De intensiveringsval
Het verhaal was simpel. AI neemt het routinewerk over. Jij neemt het creatieve werk over. De machine haalt de repetitieve taken van je bord, en jij gebruikt de vrijgekomen tijd voor denken, strategie, het werk dat alleen mensen kunnen doen. Iedereen wint. De productiviteitswinst is echt en de werkdag wordt lichter.
Dat was het verhaal. Dit is wat er werkelijk gebeurde.
In februari 2026 publiceerden Aruna Ranganathan en Xingqi Maggie Ye de resultaten van een acht maanden durend etnografisch onderzoek in de Harvard Business Review. Ye, promovenda aan de Haas School of Business van UC Berkeley, had zich geïntegreerd in een Amerikaans technologiebedrijf met ongeveer tweehonderd medewerkers. Ze observeerde hen tweemaal per week, volgde hun communicatiekanalen en voerde meer dan veertig diepte-interviews in engineering, product, design, onderzoek en operations. Het onderzoek besloeg de periode van april tot december.
De bevinding was niet wat het productiviteitsverhaal had voorspeld. Medewerkers die AI-tools gebruikten werkten niet minder. Ze werkten meer. Sneller. Ze namen een breder scala aan taken op zich. Ze strekten het werk uit naar uren die eerder leeg waren — lunchpauzes, avonden, de tien minuten voor een vergadering. Het gereedschap dat ruimte moest creëren, verbruikte het.
Ranganathan en Ye identificeerden drie vormen van intensivering. De eerste was bereikuitbreiding: mensen begonnen werk op te pakken dat eerder bij iemand anders zou hebben gehoord of dat helemaal niet zou zijn geprobeerd. De definitie van “mijn werk” verbreedde zich. De tweede was grensoplossing: omdat AI het makkelijk maakt om taken te starten en voort te zetten, sijpelde werk door in momenten die eerder als pauzes functioneerden. Een prompt tijdens de lunch. Een zoekopdracht voor het slapengaan. De natuurlijke stoppunten in de werkdag losten op. De derde was parallelle verwerking: medewerkers hielden meerdere draden tegelijk in de lucht, lieten AI-processen op de achtergrond draaien terwijl ze in vergaderingen zaten, code reviewden of documenten schreven.
Niets hiervan was opgelegd. Niemand zei tegen deze medewerkers dat ze meer moesten werken. De intensivering was vrijwillig — of leek dat te zijn. Het gereedschap maakte meer doen mogelijk, toegankelijk en op het moment belonend. Dus deden mensen meer. En het meer doen werd de nieuwe standaard.
De Jevons-paradox van arbeid
Dit patroon heeft een naam, al komt die uit een andere eeuw en gaat die over een andere grondstof. In 1865 observeerde de Engelse econoom William Stanley Jevons dat James Watts verbeteringen aan de stoommachine — die de efficiëntie van kolengebruik dramatisch verhoogden — niet leidden tot een vermindering van het kolenverbruik. Ze leidden tot een toename. De machine was efficiënter per eenheid werk, dus werd het economisch om haar voor meer werk in te zetten. Het totale kolenverbruik steeg, niet daalde.
De Jevons-paradox — de bevinding dat efficiëntiewinst bij het gebruik van grondstoffen leidt tot een hoger totaalverbruik van die grondstof — ging over kolen. Maar het mechanisme gaat over prikkels, en prikkels trekken zich niets aan van de grondstof waaraan ze zich hechten.
AI is de Watt-machine van cognitieve arbeid. Het maakt elke eenheid kenniswerk efficiënter. Een concept dat twee uur duurde, duurt veertig minuten. Een data-analyse die een specialist vereiste, kan nu worden benaderd door een generalist met de juiste prompt. Een rapport dat niet zou zijn geschreven — omdat de kosten de waargenomen waarde overstegen — wordt nu geschreven, omdat de kosten onder de drempel zijn gezakt.
De efficiëntie per taak is echt. Ranganathan en Ye betwisten die niet. De paradox is dat efficiëntie per taak, geaggregeerd over een organisatie die productievolume meet, intensivering produceert, geen verlichting. De totale hoeveelheid cognitief werk neemt toe. De werkdag wordt dichter, niet korter. De loopband versnelt.
