De AI-productiviteitsparadox is het verschijnsel dat bedrijven massaal AI inzetten, terwijl de tijdwinst nauwelijks zichtbaar wordt. Je team gebruikt de tools en de agenda's blijven vol. De winst zit niet in betere prompts. Je haalt hem uit het herontwerpen van je processen, zodat AI een vaste stap wordt en geen losse tool ernaast.
Wat is de AI-productiviteitsparadox?
De term gaat terug op econoom Robert Solow. In 1987 schreef hij over computers: "You can see the computer age everywhere but in the productivity statistics" (citaat en bron, New York Times Book Review, 12 juli 1987). Computers stonden overal, maar in de productiviteitscijfers viel er weinig van te merken. Economen noemen dat een productiviteitsparadox.
Bij AI zie je hetzelfde patroon. Loop een gemiddeld kantoor binnen en overal staan tabbladen met ChatGPT, Claude of Copilot open. De adoptie is hoog en de investering in licenties ook. Toch blijven de agenda's vol en neemt de druk niet af. Dat is geen gevoel, daar bestaan cijfers over.
Wat zeggen de cijfers over AI en productiviteit?
Drie onderzoeken, met elk een eigen invalshoek:
- Verwachting tegenover werkelijkheid. Upwork ondervroeg in 2024 2.500 respondenten (topbestuurders, werknemers en freelancers) in de Verenigde Staten, het Verenigd Koninkrijk, Australië en Canada. Van de topbestuurders verwacht 96 procent dat AI de productiviteit van hun bedrijf verhoogt. Van de werknemers zegt 77 procent dat AI hun werklast heeft vergroot. Bijna de helft (47 procent) van de werknemers die AI gebruiken, weet niet hoe ze de verwachte winst moeten halen. Dit zijn zelfrapportages van één bedrijf.
- Geen effect op loon of uren. De Deense onderzoekers Anders Humlum en Emilie Vestergaard koppelden overheidsdata aan enquêtes over het gebruik van AI-chatbots. Twee jaar na de lancering van ChatGPT vonden ze geen meetbaar effect op inkomen of gewerkte uren, met uitsluiting van effecten groter dan 2 procent. Bedrijven meldden wel productiviteitswinst. Het onderzoek zegt niets over de kwaliteit van het werk. Het laat wel zien dat de hoeveelheid werk nog niet zichtbaar veranderde.
- Gevoel tegenover meting. In een gerandomiseerd onderzoek van METR voerden 16 ervaren open-sourceontwikkelaars 246 echte taken uit, met en zonder AI-tools. Met AI werkten ze gemiddeld 19 procent trager. Zelf schatten ze achteraf dat ze 20 procent sneller waren geweest. Het is een kleine groep in een specifieke omgeving. Het toont wel dat een gevoel van tijdwinst iets anders is dan tijdwinst.
77%
Werknemers die zeggen dat AI hun werklast heeft vergroot
Bron: Upwork Research Institute, juli 2024 (2.500 respondenten in de VS, het VK, Australië en Canada). Zelfrapportage.
Betekent dat dat AI niets oplevert?
Nee. Er is ook bewijs voor tijdwinst. Brynjolfsson, Li en Raymond onderzochten in een NBER-studie 5.179 klantenservicemedewerkers die een AI-assistent kregen. De productiviteit, gemeten in opgeloste vragen per uur, steeg gemiddeld met 14 procent. Bij beginners was dat 34 procent, bij ervaren medewerkers bleef het effect minimaal.
Let op wat voor taak dat was: een afgebakende klus met een vast proces, waarin de assistent zelf een stap in het werk was. Het onderzoek toetst niet of het inbouwen de oorzaak van de winst is, dus dat is onze lezing. Ze past wel bij de cijfers hierboven: de tijdwinst zit bij taken waar AI een vaste plek heeft, en blijft uit waar het een losse hulp is.
Waarom wint je team geen tijd met AI?
De meeste professionals gebruiken AI als een snellere typemachine. Een losse prompt voor een e-mail, een snelle samenvatting van een meeting. Die micro-acties staan los van elkaar. Het gevolg: we maken sneller meer output, en de inboxen en Slack-kanalen van collega's stromen nog voller.
