Nederlandse medewerkers gebruiken volop AI op de werkvloer. Dat is het goede nieuws. Het minder goede nieuws: 83% van hen legt minstens 40% van wat die AI aanraadt, gewoon naast zich neer (Bron: Emerce). Dat is geen technologieprobleem. Het is een organisatieprobleem, en het onderzoek erachter laat precies zien waar het misgaat.
Wat het onderzoek laat zien
Adviesbureau Eraneos ondervroeg voor het onderzoek People & AI 2026 658 leidinggevenden en teamleden in Nederland, Duitsland, Spanje en Zwitserland, verdeeld over sectoren als financiële dienstverlening, transport & logistiek, energie en de publieke sector (Bron: Emerce). Negentien vragen gingen over drie dingen: hoeveel AI gebruikt wordt, hoe vaardig medewerkers ermee zijn, en hoeveel vertrouwen en governance er omheen zit.
Het beeld dat daaruit komt is tweeledig. Nederlandse medewerkers gebruiken AI net zo veel als, of vaker dan, hun buitenlandse collega’s. Maar als het aankomt op wat die AI daadwerkelijk aanraadt, is Nederland koploper in negeren: 83% legt minstens 40% van de aanbevelingen naast zich neer, tegenover 74% gemiddeld over de vier landen en 64% in Duitsland (Bron: Consultancy.nl).
Beginner-tip:Een AI-”aanbeveling” kan van alles zijn — een voorgestelde tekst, een prioritering van taken, een risico-inschatting. “Negeren” betekent hier niet dat iemand het nooit gebruikt, maar dat de suggestie in meer dan 40% van de gevallen wordt overschreven of terzijde geschoven.
Stel je een projectmanager voor die elke ochtend een AI-tool laat aangeven welke drie klantvragen die dag prioriteit verdienen. Handig, in theorie. Maar zonder duidelijkheid over wie verantwoordelijk is als die prioritering een keer misgaat, kiest diezelfde projectmanager algauw voor de veilige weg: zelf even alles nalopen, en de suggestie negeren als er ook maar iets aan knaagt.
Waarom Nederland hier uitschieter is
Het onderzoek wijst de oorzaak niet aan bij de techniek, maar bij wat eromheen ontbreekt. Slechts 20% van de Nederlandse organisaties heeft duidelijke AI-richtlijnen, tegenover 35% gemiddeld. En bij maar 22% is vastgelegd wie verantwoordelijk is als een AI-suggestie fout blijkt — in Duitsland is dat 55% (Bron: Emerce). Ook op training loopt Nederland achter: 28% koppelt training direct aan het eigen werk, tegenover 54% in Duitsland.
Zonder richtlijnen en zonder een duidelijk antwoord op “wie is verantwoordelijk als dit misgaat”, is negeren voor een medewerker vaak de rationele keuze. Niemand wil degene zijn die met droge ogen zegt “de AI zei het” als een klant boos belt.
Gevorderden:Een lage vertrouwensscore in dit soort onderzoek zegt weinig over de kwaliteit van het AI-model zelf. Het meet vooral hoe goed de organisatie eromheen is ingericht — governance, verantwoordelijkheid, training. Twee bedrijven met exact dezelfde AI-tool kunnen hier compleet verschillend scoren, puur op basis van wie welk besluit mag nemen.
Slechts 3% van de Nederlandse respondenten zegt dat AI daadwerkelijk is ingebed in de dagelijkse werkprocessen, tegenover 13% gemiddeld en 20% in Zwitserland (Bron: Emerce). Veel gebruik, weinig integratie: dat is precies het gat waar dit onderzoek de vinger op legt.
Wat je als werkgever concreet kunt doen
Je hoeft niet meteen een compliance-afdeling op te tuigen. Drie dingen die volgens het onderzoek het meeste verschil maken:
- Leg vast wanneer een AI-suggestie zonder controle mag worden overgenomen, en wanneer een mens er altijd naar moet kijken. Vaag beleid (“gebruik je gezond verstand”) werkt niet — mensen hebben een concreet aanknopingspunt nodig.
- Wijs verantwoordelijkheid toe voordat er iets misgaat, niet erna. Eén A4’tje met “bij fout X is persoon/rol Y verantwoordelijk” doet al meer dan een dik beleidsdocument dat niemand leest.
- Koppel training aan het eigen werk, niet aan een losse cursus. Nederland loopt hier het verst op achter, en het is ook de makkelijkste om zelf te repareren: laat mensen oefenen met de taken die ze al doen, niet met een generiek voorbeeld.
De conclusie van het onderzoek is ongemakkelijk maar bruikbaar: het probleem zit niet bij de medewerker die twijfelt aan een AI-advies. Het zit bij de organisatie die nooit heeft uitgelegd wanneer dat advies te vertrouwen is.