De Vertrouwensthermometer
Vertrouwen in AI wordt meestal gemeten zoals je temperatuur meet. Een schaal. Een getal. Een gradiënt die in kleine, voorspelbare stappen stijgt of daalt. Edelman publiceert het onderzoek. Het dashboard kleurt groen of rood. Het beleidsteam schrijft een memo. Het getal wordt behandeld als een thermostaatstand — iets om met campagnes, trainingen en geruststelling omhoog te duwen.
De Edelman Trust Barometer van 2026 brak dat kader. Vertrouwen in AI is geen thermometer. Het is een klif.
Onder bijna 34.000 respondenten in 28 landen, ondervraagd tussen 23 oktober en 18 november 2025, vond Edelman iets dat het gradiëntmodel niet kan verklaren. De grootste afzonderlijke voorspeller of iemand AI vertrouwt, is niet leeftijd, niet inkomen, niet opleiding, niet politieke voorkeur. Het is of die persoon zelf een bruikbare ervaring met de tool heeft gehad. En de kloof tussen wie dat wel had en wie niet, loopt van 26 tot 46 procentpunten in de onderzochte markten.
Zesentwintig tot zesenveertig punten is geen gradiënt. Het is een discontinuïteit. De cijfers laten niet zien dat mensen langzaam warmlopen voor AI naarmate ze er meer over leren. Ze laten mensen zien aan de ene of de andere kant van een muur. Die muur is één betekenisvol gebruik. Zodra het gebeurd is, stijgt het vertrouwen scherp. Tot het gebeurt, beweegt het vertrouwen niet — hoeveel presentaties het verandermanagementteam ook maakt.
De Klif in de Cijfers
De uitsplitsing per land maakt de klif zichtbaar op schaal. In China zegt 87 procent van de respondenten AI te vertrouwen. In Brazilië 67 procent. In Duitsland 39 procent. In het Verenigd Koninkrijk 36 procent. In de Verenigde Staten 32 procent. Het verschil tussen China en de VS is vijfenvijftig procentpunten — een kloof zo breed dat de twee bevolkingen feitelijk in verschillende verhoudingen tot dezelfde technologie leven.
De verleiding is om de verschillen tussen landen als cultureel te lezen. Oosterse markten zouden technologie meer vertrouwen dan westerse. Jongere bevolkingen meer dan oudere. De vertrouwde verklaringen staan in de rij.
Het Edelman Trust Institute keek naar het onderliggende mechanisme en vond iets anders. De Edelman Trust Barometer Flash Poll van najaar 2025 — een aparte studie onder 5.000 respondenten in Brazilië, China, Duitsland, het VK en de VS, uitgevoerd tussen 17 en 27 oktober 2025 — isoleerde de variabele ervaring. De vraag was simpel: heb je persoonlijk baat gehad bij AI op het werk? In vier van de vijf markten waren respondenten die ja antwoordden 26 tot 46 procentpunten waarschijnlijker geneigd AI te vertrouwen dan respondenten die nee antwoordden.
De verschillen tussen landen in de algemene vertrouwenscijfers verdwijnen niet zodra je voor ervaring controleert. Maar ze worden kleiner. Veel kleiner. De reden dat China bovenaan de vertrouwensranglijsten staat, is niet vooral dat de Chinese cultuur technologie meer vertrouwt. Het is dat meer Chinese werknemers een bruikbare AI-ervaring hebben gehad. Vertrouwen volgt op ervaring. Ervaring volgt niet op vertrouwen.
Dat maakt de klif-metafoor preciezer dan de thermometer-metafoor. Een thermometer veronderstelt continuïteit — kleine bewegingen aan de input geven kleine bewegingen aan de output. Een klif veronderstelt discontinuïteit — de persoon aan de ene kant heeft een categorisch andere oriëntatie dan de persoon aan de andere kant, en het enige wat haar overzet, is het overgaan zelf.
Wat de Eerste Interactie Bepaalt
Amy Edmondson publiceerde haar grondleggende werk over psychologische veiligheid in 1996 en 1999, op basis van verpleegteams in een ziekenhuis. Ze verwachtte dat beter presterende teams minder medicatiefouten zouden maken. Ze vond het tegenovergestelde: betere teams rapporteerden meer fouten, niet minder. De teams die goed functioneerden waren niet foutloos. Ze waren foutoprecht. Psychologische veiligheid — die Edmondson definieerde als de overtuiging dat het team een veilige plek is voor interpersoonlijke risico’s, de overtuiging dat je niet wordt gestraft als je een vraag stelt of toegeeft dat je iets niet weet — was de variabele die teams die fouten naar boven konden brengen onderscheidde van teams die ze begroeven.