Daar zijn ook cijfers over. Upwork meldt dat 39 procent van de werknemers meer tijd kwijt is aan het beoordelen of bijsturen van door AI gemaakte inhoud. Onderzoekers van Stanford en BetterUp Labs, gepubliceerd in Harvard Business Review, noemen het "workslop": AI-teksten die er verzorgd uitzien, maar inhoudelijk niets bijdragen. In hun enquête onder 1.150 Amerikaanse werknemers kreeg 40 procent de afgelopen maand zulke berichten van collega's. Het afhandelen kostte gemiddeld 1 uur en 56 minuten per geval.
AI zonder workflow-integratie levert efficiëntere ruis op.
Wat verandert er als je AI inbouwt?
Dan wordt AI een stap in het proces zelf. Een voorbeeld uit mijn eigen werk als product owner.
Ik krijg zelden een duidelijke vraag. Ik krijg gesprekken, documenten en stakeholders die elk een stukje van het verhaal kennen, op verschillende niveaus en in verschillende talen. Mijn taak is daar één verhaal van maken.
Dat kostte vroeger uren. Nu doet een AI-skill het eerste vertaalwerk: alle input erin, een gestructureerde user story eruit, volgens een vast template. De acceptatiecriteria krijgen telkens dezelfde vorm. De skill wijst zelfs de gaten in mijn eigen analyse aan, de vragen die ik nog niet gesteld had.
Ik lever daarmee niet minder werk. Ik lever betere kwaliteit in minder tijd. In een lopend project ging een AS-IS analyse (een beschrijving van hoe een proces nu werkt) van drie à vier dagen naar een halve dag. De skill vond daarbij ook een gat: door de uitgebreidere context kon ze volledigere testscenario's genereren, en die legden een lacune in de analyse bloot. Dat is het verschil tussen AI gebruiken en AI inbouwen.
Hoe ziet zo'n herontwerp er voor een team uit?
Een voorbeeld ter illustratie, met vergadernotities.
Los gebruik: na elk overleg vraagt elke deelnemer zijn eigen AI-samenvatting op. Vijf mensen krijgen vijf verschillende versies, en niemand weet welke geldt. Er komen meer berichten bij en het team moet afstemmen welke versie klopt.
Ingebouwd: het team spreekt één template af met vaste velden: besluiten, acties, eigenaar en deadline. Eén persoon laat de AI dat template vullen. Hij controleert het resultaat in een paar minuten en zet het op de afgesproken plek. De anderen krijgen één document, in dezelfde vorm, elke keer.
De tool is in beide varianten dezelfde. Het verschil zit in de afspraak over input, vorm en plek, waardoor er werk uit de keten verdwijnt in plaats van erbij komt.
Welke taken lenen zich het best voor herontwerp?
Een vuistregel uit eigen ervaring, geen onderzoeksresultaat: een taak komt in aanmerking als ze vier kenmerken heeft.
- Je doet haar elke week opnieuw.
- De input en de gewenste output zijn duidelijk te beschrijven.
- Het resultaat volgt een vast template.
- Je kunt het resultaat snel controleren.
Eenmalig, open creatief werk past minder goed. Een taak waarvan je het resultaat niet kunt controleren, ook niet: daar helpt AI je niet vooruit.
Hoe begin je met het herontwerpen van je werk?
Begin klein en concreet. Neem één taak die je elke week opnieuw doet en die veel tijd kost. Meet de duur met een klok. Het METR-onderzoek laat zien dat een schatting achteraf hier niet volstaat.
Wat meet je als leider dan wel?
Het aantal licenties en het aantal gebruikers zeggen weinig. Meet drie dingen per taak:
- De duur voor en na de verandering, met een klok.
- Het herwerk: hoe vaak moet je het resultaat nog aanpassen voor het bruikbaar is?
- De gevolgen verderop: wat doet het resultaat bij de volgende persoon in de keten?
Komt er meer werk bij collega's terecht, dan zit je in de paradox. Daalt de duur en blijft het herwerk klein, dan heb je echt tijd gewonnen.
Dit is dezelfde denkwijze als in The Rebel Engine: stuur op wat je werk oplevert, niet op hoeveel werk je doet. Daar bouw je je eigen werksysteem met dat principe als uitgangspunt.
Welke taak in jouw werk zou je het liefst zo automatiseren?
