Een van de hardnekkigste misvattingen in AI-businesscases is dat een productiviteitswinst van een bepaald percentage automatisch betekent dat je evenveel procent minder mensen nodig hebt.

Als AI een professional een taak sneller laat doen, is het directe resultaat extra capaciteit. Dat levert niet vanzelf een besparing op personeelskosten op.

Onderzoek bevestigt steeds vaker dat de productiviteit flink kan stijgen.

In een gerandomiseerd experiment van MIT onder 453 hoogopgeleide professionals kostten bepaalde schrijftaken met ChatGPT 40% minder tijd, terwijl de kwaliteit 18% hoger werd beoordeeld.

In een praktijkexperiment onder 758 consultants van BCG werkten deelnemers met GPT-4 bij geschikte taken meer dan 25% sneller, rondden ze ruim 12% meer taken af en leverden ze werk van duidelijk hogere kwaliteit. Hetzelfde onderzoek liet zien dat de prestaties juist konden verslechteren bij taken die buiten de mogelijkheden van het model vielen.

In een experiment van Microsoft onder ruim 6.000 kenniswerkers in 56 organisaties werden documenten met Copilot gemiddeld 12% sneller afgerond.

Dat zijn echte productiviteitseffecten.

Maar ze betekenen niet dat een organisatie die een bepaald percentage tijd bespaart, automatisch hetzelfde percentage van haar personeel kan schrappen.

Het zijn twee verschillende economische maatstaven.

Van productiviteit per taak naar waarde voor de organisatie

De preciezere redenering is:

AI bespaart tijd → er komt capaciteit vrij → het management bepaalt hoe die capaciteit wordt ingezet → pas dan ontstaat er een financieel effect.

Die capaciteit kan worden ingezet voor:

  1. meer output;
  2. hogere kwaliteit;
  3. kortere doorlooptijden;
  4. meer experimenteren en innoveren;
  5. lagere externe uitgaven of minder nieuwe aanwerving;
  6. een werkelijke afname van de interne capaciteit.

De Internationale Arbeidsorganisatie (ILO) concludeerde in haar wereldwijde analyse van 2025 dat ongeveer één op de vier werkenden wereldwijd een beroep heeft dat in enige mate aan generatieve AI is blootgesteld. Omdat veel menselijke taken nodig blijven, is verandering van werk waarschijnlijker dan volledige vervanging.

Een overzicht van empirisch onderzoek uit juni 2026 kwam tot een vergelijkbare conclusie: de productiviteitswinst door GenAI is reëel maar ongelijk verdeeld, terwijl grootschalig banenverlies tot nu toe beperkt is gebleven. Tijdsbesparingen die medewerkers rapporteren, vertalen zich ook niet vanzelf in evenveel meer output, inkomen of werkgelegenheid.

Dat is het verschil tussen een technische en een economische AI-businesscase.

Waarom “40% sneller” niet “0,4 fte minder” betekent

Stel dat een tekstschrijver een deel van het schrijfwerk veel sneller kan doen.

Dan weten we nog steeds niet:

  • welk deel van de functie uit dat werk bestaat;
  • of AI voor alle schrijftaken even goed werkt;
  • hoeveel menselijke controle nodig blijft;
  • of er meer vraag naar teksten ontstaat;
  • of er al een achterstand is;
  • of tijd verschuift naar andere activiteiten;
  • of er in plaats daarvan minder externe inhuur of minder toekomstige vacatures nodig zijn.

De meeste functies bestaan uit een bundel van verschillende taken.

Onderzoek van Acemoglu en Restrepo naar automatisering maakt een vergelijkbaar onderscheid tussen een verdringingseffect, waarbij technologie menselijk werk in bestaande taken vervangt, en een hersteleffect, waarbij technologie nieuwe menselijke taken en activiteiten creëert.

AI automatiseert daarom meestal taken binnen functies, niet complete functies één op één.

Neem marketing als voorbeeld.

Een contentmarketeer doet vaak ook klantonderzoek, briefings, stakeholdermanagement, conceptontwikkeling, kwaliteitscontrole, merkbewaking, distributie, resultaatanalyse en optimalisatie.

