De productiviteitsparadox keert terug
In 1987 schreef de econoom Robert Solow een zin die een van de meest geciteerde observaties in de geschiedenis van technologie en economie werd. Hij verscheen in een artikel van de New York Times Book Review, bijna terloops: “You can see the computer age everywhere but in the productivity statistics.”
De personal computer transformeerde kantoren in de hele ontwikkelde wereld. Spreadsheets vervingen grootboeken. Tekstverwerkers vervingen typemachines. Databases vervingen archiefkasten. De investering was enorm, het enthousiasme grenzeloos en de productiviteitsstatistieken koppig vlak. De computers waren overal. De winsten nergens.
In februari 2026 publiceerde een team onderzoekers een paper via het National Bureau of Economic Research die dezelfde observatie maakte over een andere technologie. Ivan Yotzov, Jose Maria Barrero en hun collega’s ondervroegen bijna 6.000 CEO’s en CFO’s in de Verenigde Staten, het Verenigd Koninkrijk, Duitsland en Australie. De bevinding was duidelijk: meer dan 80 procent van de bedrijven meldde geen impact van AI op werkgelegenheid of productiviteit in de voorgaande drie jaar. Negen op de tien bestuurders zeiden dat AI niets had veranderd.
De parallel is geen toeval. Het is structureel. En begrijpen waarom het structureel is — in plaats van het af te doen als een timingprobleem of een meetfout — is het verschil tussen organisaties die uiteindelijk de waarde van AI zullen benutten en organisaties die nog een decennium zullen afvragen waar de rendementen zijn gebleven.
De paradox heeft een patroon
Erik Brynjolfsson denkt langer over dit probleem na dan de meesten. In 1993 muntte hij de term “productiviteitsparadox” in een paper die Solows opmerking omzette in een onderzoeksprogramma. Drie decennia later bood hij samen met Daniel Rock en Chad Syverson een raamwerk dat verklaart waarom general purpose technologies — technologieen die hele economieen hervormen — consistent niet verschijnen in productiviteitsstatistieken tijdens hun vroege adoptiefase.
Ze noemden het de Productiviteits-J-curve.
Het argument is precies. Wanneer een general purpose technology arriveert, beginnen organisaties met aanzienlijke complementaire investeringen — nieuwe processen, nieuwe bedrijfsmodellen, nieuwe training, nieuwe organisatiestructuren. Deze investeringen zijn grotendeels immaterieel. Ze verschijnen niet in de nationale rekeningen als kapitaalvorming. Ze verschijnen als kosten. De organisatie besteedt geld, tijd en cognitieve inspanning aan herstructurering, en de herstructurering produceert geen onmiddellijke output. De gemeten productiviteit daalt. De J-curve daalt.
Later — soms veel later — rijpen de immateriele investeringen. De nieuwe processen worden routine. De nieuwe structuren worden tweede natuur. De complementaire innovaties beginnen output te produceren. De gemeten productiviteit stijgt scherp. De J-curve stijgt.
Brynjolfsson, Rock en Syverson publiceerden dit model in het American Economic Journal: Macroeconomics in 2021. Ze toonden aan dat correctie voor immateriele investeringen gerelateerd aan computerhardware en -software een totale factorproductiviteit opleverde die eind 2017 15,9 procent hoger lag dan de officiele metingen. De productiviteitswinsten van het computertijdperk waren echt — ze waren alleen jarenlang onzichtbaar, verborgen in investeringen die het meetsysteem niet kon zien.
De vraag voor AI is of hetzelfde patroon zich herhaalt. Het antwoord, op basis van de gegevens beschikbaar begin 2026, is ja — maar met een complicatie die het J-curve-raamwerk alleen niet vangt.
De data zegt: nog niet
De NBER-studie is niet het enige bewijs. Het maakt deel uit van een convergentie.
PwC’s 29e Global CEO Survey, gepubliceerd in januari 2026 en met 4.454 CEO’s uit 95 landen, vond dat 56 procent geen significant financieel voordeel meldde van hun AI-investeringen. Geen “bescheiden winsten.” Geen “vroege rendementen.” Geen voordeel. Slechts 12 procent — een op de acht — meldde dat AI zowel de omzet had verhoogd als de kosten had verlaagd. De rest wachtte nog of had al geconcludeerd dat de investering zich niet terugbetaalde.
