Gids voor de samenleving

Wat onderzoek zegt over AI en productiviteit op de werkplek

Gecontroleerde veldexperimenten tonen aan dat generatieve AI werknemers aanzienlijk sneller en beter kan maken in specifieke taken zoals klantenondersteuning, schrijven en wat coderen, waarbij de grootste winst meestal naar minder ervaren werknemers gaat.

Luister naar deze gidsAI-verteld · ~3 min

Op deze pagina4 minuten lezen
  1. Overzicht
  2. Diepe duik
  3. Implementatie in de echte wereld
  4. De toekomst van wat onderzoek zegt over AI en productiviteit op de werkplek
  5. Het in de praktijk brengen
  6. Blijf verkennen
  7. Veelgestelde vragen

Overzicht

De winsten zijn echter ongelijk. AI kan mensen slechter maken bij taken die buiten hun mogelijkheden liggen, en brede onderzoeken naar hele arbeidskrachten en economieën hebben tot nu toe veel kleinere effecten gevonden dan laboratoriumstudies en studies met afzonderlijke taken.

Diepe duik

Het bekendste bewijsmateriaal komt uit veld- en gecontroleerde experimenten met goed gedefinieerde taken. Erik Brynjolfsson, Danielle Li en Lindsey Raymond bestudeerden meer dan 5.000 klantenservicemedewerkers die een AI-assistent kregen. Gemiddeld losten ze zo’n 14 procent meer problemen per uur op. Beginnende en lager opgeleide agenten wonnen ongeveer 34 procent, en de meest ervaren agenten wonnen weinig. De onderzoekers beweren dat de AI de kennis van toppresteerders naar alle anderen heeft verspreid. Shakked Noy en Whitney Zhang, die in 2023 in Science publiceerden, ontdekten dat ChatGPT de tijd die universitair opgeleide professionals besteedden aan schrijftaken met ongeveer 40 procent verkortte en de beoordeelde kwaliteit met ongeveer 18 procent verhoogde. Uit een GitHub Copilot-experiment bleek dat ontwikkelaars een vaste programmeertaak ongeveer 55 procent sneller voltooiden. Het onderzoek van de Boston Consulting Group uit 2023, samen met Harvard en andere onderzoekers, voegde een belangrijk voorbehoud toe, namelijk de ‘grillige technologische grens’. Bij taken die binnen de mogelijkheden van de AI lagen, voerden consultants met GPT-4 meer taken uit, sneller en met hogere kwaliteit. Bij een taak die was ontworpen om buiten deze capaciteiten te vallen, hadden ze minder kans om het juiste antwoord te krijgen dan consultants zonder AI, omdat ze vertrouwden op plausibele maar verkeerde resultaten. Recentere bevindingen zijn bescheidener. In een gerandomiseerd onderzoek van METR uit 2025 waren ervaren ontwikkelaars die in hun eigen grote codebases werkten ongeveer 19 procent langzamer met AI-tools, terwijl ze dachten dat ze sneller waren geweest. Uit onderzoek naar hele arbeidsmarkten, zoals onderzoek onder Deense werknemers, zijn tot nu toe kleine effecten op de lonen en arbeidsuren gebleken. Waarom de kloof? Experimenten isoleren taken die bij AI passen. In echte banen komen veel taken samen, de bespaarde tijd wordt niet altijd productief hergebruikt en organisaties moeten hun workflows opnieuw ontwerpen voordat de winst zichtbaar wordt. Economen zagen een vergelijkbare vertraging in de gemeten productiviteit nadat elektriciteit en computers arriveerden. De algemene misvatting is dat er voor elke baan één percentage geldt.

Implementatie in de echte wereld

In een groot klantondersteuningsonderzoek losten agenten die een AI-assistent kregen gemiddeld meer problemen per uur op, en de nieuwste, minst ervaren agenten verbeterden het meest.

In een experiment met professionele schrijftaken waren deelnemers die ChatGPT gebruikten sneller klaar en produceerden ze werk dat de beoordelaars hoger beoordeelden in kwaliteit.

Consultants bij Boston Consulting Group deden het beter met GPT-4 bij taken die binnen de mogelijkheden van de AI lagen, maar hadden meer kans om verkeerde antwoorden te geven bij een taak die opzettelijk was ontworpen om daarbuiten te vallen.

Ervaren open-sourceontwikkelaars hadden in een gerandomiseerde proef van METR uit 2025 meer tijd nodig om taken met AI-tools uit te voeren, ook al geloofden ze dat de tools ze sneller hadden gemaakt.