Als AI het maken van eerste versies versnelt, verdwijnt de rest van dat werk niet. Sommige vervolgtaken nemen zelfs toe, omdat er meer content kan worden gemaakt.

Meer output met dezelfde mensen

Voor veel organisaties zal de eerste bron van AI-waarde simpelweg zijn: meer doen met het bestaande team.

Er is zelden genoeg capaciteit voor alles wat zou moeten. Er liggen altijd projecten, analyses, verbeteringen of experimenten op de plank omdat de tijd ontbreekt.

De relevante maatstaf gaat dan minder over kosten per medewerker en meer over output per medewerker.

Voor marketing schat McKinsey dat generatieve AI productiviteitswaarde kan opleveren ter grootte van ongeveer 5–15% van de totale marketinguitgaven. Daarbij laat de analyse extra voordelen van betere inzichten, nieuwe ideeën of betere doelgroepkeuze grotendeels buiten beschouwing.

Meer experimenteren kan meer opleveren dan kosten besparen

Veel functies zijn geen puur administratieve functies. Extra capaciteit kan daar direct nieuwe waarde opleveren.

Als AI het makkelijker maakt om nieuwe ideeën uit te werken, varianten te maken, alternatieven te testen of dienstverlening op maat te bieden, kan hetzelfde team meer hypotheses toetsen.

Dat verhoogt de leersnelheid: het tempo waarin de organisatie ontdekt wat werkt.

Kwaliteit kan deel van het rendement zijn

Traditionele productiviteitsberekeningen kijken vaak alleen naar tijd.

Maar het onderzoek laat ook effecten op kwaliteit zien.

In het MIT-onderzoek steeg de kwaliteit van het werk met 18%. In het BCG-experiment verbeterde de kwaliteit ook flink bij taken die binnen de mogelijkheden van GPT-4 vielen.

In de studie van Brynjolfsson, Li en Raymond onder 5.179 klantenservicemedewerkers steeg de productiviteit gemiddeld met 14%, met de grootste winst bij minder ervaren medewerkers. De onderzoekers zagen ook een betere klanttevredenheid en minder verloop, en aanwijzingen dat medewerkers van het systeem leerden.

AI kan dus ook helpen om de kennis en werkwijze van de sterkste medewerkers breder beschikbaar te maken.

Dat kan bijvoorbeeld briefings, consistentie, het hergebruik van eerdere kennis, toegang tot klantinzicht, analyse en coaching tijdens het werk verbeteren.

Een deel van de waarde kan ontstaan doordat kwaliteitsverschillen binnen het team kleiner worden, in plaats van het team zelf.

Snelheid is ook een businesscase

Een project of dienst die eerder live gaat, kan waarde opleveren zonder dat er één functie verdwijnt.

Hetzelfde geldt voor snellere opvolging van klantvragen, sneller beschikbare informatie, eerder signaleren van trends of kortere goedkeuringsrondes.

De waarde van een bespaard uur is makkelijk te berekenen. De waarde van een week eerder klaar is lastiger te bepalen, maar kan veel groter zijn.

Een AI-businesscase moet daarom niet alleen arbeidsuren meten, maar bijvoorbeeld ook:

  • doorlooptijd van projecten of campagnes;
  • tijd van opdracht tot oplevering;
  • tijd van concept tot goedkeuring;
  • tijd tot inzicht;
  • reactietijd op vragen van klanten;
  • doorlooptijd van terugkerende producties.

De businesscase verschuift van kosten per output naar snelheid van output.

Vrijgekomen capaciteit kan externe kosten verlagen

Er is een belangrijk verschil tussen:

een interne medewerker boventallig maken

en:

minder extern werk inkopen.

Hogere interne productiviteit kan de afhankelijkheid van bureaus, freelancers, vertalers, productiepartners of tijdelijke krachten verkleinen.

McKinsey merkt bijvoorbeeld op dat generatieve AI bedrijven in staat kan stellen om werk naar eigen kanalen van hogere kwaliteit te verschuiven en minder uit te geven aan externe kanalen en bureaus.

Zulke besparingen zijn vaak direct te verzilveren zonder het eigen personeelsbestand te verkleinen.

Een organisatie kan haar mensen dus behouden, hun productiviteit verhogen en tegelijk minder uitgeven aan externe productie.