De Federal Reserve van San Francisco stelde in Economic Letter 2026-06 vast dat AI-gerelateerde investeringen de bijdrage van IT-componenten aan de reele bbp-groei tijdens de dotcom-boom hadden overtroffen — zowel in absolute waarden als als aandeel van het bbp. Het geld stroomt. De kapitaaluitgaven zijn reeel. Kennisintensieve sectoren met sterk stijgende AI-gerelateerde vacatures waren goed voor 50 procent van de productiegroei in het derde kwartaal van 2025, terwijl ze slechts iets meer dan een kwart van de totale productie vertegenwoordigden. Maar de eigen beoordeling van de Fed was voorzichtig: de meeste macro-economische studies naar productiviteitsgroei vinden beperkt bewijs voor een significant AI-effect.
De investering is zichtbaar. De productiviteit niet. Solows zin, herschreven voor 2026, zou luiden: je kunt het AI-tijdperk overal zien behalve in de productiviteitsstatistieken.
De vierprocent-vraag
De Europese Investeringsbank voegde een cruciaal puzzelstuk toe. EIB Working Paper 2026/02 analyseerde gekoppelde data van meer dan 12.000 niet-financiele bedrijven in de Europese Unie en de Verenigde Staten. De bevinding: AI-adoptie verhoogt de arbeidsproductiviteit met gemiddeld 4 procent.
Vier procent klinkt betekenisvol totdat je de verdeling bekijkt. De winsten concentreren zich in middelgrote en grote bedrijven — de bedrijven die al beschikken over opleidingsbudgetten, data-infrastructuur en de organisatorische capaciteit om een nieuwe technologie te absorberen. Kleine bedrijven — de bedrijven die het overgrote deel van de Europese economie uitmaken — zien minder. De 4 procent is een gemiddelde dat bijna niemand nauwkeurig beschrijft.
Belangrijker nog: de EIB constateerde dat de productiviteitswinst alleen optreedt bij bedrijven die hebben gedaan wat de onderzoekers “complementaire investeringen” noemden — in software, data-infrastructuur en opleiding van het personeel. Zonder die investeringen nadert de winst nul. De AI alleen produceert de 4 procent niet. De AI plus de organisatorische herstructurering produceert de 4 procent. De technologie is een noodzakelijke voorwaarde. Het is geen voldoende voorwaarde.
Deze bevinding sluit precies aan bij het raamwerk van de Productiviteits-J-curve. De immateriele investeringen — de opleiding, het herontwerp van werkprocessen, de procesreorganisatie — zijn het mechanisme waardoor het potentieel van de technologie werkelijke output wordt. Zonder de immaterielen blijft de technologie inactief. Of erger: het blijft actief maar onproductief, genereert resultaten die niemand gebruikt, automatiseert processen die niemand heeft herstructureerd, en creert de illusie van transformatie zonder de substantie.
De Eurostat-gegevens van december 2025 maken de kloof concreet. Twintig procent van de EU-bedrijven met 10 of meer werknemers gebruikt AI-technologieen. Maar slechts 17 procent van de kleine bedrijven doet dit, tegen 55 procent van de grote. De adoptie zelf is gestratificeerd. En binnen de 20 procent die adopteert, vertellen de EIB-gegevens ons dat alleen degenen die complementaire investeringen doen rendementen behalen.
De technologie is niet gelijk verdeeld. De rendementen zijn nog minder gelijk verdeeld. En de organisaties die het meest waarschijnlijk AI adopteren zonder de complementaire investeringen — de kleine en middelgrote bedrijven die de ruggengraat van de EU-economie vormen — zijn degenen die het minst waarschijnlijk zullen zien dat de paradox zich in hun voordeel oplost.
Het probleem van de beslissingsarchitectuur
Ajay Agrawal, Joshua Gans en Avi Goldfarb anticipeerden hierop in hun boek uit 2022, Power and Prediction: The Disruptive Economics of Artificial Intelligence. Hun raamwerk is gebouwd op een eenvoudige decompositie. Elke beslissing heeft twee componenten: voorspelling — inschatten wat er zal gebeuren — en oordeel — beslissen wat je ermee doet. AI verbetert de voorspelling dramatisch. Het verlaagt de kosten van forecasting, patroonherkenning en probabilistische schatting richting nul.
Maar voorspelling zonder gereorganiseerd oordeel is gewoon goedkopere data. De waarde van AI komt niet alleen van betere voorspellingen, maar van het reorganiseren van de beslissingen die die voorspellingen voeden. Een logistiek bedrijf dat AI gebruikt om de vraag te voorspellen maar zijn route-, personeels- en voorraadbeslissingen ongewijzigd laat, heeft een input verbeterd van een proces dat het niet heeft herstructureerd. De voorspelling is beter. De beslissingsarchitectuur is dezelfde. Het resultaat beweegt nauwelijks.
