Waarom AI niet de productiviteitswinst oplevert die we verwachtten

David Rice: Leidinggevenden denken dat hun medewerkers ongeveer vijfendertig applicaties gebruiken. Het werkelijke aantal kan je verrassen. Die kloof in zichtbaarheid vormt de kern van de reden waarom investeringen in AI blijven stijgen, terwijl de productiviteit van werknemers blijft stagneren. En Ofir Bloch van WalkMe denkt dat we voorbij het punt zijn waarop we dit een tijdelijke adoptiecurve kunnen noemen. We moeten het gewoon toegeven. Tools uitrollen zonder het werk opnieuw vorm te geven is geen strategie.

In de aflevering van vandaag praat ik met Bloch over WalkMe's rapport over de staat van digitale adoptie en over wat vijf jaar aan gegevens ons vertelt over waar organisaties daadwerkelijk de fout ingaan. Het gaat niet om het model. Het gaat om alles rondom het model: de versnipperde systemen, de frictie, de kloof tussen wat leidinggevenden denken dat er gebeurt en wat medewerkers elke dag daadwerkelijk ervaren.

Organisaties die hier op dit moment goed mee omgaan, zijn niet de organisaties met de meest geavanceerde AI. Het zijn de organisaties die frictie het snelst verminderen. Werknemers met contextuele ondersteuning tijdens het werk hebben bijna vier keer zoveel kans om volledig vertrouwen in hun werk te rapporteren. Niet omdat ze betere training hebben gekregen, maar omdat de hulp arriveerde op het moment dat ze die nodig hadden, en niet zes weken eerder.

Vandaag bespreken we dus waarom de kloof tussen vijfendertig en honderden applicaties de kloof tussen leidinggevenden en medewerkers verklaart, waarom traditionele training realtime veranderingen niet kan bijhouden, het verschil tussen een tool gebruiken en die daadwerkelijk benutten, en waarom orkestratie op dit moment belangrijker is dan de verfijning van het model.

Ik ben David Rice. Dit is People Managing People. En als jouw organisatie AI-succes nog steeds meet aan de hand van licentiegebruik, laat dit gesprek je zien wat je werkelijk mist. Laten we beginnen.

Ofir, welkom. Fijn dat je er bent.

Ofir Bloch: Dank je, David. Fijn om hier te zijn.

David Rice: Ik wilde het gesprek vandaag beginnen met een van de grootste spanningen in het rapport dat jullie hebben uitgebracht. De investeringen in AI blijven versnellen, terwijl de productiviteit en ervaring van werknemers slechter lijken te worden.

En ik ben benieuwd: op welk moment stoppen we ermee dit te behandelen als een tijdelijke adoptiecurve en geven we misschien gewoon toe dat er iets fundamenteel mis is met de manier waarop we AI implementeren?

Ofir Bloch: Eerlijk gezegd denk ik dat we dat punt al voorbij zijn. We moeten het gewoon toegeven.

We moeten het probleem nu benoemen en het onder ogen zien. We zien de cijfers. We zien dat bedrijven steeds meer geld investeren in technologie en nu natuurlijk ook in alle AI-hype. Dat bereikt recordbedragen: vorig jaar vierenvijftig miljoen dollar. Maar zoals je weet leveren die investeringen niet echt de resultaten op die we verwachten.

We hebben dus een probleem. Er zijn gegevens die dit ondersteunen. Ons rapport brengt veel van die punten aan het licht, en ik praat er vandaag graag over.

David Rice: Het voelt alsof we er gewoon van uitgaan dat AI vanzelf productiviteit creëert door alleen maar te bestaan. Alleen al het feit dat het er is, zou ervoor zorgen dat iedereen zichzelf vertienvoudigt.

Maar technologie-adoptie en transformatie van werkprocessen zijn twee compleet verschillende dingen. Het lijkt erop dat sommige bedrijven activiteit verwarren met in staat stellen. Ze rollen tools uit zonder het werk opnieuw vorm te geven en zonder na te denken over hoe het daadwerkelijk gebeurt. Dat leidt ertoe dat we het rendement op investering niet kunnen definiëren.

Daarom kunnen we niet echt bepalen wat we vervolgens moeten doen. En ik denk dat er ook sprake is van de psychologie van verzonken kosten. Hoe meer bedrijven uitgeven, hoe moeilijker het wordt om toe te geven dat de implementatie niet werkt.