AI kan ook toekomstige werving voorkomen

Een andere belangrijke categorie is vermeden werving.

Een groeiende organisatie zou anders meer mensen nodig hebben om extra klanten, producten, projecten, markten of kanalen te bedienen.

Met AI kan het bestaande team mogelijk een deel van die groei opvangen.

Het financiële voordeel komt dan doordat de personeelskosten langzamer groeien, niet doordat bestaande medewerkers vertrekken.

De managementvraag wordt dan:

Hoeveel extra werk kan onze huidige organisatie aan voordat we extra capaciteit nodig hebben?

De AI Jobs Barometer 2026 van PwC, gebaseerd op meer dan een miljard vacatures en bedrijfsgegevens, liet zien dat het personeelsbestand in de sterkst aan AI blootgestelde sectoren sinds de gekozen basisperiode harder was gegroeid dan in de minst blootgestelde.

Dat is een samenhang en bewijst niet dat AI die groei heeft veroorzaakt. Het ondergraaft wel de aanname dat meer AI-productiviteit automatisch tot minder medewerkers moet leiden.

Werk verandert, en daarmee ook de vaardigheden die ertoe doen

Wanneer een eerste versie maken goedkoper wordt, worden andere vaardigheden relatief waardevoller:

  • het probleem scherp krijgen;
  • kwaliteit beoordelen;
  • klanten begrijpen;
  • prioriteiten stellen;
  • creatieve keuzes maken;
  • experimenten ontwerpen;
  • data interpreteren;
  • anderen meekrijgen;
  • risico’s voor reputatie en merk inschatten;
  • AI-output beoordelen.

PwC meldt in de AI Jobs Barometer 2026 dat vaardigheden in beroepen die sterk aan AI zijn blootgesteld sneller veranderen, en dat sommige van die juniorfuncties steeds vaker vaardigheden vragen die vroeger bij senioren hoorden, zoals oordeelsvermogen en leiderschap.

Ook dat is een waarneming en geen bewijs van oorzaak en gevolg. Maar het ondersteunt het idee van functies die veranderen, niet alleen van functies die verdwijnen.

Voor kenniswerk is de implicatie duidelijk:

AI kan de economische waarde van sommige productietaken verlagen en tegelijk de waarde van oordeel, creativiteit, besluitvorming en regie verhogen.

AI-transformatie vraagt daarom ook om het herontwerpen van functies.

Productiviteitswinst is niet gelijk verdeeld

Een businesscase moet er ook niet van uitgaan dat iedere medewerker evenveel profiteert.

In het onderzoek van Brynjolfsson, Li en Raymond steeg de productiviteit gemiddeld met 14%, maar met 34% bij minder ervaren en minder presterende medewerkers. Bij de meest ervaren medewerkers waren de effecten beperkt.

Het BCG-onderzoek liet nog iets zien: AI verbeterde de prestaties bij taken binnen de grenzen van de technologie, maar kon de prestaties verslechteren bij taken daarbuiten.

Een CFO kan daarom niet verantwoord aannemen:

“AI maakt iedere medewerker X procent productiever, dus kunnen we X procent van het personeel schrappen.”

De effecten verschillen per taak, medewerker, proces, AI-systeem, datakwaliteit en volwassenheid van het gebruik.

AI-businesscases moeten daarom worden opgebouwd rond processen en taken, niet rond een algemene reductiefactor op de loonsom.

Vrijgekomen capaciteit is niet hetzelfde als verzilverbare besparing

In gesprekken met directie en finance zou ik twee begrippen nadrukkelijk uit elkaar houden.

Vrijgekomen capaciteit

Tijd die dankzij AI niet langer nodig is voor bestaande werkzaamheden.

Die capaciteit kan opnieuw worden ingezet.

Verzilverbare besparing

Kosten die werkelijk uit de winst-en-verliesrekening verdwijnen.

Bijvoorbeeld:

  • contracten met leveranciers worden kleiner;
  • externe productie verdwijnt;
  • geplande vacatures worden niet ingevuld;
  • overwerk neemt af;
  • tijdelijke inhuur neemt af;
  • in specifieke gevallen wordt de interne bezetting aangepast.

Niet iedere vrijgekomen capaciteit wordt een verzilverbare besparing.

