Hoewel AI de productiviteit kan verhogen, heeft het geen automatische schaalvoordelen. Niet binnen de economie als geheel, en zelfs niet binnen één organisatie. Daarvoor zijn twee onderliggende oorzaken, blijkt uit ons onderzoek.
1. Verschillende functies bestaan uit verschillende taken, en taken worden op een verschillende manier aan AI blootgesteld
AI werkt op taakniveau, niet op functieniveau. Werk dat bestaat uit analyseren, schrijven of samenvatten kent een hoge blootstelling aan AI. Fysieke arbeid of locatiegebonden dienstverlening worden minder beïnvloed. Hierdoor hebben sommige medewerkers veel mogelijkheden om AI te gebruiken en anderen nauwelijks.
2. Verschillende functies kennen verschillende prikkels of ‘impulsen’ om AI te adopteren
Prikkels om AI te gaan gebruiken, zijn beloning, verwachtingen of druk die iemand ervaart. Voor adoptie geldt: de motivatie om het te gaan gebruiken moet opwegen tegen de inspanning die ervoor moet worden geleverd.
Interne prikkels - Investeringen stimuleren adoptie
Echte productiviteitswinst ontstaat pas als medewerkers AI veilig, effectief en consistent leren toepassen. Dat vraagt om nieuwe vaardigheden, opnieuw ingerichte processen, governance en vertrouwen. Dit soort investeringen zijn kostbaar en worden niet zichtbaar in traditionele productiviteitsstatistieken, maar vormen wel essentiële interne prikkels. Door deze randvoorwaarden te bieden, verlagen organisaties de drempel en wordt adoptie aantrekkelijker. Vooral wanneer de externe druk gering is.
Externe prikkels – Niet iedere medewerker ervaart dezelfde druk van de arbeidsmarkt
Juist omdat de natuurlijke ‘impuls’ om AI te adopteren sterk verschilt per functie, zijn interne investeringen zo belangrijk. Sommige functies kennen intensieve concurrentiedruk: hoge uitstroom, lage baanzekerheid, beperkte bescherming. In deze rollen zijn medewerkers sterker gemotiveerd om nieuwe tools te omarmen die hun productiviteit of baanzekerheid vergroten. Andere functies zijn diep ingebed in formele instellingen, met sterke professionele normen, duidelijke hiërarchieën en vaak gereguleerde toegang of vaste aanstellingen. Bij deze groepen is de externe druk om te veranderen relatief laag.
Blootstelling aan AI en prikkels vanuit de arbeidsmarkt
Het belangrijkste inzicht uit ons onderzoek is dat prikkels vanuit de arbeidsmarkt AI-adoptie vooral stimuleren als de mate van AI-blootstelling noch laag, noch hoog is, maar zich in het brede middengebied bevindt. AI is daar relevant, maar nog niet onvermijdelijk. Wanneer de blootstelling aan AI zeer laag is, kan geen enkele prikkel vanuit de arbeidsmarkt het ontbreken van technische toepasbaarheid compenseren – denk aan koks of afwassers. Wanneer de blootstelling aan AI zeer hoog is, zijn de voordelen van het gebruik van de tools zo duidelijk dat werknemers ze uit zichzelf gaan gebruiken, onafhankelijk van prikkels vanuit de arbeidsmarkt — denk aan softwareontwikkelaars. Juist in het brede midden van dit model, waar veel organisaties moeite hebben de stap van pilots naar grootschalige toepassing te zetten, is de ‘impuls’ vanuit de markt het meest bepalend.
Een voorbeeld dat dit goed illustreert, is het verschil tussen verpleegkundigen en chemisch analisten. Beide beroepsgroepen kennen een gemiddelde blootstelling aan AI: AI is nuttig, maar het vraagt inspanning om het in de werkzaamheden te integreren. Toch lopen de adoptiecijfers sterk uiteen. Verpleegkundigen ervaren doorgaans weinig prikkels vanuit de arbeidsmarkt en worden beschermd door sterke institutionele normen en een grote vraag naar zorgverlening. Hun AI-adoptie blijft daarom laag. Chemisch analisten daarentegen opereren in een omgeving met veel meer prikkels vanuit de arbeidsmarkt om hun efficiëntie te optimaliseren. Die externe ‘impuls’ leidt tot een aanmerkelijk hogere adoptie van AI-tools.