Ofir Bloch: Ja, dat klopt absoluut. Er zijn veel lagen en niveaus in dit probleem.

Wie is verantwoordelijk voor het stimuleren van gedragsverandering? Wie is verantwoordelijk voor het garanderen van adoptie van deze nieuwe tools? Er bestaat een misvatting dat mensen vanzelf komen als je het bouwt. Als je iets uitrolt, zullen mensen het gewoon gebruiken. In werkelijkheid is het tegenovergestelde vaak waar. We zien een steeds groter wordende productiviteitskloof of adoptiekloof.

Het tempo van innovatie is verbluffend. Elke dag verschijnt er een nieuw model en elk model is beter dan het vorige. Maar uiteindelijk gebruiken mensen die modellen vaak alleen om e-mails samen te vatten of eenvoudige taken uit te voeren. Dat betekent niet dat ze deze tools echt benutten of hun volledige potentieel aanspreken.

David Rice: Ik vind de verwijzing naar Field of Dreams ook leuk, want als je naar de reacties op AI-content kijkt, lijkt het soms meer op een veld vol geschreeuw. Jullie rapport laat een enorme kloof in perceptie zien tussen leidinggevenden en werknemers.

Het gaat niet alleen om vertrouwen. Het gaat ook om gereedheid, training en de vraag of deze tools mensen werkelijk helpen bij hun werk. Hoe raakt de leiding zo losgekoppeld van de dagelijkse werkelijkheid van het werk?

En wat kunnen ze doen om daar snel weer contact mee te krijgen?

Ofir Bloch: Dat was een van de duidelijkste observaties uit dit rapport. En het is consistent: dit is het vijfde rapport dat we hebben uitgebracht. Een van de dingen die ons rapport specifiek aan het licht bracht, is de grote kloof tussen het aantal applicaties en de technische omgeving waarvan leidinggevenden denken dat hun medewerkers die gebruiken, en wat er in werkelijkheid gebeurt.

Als je leidinggevenden vraagt hoeveel tools hun medewerkers gebruiken, noemen ze een handvol: ongeveer dertig of vijfendertig applicaties. In werkelijkheid bestaat de technische omgeving en het applicatieportfolio van deze bedrijven uit bijna zevenhonderd applicaties.

Er is dus een enorme zichtbaarheidskloof tussen wat ze denken te hebben en wat ze daadwerkelijk hebben geïmplementeerd. Dat is begrijpelijk, want tools kopen is tegenwoordig heel eenvoudig. Je haalt je creditcard tevoorschijn, betaalt twintig dollar per maand en je hebt een tool. Met programmeren op basis van natuurlijke taal kan tegenwoordig iedereen tools maken en bouwen.

Er bestaat een zeer grote kloof tussen wat leidinggevenden denken dat ze hebben en wat daadwerkelijk door medewerkers wordt gebruikt. Dat komt deels doordat organisaties niet over de tools beschikken om dit te meten of inzichtelijk te maken.

Om daar controle over te krijgen, is communicatie belangrijk. Luister naar wat je medewerkers op het werk echt nodig hebben. Wat gebruiken ze? Wat missen ze? Daarnaast bestaat er ook een technologische oplossing. Er zijn tools die laten zien wat er in je technische omgeving aanwezig is en welke tools mensen werkelijk gebruiken.

David Rice: Dat punt over luisteren is sterk. Beide groepen maken technisch gezien deel uit van dezelfde organisatie, maar leidinggevenden zien vaak de belofte terwijl medewerkers de frictie ervaren.

Veel leiderschapsteams onderschatten hoe snel vertrouwen afneemt wanneer medewerkers het gevoel krijgen dat zij de last van het experimenteren dragen en ervoor moeten zorgen dat dit rendement oplevert. Er is volgens mij sprake van een empathieprobleem aan de top.

Leiders zien vaak dat iets niet werkt en concluderen dat het een technologieprobleem is. Maar het is geen technologieprobleem; het is een mensenprobleem.

Ofir Bloch: Er bestaat zoiets als digitale empathie. Tegenwoordig bestaat de ervaring van een medewerker op het werk, zeker sinds we meer vanuit huis en hybride werken, grotendeels uit verschillende digitale contactmomenten en de manier waarop we de technische omgeving en tools ervaren.