Dit is geen technologiefalen. De technologie deed precies waarvoor ze ontworpen was. Dit is een falen in prikkelsontwerp. De organisatiesystemen rond de technologie belonen productievolume. Wanneer een tool het mogelijk maakt meer te produceren, absorbeert het systeem de toename. De vrijgekomen tijd wordt niet aan de medewerker teruggegeven. Het wordt herbelegd in meer werk — automatisch, structureel, zonder dat iemand een bewuste beslissing neemt om te intensiveren.
De metriek beloont intensivering
Charles Goodhart, een Britse econoom, formuleerde in 1975 een principe dat een van de meest geciteerde observaties in organisatieontwerp is geworden: “Wanneer een maatstaf een doel wordt, houdt het op een goede maatstaf te zijn.” Goodhart schreef over monetair beleid, maar het principe geldt overal waar metrieken gedrag bepalen.
De meeste organisaties meten productiviteit als output per tijdseenheid. Afgeronde taken. Opgeloste tickets. Geproduceerde documenten. Geschreven regels code. Verzonden e-mails. De metriek is volume.
Wanneer AI dit systeem binnentreedt, stijgt het volume. De metriek verbetert. Dashboards worden groen. Kwartaalrapportages vieren de productiviteitswinst. En niemand vraagt of de mensen die de output produceren harder werken, meer nadenken of minder rusten — omdat de metriek de cognitieve belasting niet bijhoudt. Het houdt volume bij. En het volume is gestegen.
Het Upwork Research Institute ondervroeg in samenwerking met Workplace Intelligence in 2024 wereldwijd 2.500 werknemers — waaronder 1.250 C-suite-managers. De kernbevinding: 77 procent van de werknemers die AI gebruiken zei dat de tools hun werkdruk hadden verhoogd. Niet verminderd. Verhoogd. De bronnen van de extra belasting waren specifiek: 39 procent meldde meer tijd te besteden aan het reviewen of modereren van AI-gegenereerde content. 23 procent meldde meer tijd te investeren in het leren gebruiken van de tools. 21 procent meldde dat hen meer werk werd opgedragen als direct gevolg van AI.
De managers waren ondertussen enthousiast. 96 procent sprak hoge verwachtingen uit dat AI de productiviteit zou verhogen. De kloof tussen de verwachting van managers en de ervaring van medewerkers is geen communicatieprobleem. Het is een meetprobleem. De managers kijken naar de volumemetriek. De metriek is gestegen. De medewerkers leven binnen de volumemetriek. Het volume is gestegen omdat ze meer werk doen.
De wet van Goodhart voorspelt dit precies. De organisatie maakte productievolume tot doel. De metriek verbeterde. En de metriek hield op een goede maatstaf te zijn van wat het zou moeten representeren — dat was niet volume, maar waarde per eenheid menselijke inspanning.
Wat AI achterlaat
Er is een subtielere dimensie van de intensivering die de volumemetrieken volledig missen.
Wanneer AI de routinetaken overneemt — het eerste concept, de data-extractie, het sjabloon, de samenvatting — is wat er voor de mens overblijft niet routine. Het is het moeilijke deel. De beoordelingsbeslissingen. De ambiguïteit. De beslissingen die context, nuance en domeinkennis vereisen die het model niet heeft.
Dit is het cognitieve residu van AI-ondersteund werk. De makkelijke taken zijn geautomatiseerd. De moeilijke taken blijven. En de moeilijke taken zijn nu moeilijker — niet omdat ze veranderd zijn, maar omdat de makkelijke taken cognitief herstel boden. Het routinewerk was een pauze. Geen opwindende pauze, geen rustgevende pauze in de bewuste zin, maar een periode van lagere cognitieve eis die het brein toestond te herstellen tussen episodes van inspannend denken.
