De AI-banenapocalyps is een slechte stuurvraag geworden

De verkeerde vraag leidt tot verkeerde plannen

De meeste discussies over AI en werk starten nog steeds met een te grote vraag: neemt AI banen over of niet? Die vraag klinkt scherp, maar helpt nauwelijks bij beslissingen in een echt team. Een founder, productleider of AI-operator moet namelijk niet morgen ‘de arbeidsmarkt’ herontwerpen. Die moet bepalen welke workflows veranderen, welke rollen anders ingericht worden en waar menselijke verantwoordelijkheid expliciet blijft liggen.

Daarom is de banenapocalyps een slechte stuurvraag geworden. Niet omdat er geen risico’s zijn. Ook niet omdat AI alleen maar positief uitpakt. Maar omdat de vraag te grof is. Een functie bestaat uit tientallen taken: verzamelen, schrijven, controleren, prioriteren, overleggen, verkopen, uitleggen, beoordelen, documenteren en beslissen. AI raakt die taken ongelijk. Sommige onderdelen worden sneller. Sommige verdwijnen deels. Sommige worden juist belangrijker omdat de output toeneemt en iemand moet bepalen wat goed genoeg is.

Wie op functieniveau praat, komt snel in slogans terecht. Wie op taakniveau kijkt, ziet eerder waar het echte ontwerpwerk zit. Dat is voor AI-teams de praktische verschuiving: niet voorspellen of een beroep blijft bestaan, maar vastleggen welke taak door AI wordt uitgevoerd, welke taak door AI wordt voorbereid en welke taak bewust bij een mens blijft.

De framing rond AI en werk verschuift

In het publieke AI-debat is de toon merkbaar minder eenduidig dan de afgelopen jaren. Waar eerder vaak werd gesproken over grote schokken in kenniswerk, klinkt nu vaker de uitleg dat AI vooral productiviteit kan vermenigvuldigen. Die verschuiving is op zichzelf interessant, maar niet omdat AI-leiders daarmee ineens een definitieve waarheid over werk geven. Het is interessanter als signaal dat simpele voorspellingen onvoldoende houvast bieden.

Voor operators is dat een belangrijk punt. Als je AI-strategie afhankelijk is van geruststellende of alarmerende citaten van bekende leiders, stuur je op framing. Vandaag is het verhaal: hele categorieën werk verdwijnen. Morgen is het verhaal: mensen worden veel productiever. Beide verhalen kunnen elementen bevatten die in specifieke workflows kloppen, maar ze zijn te breed om beleid op te bouwen.

Een betere aanpak is nuchterder. Kijk niet naar de quote, kijk naar de taak. Wordt de taak volledig overgenomen? Wordt de taak sneller maar blijft beoordeling nodig? Verplaatst de bottleneck van uitvoering naar review? Ontstaat er extra werk omdat het team meer varianten, campagnes, analyses of klantreacties kan produceren? Pas als je dat weet, kun je iets zinnigs zeggen over rollen, capaciteit en opleiding.

Productiviteit betekent niet automatisch minder werk

Een hardnekkige aanname is dat automatisering automatisch leidt tot minder werkdruk. In de praktijk kan het tegenovergestelde gebeuren. Als AI het maken van concepten, analyses, prototypes of antwoorden versnelt, neemt vaak niet alleen de efficiëntie toe. Ook het aantal iteraties stijgt. Teams vragen meer varianten. Klanten verwachten sneller antwoord. Managers willen meer rapportages. Productteams testen meer ideeën tegelijk.

Daarmee verschuift de bottleneck. Eerst zat de beperking misschien in schrijven, samenvatten, coderen of documenteren. Daarna zit de beperking in kiezen, controleren, integreren en prioriteren. Het team heeft dan minder uitvoeringswerk per output, maar meer besluitwerk per periode. Dat voelt niet als ‘AI heeft werk weggehaald’, maar als ‘AI heeft het tempo verhoogd’.

Dit is zichtbaar in veel kennisprocessen. Een marketeer kan sneller landingspagina’s en advertentieschetsen maken, maar moet meer beoordelen op merk, belofte en doelgroepfit. Een supportteam kan sneller conceptantwoorden genereren, maar moet bewaken of de nuance klopt. Een salesorganisatie kan meer personalisatie voorbereiden, maar moet voorkomen dat het proces onpersoonlijk of onjuist wordt. Een engineeringteam kan sneller codevoorstellen krijgen, maar moet extra letten op onderhoudbaarheid, veiligheid en context.

De managementvraag wordt dus niet: hoeveel uur bespaart AI? De betere vraag is: welke nieuwe controle-, coördinatie- en kwaliteitslast ontstaat doordat AI de uitvoer versnelt? Zonder die tweede vraag reken je jezelf rijk met schijnproductiviteit.

De menselijke laag wordt niet vanzelf waardevoller

Een populair argument is dat als AI negentig procent van een taak automatiseert, de resterende tien procent vanzelf uitgroeit tot waardevoller menselijk werk. Soms is dat waar. Denk aan situaties waarin menselijke smaak, domeinkennis, klantgevoel of eindverantwoordelijkheid de kern vormen. Maar het is geen natuurwet.

Niet elk team kan eindeloos meer output kwijt. Niet elke markt vraagt om tien keer zoveel content, rapportages, voorstellen of productvarianten. En niet elke organisatie heeft de volwassenheid om hogere output om te zetten in betere beslissingen. Meer produceren is niet hetzelfde als meer waarde leveren.

