Mathijs Bouman opent in zijn artikel De AI-revolutie gaat ten onder aan bureaubagger met een persoonlijke ervaring: hij gebruikte Google’s NotebookLM om verkiezingsprogramma’s te analyseren, maar kreeg hallucinerende antwoorden. In plaats van tijdwinst leverde dat extra werk op, omdat alles moest worden gecontroleerd. Dit sluit aan bij de constatering van HBR dat in AI-Generated “Workslop” Is Destroying Productivity stelt dat AI vaak werk genereert dat anderen vervolgens moeten corrigeren of overdoen. De onderzoekers noemen dit “workslop”, Bouman vertaalt het als “bureaubagger”.

Uit een enquête onder 1.150 Amerikaanse werknemers blijkt dat 40 procent in de afgelopen maand met dergelijke AI-output te maken kreeg. Gemiddeld kost elk incident bijna twee uur extra werk. Voor een bedrijf met 10.000 werknemers kan dit oplopen tot zo’n negen miljoen dollar per jaar aan productiviteitsverlies. Het gaat echter niet alleen om efficiëntie: collega’s beoordelen de afzender van dit soort teksten als minder betrouwbaar, minder creatief en minder kundig. Dat tast samenwerking en vertrouwen binnen teams aan.

Bouman verwijst ook naar onderzoek van Humlum en Vestergaard onder 25.000 Deense werknemers. Hun conclusie: AI-gebruik op organisatieniveau heeft geen significant effect op productiviteit, winstgevendheid, lonen of werkgelegenheid. Alleen bedrijven die AI integraal onderdeel maken van hun strategie, inclusief training, governance en gespecialiseerde modellen, zien soms een bescheiden positief effect.

Deze analyse en het HBR-artikel versterken het beeld dat ik in mijn eerdere blog AI tussen belofte en desillusie schetste: AI levert pas waarde op als organisaties hun processen en cultuur aanpassen. Zonder duidelijke kaders en kwaliteitsbewaking dreigt AI vooral meer werk te creëren in plaats van minder.

Dat sluit ook aan bij mijn blog Waarom AI organisaties dwingt tot helderheid over eigen processen, waarin ik schreef over de noodzaak om semantische schuld af te lossen. AI-systemen functioneren alleen goed wanneer de onderliggende processen, data en definities helder en consistent zijn. Waar die helderheid ontbreekt, groeit de kans op bureaubagger en neemt de last voor de organisatie toe.

De uitdaging voor organisaties is om AI niet klakkeloos overal toe te passen, maar scherp te bepalen waar het werkelijk verschil maakt. Dit vraagt om drie bewegingen:

• investeren in proceshelderheid en capability-standaardisatie,
• medewerkers trainen in verantwoord AI-gebruik en
• feedbackloops inrichten die de kwaliteit van AI-output toetsen.

Voor bestuurders betekent dit dat AI-governance niet alleen een technisch vraagstuk is, maar ook een sociaal en cultureel. Het vraagt om afspraken over wanneer AI wel of niet wordt ingezet, en om ruimte om te leren van fouten zonder de kwaliteitseisen te verlagen. Tegelijkertijd kan het fenomeen bureaubagger een nuttige diagnose zijn: waar slechte AI-output ontstaat, wordt zichtbaar waar processen onduidelijk zijn of eigenaarschap ontbreekt.

Voor mij is het inmiddels wel duidelijk hoe bedrijven met AI moeten omgaan: eerst scherp krijgen welk probleem ze willen oplossen, welke waarde ze willen creëren en hoe de menselijke maat bewaakt blijft. Pas dan kan AI de stap maken van hype naar echte productiviteit.

Bronnen

• Bouman, M. (2025, 27 september). De AI-revolutie gaat ten onder aan bureaubagger. Het Financieele Dagblad.
• Humlum, A., & Vestergaard, E. (2025). Large Language Models, Small Labor Market Effects (NBER Working Paper No. 33777). National Bureau of Economic Research.
• Niederhoffer, K., Rosen Kellerman, G., Lee, A., Liebscher, A., Rapuano, K., & Hancock, J. T. (2025, 22 september). AI-Generated “Workslop” Is Destroying Productivity. Harvard Business Review.
• Derksen, M. (2025, 6 september). AI tussen belofte en desillusie.
• Derksen, M. (2025, 23 mei). Waarom AI organisaties dwingt tot helderheid over eigen processen.