Daniel Kahnemans onderscheid tussen Systeem 1 (snel, automatisch, weinig moeite) en Systeem 2 (langzaam, bewust, veel moeite) is hier nuttig. Routinetaken leven in Systeem 1. Beoordelingstaken leven in Systeem 2. Systeem 2 is metabool duur — het verbruikt glucose, het produceert vermoeidheid, het heeft een beperkt dagbudget. Een werkdag die Systeem 1- en Systeem 2-taken mengt, is houdbaar. Een werkdag die overwegend Systeem 2 is — omdat Systeem 1-taken zijn geautomatiseerd — is niet houdbaar bij dezelfde duur.
Het Workday-onderzoek, uitgevoerd met Hanover Research en gepubliceerd in januari 2026, vond dat 37 procent van de door AI bespaarde tijd verloren ging aan herwerk — fouten corrigeren, outputs verifiëren, content herschrijven die niet aan kwaliteits- of contexteisen voldeed. 77 procent van de werknemers reviewde AI-gegenereerd werk minstens zo zorgvuldig als werk van mensen. Slechts 14 procent rapporteerde consistent netto-positieve resultaten van AI-gebruik.
Het herwerk is Systeem 2-werk. AI-output beoordelen vereist oordeel, vergelijking, verificatie — allemaal inspannend, allemaal metabool duur, allemaal puttend uit hetzelfde beperkte cognitieve budget dat de “vrijgekomen” tijd zou moeten aanvullen. De medewerker bespaarde veertig minuten op het concept en besteedde vijfentwintig minuten aan het verifiëren van de output. De nettobesparing is vijftien minuten. Maar het cognitieve profiel van die vijfentwintig minuten is veeleisender dan de veertig minuten die ze vervingen, omdat het reviewen van andermans werk op onvoorspelbare fouten meer aanhoudende aandacht vereist dan werk produceren volgens een patroon dat je al kent.
De volumemetriek ziet vijftien bespaarde minuten. De prefrontale cortex van de medewerker ziet vijfentwintig minuten hoog-eisende verificatie toegevoegd aan een dag die al verzadigd was.
De eis-controle-botsing
Robert Karaseks eis-controle-model, ontwikkeld in 1979 en verfijnd over vier decennia arbeidsgezondheidsonderzoek, beschrijft werkstress als de interactie tussen twee variabelen: de eisen aan de werknemer en de controle die de werknemer heeft over hoe aan die eisen te voldoen.
Hoge eisen gecombineerd met hoge controle produceren actief werk — uitdagend, houdbaar en geassocieerd met leren en professionele ontwikkeling. Hoge eisen gecombineerd met lage controle produceren hoog-stress werk — de configuratie die het sterkst geassocieerd is met burnout, hart- en vaatziekten en chronische stress.
AI-ondersteund werk, zoals Ranganathan en Ye het documenteerden, is in toenemende mate veeleisend. Het bereik is breder. Het tempo is sneller. De grenzen zijn opgelost. De cognitieve belasting per uur is hoger omdat de routinetaken verdwenen zijn en de beoordelingstaken blijven.
De controledimensie is waar de val dichtslaat. In de meeste organisaties beheerst de individuele medewerker de volumedoelen niet. Ze bepalen niet de outputverwachtingen. Ze beslissen niet hoe de door AI bespaarde tijd wordt toegewezen. De tijdsbesparing wordt automatisch door het systeem geabsorbeerd — door het volgende ticket in de rij, het volgende project dat haalbaar wordt, het volgende rapport dat iemand aanvraagt omdat “de AI dat snel kan.”
Hoge eisen. Lage controle. Karaseks model voorspelt stress. De voorspelling is niet theoretisch. PwC’s 29e Global CEO Survey, gepubliceerd in januari 2026 en 4.454 CEO’s in 95 landen omvattend, vond dat 56 procent geen significant financieel voordeel rapporteerde van hun AI-investeringen. Slechts 12 procent rapporteerde zowel kosten- als omzetverbeteringen. De investering produceert intensivering op werknemersniveau zonder rendement op organisatieniveau te genereren. De loopband gaat sneller maar het gebouw is niet verplaatst.
De prikkel die niemand herontwierp
Dit is de zin die ik wil vasthouden: het probleem is niet de AI. Het probleem is de prikkelstructuur die de AI omringt.