Agrawal, Gans en Goldfarb gebruiken een term die het probleem vangt: “herontwerp op systeemniveau.” De winsten van een general purpose technology komen niet van het invoegen ervan in bestaande systemen. Ze komen van het herontwerpen van de systemen rond de mogelijkheden van de technologie. De stoommachine transformeerde de productie niet omdat het een betere energiebron was. Het transformeerde de productie omdat fabrieken werden herontworpen rond gecentraliseerde energie — en vervolgens opnieuw werden herontworpen rond gedistribueerde elektromotoren, wat een geheel andere fabrieksindeling vereiste, andere werkprocessen, andere vaardigheden en andere managementstructuren.
De economisch historici hebben dit gedocumenteerd. Paul David toonde in zijn paper uit 1990 “The Dynamo and the Computer” aan dat het ongeveer 40 jaar duurde vanaf de introductie van de elektrische dynamo tot de realisatie van het volledige productiviteitspotentieel — omdat de complementaire organisatorische innovaties zo lang nodig hadden om zich te ontwikkelen en te verspreiden. De fabrieken moesten worden herbouwd. De arbeiders moesten worden omgeschoold. De managementsystemen moesten opnieuw worden uitgevonden.
De parallel met AI is direct. De meeste organisaties hebben AI in bestaande werkprocessen ingevoegd. Ze hebben de werkprocessen niet herontworpen rond de mogelijkheden van AI. De voorspellingsmachine draait. De beslissingsarchitectuur is onaangetast. De productiviteitsstatistieken weerspiegelen dit nauwkeurig: de technologie doet wat het doet, maar de organisatie heeft niet veranderd wat zij doet.
De meetval
Er is een subtieler probleem dat het structurele verergert: de manier waarop we productiviteit meten kan systematisch blind zijn voor de waarde die AI creert.
Productiviteit is in de nationale rekeningen de output per eenheid input. Maar wat telt als output? Als een marketingteam AI gebruikt om vijf concepten te produceren in plaats van een, en slechts een daarvan wordt gebruikt, ziet de productiviteitsstatistiek dezelfde output — een gepubliceerd document — geproduceerd met dezelfde input. De bijdrage van AI is onzichtbaar. De vier ongebruikte concepten zijn geen verspilling in de traditionele zin; het zijn opties. Het team koos beter omdat het vijf alternatieven kon evalueren in plaats van een. De kwaliteit van de beslissing verbeterde. De hoeveelheid van de gemeten output niet.
Dit is de meetfout-hypothese die Brynjolfsson sinds de jaren negentig onderzoekt. Wanneer technologie kwaliteit, variatie of besluitvorming verbetert in plaats van kwantiteit, missen de productiviteitsstatistieken het. Het bbp meet transacties. Het meet niet de kwaliteit van die transacties, noch de beslissingen die eraan voorafgingen, noch de opties die werden geevalueerd en verworpen.
De maatstaf van de NBER-studie zelf — omzet per werknemer — is veelzeggend. Omzet per werknemer vangt volume. Het vangt niet of de verkopen beter gericht waren, winstgevender per eenheid, of minder after-sales ondersteuning vergden. Een bedrijf dat AI gebruikt om klantsegmentatie te verbeteren, verkoopt mogelijk hetzelfde volume aan beter passende klanten, verlaagt het verloop en verhoogt de levenslange waarde — maar de omzet per werknemer blijft stabiel. De productiviteitsstatistiek zegt: geen impact. De resultatenrekening zegt, uiteindelijk, iets anders.
Dit betekent niet dat de paradox slechts een meetartefact is. De NBER-bevinding dat 80 procent van de bedrijven geen impact ziet is te breed om alleen met meetfouten te verklaren. Veel bedrijven benutten werkelijk geen waarde uit AI. Maar de blindheid van het meetsysteem voor kwaliteitsverbeteringen betekent dat zelfs de bedrijven die het goed doen mogelijk niet in de statistieken verschijnen — nog niet.
De verwachtingskloof van bestuurders
De NBER-studie bracht nog een bevinding aan het licht die aandacht verdient. Ondanks het melden van geen impact over de afgelopen drie jaar, voorspellen dezelfde bestuurders substantiele AI-effecten over de komende drie jaar: een productiviteitsstijging van 1,4 procent, een outputgroei van 0,8 procent en een werkgelegenheidsdaling van 0,7 procent.
