Je AI-tools werken je team niet vooruit, maar tegen. De grootste meta-analyse ooit naar mens-AI-samenwerking toont aan dat de combinatie gemiddeld slechter presteert dan mens of AI alleen. Dat betekent niet dat je de tools moet afschaffen, maar wel dat je de samenwerking fundamenteel moet herzien.

Wat er aan de hand is

Een meta-analyse van Vaccaro, Almaatouq en Malone uit 2024, gepubliceerd in Nature Human Behaviour, analyseerde 106 studies met 370 effectgroottes. De conclusie: mens-AI-combinaties presteerden significant slechter dan de beste van mens of AI alleen, met een effectgrootte van -0.23 Hedges g die statistisch significant was. Dit is geen labstudie met twaalf studenten, maar het meest rigoureuze onderzoek naar deze vraag.

Uit onderzoek van BCG uit 2025 blijkt dat 85 procent van de leidinggevenden en 78 procent van de managers generatieve AI gebruikt, maar dat gebruik en impact ontkoppeld zijn. Teams loggen in, genereren output, maar creëren geen waarde. Faros AI analyseerde telemetrie van tienduizenden ontwikkelaars en vond dat AI-adoptie niet leidde tot betere prestaties.

Wat dit betekent

Voor MKB-ondernemers is de boodschap confronterend. Je hebt waarschijnlijk geïnvesteerd in AI-tools voor marketing, content, klantenservice of data-analyse. De dashboards laten zien dat je team ze gebruikt. Maar de campagnes worden niet scherper, de content wordt niet beter, en niemand kan een concreet resultaat aanwijzen dat de uitgaven rechtvaardigt.

Het probleem zit niet in de tools, maar in de manier waarop je team ermee werkt. Mensen vertrouwen AI blindelings of negeren het juist. Ze besteden tijd aan het controleren van AI-output in plaats van aan creatief werk. Of ze gebruiken AI voor taken waar het slecht in is, zoals nuance aanbrengen in klantcommunicatie. Het resultaat is dat de samenwerking averechts werkt: de zwaktes van beide partijen worden versterkt in plaats van de sterktes.

Hoe je dit kunt toepassen

Als je een marketingteam aanstuurt dat AI gebruikt voor contentcreatie. Je merkt dat de blogs en social posts er allemaal hetzelfde uitzien, ook al gebruik je verschillende prompts. Een mogelijke oorzaak is dat je team AI gebruikt om hele stukken te schrijven in plaats van alleen voor research of eerste concepten. Overweeg om de rollen te splitsen: laat AI de data-analyse en eerste ruwe versies doen, en laat je team zich concentreren op het toevoegen van merkstem, voorbeelden uit de praktijk en strategische keuzes. Je zou kunnen experimenteren met een vaste regel: AI schrijft maximaal de helft van een stuk, de rest is menselijk werk.

Als je een klantenservice-team hebt dat AI-chatbots gebruikt. Je ziet dat klanttevredenheid niet stijgt, ondanks snellere reactietijden. Het probleem kan zijn dat klanten vastlopen in een AI-loop zonder doorverbinding naar een mens. Een optie is om de AI alleen in te zetten voor eerste filtering en eenvoudige vragen, en bij twijfel direct door te schakelen naar een medewerker. Je zou ook kunnen overwegen om de AI te trainen op echte klantgesprekken in plaats van algemene scripts, zodat de antwoorden natuurlijker worden.

Als je data-analyse doet met AI-tools. Je merkt dat de inzichten oppervlakkig blijven, ook al voer je dezelfde data in. Dit kan komen doordat je team de AI vraagt om conclusies te trekken in plaats van patronen te signaleren. Een mogelijkheid is om de AI alleen te gebruiken voor het identificeren van afwijkingen en trends, en het team de interpretatie en besluitvorming te laten doen. Overweeg om een vaste structuur in te voeren: AI levert de cijfers en grafieken, het team schrijft de analyse en aanbevelingen.

Als je een team hebt dat AI gebruikt voor projectmanagement. Je ziet dat planningen niet beter worden en dat teamleden tijd kwijt zijn aan het invoeren van data in AI-systemen. Het kan zijn dat de AI taken overneemt die het team normaal zelf deed, zoals prioritering, waardoor het team minder betrokken raakt. Een optie is om de AI alleen te gebruiken voor het bijhouden van deadlines en resources, en de teamoverleggen te gebruiken voor beslissingen over prioriteiten. Je zou kunnen experimenteren met een wekelijkse audit: welke taken doet de AI nu, en welke zouden beter door mensen gedaan kunnen worden.

De praktische toepassing hangt af van jouw situatie, maar de eerste stap is altijd hetzelfde: breng in kaart waar de samenwerking wrijving geeft. Vraag je team waar zij tijd verliezen aan het corrigeren van AI-output, en waar de AI dingen doet die ze eigenlijk zelf beter kunnen. De oplossing is niet minder AI, maar slimmere taakverdeling.

Bron: Martech