We zien AI overal, behalve in de ROI. Dit is de zogenaamde AI-productiviteitsparadox. Hoewel uit onderzoek blijkt dat 78% van de organisaties inmiddels gebruikmaakt van generatieve AI-toepassingen, geeft meer dan 80% aan geen verbetering te zien in hun (financiële) resultaten. Bovendien verklaart 77% van de werknemers dat het gebruik van AI-tools hun productiviteit verlaagt en de werkdruk verhoogt. Hoe komt dit? En hoe kan L&D hier een rol in spelen? Christophe Benoit, VOV-Bestuurslid en AI-expert legt uit.
AI Act disclaimer: Dit artikel werd geschreven in samenwerking met Generatieve AI; human-led, AI-operated.
Auteur: Christophe Benoit
Stel je voor: je hebt met trots een reeks trainingen over generatieve AI uitgerold. De screenshots zien er gelikt uit, overal hangen handige cheat sheets en je hebt zelfs een Slack-kanaal opgezet met de naam #genai-wins.
Drie maanden na het uitrollen van de trainingen komt de CFO nieuwsgierig binnenlopen en vraagt: “En… waar zien we nu eigenlijk die gehoopte productiviteitsboost terug?” Je bladert snel door een paar rapportages en antwoordt wat onzeker: “Eh… in theorie zouden we overal verbetering moeten zien.” De CFO fronst zijn wenkbrauwen en reageert kritisch: “Maar als ik naar de cijfers kijk, vind ik nergens een duidelijke stijging.”
Herkenbaar? Welkom bij de AI-productiviteitsparadox.
Hoge adoptiegraad en investeringen, maar geen meetbare impact
Uit recent onderzoek van McKinsey blijkt dat ongeveer 78% van de organisaties inmiddels gebruikmaakt van generatieve AI-toepassingen. Dit wijst op een brede en snelle adoptie van deze technologie binnen het bedrijfsleven. Toch geeft meer dan 80% van deze bedrijven aan dat zij tot nu toe geen materiële verbetering zien in hun financiële resultaten als gevolg van deze AI-implementaties.
Dit fenomeen wordt door McKinsey aangeduid als de “gen AI paradox”: ondanks de hoge adoptiegraad van AI blijft de daadwerkelijke impact op financiële resultaten uit. Dit onderstreept dat het invoeren van nieuwe technologieën alleen niet automatisch leidt tot meetbare bedrijfsgroei of winststijging; er zijn aanvullende stappen en organisatorische veranderingen nodig om de beloofde voordelen van AI daadwerkelijk te verzilveren.
Lage productiviteitswinst en hoge werkdruk
Hoewel veel organisaties investeren in AI-trainingen, blijkt uit de praktijk dat training niet automatisch tot meetbare impact leidt. Uit een internationale survey van Upwork blijkt dat maar liefst 47% van de werknemers die AI-tools gebruiken niet goed weet hoe ze daadwerkelijk de beloofde productiviteitswinst kunnen behalen. Dit wijst op een kloof tussen kennisoverdracht en praktische toepassing op de werkvloer.
Bovendien ervaart 77% van deze groep zelfs dat het gebruik van AI-tools hun productiviteit niet verhoogt, maar juist verlaagt of de werkdruk doet toenemen. Dit komt doordat werknemers vaak extra tijd moeten besteden aan het leren werken met nieuwe tools, het uitvoeren van meer controle- en reviewwerk en het oppakken van bijkomende taken die voortvloeien uit het gebruik van AI. Kortom: zonder een goede vertaling van training naar concrete werkprocessen en metingen, blijft de verwachte productiviteitswinst uit en kan de werkdruk zelfs stijgen. (Bron: Upwork)
Macro-, meso- en microrevolutie
Op macroniveau bevinden we ons nog steeds in de beginfase van de AI-revolutie. Uit de Stanford AI Index 2025 blijkt dat organisaties wereldwijd massaal investeren in artificiële intelligentie en dat de adoptiegraad nog nooit zo hoog is geweest. Overal duiken nieuwe AI-projecten, pilots en proof-of-concepts op. Toch laten de traditionele productiviteitscijfers – zoals gemeten door nationale statistiekbureaus – nog nauwelijks een duidelijke, brede stijging zien die te herleiden valt tot deze technologische golf.
