Het antwoord is ontnuchterend: mens-AI combinaties presteren gemiddeld slechter dan een mens of een AI alleen. De grootste meta-analyse ooit naar human-AI samenwerking laat zien dat de belofte van naadloze samenwerking in de praktijk vaak leidt tot lagere kwaliteit, niet hogere. Als jouw AI-investeringen niet renderen, ligt dat waarschijnlijk niet aan de tools, maar aan hoe je ze inzet.

Wat er aan de hand is

Een meta-analyse gepubliceerd in Nature Human Behaviour, uitgevoerd door Vaccaro, Almaatouq en Malone, analyseerde 106 studies met 370 effectgroottes. De conclusie: human-AI combinaties (HAI) presteerden significant slechter dan de beste van mens of AI alleen. Het effect was -0.23 Hedges g, met een betrouwbaarheidsinterval van 95% dat niet door nul ging. Dit is geen labstudie met twaalf studenten; het is de meest grondige analyse van een vraag die de hele techindustrie dacht te hebben beantwoord.

Uit onderzoek van BCG uit 2025 blijkt dat 85 procent van de leiders en 78 procent van de managers generatieve AI gebruikt. Maar gebruik en impact zijn ontkoppeld. Teams loggen in, genereren output, maar creëren geen waarde. Uit telemetrie van Faros AI over tienduizenden ontwikkelaars blijkt dat AI-adoptie hoog is, maar productiviteitswinst uitblijft.

Wat dit betekent

Voor ondernemers en professionals is de boodschap helder: je kunt niet zomaar AI aan je bestaande processen toevoegen en verwachten dat het beter wordt. Het probleem zit in de taakverdeling. Mensen corrigeren AI-output, maar die correcties zijn vaak niet beter dan wat de AI zelf produceerde. Of teams vertrouwen te veel op AI en schakelen hun eigen oordeel uit. Het resultaat is een hybride dat slechter presteert dan beide apart.

Dit verklaart waarom campagnes niet scherper worden, content niet beter en niemand een concreet resultaat kan aanwijzen dat de uitgaven rechtvaardigt. Het is geen adoptieprobleem. Het is een ontwerpprobleem.

Hoe je dit kunt toepassen

Als je een marketingteam aanstuurt dat AI gebruikt voor contentcreatie, overweeg dan om de rollen strikter te scheiden. Laat AI de eerste versie maken en een mens alleen beoordelen of die versie voldoet, zonder grootschalige herschrijvingen. Uit de meta-analyse blijkt dat te veel menselijke correcties de kwaliteit verlagen. Je zou kunnen experimenteren met een ‘AI first, mens alleen bij twijfel’ workflow.

Als je een team hebt dat AI gebruikt voor data-analyse, is een mogelijke aanpak om de AI zijn analyse te laten presenteren en het team alleen te laten controleren op uitschieters of fouten in de input. Voorkom dat teamleden elke output gaan herinterpreteren. De data suggereren dat dat leidt tot slechtere beslissingen dan wanneer je de AI zijn gang laat gaan of het team het zelf laat doen.

Als je verantwoordelijk bent voor de AI-investeringen in je bedrijf, kun je overwegen om een ‘human-AI audit’ uit te voeren. Kijk per proces waar de mens ingrijpt en vraag je af: voegt die interventie waarde toe of maakt het het resultaat slechter? Een eenvoudige test is om een maand lang de AI-output te vergelijken met de menselijk gecorrigeerde versie. Als de gecorrigeerde versie niet significant beter is, stop dan met corrigeren.

Als je een team van developers of engineers leidt, is het zinvol om te kijken naar de telemetrie uit het Faros AI-onderzoek. Hoge adoptie betekent niet hoge impact. Je zou kunnen beginnen met een klein experiment: laat de ene helft van het team AI gebruiken zonder tussenkomst, de andere helft met menselijke controle, en meet de kwaliteit van de output. De kans is groot dat de ongemengde groep beter presteert.

Bron: Martech