Pas het kader toe op AI-adoptie en de klif komt scherp in beeld.
De eerste interactie met een AI-tool is een moment van interpersoonlijk risico. De persoon achter het scherm weet niet of haar vraag te basaal, te vaag of te onthullend is over wat ze niet weet. Ze weet niet of het systeem iets bruikbaars of iets gênants zal opleveren. Ze weet niet of haar zoekgeschiedenis wordt bekeken door iemand met autoriteit over haar beoordeling. Ze legt een stukje cognitieve onzekerheid bloot aan een systeem waarvan de sociale betekenis nog niet vaststaat.
Als die eerste interactie een klein, nuttig resultaat oplevert — een antwoord dat iets verheldert, een concept dat twintig minuten scheelt, een samenvatting die een patroon laat zien dat ze gemist had — lost de onzekerheid op. De tool schuift van “mogelijke bedreiging voor mijn professionele status” naar “hulpmiddel waar ik op kan terugvallen”. Vertrouwen ontstaat niet door overtuiging. Het ontstaat door de ervaring van een niet-bestraffende uitkomst op een kleine daad van kwetsbaarheid. Dit is Edmondsons kader toegepast op tools in plaats van teams: de veiligheid om het risico te nemen levert de ervaring op die het vertrouwen rechtvaardigt.
Als die eerste interactie niets oplevert — of erger, iets dat de persoon moet opruimen, verdedigen of verbergen — lost de onzekerheid niet op. Ze verhardt. Het risico is genomen. De uitkomst was negatief. Het systeem is nu geclassificeerd als onveilig. Geen latere training reset die classificatie snel, want het menselijk zenuwstelsel weegt aanwijzingen niet symmetrisch. Een negatieve eerste ervaring produceert een defensieve houding die latere positieve ervaringen moeten overwinnen, niet zomaar optellen.
De kloof van 26 tot 46 punten is de zichtbare schaduw van die asymmetrie. De mensen aan de vertrouwenskant van de klif zijn niet verlichter. Ze hebben een nuttige eerste interactie gehad. De mensen aan de weerstandskant zijn niet banger. Ze hebben hem niet gehad.
De Europese Positie
Voor Europese mkb-bedrijven — de organisaties van 50 tot 500 medewerkers die het publiek vormen van bijna alles wat Bluewaves schrijft — heeft de klif een specifieke geometrie die de wereldwijde gemiddelden verbergen.
Eurostat publiceerde haar ICT-onderzoek 2025 op 11 december 2025. Het kerncijfer: 20 procent van de EU-bedrijven met tien of meer medewerkers gebruikte in 2025 AI-technologie. Twintig procent. Wat betekent dat tachtig procent dat niet deed. De groei ten opzichte van 2024 was 6,5 procentpunten — een stevige versnelling — maar het beginpunt was 13,5 procent, en de bestemming is nog steeds een minderheid van de Europese bedrijven.
De uitsplitsing naar bedrijfsgrootte is veelzeggender nog. Grote bedrijven (250+ medewerkers) komen op 55 procent adoptie. Middelgrote bedrijven (50–249 medewerkers) op 30 procent. Kleine bedrijven (10–49 medewerkers) op 17 procent. De spreiding tussen landen is nog breder: Denemarken met 42 procent, Finland met 37,8 procent, Zweden met 35 procent bovenaan; Roemenië met 5,2 procent, Polen met 8,4 procent, Bulgarije met 8,5 procent onderaan.
Het Europese mkb-landschap zit dus grotendeels nog aan deze kant van de klif. De meeste bedrijven hebben aan het merendeel van hun medewerkers nog geen AI-tools geïntroduceerd. De meeste medewerkers hebben nog geen eerste interactie gehad. Wat betekent dat het grootste deel van de vertrouwensvorming die zal bepalen of AI wortel schiet in het Europese mkb, nog niet heeft plaatsgevonden.
Dat is ongewoon. We zijn gewend om adoptie te zien als iets dat achteraf gebeurt — retrospectief gemeten, door iteratie verbeterd. De Europese mkb-context draait de volgorde om. De eerste interacties liggen nog in de toekomst. De klif is nog niet overgestoken door het merendeel van de populatie. De voorwaarden van die oversteek zijn nog te ontwerpen.