Dit is de verwachtingskloof waarvan Solows paradox zich voedt. De technologie staat voortdurend op het punt te leveren. De rendementen zijn altijd drie jaar verderop. De investering gaat door omdat de belofte doorgaat, en de belofte gaat door omdat de technologie aantoonbaar werkt op taakniveau — het schrijft de e-mail, stelt het rapport op, analyseert de data sneller. Het microbewijs van capaciteit ondersteunt de macroverwachting van transformatie, zelfs wanneer het macrobewijs van transformatie uitblijft.
De PwC-data verscherpt dit. De 12 procent van de CEO’s die gelijktijdige winsten in kosten en omzet melden met AI — de “voorhoede” — gebruiken geen andere technologie. Ze gebruiken dezelfde modellen, dezelfde tools, dezelfde platforms. Wat hen onderscheidt, volgens PwC, is dat ze AI uitgebreid hebben geintegreerd in producten, diensten, vraaggereneratie en strategische besluitvorming. Ze hebben kaders voor verantwoorde AI opgezet. Ze hebben technologische omgevingen gebouwd die bedrijfsbrede integratie mogelijk maken.
Met andere woorden: ze hebben het herontwerp op systeemniveau uitgevoerd. Ze hebben de complementaire investeringen gedaan. Ze hebben de beslissingsarchitectuur gereorganiseerd. Ze bevinden zich niet op de dalende helling van de J-curve. Ze hebben erdoorheen geinvesteerd en beginnen te stijgen.
De andere 88 procent heeft de voorspellingsmachine gekocht en de fabrieksvloer onveranderd gelaten. Ze ervaren de paradox niet omdat de technologie niet werkt, maar omdat ze het organisatorische werk niet hebben gedaan dat de technologie in staat stelt op systeemniveau te werken.
Het organisatorische knelpunt
Hier is de zin die ik wil vasthouden, omdat hij het hele gesprek herkadreerd: de machine is niet het knelpunt. De organisatie is het.
De AI-modellen zijn capabel. De rekeninfrastructuur is beschikbaar. De tools zijn steeds toegankelijker. De technische barrieres voor AI-adoptie zijn dramatisch gedaald. Een bedrijf met 200 mensen kan toegang krijgen tot dezelfde taalmodellen, dezelfde visiesystemen, dezelfde analytische tools die een Fortune 500-bedrijf gebruikt. De technologie is gedemocratiseerd.
Wat niet is gedemocratiseerd, is de organisatorische capaciteit om de technologie te absorberen. Het vermogen om werkprocessen te herontwerpen. Het vermogen om werknemers om te scholen — niet in hoe je de tool gebruikt, maar in hoe je anders beslist nu de tool betere voorspellingen levert. Het vermogen om prikkels zo te herstructureren dat de tijd die AI bespaart niet simpelweg wordt gevuld met meer van hetzelfde werk. Het vermogen om het immateriele kapitaal op te bouwen dat de J-curve vereist.
Dit is waar de productiviteitsparadox een probleem van organisatiepsychologie wordt — mijn terrein. De complementaire investeringen die Brynjolfsson beschrijft zijn geen softwareaankopen of hardware-upgrades. Het zijn veranderingen in hoe mensen werken, hoe beslissingen worden genomen, hoe rollen worden gedefinieerd en hoe prestaties worden gemeten. Elk van deze is een menselijke verandering. Elk stuit op menselijke weerstand. Elk vereist wat Amy Edmondson psychologische veiligheid noemt — het geloof dat je iets nieuws kunt proberen, kunt falen, en er niet voor gestraft wordt.
Een organisatie die AI inzet zonder de voorwaarden voor experimenteren te scheppen — zonder het veilig te maken om te herstructureren, rollen te veranderen, opnieuw te definieren wat “productief” betekent — is een organisatie die op de dalende helling van de J-curve zal blijven. De technologie zal inactief blijven, als die afgedekte machines op een fabrieksvloer. De oude werkbanken — de vertrouwde processen, de bekende werkstromen, de comfortabele routines — zullen de sporen van intensief gebruik blijven dragen.
Het tijdhorizonprobleem
De historische parallellen bieden zowel troost als waarschuwing.