Wanneer we praten over de ervaring van medewerkers, gaat veel daarvan over technologische frictie, veranderingen in de manier waarop we werken en het leren van nieuwe dingen. Als leidinggevenden zouden begrijpen welke tools hun mensen gebruiken, welke frictie daarmee gepaard gaat en hoe complex de workflows zijn die we voor hen hebben ingericht, zou het werk en de algehele digitale medewerkerservaring beter zijn.

David Rice: Je stelt dat de echte beperking niet de capaciteit van AI is, maar het ontbreken van context. Dat lijkt een dieper systeemprobleem dan de meeste organisaties beseffen. Waarom wordt context de bepalende beperking voor AI binnen ondernemingen?

Ofir Bloch: Dat heeft deels te maken met de manier waarop deze tools worden geïmplementeerd. Iedere leverancier integreert AI in zijn eigen tools. We hebben copiloten, maar de meeste daarvan richten zich op één applicatie of ecosysteem. Werk vindt helaas niet plaats in één applicatie. Onze workflows lopen over meerdere applicaties heen en AI-modellen hebben niet echt toegang tot al die applicaties.

Slechts negenentwintig procent van onze workflows is toegankelijk via programmatische benaderingen. Eenenzeventig procent is voor deze modellen niet bereikbaar.

Veel van wat een werknemer doet, staat op het scherm. Als mens kan ik in één oogopslag een enorme hoeveelheid informatie zien. AI heeft die mogelijkheid niet.

Stel dat ik jou, David, een eenmalige bonus van vijfduizend dollar wil geven. Wanneer ik dat aan een chatbot, copiloot of AI-assistent binnen een applicatie vraag, moet ik veel vragen beantwoorden. Welke David? Zit hij in Londen of San Francisco? Zit hij in mijn team? Mag ik vijfduizend dollar toekennen? Moet de financieel directeur goedkeuring geven?

In een systeem voor personeels- en kapitaalbeheer zie je al die informatie op één scherm. De grafische gebruikersinterface bevat dus veel context, maar AI-modellen missen die context omdat ze je scherm niet kunnen zien.

David Rice: Dit is fascinerend, want zoveel werk is diep contextueel. We hebben de afgelopen twee jaar veel gesproken over modelintelligentie, maar misschien niet genoeg over organisatorische intelligentie en over het verbinden van al die punten.

AI kan indrukwekkende resultaten genereren, maar zonder context, zonder inzicht in de prioriteiten, politiek, geschiedenis en afhankelijkheden van de organisatie, blijven de resultaten losstaan van wie we als organisatie zijn en wat we professioneel proberen te bereiken.

Ofir Bloch: We zagen dat zevenendertig procent van de werknemers AI volledig overslaat. Ze proberen het niet eens, omdat ze zoveel vragen moeten beantwoorden en zoveel informatie moeten invoeren. Soms vertrouwen ze er ook niet op dat AI het werk goed zal uitvoeren.

David Rice: Ik vraag me af of we de vrijgekomen tijd niet gewoon gebruiken om meer te produceren en meer werk in de dag te proppen. Vooral in HR kan die tijd misschien beter worden gebruikt om systemen te begrijpen en ze samenhangender te maken binnen de organisatie.

Veel organisaties behandelen schaduw-AI als een bestuurs- of nalevingsprobleem, maar het rapport suggereert dat het vaak een signaal is dat verbeterde systemen niet aansluiten bij de realiteit van het werk. Stellen bedrijven dat probleem verkeerd vast?

Ofir Bloch: Meestal wel. Ik houd eigenlijk niet van de term schaduw-AI. Ik praat liever over door de organisatie aangestuurde AI, want dat is wat het is.

De standaardreactie in veel organisaties is: dit is een beveiligingsprobleem, dit zijn ongeautoriseerde tools, laten we het blokkeren. Vanuit risicoperspectief is dat begrijpelijk, maar het mist wat er werkelijk gebeurt. Je medewerkers zeggen: “Ik krijg niet wat ik nodig heb van de tools die jullie aanbieden.”