Wanneer een organisatie een AI-tool inzet en de impact meet via productievolume, heeft de organisatie een intensiveringsmachine gebouwd. Niet opzettelijk. Niet kwaadwillig. Structureel. Het gereedschap verhoogt de efficiëntie per taak. De metriek beloont volume. Het volume stijgt. De medewerkers absorberen de stijging. De cyclus gaat door.
De uitweg uit de val is niet het gereedschap verwijderen. Het gereedschap werkt. De efficiëntie per taak is echt. De uitweg is de prikkel herontwerpen.
Dit vereist iets anders meten. Niet productievolume. Outputwaarde per eenheid cognitieve inspanning. Dit is moeilijker te meten dan volume — dat is precies waarom organisaties terugvallen op volume. Volume is makkelijk te tellen. Cognitieve inspanning niet. Maar de wet van Goodhart is duidelijk: de makkelijke metriek, eenmaal tot doel gemaakt, houdt op te meten wat ertoe doet.
Hoe zou anders meten eruitzien?
Het zou betekenen: niet bijhouden hoeveel rapporten het team produceerde, maar welke rapporten tot beslissingen leidden. Niet hoeveel tickets opgelost werden, maar welke oplossingen standhielden — welke niet als heropende issues terugkwamen binnen dertig dagen. Niet hoeveel documenten opgesteld werden, maar welke documenten gelezen, geciteerd en gebruikt werden. De metriek verschuift van productie naar impact.
Het zou ook betekenen: cognitieve belasting direct bijhouden. Niet als een welzijnsinitiatief — als een operationele variabele. Het Workday-onderzoek vond dat bijna negen van de tien bedrijven minder dan de helft van hun functies hadden geüpdatet om AI-capaciteiten te weerspiegelen. Slechts 37 procent van de intensieve AI-gebruikers ontving extra scholing. De organisaties zetten tools in zonder de banen te herontwerpen die die tools veranderen. Het eisenprofiel van de functie is verschoven — meer beoordeling, minder routine — maar de functiebeschrijving, de prestatiemetrieken en het verwachte productievolume zijn niet veranderd.
De functie is nieuw. De prikkel is oud. De kloof daartussen is de intensiveringsval.
De loopbandmetafoor
Ik kom steeds terug bij het beeld van een loopband — niet omdat het slim is, maar omdat het precies is.
Een loopband verhoogt je snelheid zonder je locatie te veranderen. Je rent sneller. Je hartslag stijgt. Je spieren werken harder. Je zweet. En aan het eind sta je precies op dezelfde plek als waar je begon.
AI-ondersteund werk, onder de huidige prikkelstructuur, is een loopband. De snelheid per taak stijgt. Het volume stijgt. De cognitieve inspanning stijgt. En de resultaten — gemeten op organisatieniveau — verbeteren niet evenredig. PwC’s data is ondubbelzinnig: 56 procent van de CEO’s rapporteert geen financieel voordeel. De loopband draait. Het gebouw beweegt niet.
De loopband is niet kapot. Hij functioneert precies zoals ontworpen. Het probleem is dat niemand vroeg of een loopband de juiste machine was voor het doel. Als het doel is om vooruit te komen — meer waarde te creëren, niet meer volume — heb je een andere machine nodig. Een machine die impact beloont, niet doorvoer. Een machine die de kwaliteit van beslissingen meet, niet de hoeveelheid outputs.
De loopband meet stappen. De bestemming vereist richting.
Wat organisaties kunnen doen
Ik ben voorzichtig met prescriptieve lijsten. Ze reduceren complexe problemen tot actiepunten, en actiepunten zonder context zijn de wet van Goodhart in wording — de lijst wordt het doel, het doel houdt op nuttig te zijn. Maar er zijn structurele interventies die het prikkellandschap veranderen in plaats van alleen taken toe te voegen.