De toekomst van wat onderzoek zegt over AI en productiviteit op de werkplek

De wetenschappelijke basis groeit snel en de in 2023 bestudeerde modellen zijn al verouderd, dus de resultaten kunnen veranderen naarmate tools, training en workflows verbeteren. De belangrijkste open vragen zijn of de winst op taakniveau bijdraagt ​​aan de productiviteitsgroei op bedrijfsniveau en op nationaal niveau, of de voordelen zich blijven concentreren op minder ervaren werknemers, en hoe gebrek aan vaardigheden of overmatige afhankelijkheid mensen op de lange termijn beïnvloedt. Zorgvuldige onderzoekers verwachten een vertraging zoals die te zien is bij eerdere technologieën voor algemene doeleinden. Ga voorzichtig om met zeer grote cijfers en cijfers die bijna nul zijn, totdat er meer langetermijngegevens voor de hele economie beschikbaar zijn.

Het in de praktijk brengen

Waarom het ertoe doet

  • Risico en veiligheid. Catastrofale en alledaagse schade door AI hangt af van wie de risico's begrijpt en wie kan handelen.
  • Duidelijkere beslissingen. Publieke en professionele geletterdheid bepalen of een krachtig veiligheidsbeleid politiek mogelijk is.
  • Door de hype heen snijden. Duidelijke verklaringen verminderen de kans op hypes, laboratorium-PR en vaag ethisch theater.

Pas op voor

  • Existentieel risico behandelen als sciencefiction, terwijl capaciteiten zich vermenigvuldigen.
  • De veiligheid van oppervlakteproducten verwarren met uitlijning onder hoge autonomie.
  • Hierdoor blijven niet-Engelstalige en niet-deskundige doelgroepen alleen bronnen van lage kwaliteit over.

Volgende stappen

  1. Afzonderlijke risico's voor productschade, misbruik en verlies van controle/verkeerde uitlijning.
  2. Vraag welk bewijs uw kijk op tijdlijnen en ernst zou veranderen.
  3. Geef de voorkeur aan primaire bronnen en concrete evaluaties boven marketingclaims.
  4. Identificeer één actiepad: carrière, beleid, financiering of vaardigheden – niet alleen bewustwording.

Blijf verkennen

Gratis nieuwsbrief

Ontvang de dagelijkse AI-briefing

Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.

Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.

Test jezelf

Take the What Research Says About AI and Workplace Productivity quiz

Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.

Quiz starten

Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie

Veelgestelde vragen

Wat zegt onderzoek over AI en productiviteit op de werkplek?

Gecontroleerde veldexperimenten tonen aan dat generatieve AI werknemers aanzienlijk sneller en beter kan maken in specifieke taken zoals klantenondersteuning, schrijven en wat coderen, waarbij de grootste winst meestal naar minder ervaren werknemers gaat. De winsten zijn echter ongelijk. AI kan mensen slechter maken bij taken die buiten hun mogelijkheden vallen, en brede onderzoeken naar hele arbeidskrachten en economieën hebben tot nu toe veel kleinere effecten gevonden dan laboratoriumstudies en studies met afzonderlijke taken.

Welke agenten hebben in het klantondersteuningsonderzoek van Brynjolfsson, Li en Raymond het meeste profijt gehad van AI?

Beginnende en lager opgeleide agenten verbeterden met ongeveer 34 procent, terwijl de meest ervaren agenten weinig winst boekten. De gemiddelde winst bedroeg ongeveer 14 procent.

Wat heeft het Science-onderzoek van Noy en Zhang uit 2023 gevonden over ChatGPT bij schrijftaken?

Professionals waren veel sneller klaar met schrijftaken en beoordelaars beoordeelden de kwaliteit hoger.

Wat beschrijft de ‘grillige technologische grens’?

De capaciteiten van AI zijn ongelijk. Binnen de grenzen helpt het, en daarbuiten kunnen mensen die erop vertrouwen het slechter doen.

Wat gebeurde er in het BCG-onderzoek met de taak die was ontworpen om buiten de mogelijkheden van AI te vallen?

Consultants die GPT-4 bij die taak gebruikten, hadden minder vaak gelijk, omdat ze vertrouwden op plausibele maar verkeerde output.

Wat heeft het gerandomiseerde onderzoek van METR uit 2025 met ervaren ontwikkelaars opgeleverd?

De gemeten doorlooptijden waren langzamer met AI, maar de ontwikkelaars dachten dat dit ze had versneld. Dit laat zien hoe onbetrouwbaar zelfrapportages kunnen zijn.