De troost: de productiviteitsparadox heeft zich eerder opgelost. Het computertijdperk verscheen uiteindelijk in de statistieken. Van midden jaren negentig tot begin jaren tweeduizend was er een stijging in de gemeten productiviteit die economen deels toeschreven aan het rijpen van IT-investeringen uit de jaren tachtig. De complementaire innovaties haalden de technologie in. De J-curve steeg. Solows paradox loste op — niet omdat de observatie fout was, maar omdat de tijdsvertraging langer was dan ongeduldige bestuurders en ongeduldige economen verwachtten.
De waarschuwing: de oplossing was niet automatisch. Het gebeurde niet simpelweg omdat de tijd verstreek. Het gebeurde omdat organisaties zich uiteindelijk herstructureerden. Ze herontwierpen werkprocessen. Ze schoolden werknemers om. Ze veranderden managementpraktijken. En de bedrijven die dit als eerste deden, behaalden onevenredig hoge rendementen, terwijl de bedrijven die wachtten — of zich nooit herstructureerden — achterbleven.
Paul Davids schatting van 40 jaar voor de elektrische dynamo stemt tot nadenken. Maar het tijdsbestek voor het computertijdperk was korter — ongeveer 15 tot 20 jaar van brede adoptie tot gemeten productiviteitswinsten. De vraag is of het tijdsbestek van AI nog korter zal zijn, of dat de complexiteit van de vereiste organisatorische veranderingen het zal verlengen.
Mijn lezing van het bewijs is voorzichtig. AI vereist een diepgaandere organisatorische herstructurering dan de personal computer, omdat AI beslissingen beinvloedt, niet alleen taken. De pc automatiseerde het typen. AI automatiseert de voorspelling — en voorspelling voedt elke beslissing die de organisatie neemt. Herstructureren rond beter typen was relatief eenvoudig: dezelfde documenten, sneller geproduceerd. Herstructureren rond betere voorspelling vereist heroverweging van welke beslissingen worden genomen, door wie en hoe. Dat is een fundamentelere verandering, en fundamentele veranderingen kosten meer tijd.
De integratie
Hier is de spanning die ik wil vasthouden zonder op te lossen, omdat oplossen voorbarig zou zijn.
De productiviteitsparadox is echt. De data is ondubbelzinnig. Tachtig procent van de bedrijven ziet geen productiviteitsimpact van AI. Zesenvijftig procent van de CEO’s meldt geen financieel voordeel. De macrostatistieken tonen boomende investeringen en vlakke productiviteit. De paradox is geen verhaal. Het is een meting.
De productiviteitsparadox is ook, mogelijk, tijdelijk. Het J-curve-raamwerk wordt goed ondersteund door historisch bewijs. De bedrijven die complementaire investeringen hebben gedaan, behalen rendementen. De 12 procent voorhoede in de PwC-data heeft geen geluk gehad — ze zijn structureel anders. Ze hebben het organisatorische werk gedaan.
Beide dingen zijn tegelijkertijd waar. AI levert zijn belofte nog niet op schaal. AI heeft de structurele kenmerken van een technologie die dat uiteindelijk zal doen. De vraag is niet of de paradox zich oplost. De vraag is wie het organisatorische werk doet om het op te lossen — en wie wacht op een oplossing die niet vanzelf zal komen.
De machine werkt. De organisatie is niet veranderd. De productiviteitsstatistieken hebben geen ongelijk. Ze weerspiegelen, met ongemakkelijke precisie, de kloof tussen technologische capaciteit en organisatorische gereedheid.
Robert Solow kon het computertijdperk overal zien. Hij kon het niet zien in de productiviteitsstatistieken. De statistieken logen niet. Ze vertelden een waarheid die bestuurders niet wilden horen: de technologie is niet de transformatie. De transformatie is de transformatie. De technologie is slechts de katalysator die de transformatie mogelijk maakt — en of de katalysator een reactie produceert hangt volledig af van de condities in het vat.
Het vat is de organisatie. De condities zijn de cultuur, de prikkels, de beslissingsarchitectuur, de bereidheid om te herstructureren. De meeste vaten hebben de katalysator toegevoegd en verder niets veranderd. De paradox is het voorspelbare resultaat.
De vraag, voor elke organisatie die dit leest, is niet “wanneer zal AI leveren?” Het is “wat hebben wij veranderd om levering mogelijk te maken?” Als het antwoord is “we hebben de tools gekocht” — dat is geen verandering. Dat is een aankoop. En aankopen, zonder het organisatorische herontwerp om ze te absorberen, zijn hoe paradoxen worden gemaakt.