Vijfenveertig procent van de werknemers die we ondervroegen gaf toe ongeautoriseerde tools te gebruiken. Zesendertig procent van hen zei dat ze die tools ook met vertrouwelijke informatie gebruiken.

Ik denk niet dat deze medewerkers kwaad willen. Ze proberen hun werk gedaan te krijgen. De tools die hun organisatie aanbiedt, leveren waarschijnlijk niet het verwachte resultaat. De ene persoon geeft misschien de voorkeur aan Claude voor schrijven en de andere aan ChatGPT. Iemand vindt Codex misschien beter voor het bouwen van front-endcomponenten.

Schaduw-AI is dus geen gedragsprobleem. Het ontstaat wanneer werken binnen het goedgekeurde systeem moeilijker is dan erbuiten werken. Medewerkers geven eigenlijk aan: “Luister naar ons. Jullie bieden niet de juiste tools.”

David Rice: Ik vind die herformulering goed. De term schaduw-AI klinkt alsof iemand in het geheim een hoofdcomputer binnendringt, terwijl de meeste mensen het gebruiken om frictie te verminderen en niet om risico te creëren.

De betere vraag is niet waarom medewerkers regels overtreden of ongeautoriseerde tools gebruiken, maar waarom ze het gevoel hebben dat de officiële systemen hen niet helpen om hun werk te doen.

Werknemers wijzen AI niet noodzakelijk af omdat ze weerstand hebben tegen technologie. Ze wijzen onderbreking, versnippering en onzekerheid af. Onderschatten leiders de cognitieve belasting die AI in modern werk veroorzaakt?

Ofir Bloch: Dramatisch. Eenentachtig procent van de leidinggevenden zegt dat AI de productiviteit heeft verbeterd, omdat zij het resultaat zien. Werknemers rapporteren echter veel AI-gerelateerde frictie.

Slechts negen procent van de werknemers vertrouwt AI voor complexe taken. Dat heeft te maken met hallucinaties, de tijd die nodig is om gegevens te kopiëren en plakken en het wisselen tussen systemen. In een verkooporganisatie kan een eenvoudige workflow van lead naar kans naar omzet zich uitstrekken over twaalf verschillende applicaties en vijf afdelingen.

Werknemers moeten zich voortdurend afvragen of ze compliant zijn, of ze een tool mogen gebruiken, of ze een document mogen uploaden, of er sprake is van een hallucinatie en of ze de gegevensbronnen moeten controleren. Dat is absoluut een cognitieve belasting die door AI wordt veroorzaakt, maar leidinggevenden zien die niet. Zij zien alleen het resultaat.

David Rice: Bij het valideren van resultaten wissel je voortdurend van context. We werken misschien technisch sneller, maar de totale cognitieve belasting is vaak zwaarder. We hebben het geautomatiseerd, maar voelen ons aan het einde van de dag nog steeds uitgeput.

Ofir Bloch: Dat komt omdat je meer doet. Je probeert simpelweg meer te bereiken.

David Rice: Het rapport stelt dat traditionele training niet kan bijhouden dat modern werk in realtime verandert. Hoe kunnen we mensen voorbereiden op die moderne werkomgeving?

Ofir Bloch: Veel organisaties proberen nieuwe problemen nog steeds op te lossen met oude middelen. Ze denken dat ze betere en frequentere training moeten geven, in klaslokalen of via video's. Maar dat werkt niet meer.

Mensen vergeten wat ze leren, en cognitieve overbelasting ontstaat zeker wanneer verschillende generaties met uiteenlopende aandachtsspannes op de werkvloer aanwezig zijn. Bovendien verschijnen er elke dag nieuwe modellen.

Wat volgens ons rapport wel werkt, is ondersteuning integreren in de werkstroom. Niet een eenmalige training, handleiding of video, maar begeleiding precies op het moment waarop iemand die nodig heeft. Dat kan betekenen dat iemand door een proces wordt geleid of eraan wordt herinnerd hoe een taak moet worden uitgevoerd.

Werknemers die zulke contextuele ondersteuning tijdens het werk kregen, hadden 1,9 tot 3,7 keer zoveel kans om volledig vertrouwen in elk onderdeel van hun werk te rapporteren. Ondersteuning tijdens het werk, op het moment dat die nodig is, is waarschijnlijk de beste manier om nieuwe technologieën te adopteren.