Dat is een zeldzame positie. Het is ook een fragiele. Want de ontwerpkeuzes die bepalen of de eerste interactie slaagt, worden nu gemaakt, in inkoopbeslissingen, uitrolsjablonen en welkomstmails — en de meeste van die keuzes worden gemaakt door mensen die niet doorhebben dat ze een klif aan het ontwerpen zijn.
Wat de Meeste Uitrolprojecten Verkeerd Doen
Ik heb de afgelopen twee jaar tientallen AI-uitrolprojecten in Europese bedrijven gevolgd. De projecten die mislukken, mislukken meestal op vergelijkbare manieren. De projecten die slagen, slagen meestal om vergelijkbare redenen. Het patroon is niet subtiel zodra je weet waar je moet kijken.
De mislukkende uitrolprojecten behandelen de eerste interactie als een trainingsprobleem. De redenering: als we mensen goed genoeg trainen op de tool, gaan ze hem goed gebruiken. Dus plant de projectleider een training van een uur. Een vertegenwoordiger van de leverancier loopt de functies door. Mensen maken aantekeningen. Er worden wat vragen gesteld. De sessie eindigt. Mensen gaan terug naar hun bureau, waar de tool nu naast zeventien andere applicaties is geïnstalleerd, en er wordt van hen verwacht dat ze hem in hun werk integreren.
De eerste interactie ziet er in deze opzet meestal zo uit: iemand zit alleen aan het bureau, opent de tool voor het eerst na de training, probeert zich te herinneren wat ze moest doen. Ze tikt iets onzekers in. De tool produceert iets generieks. De persoon weet niet of het resultaat goed of slecht is — ze kan het niet beoordelen, omdat ze de tool niet vaak genoeg heeft gebruikt om kalibratie te ontwikkelen. Ze sluit het venster. Ze keert terug naar de workflow die ze al kent. De eerste interactie is geen mislukking. Het is een niet-gebeurtenis. En een niet-gebeurtenis is, binnen Edmondsons kader, een bevestiging dat het risico het niet waard was. Vertrouwen vormt zich niet, omdat er niets gebeurd is dat het had kunnen vormen.
De slagende uitrolprojecten behandelen de eerste interactie als een relationeel moment. Ze ontwerpen het. Niet de tool — het moment. Ze identificeren een specifieke, kleine, echte taak die de persoon al doet. Ze gaan naast haar zitten — of koppelen haar aan een collega die de tool al heeft gebruikt — voor die eerste interactie. Ze kijken samen naar het resultaat. Ze benoemen wat nuttig is en wat niet. Ze zorgen dat de persoon de eerste interactie verlaat met één concreet geval van “deze tool hielp me met iets dat ik toch al moest doen”. Dat geval wordt het anker van vertrouwen. Volgende interacties zijn geen eerste interacties meer — ze zijn voortzettingen van een ervaring die de persoon al als positief classificeert.
De slagende projecten begrijpen iets dat de andere niet begrijpen: de eerste interactie is geen stap in een trainingsprogramma. Het is het moment waarop de klif wordt overgestoken of niet. Al het andere ligt stroomafwaarts van dat moment.
De Kloof tussen Managers en Teams
De Edelman-cijfers brachten nog een bevinding aan het oppervlak die Europese mkb-bedrijven zorgvuldig moeten lezen. In de onderzochte markten zei bijna twee derde van de managers AI-tools regelmatig te gebruiken. Onder niet-managers was dat ongeveer één op de vier.
Dat is geen competentiekloof. Het is een eerste-interactiekloof. Managers hadden meer gelegenheden om met AI-tools in aanraking te komen — ze zijn aanwezig bij leveranciersdemo’s, betrokken bij inkoopgesprekken, krijgen vroege toegang tijdens pilots en soms een persoonlijke licentie vóór de brede uitrol. Ze hebben meerdere eerste interacties gehad, sommige met nuttige resultaten. Ze staan aan de vertrouwenskant van de klif.
Niet-managers krijgen in de meeste uitrolprojecten die ik heb gezien een andere eerste interactie. Ze krijgen een mail die de tool aankondigt. Ze krijgen een link naar een opgenomen training. Ze krijgen een deadline waarop ze hem moeten gebruiken. Ze hebben geen collega naast zich voor de eerste vraag. Ze hebben geen expliciete, kleine, echte taak waarop ze de tool kunnen toepassen. Ze krijgen de configuratie die niet-gebeurtenissen produceert.
