieken opblazen tot de schijn van productiviteit. Dat is de uitgangssituatie. Tokenmaxxing maakt het erger.
De eerste kostenpost is signaalcorruptie. Zodra gebruik de maatstaf wordt, worden gebruiksgegevens onbetrouwbaar. Je kunt niet langer kijken wie de meeste AI gebruikt en daar betrouwbare conclusies uit trekken over wie goed presteert, leert of waarde toevoegt.
Er is met de gegevens gemanipuleerd, en je weet niet altijd door wie. Elke personeelsanalyse die daarop wordt gebouwd, neemt die vervuiling over.
De tweede kostenpost gaat dieper. Wanneer medewerkers zich richten op de schijn van AI-vaardigheid in plaats van die daadwerkelijk te ontwikkelen, heb je de leeromstandigheden die je nodig hebt omgekeerd. Voor echte ontwikkeling van AI-capaciteiten is experimenteren nodig, inclusief mislukte experimenten, en eerlijke rapportage over wat werkte.
Een tokenmaxxingcultuur creëert druk om publiekelijk competentie te tonen, terwijl eerlijke rapportage riskant gaat aanvoelen. Dat zijn onverenigbare omstandigheden.
De derde kostenpost betreft wat er gebeurt met medewerkers die niets manipuleren. In een omgeving waarin tokengebruik zichtbaar en verheerlijkt is geworden, begint de persoon die zorgvuldig, goed afgebakend AI-werk doet dat sterke resultaten oplevert, maar geen opvallende cijfers genereert, het gevoel te krijgen achter te lopen.
Dat gevoel verdwijnt niet door geruststelling. De snelste manier om echte ontwikkeling van AI-capaciteiten onveilig te laten voelen, is mensen die hun cijfers niet opblazen het idee te geven dat ze een wedstrijd verliezen die ze niet begrijpen.
Amazon heeft, tot zijn eer, gereageerd op het probleem dat het zelf had gecreëerd door de zichtbaarheid van gebruiksstatistieken voor hele teams te beperken, zodat alleen individuen en hun directe managers deze konden zien. Dat is een corrigerende maatregel. Preventie vereist eerder in het proces een ander soort actie.
Hoe je dit voorkomt
De praktische vraag voor een CHRO of COO is waar je moet beginnen. "Meet resultaten, geen input" is waar, maar vertelt niemand wat er maandagochtend moet veranderen.
Begin met een audit van wat momenteel wordt bijgehouden en wie het kan zien. Filippenko bestempelt elke KPI voor AI-adoptie die rechtstreeks aan beloning is gekoppeld als een onmiddellijk alarmsignaal.
Dat is hetzelfde als de prestaties van een advocaat meten aan de hand van het aantal pagina’s dat die afdrukt, of de efficiëntie van een ontwikkelaar aan de hand van het aantal regels code.
Yasser Drif, wiens bedrijf Roman AI AI-tools ontwikkelt die binnen organisaties worden ingezet, biedt een praktisch startpunt.
Haal 30 dagen aan gebruiksgegevens op, sorteer ze op uitgaven en vraag wat er daadwerkelijk is opgeleverd. Kan de persoon je een concreet resultaat laten zien?
De alarmsignalen waar zijn team op let, zijn onder meer gebruikers met hoge uitgaven zonder gekoppeld opleverbaar resultaat, opgeblazen gebruik waarbij een taak tien of meer AI-interacties verzamelt zonder statuswijziging, en één AI-kampioen die een buitenproportioneel aandeel van de gebruikstegoeden verbruikt en ondertussen weinig afgerond werk oplevert. Als je dashboards geen antwoord kunnen geven op de vraag "wat is er opgeleverd?", is dat het eerste probleem dat je moet oplossen.
Als je organisatie dashboards voor AI-gebruik heeft waarop medewerkers elkaars gegevens kunnen zien, of als gebruiksvolume ergens voorkomt in een beoordelingsgesprek, doelstellingscyclus of rapportageproces van managers, dan zijn dat de plekken waar het risico op tokenmaxxing actueel is. De vraag is niet of de gegevens worden verzameld — maar of ze zichtbaar zijn op manieren die concurrentiedruk rond volume in plaats van kwaliteit creëren.