Herdefinieer waarvoor de AI-tijdsbesparing bedoeld is. Als AI een team acht uur per week bespaart, moeten die acht uur expliciet worden toegewezen — en de toewijzing mag niet standaard “meer van hetzelfde werk” zijn. De opties omvatten: tijd voor diep denken (niet-ingeplande, niet-gemonitorde blokken voor complexe probleemoplossing), vaardigheidsontwikkeling (leren dat niet direct productief is maar toekomstige capaciteit opbouwt), herstel (cognitieve rust die de cumulatieve belasting vermindert en de burnout voorkomt die Karaseks model voorspelt). De toewijzing is een ontwerpbeslissing. Als de organisatie die niet neemt, neemt het systeem die voor haar — en het systeem valt standaard terug op meer volume.
Scheid de volumemetriek van de prestatiemetriek. Volume is een activiteitsmaat. Het zegt wat er gebeurd is. Het zegt niet wat het waard was. Prestatiemetrieken moeten resultaten bijhouden: genomen beslissingen, opgeloste problemen, behouden kwaliteit, vermeden fouten. Die zijn moeilijker te tellen. Die moeilijkheid is het punt. Makkelijke metrieken produceren de wet van Goodhart. Moeilijke metrieken produceren informatie.
Herontwerp functies om AI-ondersteund werk te weerspiegelen. Als AI de routine overneemt, is de functie nu een beoordelingsfunctie. Beoordelingsfuncties vereisen andere vaardigheden, andere training, andere cognitieve profielen en andere rustpatronen. Een functie die 60 procent routine en 40 procent beoordeling was, is nu 20 procent routine en 80 procent beoordeling. De prestatieverwachtingen, de training en de werkdrukdoelen moeten die verschuiving weerspiegelen. Dat doen ze bijna nooit.
Maak cognitieve belasting zichtbaar. Niet als welzijnsinitiatief op het HR-portaal. Als operationeel dashboard naast de volumemetrieken. Wanneer leiders kunnen zien dat het volume gestegen is en de cognitieve belasting gestegen is, verandert het gesprek. De intensivering wordt zichtbaar. En zichtbare problemen zijn makkelijker aan te pakken dan onzichtbare.
De integratie
Dit is de spanning die ik wil vasthouden zonder te laten instorten.
AI-tools zijn oprecht efficiënt. Ze verminderen de tijd en moeite die nodig zijn voor specifieke taken. De verbetering per taak is meetbaar en echt. Ranganathan en Ye ontdekten niet dat AI faalt in zijn bedoelde functie. Ze ontdekten dat het slaagt — en het succes, in de context van volumegebaseerde prikkels, een paradox produceert die schadelijk is voor de mensen die het werk doen.
Het gereedschap is niet de val. De prikkel is de val. Het gereedschap is een loopband. Of het je vooruit brengt of je ter plekke laat rennen, hangt volledig af van het systeem waarin het zich bevindt.
Organisaties die AI inzetten zonder hun prikkelstructuren te herontwerpen, krijgen intensivering. Niet omdat de AI gebrekkig is, maar omdat het organisatieontwerp is geoptimaliseerd voor een metriek die AI makkelijk laat opblazen. De metriek stijgt. De mensen binnen de metriek worden vermoeider. De resultaten, op het niveau dat ertoe doet — financieel rendement, duurzame prestatie, welzijn van medewerkers — verbeteren niet.
Organisaties die de prikkel herontwerpen — die impact meten in plaats van volume, die bespaarde tijd bewust toewijzen, die de cognitieve verschuiving van routinewerk naar beoordelingswerk erkennen — krijgen iets anders. Niet per se meer output. Mogelijk minder output, qua volume. Maar betere beslissingen. Minder fouten. Houdbaar tempo. En gereedschap dat mensen gebruiken omdat het gereedschap hun werk beter maakt, niet omdat het gereedschap hun werk meer maakt.
De intensiveringsval is geen technologieprobleem. Het is een prikkelsontwerp-probleem vermomd als technologieprobleem. De technologie deed wat haar gevraagd werd. De vraag is wat de organisatie haar vroeg — en of iemand eraan dacht de mensen die het werk doen te vragen of “meer, sneller” het juiste antwoord was.
De loopband draait. De vraag is niet of je eraf moet stappen. De vraag is of je de bestemming moet veranderen.