Dat betekent dat de businesscase nooit simpelweg moet zijn:

bespaarde uren × gemiddeld salaris = kostenbesparing.

Die berekening geeft in eerste instantie de economische waarde van vrijgekomen capaciteit weer.

Pas wanneer de organisatie besluit die capaciteit niet opnieuw in te zetten en de kosten ook echt kan wegnemen, mag je het een harde besparing noemen.

Voor functies die groei maken, kan herinvesteren verstandig zijn

Functies als marketing, sales, innovatie en dienstverlening dragen direct bij aan groei.

Wanneer AI daar capaciteit vrijmaakt, heeft het management een keuze:

A. dezelfde resultaten halen met lagere kosten

of:

B. de kosten gelijk houden en proberen meer waarde te creëren.

Die tweede optie wordt vaak onderschat wanneer AI vooral als efficiëntieprogramma wordt gepresenteerd.

De eerder genoemde schatting van McKinsey van 5–15% productiviteitswaarde ten opzichte van het marketingbudget laat een deel van de mogelijke voordelen van betere inzichten, ideeën en doelgroepkeuze bewust buiten beschouwing.

Een businesscase die puur op kostenreductie is gericht, mist daardoor per definitie een deel van het mogelijke rendement.

Een directeur kan dan ook redelijkerwijs zeggen:

Ons doel is niet om ieder uur dat AI bespaart om te zetten in minder mensen. We willen een deel van die capaciteit opnieuw investeren in klantcontact, experimenten, beter werk, maatwerk, analyse en innovatie, waar dat extra waarde oplevert.

Dezelfde logica geldt voor iedere functie

Het principe is breder dan één afdeling.

In de klantenservice kan AI-productiviteit worden ingezet voor kortere wachttijden, complexere vragen, betere service of meer klanten.

In finance kan vrijgekomen capaciteit verschuiven naar prognoses, scenarioanalyse, adviseren van de business of risicoanalyse.

In HR kan capaciteit verschuiven van documentatie en administratie naar talentontwikkeling, personeelsplanning of ondersteuning van medewerkers.

In IT kan sneller ontwikkelen betekenen dat er meer van de backlog wordt opgepakt, technische schuld afneemt, de beveiliging beter wordt of producten sneller worden ontwikkeld.

De algemene regel:

AI vermindert de menselijke inzet die nodig is voor bepaalde taken. Wat dat betekent voor het aantal medewerkers, hangt af van hoeveel werk de organisatie wil doen en wat extra output waard is.

AI kan nog steeds het aantal medewerkers verminderen

Een geloofwaardig verhaal ontkent dat niet.

Het World Economic Forum meldde in het Future of Jobs Report 2025 dat 41% van de ondervraagde werkgevers verwachtte personeel te verminderen waar AI bepaalde activiteiten automatiseert. Tegelijk was 77% van plan medewerkers bij te scholen of om te scholen voor AI, en verwachtte bijna de helft medewerkers uit door AI geraakte rollen elders in de organisatie in te zetten.

De juiste conclusie is daarom niet:

“AI kost nooit banen.”

Maar:

“Het is economisch onjuist om iedere productiviteitswinst door AI bij voorbaat te behandelen als minder medewerkers.”

Een structurele afname van het personeelsbestand ligt meer voor de hand wanneer:

  • het werk sterk repetitief is;
  • het volume stabiel is;
  • er weinig menselijk oordeel nodig is;
  • de kwaliteit automatisch te controleren is;
  • er geen extra vraag naar de output is;
  • vrijgekomen capaciteit elders weinig waarde kan opleveren.

In die omstandigheden kan minder personeel een reële uitkomst zijn.

Maar het moet een uitkomst van procesanalyse zijn, geen algemene aanname die je op iedere AI-investering plakt.

Waarom een belofte van geen gedwongen ontslagen transformatie kan helpen

Er is ook een argument vanuit verandermanagement.

Als medewerkers geloven dat iedere verbetering waaraan zij meewerken uiteindelijk wordt gebruikt om hun eigen functie te schrappen, geeft de organisatie de verkeerde prikkel.

Waarom zouden medewerkers processen beschrijven, kennis delen, AI-systemen trainen, inefficiënties aanwijzen of actief experimenteren als succes hun eigen positie onzekerder maakt?

