Veel AI-gebruik is nog geen productiviteitswinst: lessen uit de DNB-analyse

Veel gebruik is nog geen productiviteitswinst

Op 2 november 2026 presenteerde De Nederlandsche Bank (DNB) nieuw onderzoek naar de economische impact van AI in Nederland.1 2 De boodschap is nuchter. Nederlandse bedrijven en werknemers behoren tot de Europese koplopers in AI-gebruik. Volgens een schatting waarnaar DNB verwijst, gebruikt ruim een derde van de Nederlandse werknemers generatieve AI voor het werk. Maar gebruik leidt niet vanzelf tot hogere productiviteit. De auteurs vatten het samen in één zin: de uitdaging verschuift "van adoptie naar diffusie".1 Adoptie betekent dat mensen en bedrijven AI gebruiken. Diffusie gaat over de verspreiding van AI en succesvolle toepassingen binnen en tussen bedrijven; integratie in werkprocessen helpt om het gebruik productief te maken. Volgens DNB zit Nederland daartussenin: waarschijnlijk niet meer aan het begin, maar ook nog niet in de fase waarin AI breed is geïntegreerd en zichtbaar bijdraagt aan productiviteitsgroei.1 De analyse is geschreven door vijf auteurs van DNB. Hun zienswijzen zijn voor eigen rekening en komen niet noodzakelijk overeen met het officiële standpunt van DNB. Risico's voor de financiële sector vallen buiten het onderzoek.1 Voor bestuurders is het stuk bruikbaar, omdat het beschrijft welke voorwaarden nodig zijn om AI productief toe te passen.

Breedte en diepte zijn twee verschillende opgaven

DNB onderscheidt opschaling en integratie van AI.1

• Opschaling gaat over de breedte: meer medewerkers gebruiken een werkende toepassing, voor meer taken en in meer bedrijfsonderdelen.
• Integratie gaat over de diepte: AI wordt gekoppeld aan bedrijfsdata, bestaande software en werkprocessen. Losse toepassingen kunnen al tijdwinst of betere kwaliteit opleveren. De voordelen werken volgens DNB pas sterker door in de bedrijfsprestaties als organisaties die toepassingen opschalen en goed in hun werkprocessen integreren.1 Als iedereen een chatassistent gebruikt, wijst dat op breed gebruik, maar het zegt op zichzelf nog niets over de integratie in werkprocessen of de productiviteitswinst. Internationaal onderzoek wijst dezelfde kant op. Deloitte ondervroeg voor het onderzoek "State of AI in the Enterprise" in mei en juni 2026 3.500 leidinggevenden die direct betrokken waren bij AI-initiatieven, in 25 landen en zes sectoren. Van de onderzochte bedrijven meldt 81% snellere besluitvorming en uitvoering. Slechts 25% zegt AI te gebruiken voor een diepe transformatie, zoals nieuwe producten of diensten of het herinrichten van kernprocessen.3 Volgens Deloitte versnelt AI bij de meeste onderzochte organisaties bestaande werkprocessen, zonder het werk zelf te veranderen.

Tijdwinst is nog geen productiviteit

DNB verwijst naar onderzoek van Bick en anderen en naar eigen analyses. Daaruit blijkt dat medewerkers AI vaker en intensiever gebruiken, en vaker tijdwinst rapporteren, als hun werkgever het gebruik actief ondersteunt, bijvoorbeeld met interne toepassingen en trainingen.1 DNB is hier voorzichtig. Dit wijst op een samenhang tussen werkgeversbeleid en gebruik, "maar nog niet op een aantoonbare productiviteitswinst voor bedrijven". De beschikbare gegevens meten vooral gebruik en gerapporteerde tijdwinst. Of tijdwinst iets oplevert, hangt af van wat er met de vrijgekomen capaciteit gebeurt. DNB noemt vijf mogelijkheden: meer produceren, de kwaliteit verbeteren, nieuwe producten ontwikkelen, medewerkers andere taken laten doen of minder arbeid inzetten.1 Tijdwinst bij afzonderlijke taken toont daarom op zichzelf nog niet aan dat de productiviteit van het bedrijf stijgt.1 Ook de kosten verdienen aandacht. In het Deloitte-onderzoek houdt 71% van de onderzochte bedrijven de totale kosten bij van het uitvoeren van AI-modellen en het gebruik van softwarekoppelingen (API's). Slechts 44% houdt de kosten per eenheid AI-verwerking bij.3 Zonder zicht op de kosten per werkproces is moeilijk te beoordelen of een toepassing meer oplevert dan ze kost.