Daar zit een belangrijk risico voor junior functies. Veel junior werk bestaat uit routinetaken die tegelijk opleidingswaarde hebben: informatie verzamelen, eerste analyses maken, eenvoudige klantvragen beantwoorden, documentatie bijwerken, varianten uitwerken. Als AI die taken deels overneemt, verdwijnt niet alleen werkdruk. Er kan ook een leerpad verdwijnen.

Daarom moet AI-adoptie expliciet rekening houden met opleiding. Als juniors minder routinewerk doen, moeten ze op een andere manier leren beoordelen. Laat ze AI-output vergelijken, fouten zoeken, aannames controleren en beslissingen onderbouwen. Maak van review geen resttaak voor seniors alleen, maar een leermechanisme voor het team.

Adoptie mislukt vaak door framing, niet door tooling

AI-implementatie wordt vaak behandeld als een toolvraag: welke software kiezen we, welke prompts gebruiken we, welke agent koppelen we aan welk systeem? Dat is te beperkt. In organisaties raakt AI direct aan vertrouwen. Medewerkers willen weten of AI hen helpt, beoordeelt, vervangt of vooral de lat verhoogt zonder extra context.

Daarom werken algemene slogans slecht. ‘AI maakt iedereen productiever’ klinkt positief, maar roept direct vragen op: productiever voor wie, gemeten waarop, en wat gebeurt er met de vrijgekomen tijd? ‘AI neemt saaie taken weg’ klinkt vriendelijk, maar sommige saaie taken zijn ook de plek waar mensen vakmanschap opbouwen. ‘AI verandert alles’ is zo breed dat niemand weet wat hij maandag anders moet doen.

De oplossing is communiceren op taakniveau. Zeg niet: deze rol wordt AI-first. Zeg: deze drie stappen automatiseren we, deze twee stappen blijven menselijke review vragen, deze kwaliteitsnorm verandert niet, en dit is hoe we junior collega’s blijven opleiden. Dat is minder spectaculair, maar veel geloofwaardiger.

Voor leiders betekent dit dat AI-adoptie organisatieontwerp is. Je verandert niet alleen tools, maar ook verantwoordelijkheden, overdrachtsmomenten, kwaliteitscriteria en verwachtingen rond tempo. Als je dat niet benoemt, vullen mensen de leegte zelf in. Meestal niet in jouw voordeel.

Een praktisch besliskader voor AI-teams

Begin met één functie of workflow. Niet met de hele organisatie. Kies bijvoorbeeld leadopvolging, supportafhandeling, contentproductie, productresearch, interne rapportage of code-review. Schrijf de workflow uit in kleine taken. Vermijd functietitels als analyse-eenheid; die zijn te grof.

Maak daarna drie kolommen: automatiseren, versterken en behouden. In ‘automatiseren’ zet je taken waarbij AI zelfstandig conceptwerk of verwerking kan doen met laag risico. In ‘versterken’ zet je taken waarbij AI versnelt, maar menselijke keuze of context nodig blijft. In ‘behouden’ zet je taken waar vertrouwen, eindverantwoordelijkheid, gevoelige context of strategische afweging doorslaggevend zijn.

Voeg vervolgens een vierde controle toe: nieuw werk. Welke extra taken ontstaan door AI? Denk aan promptbeheer, outputreview, broncontrole, compliance, training, foutanalyse, klantverwachtingen en integratie met bestaande systemen. Dit is de kolom die vaak ontbreekt in businesscases. Juist daar ontstaan verborgen kosten en capaciteitsvragen.

Meet daarna niet alleen tijdwinst. Meet ook doorlooptijd, foutpercentage, herwerk, klanttevredenheid, senior reviewbelasting en leerwaarde voor juniors. Een workflow die dertig procent sneller lijkt, maar seniors overspoelt met controlewerk, is niet per se beter. Een workflow die minder tijd bespaart maar betere besluitvorming oplevert, kan waardevoller zijn.

Wie dit gestructureerd wil aanpakken, kan starten met een eenvoudige audit vanuit de kennisbank over automatisering en AI-adoptie of de principes van B2B website automatisering vertalen naar interne workflows: eerst meten, dan versimpelen, dan pas automatiseren.

Conclusie: audit eerst één team voordat je brede claims maakt

De discussie over AI en banen blijft belangrijk, maar is te groot om als managementmodel te gebruiken. Voor een AI-team is de betere vraag niet of werk verdwijnt, maar waar werk opnieuw wordt opgesplitst. Welke uitvoering gaat naar AI? Welke beoordeling blijft menselijk? Welke nieuwe kwaliteitslast ontstaat? En welke taken moeten bewust blijven bestaan omdat mensen daar expertise opbouwen?

Wie AI ziet als losse tool-uitrol, mist die ontwerpvragen. Wie AI ziet als organisatieontwerp, krijgt betere gesprekken. Dan gaat het niet over apocalyps of geruststelling, maar over verantwoordelijkheden, leerpaden, kwaliteitsnormen en bottlenecks.

Mijn advies: kies één team, één workflow en één meetperiode. Breng taken onder in automatiseren, versterken, behouden en nieuw werk. Pas daarna kun je serieus besluiten of AI capaciteit vrijmaakt, capaciteit verplaatst of vooral de lat verhoogt. Dat is minder luid dan de banenapocalyps, maar veel bruikbaarder.