Het vertrouwensverschil tussen managers en niet-managers in de Edelman-cijfers is niet vooral een verschil in vaardigheid, intelligentie of openheid voor technologie. Het is een verschil in de kwaliteit van eerste interacties. De managers kregen de relationele momenten. De teams kregen de mail.
Voor een mkb-bedrijf dat AI uitrolt, betekent dat dat de vraag “neemt ons team de tool over?” de verkeerde vraag is. De juiste vraag is: “hoe was de eerste interactie van elke persoon met deze tool, en was die goed genoeg om haar aan de vertrouwenskant van de klif te zetten?” Als je die vraag niet voor elke persoon kunt beantwoorden, heb je geen adoptiestrategie. Je hebt adoptiehoop.
De Asymmetrie van Negatieve Eerste Indrukken
Er is een stukje stressfysiologie dat hier benoemd verdient te worden. Robert Sapolsky documenteert in Why Zebras Don’t Get Ulcers de asymmetrie van dreigingsdetectie in zoogdierzenuwstelsels. Een gemiste roofdier is een gemiste maaltijd. Een onopgemerkt roofdier is de dood. Het zenuwstelsel is zo afgesteld dat het negatieve signalen zwaarder weegt dan positieve, omdat de kosten van een vals-negatief — een werkelijke dreiging missen — hoger zijn dan de kosten van een vals-positief — iets veiligs als dreiging behandelen.
Die asymmetrie reist mee naar de werkplek. Iemand die één negatieve ervaring met een tool heeft gehad, heeft meerdere positieve ervaringen nodig voordat de negatieve classificatie wordt overschreven. De exacte verhouding varieert — onderzoek naar negativiteitsbias geeft schattingen van drie-op-één tot vijf-op-één — maar de richting is constant. Negatieve eerste indrukken plakken. Positieve eerste indrukken laten zich versterken. Het substraat is niet symmetrisch.
Daarom sluit de Edelman-kloof zich niet snel door latere blootstelling. Iemand die een negatieve eerste interactie met een AI-tool heeft gehad, is niet simpelweg iemand die nog geen positieve heeft gehad. Het is iemand wiens zenuwstelsel de tool al heeft gecodeerd als bron van risico. De volgende blootstelling moet harder werken dan de eerste had moeten doen, omdat ze vecht tegen een bestaande classificatie, niet er een vanaf nul opbouwt.
Voor uitrolteams is de operationele consequentie zwaar. Je kunt geen slechte eerste interactie doen en die met een betere tweede repareren. De eerste interactie is geen concept. Het is de fundering. De uitrolprojecten die ik zag slagen, behandelen haar met de ernst die deze bevinding verdient.
Wat de Data Adviseren
Ik ben terughoudend met voorschrijvende lijsten, omdat ze genuanceerde bevindingen omzetten in checklists die dezelfde compliance-gedreven niet-adoptie produceren die de bevindingen probeerden te voorkomen. Maar de Edelman-cijfers, gecombineerd met Edmondsons kader en Sapolsky’s negativiteitsasymmetrie, wijzen op een kleine reeks structurele keuzes die Europese mkb-bedrijven zouden moeten maken vóór hun volgende AI-uitrol.
Ontwerp de eerste interactie expliciet. Ga er niet vanuit dat ze gebeurt. Ga er niet vanuit dat training haar produceert. Identificeer voor elke persoon in het team een echte, kleine taak waarbij de tool aantoonbaar kan helpen, en ontwerp het moment waarop de persoon de tool op die taak toepast. Het ontwerp is geen checklist. Het is een relationeel moment — een collega aanwezig, een vraag verwacht, een uitkomst benoemd.
Zet de volgorde op klaarheid, niet op organogram. De eerste mensen die met de tool werken, zouden de mensen moeten zijn die het meest waarschijnlijk een nuttige eerste interactie zullen hebben. Dat betekent vaak beginnen bij nieuwsgierige gebruikers, niet bij de directie. Nieuwsgierige gebruikers produceren vertrouwenssignalen die de rest van de organisatie kan zien — wat het waargenomen risico van de eerste interactie voor iedereen die volgt verlaagt.