Eerst investeren, later opbrengen

DNB legt ook uit waarom de baten vaak op zich laten wachten. Om AI echt productief te gebruiken zijn aanvullende investeringen nodig in data, software, opleiding van medewerkers en het herontwerpen van werkprocessen. Die investeringen kosten tijd en geld en gaan aan de baten vooraf. In de economische literatuur heet dit de productiviteits-J-curve.1 Hoge aanloopkosten, onzekere opbrengsten en baten die pas later zichtbaar worden, kunnen bedrijven terughoudend maken. Dat speelt vooral als zij weinig tijd, kennis of managementcapaciteit hebben. Volgens DNB lijkt dit vooral relevant voor kleinere bedrijven, die AI minder vaak gebruiken. Ook bij grote bedrijven kan echter een flinke integratieopgave bestaan.1 Als randvoorwaarden noemt DNB: geschikte toepassingen kiezen en koppelen aan concrete bedrijfsproblemen, gegevens op orde brengen, personeel opleiden, risico's beheersen, processen verbeteren, duidelijk eigenaarschap beleggen en afspraken maken over verantwoordelijk gebruik.1 Deze voorwaarden vragen zowel technische maatregelen als besluiten van het management.

Wat de analyse zegt over werk

DNB berekent dat ongeveer een kwart van de Nederlandse werkenden een beroep heeft waarin AI bij ten minste de helft van de taken de uitvoering kan versnellen. Bij een grens van 40% van de taken is dat ongeveer de helft van de werkenden.1 Beroepen waarin informatie wordt verwerkt, geanalyseerd of geproduceerd scoren hoog, zoals softwareontwikkelaars, accountants en beleidsadviseurs. Schoonmakers en verzorgenden scoren laag. De auteurs benadrukken dat deze maatstaf alleen het technische potentieel meet, niet het werkelijke gebruik of het effect op de werkgelegenheid: "Hoge AI-blootstelling betekent niet dat banen verdwijnen."1 Volgens DNB zal AI voor veel werkenden in de eerste plaats de inhoud van het werk veranderen.1 Hoe dat uitpakt, ligt volgens DNB niet vast. Het hangt mede af van de keuze van werkgevers om AI in te zetten om werk over te nemen of om werkenden te ondersteunen. Daarom moeten werkgevers medewerkers volgens DNB vroeg betrekken bij keuzes over welke taken met AI worden ondersteund of geautomatiseerd, welke vaardigheden daarvoor nodig zijn en hoe de vrijgekomen capaciteit wordt benut.1 Deloitte beschrijft de herinrichting van werk als een proces dat nog gaande is. Van de onderzochte bedrijven heeft 60% functies minstens in redelijke mate rond AI herontworpen, maar slechts 15% meldt een duidelijke verschuiving in beslisbevoegdheid.3

Integratie kan de afhankelijkheid vergroten

Diepe integratie heeft een keerzijde. Volgens DNB raken bedrijfsdata, software en werkprocessen sterker verbonden aan specifieke leveranciers naarmate AI dieper in de bedrijfsvoering zit. Leveranciersspecifieke data en technische koppelingen kunnen overstappen dan lastiger maken. Wanneer data en toepassingen gemakkelijker tussen systemen kunnen worden uitgewisseld en meegenomen, dalen volgens DNB de overstapkosten.1 DNB adviseert daarom om bij de keuze van een leverancier ook overstapkosten en continuïteitsrisico's mee te wegen: "De goedkoopste AI-oplossing is op termijn niet altijd de voordeligste."1 Bij kritieke toepassingen moeten organisaties hun afhankelijkheden in kaart brengen en waar nodig terugvalopties organiseren, passend bij het belang van de toepassing en de gevolgen van uitval. Hoe dat praktisch kan, staat in de eerdere analyse over een exitplan voor AI-leveranciers.

Edgars analyse: vijf vragen voor de volgende AI-investering

Uit de DNB-analyse volgen vijf vragen die een directie bij elke grotere AI-investering kan stellen. Dit is een vertaling naar de praktijk; DNB formuleert ze zelf niet zo.

1. Welk bedrijfsprobleem lossen we op? Koppel de toepassing aan een concreet proces en een meetbaar resultaat, niet aan een algemeen doel als "meer AI gebruiken".
2. Gaat het om breedte of om diepte? Meer gebruikers voor een bestaande toepassing vraagt iets anders dan koppeling aan bedrijfsdata en systemen. Begroot en plan beide afzonderlijk.
3. Wat doen we met de vrijgekomen tijd? Kies vooraf: meer volume, hogere kwaliteit, nieuwe diensten of ander werk. Leg vast hoe u dat meet, inclusief de kosten per werkproces.
4. Wie beslist en wie doet mee? Betrek medewerkers vroeg bij de taakverdeling tussen mens en AI, en regel eigenaarschap en beslisbevoegdheid.
5. Kunnen we nog overstappen? Beoordeel bij elke koppeling of data en toepassingen mee kunnen naar een andere aanbieder, en wat uitval zou betekenen.

Conclusie

De DNB-analyse verbreedt de vraag. Het gaat niet alleen om de vraag of een organisatie AI gebruikt, maar ook om hoe zij AI in werkprocessen integreert en welke opbrengsten dat oplevert.1 Daarvoor zijn investeringen nodig die voor de baten uitgaan: in data, vaardigheden, management en de inrichting van werk. Wie alleen het aantal gebruikers telt, meet adoptie. Wie productiviteit wil, moet diffusie organiseren en meten.