Op resultaten gebaseerde AI-meting ziet er per functie anders uit. In een verkoopcontext kan bijvoorbeeld worden bijgehouden of door AI ondersteunde benadering de conversiepercentages heeft verbeterd, en niet hoeveel prompts een verkoper heeft verstuurd. In operations kan bijvoorbeeld de verkorting van de doorlooptijd of het foutenpercentage van door AI ondersteunde processen worden bijgehouden, en niet de gebruikslogboeken van het systeem.
Het ontwerpprincipe is voor al deze functies hetzelfde. Meet wat er als gevolg van AI-gebruik stroomafwaarts is veranderd, niet het gebruik zelf. Daarvoor moeten functieleiders en HR samenwerken om vast te stellen hoe "beter" er daadwerkelijk uitziet voordat meetkaders worden opgesteld, niet erna.
Welke boodschap geef je af?
Leiderschapscommunicatie moet samen met de meetwaarden opnieuw worden afgestemd. Als de enige boodschappen over AI die werknemers horen, gaan over adoptiepercentages en gebruiksmijlpalen, is het impliciete signaal dat er wordt gekeken naar consumptie.
Leiders die echte ontwikkeling van AI-capaciteiten willen, moeten praten over specifieke resultaten: waar AI de manier waarop een team werkt heeft veranderd, wat een bepaald experiment de organisatie heeft geleerd, waar een implementatie is mislukt en wat dat aan het licht heeft gebracht. Dit soort verhalen geeft het signaal af dat de organisatie waarde hecht aan leren, niet aan het opvoeren van leren.
Het bijsturen van een team waarin tokenmaxxing al voorkomt, vereist zorgvuldigheid. Werknemers die een meetwaarde manipuleerden, reageerden meestal op een signaal dat door de leiding was gecreëerd. Als je dit behandelt als een individueel gedragsprobleem, zie je dat over het hoofd en creëer je precies de omstandigheden waarin eerlijke rapportage onveilig voelt.
"Als je werknemers bereid zijn zinloos werk te doen om alleen maar een vakje aan te kruisen, is dat geen meetprobleem," zegt Filippenko. Dat is operationele verrotting.
Om dit op te lossen, moet de leiding erkennen welk signaal ze heeft afgegeven voordat ze mensen vraagt hun gedrag te veranderen.
Een productiever kader voor managers is om de verwachtingen over wat de organisatie daadwerkelijk belangrijk vindt opnieuw vast te stellen en mensen vervolgens een manier te bieden om echte capaciteiten te demonstreren. Dat betekent dat zichtbare voorbeelden van succes op basis van resultaten worden erkend, niet alleen dat de oude meetwaarde wordt verwijderd.
De door Drif voorgestelde ingreep is direct en het overwegen waard: hernoem de meetwaarde publiekelijk van "AI-gebruik" naar "met AI voltooid werk". De naamswijziging geeft mensen op zichzelf al het signaal wat de organisatie daadwerkelijk waardeert, zonder dat iemand specifiek wordt aangewezen vanwege het gedrag dat door de oude meetwaarde is veroorzaakt.
Omgaan met ambiguïteit
De diepere discipline hier is geduld met ambiguïteit. De meeste organisaties zijn nog niet in staat om de bijdrage van AI aan bedrijfsresultaten nauwkeurig te meten, en de druk om intussen iets te laten zien is reëel. Dashboards en ranglijsten vullen dat vacuüm omdat ze cijfers opleveren, en cijfers voelen als verantwoording.
Het probleem is dat de verantwoording die ze opleveren, betrekking heeft op het verkeerde. Het bouwen van meetsystemen die mensen verantwoordelijk houden voor resultaten duurt langer en vereist meer multidisciplinair ontwerpwerk, maar het is de enige aanpak die de gegevens die je uiteindelijk nodig hebt om betere beslissingen te nemen niet vervalst.
Tokenmaxxing is een vroegtijdige waarschuwing, geen eindpunt. Zie het nu als een cultuursignaal dat serieus moet worden genomen, en later beschik je over veel schonere prestatiegegevens en een veel gezondere AI-adoptie.