David Rice: Ik houd van het idee van contextuele ondersteuning op het moment zelf. Traditionele training gaat uit van een stabiele omgeving: leer de software, leer de workflow, herhaal. Maar AI verandert alles zo snel dat statische kennis veroudert zodra je die hebt opgedaan.

De toekomst draait daarom niet noodzakelijk om mensen trainen in tools. Het gaat meer om vertrouwen in aanpassing en om mensen te leren voortdurend te leren terwijl ze bezig zijn.

Ofir Bloch: Absoluut.

David Rice: Een subtiel idee in het rapport is dat de winnaars misschien niet de organisaties zijn met de meest geavanceerde AI, maar de organisaties die mensen, systemen, workflows en context het beste orkestreren. Treden we een tijdperk binnen waarin operationele integratie belangrijker is dan de verfijning van het model?

Ofir Bloch: Absoluut. Er is een groot verschil tussen een tool gebruiken en die tool benutten. Een stijging in licentiegebruik betekent misschien dat mensen applicaties openen, maar wat doen ze daarbinnen? Als ik alleen eenvoudige vragen stel, een e-mail samenvat of de formulering van iets verander, benut ik dan echt het volledige potentieel van dat dure model? Waarschijnlijk niet.

De bedrijven die daadwerkelijk productiviteitswinst zien, begrijpen dat ze de kloof tussen mensen en technologie moeten overbruggen. Op de werkvloer zijn er verschillende generaties, verschillende niveaus van digitale vaardigheid en weerstand tegen verandering.

Als je wilt dat iedereen in de organisatie hetzelfde resultaat uit deze tools kan halen, moeten ze worden aangepast aan de context en gepersonaliseerd. Je moet de technologie naar de mensen brengen en de mensen naar de technologie, en een gemeenschappelijke basis vinden.

Orkestratie is op meerdere niveaus een goed woord. Ten eerste gaat het om de orkestratie van mensen en tools. Ten tweede gaat het om de vraag hoe we mensen kunnen helpen begrijpen welke tools ze wanneer moeten gebruiken zonder dat ze dat allemaal afzonderlijk hoeven te leren.

Als medewerker zou het mij niet moeten interesseren hoe we onkostendeclaraties verwerken, welke applicatie ons systeem voor personeelsbeheer is of welk CRM-systeem we gebruiken. Ik heb een zakelijk doel en een taak. Als AI mij kan helpen die workflow uit te voeren zonder dat ik tussen twaalf applicaties hoef te wisselen of naar de juiste copiloot hoef te zoeken, is dat geweldig.

Dan heb ik AI rond de mens georkestreerd en kan ik een zakelijk resultaat bereiken. Daar moeten organisaties zich op richten: niet alleen het slimste model implementeren, maar de kloof tussen mensen en de ingezette modellen overbruggen.

David Rice: Dit voelt als een belangrijk moment voor deze verschuiving. Het marktgesprek draait vaak om de modellenstrijd, maar de meeste organisaties hebben geen problemen omdat het model niet slim genoeg is.

Ze falen omdat de systemen rondom het model versnipperd zijn en omdat ze niet iedereen hebben meegenomen in de verandering. Orkestratie kan de grootste concurrentievoorsprong worden, niet de ruwe AI-capaciteit. Wie frictie het snelst vermindert, heeft waarschijnlijk het grootste voordeel.

Ofir Bloch: Absoluut. Dat had ik niet beter kunnen zeggen.

David Rice: Ofir, dit was een goed gesprek. Bedankt dat je te gast wilde zijn.

Ofir Bloch: Dank je dat ik mocht komen. Voor iedereen die het rapport wil lezen: het heet WalkMe's State of Digital Adoption 2026. Ik kijk ernaar uit jullie daar te zien.

David Rice: Het is zeker de moeite waard om te downloaden. Ik heb het gelezen en vond het fascinerend. Ik zal er meer over delen wanneer ik deze aflevering promoot, dus bekijk het rapport vooral.

En luisteraars, als je dat nog niet hebt gedaan, ga dan naar peoplemanagingpeople.com/subscribe. Schrijf je in voor de nieuwsbrief. Je ontvangt deze podcast en alles wat we verder maken rechtstreeks in je inbox.

Tot de volgende keer: context, context, context.