AI is meer dan alleen technologie
De moeite die het kost om AI in het ‘middengebied’ te operationaliseren, is geen theoretische kwestie: het blijkt duidelijk uit recente medewerkersdata. ‘In onze jaarlijkse Hopes & Fears Survey zien we iets opvallends', zegt Marlene de Koning, PwC-expert workforce transformation & technology bij PwC. Dit onderzoek richt zich op de ervaringen en verwachtingen van medewerkers wereldwijd met betrekking tot hun werk. ‘Meer dan de helft van de medewerkers integreert generatieve AI niet in hun dagelijkse werk, terwijl organisaties de tools wel beschikbaar stellen. Tegelijkertijd zie ik dat mijn klanten AI steeds minder puur als technologie beschouwen. In plaats van het te beschouwen als wéér een nieuw systeem, beginnen ze in te zien dat het waarde creëert als mensen het daadwerkelijk omarmen. AI gaat niet alleen over tools; het gaat ook over hoe teams werken, en over zaken als efficiëntie, kwaliteit, innovatie en medewerkerstevredenheid.’
AI Mind Map: breng de bereidheid om AI te adopteren in kaart
Hoe zorg je er dan voor dat je werknemers AI gaan gebruiken? ‘Organisaties hanteren nu vaak een uniforme aanpak. Iedereen krijgt dezelfde training', aldus De Koning. ‘Maar het is effectiever om de strategie af te stemmen op de mate van AI-blootstelling en arbeidsmarktprikkels per taak. Daarom hebben we de “AI Mind Map” ontwikkeld, een instrument dat meet hoe men tegen AI-adoptie aankijkt. Het meet in feite de bereidheid om te veranderen. Onze tool helpt organisaties inzicht te krijgen in de attitudes, motivatie en perceptie die adoptie beïnvloeden, op individueel, team- en organisatieniveau. Het biedt daarmee een compleet beeld van de AI-mindset en levert datagedreven input voor de adoptiestrategie. Daarnaast kun je er de voortgang van AI-adoptie mee volgen en continu bijsturen.’
Zodra je hebt vastgesteld in hoeverre je medewerkers ‘klaar zijn’ voor AI, kun je een plan opstellen om de acceptatie ervan te bevorderen. Daarbij is het volgens De Koning erg belangrijk om een ‘psychologische veilige ruimte’ te creëren. ‘Als leidinggevende moet je mensen ervan overtuigen dat het oké is om te experimenteren en dat ze fouten mogen maken zonder daarvoor gestraft te worden. Ze moeten nu vertrouwen hebben in algoritmen. Dat is psychologisch gezien moeilijker dan vertrouwen hebben in een mens.'
Ons stappenplan voor een effectieve AI-adoptie
1. Maak AI-geletterdheid praktisch en functiegericht
Generieke trainingen zijn niet effectief. AI-geletterdheid moet gericht zijn op:
- concrete taken binnen de functie,
- voorbeelden uit bestaande werkprocessen,
- veilig experimenteren met lage risico’s.
2. Stem prikkels af op gewenst gedrag
Denk aan:
- erkenning voor effectief en verantwoord gebruik van AI,
- zichtbaar maken van AI-vaardigheden maken in prestaties en doorgroei,
- tijd en ruimte om te experimenteren.
3. Bouw vertrouwen op door middel van governance en transparantie
Medewerkers omarmen AI als ze vertrouwen hebben in:
- dataveiligheid, privacy en duidelijke spelregels,
- heldere richtlijnen over wanneer AI te vertrouwen of te verifiëren is,
- de zekerheid dat AI hun rol ondersteunt en niet vervangt.
4. Geef managers de instrumenten om adoptie aan te sturen
Managers hebben het volgende nodig:
- Laat hen hun eigen AI-training volgen en vertrouwen kweken in het gebruik van AI.
- Ondersteuning bij het opnieuw inrichten van werkprocessen.
- Concreet inzicht in wat ‘goed gebruik van AI’ inhoudt.
Download ons rapport
Beyond technology: how labour market competition shapes AI adoption
