Everett Koop, voormalig Amerikaans Surgeon General (Hoofd van de Amerikaanse volksgezondheidsdienst), zei het ooit over geneesmiddelen: "drugs don't work in patients who don't take them." Dezelfde redenering geldt in zekere zin vandaag voor AI: een tool levert geen waarde als medewerkers hem niet gebruiken, of hem enkel oppervlakkig inzetten waar hij meer zou kunnen doen.
Ik moest eraan denken bij het lezen van het rapport "Unlocking High Quality AI Adoption in the Workplace" uit maart 2026. Een rapport dat de menselijke kant van AI adoptie onder de loep neemt, met concrete cijfers en bevindingen.
Adoptie en adoption quality
De stelling die me het meest aansprak: organisaties meten doorgaans of AI gebruikt wordt, maar bijna nooit hoe goed het gebruikt wordt. Het rapport noemt dat tweede verschil "adoption quality". De vraag verschuift dan van "gebruiken mensen het" naar "gebruiken ze het op een manier die er werkelijk toe doet, voor complexe taken, en zonder vermijdingsgedrag".
Het rapport laat zien dat slechts 41% van de medewerkers in de zone zit waar ze AI als relevant zien én er comfortabel mee zijn. De rest twijfelt, is bang, of ziet de meerwaarde niet. Dat is een opvallend grote groep om over het hoofd te zien als je als organisatie alleen op gebruikscijfers stuurt.
De vier bouwstenen onder zinvol AI gebruik
De auteurs onderscheiden vier dingen die samen bepalen of iemand AI op een zinvolle manier gebruikt:
- Het kunnen gebruiken van AI (means). De skills en basiskennis: weten hoe je een prompt formuleert, hoe je context meegeeft, hoe je de output beoordeelt en waar nodig bijstuurt.
- Het kunnen gebruiken binnen de organisatie (machinery). Toegang tot de juiste tooling, een cultuur die experimenteren toelaat, IT en governance die ruimte laten om te leren.
- Het willen gebruiken (relevance). Zien waarom AI iets toevoegt aan jouw werk, jouw vragen, en de problemen die je dagelijks tegenkomt.
- Het durven gebruiken (readiness). Je comfortabel genoeg voelen om AI echt toe te passen, ook als je nog niet alles snapt of de output niet altijd meteen raak is.
Het opvallende: de eerste component scoort in het onderzoek vrij hoog. Mensen kunnen AI in principe gebruiken, maar het gebruik blijft oppervlakkig, en slechts een kleine groep zet AI in voor complexe taken. Het probleem zit zelden in capability. Het zit in de andere drie blokken.
Relevance is de sterkste hefboom
Van de vier componenten blijkt relevance de sterkste voorspeller van effectief gebruik. Als mensen het nut voor hun eigen werk niet helder zien, gebruiken ze AI minder vaak en oppervlakkiger. Mensen zijn getraind op een tool, maar in hun dagelijks werk weten ze niet goed waar ze ermee aan de slag kunnen. De training was prima, de toepassingscontext was wat te abstract.
De toepassingen concreter maken betekent ook iets heel anders dan een extra training plannen. Het betekent: mensen laten werken met hun eigen voorbeelden, hun eigen rapporten, hun eigen vragen. Een use case driven aanpak waarin het werk centraal staat en het tool-overzicht op de achtergrond raakt. Een uur waarin een team uit één afdeling samen kijkt waar AI in hun specifieke processen iets kan betekenen, levert vaak meer effectief gebruik op dan twee dagen generieke training.
De identiteits-angst die we onderschatten
Bij de psychologische drempels noemt het rapport drie soorten angst die mensen ervan weerhouden AI in te zetten:
- Angst om vaardigheden te verliezen. De zorg dat je eigen kunde afzwakt naarmate AI meer overneemt. Dat je het schrijven, het analyseren, het denkwerk geleidelijk verleert omdat je het niet meer zelf doet.
- Angst om controle te verliezen. Het ongemak van een output die je niet helemaal kan navolgen, een redenering die je niet helemaal ziet, en toch verantwoordelijkheid moeten dragen voor wat eruit komt.
- Angst voor wat AI doet met hun professionele identiteit. De vraag wie je bent in je werk als AI taken kan overnemen die je carrière lang bij jou hoorden, of die mee bepalen wat je vakmanschap inhoudt.
Vooral die laatste blijkt een sterke maar vaak onuitgesproken driver van vermijdingsgedrag.
Veel mensen hebben hun zelfbeeld opgebouwd rond wat ze goed kunnen. Een stuk schrijven, een analyse maken, een gesprek voorbereiden, een rapport bouwen. Als AI dat sneller of soms zelfs beter kan, raakt dat aan iets fundamentelers dan tijdwinst. Het raakt aan de vraag wie ik ben in mijn werk, en wat van mij blijft als deze taken anders ingevuld worden.
Daar valt echter wel mee te werken, en het vraagt iets anders dan een training. Eerder gesprekken in een team waarin mensen mogen benoemen wat ze willen behouden, wat ze willen loslaten, en waar ze zich onzeker over voelen. Een leider die zichtbaar zelf experimenteert en deelt waar hij of zij zelf tegen aanloopt, doet meer dan een policy document. Een herdefinitie van wat "goed werk" betekent in een context waar AI meewerkt, helpt mensen om hun zelfbeeld bij te stellen zonder het kwijt te raken.
Eén generieke aanpak werkt uiteindelijk voor geen van de groepen
Het rapport beschrijft vier groepen werknemers, en dat is voor mij een van de meest bruikbare bevindingen:
- Aligned adopters. Zien AI als relevant voor hun werk en voelen zich er comfortabel mee. Ze experimenteren vaak al op eigen initiatief en bouwen door zonder veel duwen.
- Panicked and conflicted. Overtuigd van het belang van AI, maar onzeker of bang in het toepassen. Ze weten dat ze iets moeten, maar het concreet doen blijft moeilijk.
- Ready but unconvinced. Hebben de skills wel, maar zien het nut voor hun eigen werk niet. Ze experimenteren weinig omdat de relevantie ontbreekt.
- Anxious and disengaged. Noch overtuigd, noch comfortabel. De moeilijkste groep om te bereiken: hier ontbreekt zowel de motivatie als de innerlijke ruimte om aan de slag te gaan.
Wat niet helpt, is één aanpak ontwerpen voor al die groepen samen. Eén keer trainen, één keer communiceren, één keer een Q&A. Terwijl de bange overtuigden vooral baat hebben bij gesprekken en geruststelling in kleine groepen. De niet-overtuigden hebben use cases nodig die hun werk raken. De anxious and disengaged hebben een fundamenteel ander gesprek nodig over hun rol en hun toekomst. De aligned adopters hebben vooral ruimte nodig om door te bouwen.
Een concrete piste kan bijvoorbeeld zijn: een korte readiness-meting voor we een rollout starten, om te zien welke groep dominant is. En vervolgens een aanpak die in eerste instantie op die groep is afgestemd, eerder dan op een gemiddelde dat eigenlijk niemand vertegenwoordigt.