Wanneer bedrijven voor de keuze staan om AI toe te gaan passen in de praktijk, levert dat logischerwijs vragen op. Levert het vooral tijdwinst op? Wat is de impact op de werkzaamheden? TNO onderzocht dat in vier organisaties met concrete AI-toepassingen, van klantcontact tot kennis zoeken en tekstproductie. Opvallend is de variatie in uitkomsten. Soms is de productiviteitswinst groot. Soms blijft het beperkt tot kleine tijdsbesparingen. Tegelijkertijd verandert het takenpakket van werknemers in bijna alle situaties. Daardoor verandert ook de kwaliteit van arbeid, bijvoorbeeld de moeilijkheidsgraad en de mentale belasting.
AI in de praktijk volgens TNO
TNO baseert het onderzoek op vier casestudies en 17 semigestructureerde interviews met medewerkers en werkgevers die betrokken waren bij ontwikkeling en invoering. De cases verschillen bewust in sector en type toepassing. Daardoor ontstaat een realistisch beeld van AI in de praktijk, inclusief de frictie die je pas ziet zodra het dagelijks werk verandert.
TNO kijkt daarbij niet alleen naar productiviteit. Het onderzoek neemt ook de kwaliteit van arbeid mee. Denk aan variatie in taken, autonomie, steun en mentale belasting.
Vier organisaties, vier routes
De vier toepassingen laten goed zien hoe breed AI in de praktijk inmiddels is.
- a.s.r. verkende een toepassing die klanttevredenheid voorspelt op basis van gesprekstranscripten. Het project stopte uiteindelijk, maar leverde wel leerervaring op.
- De Douane ontwikkelt een generatieve AI-oplossing om kennis uit handboeken sneller vindbaar te maken, via RAG met bronverwijzingen.
- HelloPrint automatiseert klantvragen via chat en e-mail met AI-agents.
- LINKIT gebruikt AI voor het genereren van aanbiedingsbrieven en projectomschrijvingen, gekoppeld aan bestaande systemen.
Juist die verscheidenheid maakt duidelijk dat AI geen enkelvoudige ingreep is. Of dat het een standaard operatie is. Het is vaak een reeks kleine keuzes, die samen grote (en soms minder grote) effecten kunnen hebben.
Productiviteit, van kleine tijdwinst tot grote sprong
TNO ziet in alle cases een productiviteitsdoel, maar de uitkomst verschilt sterk.
Bij HelloPrint is de impact het meest zichtbaar. Een groot deel van het klantcontact is geautomatiseerd. Zo wordt 83 procent van chats en e-mails inmiddels automatisch afgehandeld. Het aantal medewerkers in de klantenservice ging van ongeveer 100 naar 20. Tegelijkertijd is de kwaliteit gemengd. De klanttevredenheid ligt iets lager bij AI-contact dan bij menselijk contact, terwijl de totale first time resolution in combinatie met mensen juist steeg ten opzichte van het jaar ervoor.
Bij LINKIT gaat het om kleinere, gerichte besparingen. De tijdswinst voor een aanbiedingsbrief wordt geschat op een kwartier tot een half uur per aanbieding. Dat lijkt bescheiden, maar op volume kan het behoorlijk oplopen. Toch benadrukt TNO ook iets anders. Tijdsbesparing leidt niet automatisch tot meer productiviteit of omzet. Dat hangt samen met wat er met de vrijgekomen tijd gebeurt. En dat is natuurlijk wel een belangrijke nuance.
Bij de Douane is de toepassing nog in ontwikkeling. In pilots beoordelen medewerkers de kwaliteit van antwoorden als goed en het zoeken als sneller en eenvoudiger. De potentiële schaal is groot, omdat het kan gaan om duizenden medewerkers die dagelijks handboeken raadplegen.
a.s.r. laat tot slot een ander type productiviteit zien. Daar lag de focus minder op tijdwinst en meer op rijkere inzichten in klantbeleving. Tegelijkertijd bleek de datagrondslag en meetlat lastig. Het doel van 80 procent voorspelbaarheid werd niet gehaald, met prototypes die uiteenlopende nauwkeurigheid lieten zien.
Kwaliteit van arbeid verandert (some ongemerkt) mee
Een van de belangrijke punten in het rapport is dat de kwaliteit van arbeid vaak pas later in beeld komt. De besluitvorming start meestal bij efficiency, terwijl de gevolgen voor taken en werkbeleving gaandeweg zichtbaar worden.
HelloPrint is opnieuw het duidelijke voorbeeld. Routinematige taken verdwijnen, waardoor het werk gevarieerder en inhoudelijk lastiger wordt. Tegelijkertijd neemt de mentale belasting toe, omdat medewerkers complexere vragen krijgen en fouten van AI moeten oplossen.
Bij LINKIT en de Douane zijn de effecten subtieler. Automatisering vervangt een deel van het schrijven of zoeken, maar het takenpakket blijft grotendeels herkenbaar. Daardoor hangt de verandering vooral af van de invulling van tijdwinst. Als die tijd wordt gevuld met meer van hetzelfde werk, kan de variatie juist afnemen.
TNO benadrukt bovendien dat autonomie in sommige gevallen toeneemt, bijvoorbeeld door betere toegang tot informatie en minder afhankelijkheid van collega’s. Dat kan helpen om mentale belasting beter hanteerbaar te houden. Maar ook hier geldt dat het niet vanzelf gebeurt. Het blijft het resultaat van keuzes in werkafspraken en rolverdeling.
Wat zijn werkzame ingrediënten voor AI in de praktijk?
In de analyse komen een paar terugkerende factoren naar voren. Succesvolle AI in de praktijk start bij concrete knelpunten in het primaire proces. Bovendien helpt het als medewerkers actief betrokken zijn, omdat veel proceskennis impliciet is.
TNO wijst daarnaast op randvoorwaarden die vaak onderschat worden. Datakwaliteit en digitaliseringsgraad blijken harde voorwaarden. Ook IT-infrastructuur, governance en onzekerheid over wetgeving en risico’s kunnen het tempo sterk beïnvloeden.
In het hoofdstuk met aanbevelingen lezen we dat ook terug. TNO noemt onder meer iteratief en kleinschalig werken, en het expliciet meenemen van kwaliteit van arbeid als ontwerpkader. Daarnaast gaat het om investeren in vaardigheden, rolontwikkeling en organisatorische inbedding.
Dus hoe nu verder?
AI kan in de praktijk wel degelijk productiviteitswinst opleveren, maar die winst heeft meerdere gezichten. Soms is het een grote sprong, zoals bij vergaand geautomatiseerd klantcontact. Vaker gaat het om kleine verbeteringen die pas op schaal echt tellen.
Tegelijkertijd laat het TNO-onderzoek zien dat kwaliteit van arbeid niet automatisch meebeweegt. Taken verdwijnen, nieuwe taken komen terug, en de mentale belasting kan stijgen als complexiteit toeneemt. Daarom past bij AI in de praktijk ook een gesprek over rollen, begeleiding en leerruimte, niet alleen over techniek.
In die gedachte past ook de manier waarop wij bij Nextens naar AI kijken. Niet als alles-of-niets, maar als gerichte ondersteuning in afgebakende werkstappen. Een oplossing als Tex is daar een goed voorbeeld van, juist omdat je klein kunt beginnen en zorgt dat de mens/werknemer de controle houdt. Daarmee sluit het aan op wat TNO terugziet in de praktijk, waar kleinschalig leren en goede inbedding vaak het verschil maken.
Op een gecontrolleerde manier met AI aan de slag?