OECD-onderzoek naar AI op de werkvloer geeft aanwijzingen dat training en het raadplegen van medewerkers samenhangen met betere uitkomsten. Medewerkers in organisaties die werknemers of hun vertegenwoordigers betrokken bij de invoering van technologie, rapporteerden vaker positieve effecten op prestaties en arbeidsomstandigheden. De OECD benadrukt dat deze bevindingen correlationeel zijn.

Een leidinggevende kan daarom een helder principe vastleggen:

“Het doel van deze fase is niet om mensen weg te automatiseren. Het is om werk te automatiseren dat weinig onderscheidende waarde heeft, zodat onze mensen meer tijd hebben voor werk dat meer oplevert voor klanten en organisatie.”

Dat geeft medewerkers een reden om mede-ontwerpers van de verandering te worden in plaats van er passief aan onderworpen te zijn.

Wat het management in plaats daarvan moet beloven

Een geloofwaardiger AI-businesscase heeft vier doelen:

Productiviteit: minder tijd kwijt aan routinematige productie en administratie.

Groei en doorstroming: met dezelfde mensen meer relevante projecten, contacten, analyses en experimenten uitvoeren.

Kwaliteit en snelheid: beter werk leveren en sneller van inzicht naar actie gaan.

Kostenbeheersing: minder externe capaciteit en groei met een kostenbasis die langzamer stijgt.

Pas wanneer capaciteit structureel overbodig is, niet productief kan worden herbestemd en daadwerkelijk uit de kostenbasis kan worden gehaald, mag ze worden aangemerkt als een verzilverbare personeelsbesparing.

Een betere AI-scorecard

Het management zou verschillende vormen van waarde moeten meten.

Productiviteit

  • uren per activiteit;
  • output per medewerker;
  • handmatige verwerking;
  • AI-gebruik en -adoptie.

Groei en output

  • projecten en campagnes;
  • experimenten;
  • bediende klantgroepen;
  • communicatie op maat;
  • extra omzet of marge, waar die oorzakelijk meetbaar is.

Snelheid

  • time-to-market;
  • doorlooptijd van projecten;
  • tijd tot inzicht;
  • reactietijd op klantvragen.

Kwaliteit

  • goedkeuringspercentages;
  • fouten;
  • naleving van richtlijnen;
  • reactie van klanten;
  • objectieve kwaliteitsmaten, waar beschikbaar.

Kosten

  • uitgaven aan bureaus;
  • uitgaven aan freelancers en tijdelijke krachten;
  • overwerk;
  • vermeden aanwerving;
  • AI- en technologiekosten.

Mensen

  • ontwikkeling van vaardigheden;
  • interne doorstroming;
  • medewerkerstevredenheid;
  • behoud van kritieke expertise.

Zo ontstaat een veel duidelijker beeld van wat AI werkelijk met de organisatie doet.

Een betere vraag voor de AI-businesscase

“Hoeveel meer economische waarde kan dezelfde organisatie produceren met dezelfde hoeveelheid menselijke capaciteit?”

En pas daarna:

“Welk deel van die waarde willen we realiseren via groei, kwaliteit, snelheid, vermeden externe kosten, vermeden toekomstige werving of daadwerkelijke personeelsbesparing?”

Het empirische bewijs ondersteunt dit bredere perspectief. De ILO ziet op dit moment vooral functies die veranderen en nog weinig grootschalige verdringing. De OECD benadrukt dat AI nieuwe taken kan creëren terwijl het bestaande taken automatiseert. Economisch onderzoek naar automatisering laat zien waarom verdringing en nieuw menselijk werk tegelijk kunnen ontstaan.

Een directeur kan daarom zonder tegenspraak zeggen:

“We verwachten forse productiviteitsverbeteringen door AI.”

en:

“We gaan er niet van uit dat we die verbeteringen moeten realiseren door ons personeel met hetzelfde percentage in te krimpen.”

Dat is geen zachte HR-boodschap en het ontkent de economische effecten van automatisering niet.

Het is een nauwkeuriger businessmodel.

AI automatiseert taken. Management bepaalt wat er gebeurt met de capaciteit die vrijkomt.