Hoe kan dat? Het antwoord zit deels in de tijd die nodig is om zulke ingrijpende technologie echt goed te laten landen in processen, structuren en werkculturen. Recordinvesteringen en snelle adoptie zorgen wel voor zichtbare vooruitgang op kleine schaal en in specifieke sectoren, maar het volledige effect op het grote geheel blijft voorlopig uit.
Denk aan een olietanker die langzaam bijstuurt: de koerswijziging is ingezet, maar het kost tijd voordat je die echt merkt op de eindbestemming. Het rapport van Stanford benadrukt dat naast investeringen ook herontwerp van processen, rollen en besturingsmodellen noodzakelijk is om de potentie van AI daadwerkelijk te verzilveren. Pas als deze randvoorwaarden op orde zijn, zullen de macro-economische cijfers de AI-boost gaan weerspiegelen. (Bron: Stanford AI Index 2025)
Kortom: we zien micro-winst, meso-frictie en macro-geduld. En precies dáár kan L&D het verschil maken.
Waarom “meer AI-training” zelden genoeg is
- Horizontale tools vs. verticale impact. Copilots en chatbots geven dun uitgesmeerde, moeilijke-te-meten voordeeljes. Zonder functie-specifieke (verticale) cases en proceshertekening blijft de ROI uit. (McKinsey & Company)
- Mismatch tussen cursus en klus. “Intro to Prompting” helpt niet als de werkstroom, data-toegang en KPI’s niet mee veranderen. (Upwork)
- Meetlat mist de taak. Tijdswinst blijft verdampen in extra (complexere) taken; traditionele KPI’s pikken de verschuivingen pas later op. (stlouisfed.org)
- Concentratie-effect. Zonder complementaire investeringen (data, integratie, rolontwerp) stapelen voordelen zich vooral op bij groot en kapitaalkrachtig. (OECD, Economy and Finance)
L&D-playbook: van “tool-training” naar taak-transformatie
1) Start bij de taak, niet bij de tool
Map 20–30 veelvoorkomende taken per doelgroep en label ze: High impact, Mid Impact, Low impact . (MIT Sloan)
2) Trainen + herontwerpen = winst
Combineer micro-learning met proceshertekening (rollen, handoffs, QA-stappen). McKinsey: impact volgt als je van losse use-cases naar businessprocessen gaat. (McKinsey & Company)
3) “Enablement” boven “awareness”
Maak werkplek-nabije assets: taakrecepten, beslisbomen (“wanneer wél/wanneer níet AI”), voorbeeldprompts gekoppeld aan één KPI per taak, en checklists voor review-stappen.
4) Datatoegang en governance
Zonder goede, toegankelijke data blijft de winst klein. Zet rol-gebaseerde toegang en duidelijke QA-regels neer, zodat medewerkers veilig snelheid kunnen maken. (OECD benadrukt dat complementaire investeringen doorslaggevend zijn.) (OECD)
5) Trio-training: gebruiker, leidinggevende, proceseigenaar
Geef elk een eigen leerpad: hoe toepassen (gebruiker), hoe sturen en meten (leidinggevende), hoe proces en data geschikt maken (proceseigenaar). Zo voorkom je dat tijdwinst weer in de oude molen verdwijnt.
6) Practice > theorie
Werk met simulaties van echte dossiers/cases. Laat teams de oude en nieuwe manier uitvoeren en vergelijk doorlooptijd, fouten, herwerk, klantreacties.
7) Champions & coaching
Identificeer per team 1–2 AI-champions die wekelijks cases gedetailleerd reviewen (wat werkte, wat niet, welke prompt-patronen, waar liep governance tegenaan).
8) Ritme in iteratie
Maandelijkse “task tuning sprints”: pak 3 taken, meet nulmeting → verbeter set-up (prompts, context, sjablonen) → her-meet → borg. Herhaal.
9) Partner met een expert
Laat je begeleiden door een AI Business Integrator.
Conclusie
De paradox is reëel: we zien AI overal, behalve in de ROI. Maar dat is geen natuurwet — het is een ontwerpprobleem. Als L&D van “tool-uitleg” naar taak-transformatie beweegt, komen de cijfers vanzelf met vertraagde, maar duurzame impact. En mocht de CFO weer vragen “waar is de boost?”, dan wijs je niet naar een demo, maar naar taak-KPI’s die echt verbeterd zijn.
De AI-productiviteitsparadox: waarom L&D de ontbrekende schakel is