Scheid uitrol van beoordeling. Tijdens het venster van de eerste interacties zou geen enkel gebruiksdashboard zichtbaar moeten zijn voor managers. Geen enkele meting zou de keten op moeten gaan. De eerste interactie is een leermoment. Haar als beoordelingsmoment behandelen, sluit de veiligheid af die het leren vereist. Zodra er vertrouwen is gevormd — zodra het team aan de juiste kant van de klif staat — kunnen gebruiksgegevens operationeel nuttig worden. Daarvoor zijn ze een dreiging die juist het gedrag verhindert dat ze willen meten.
Bouw voor de mislukte eerste interactie. Sommige eerste interacties gaan slecht aflopen. De tool produceert iets nutteloos of misleidends. Het uitrolontwerp moet een expliciete, goedkope route bevatten zodat de persoon de mislukking kan melden en het opnieuw kan proberen met hulp. De mislukking is niet het probleem. De niet-gemelde mislukking is het probleem — want een niet-gemelde mislukking verhardt zich tot de negatieve classificatie die Sapolsky’s onderzoek beschrijft, en latere positieve ervaringen zullen er maandenlang tegen moeten vechten.
Meet de ervaring, niet de activiteit. De relevante vraag is niet hoeveel zoekopdrachten het team deze week deed. Het is hoeveel mensen, direct gevraagd, zouden zeggen dat de tool hen heeft geholpen met iets dat ze toch al moesten doen. Die meting is moeilijker. Daarom slaan de meeste organisaties haar over. Die meting overslaan is waarom de meeste uitrolprojecten activiteit produceren zonder adoptie.
De Integratie
Hier is de spanning die ik wil openhouden, omdat haar laten samenvallen de cijfers zou verraden.
AI-tools zijn nuttig. De Edelman-respondenten die regelmatig AI-gebruik rapporteerden, rapporteerden ook duidelijke winst in vertrouwen, productiviteit en betrokkenheid. Wanneer de tool mensen helpt complexe ideeën te begrijpen, stijgt het vertrouwen met ongeveer veertig punten in de markten en met bijna vijftig punten in het Verenigd Koninkrijk. De voordelen zijn echt. De data zijn daarover niet dubbelzinnig.
AI-uitrolprojecten slagen er grotendeels niet in die voordelen te produceren. Tachtig procent van de Europese bedrijven met tien of meer medewerkers gebruikt geen AI. Onder bedrijven die het wel gebruiken, is het verschil tussen managers en niet-managers structureel, geen toeval. De voordelen zijn ongelijk verdeeld omdat de eerste interacties ongelijk ontworpen zijn. De tool werkt. De uitrol, meestal, niet.
Beide zijn waar. De technologie heeft een capaciteitsdrempel overschreden. De organisaties die haar gebruiken, hebben geen ontwerpdrempel overschreden. De capaciteit is uniform. Het vertrouwen is bimodaal.
De context van het Europese mkb — waar de meeste bedrijven nog in een pre-adoptiefase zitten, waar de meeste medewerkers nog geen eerste interactie hebben gehad — is dat zeldzame moment waarop de ontwerpdrempel nog vóór de organisatie ligt, niet erachter. De beslissingen die nu worden genomen, in inkoop en onboarding en de eerste mails over de nieuwe tool, zijn beslissingen over aan welke kant van de klif elke persoon zal landen. Die beslissingen zijn alleen tegen hoge kosten omkeerbaar. Ze zijn tegen lage kosten ontwerpbaar — als het ontwerp gebeurt vóór de uitrol, niet erna.
Edelman gaf ons de data. Edmondson gaf ons het kader. Sapolsky gaf ons het mechanisme. De integratie van de drie is het operationele beeld: vertrouwen wordt gevormd of gebroken in de eerste interactie, de eerste interactie is een moment van psychologische risicobereidheid, en het zenuwstelsel dat dat moment verwerkt, weegt de uitkomsten asymmetrisch. Niets hiervan is een thermometer. Dit alles is een klif.
De meeste organisaties ontwerpen voor de honderdste efficiënte interactie. Het adoptieprobleem zit bij de eerste veilige.
De thermometerstand beweegt niet, omdat de thermometer het verkeerde instrument is. Wat de data meten, is geen temperatuur. Het is een positie. En positie, anders dan temperatuur, pas je niet aan door de kamer op te warmen. Ze wordt bepaald door waar de persoon stond op het moment dat het ertoe deed.
De eerste interactie is de enige die telt. De meeste organisaties ontwerpen haar niet. Dat is het adoptieprobleem dat niemand oplost — en de zeldzame kans, voor de mkb-bedrijven die nog vóór de klif staan, om haar te ontwerpen voordat de klif vast komt te liggen.