Werknemers negeren AI-adviezen niet per se omdat zij tegen AI zijn. Vaak ontbreekt de context om een aanbeveling goed te beoordelen: duidelijke spelregels, een eigenaar bij fouten, ruimte om te oefenen en een werkproces waarin menselijk oordeel vanzelfsprekend is. Wie AI wil laten bijdragen aan beter werk, moet daarom niet alleen een tool uitrollen, maar ook de manier van werken eromheen ontwerpen.
Volgens het People & AI-onderzoek 2026 van Eraneos negeert 83% van de Nederlandse respondenten minstens 40% van de AI-aanbevelingen die zij krijgen. Dat is een serieus signaal. Niet dat medewerkers moeten leren om AI blindelings te volgen, maar dat organisaties moeten zorgen dat mensen weten wanneer zij AI kunnen gebruiken, wanneer zij moeten twijfelen en wie er verantwoordelijk is.
De cijfers zijn opvallend. In het onderzoek, waaraan 658 leidinggevenden en teamleden uit Nederland, Duitsland, Spanje en Zwitserland deelnamen, zegt 83% van de Nederlandse respondenten minstens 40% van AI-adviezen te negeren. Over alle onderzochte landen ligt dat aandeel op 74%; in Duitsland op 64%.
De verklaring ligt volgens Eraneos niet primair in de kwaliteit van de technologie. Nederlandse organisaties blijven juist achter op organisatorische voorwaarden die bepalen of medewerkers AI verantwoord en met vertrouwen kunnen gebruiken:
Die percentages maken één ding duidelijk: een AI-tool aanbieden is iets anders dan AI onderdeel maken van het werk.
Nee. Kritisch blijven is juist essentieel.
AI kan informatie samenvatten, patronen signaleren, opties vergelijken of een vervolgstap voorstellen. Maar een aanbeveling is geen besluit. De uitkomst kan onvolledig zijn, op onjuiste aannames rusten of belangrijke context missen. Zeker bij taken met gevolgen voor klanten, medewerkers, burgers of financiën hoort een professional te kunnen vragen: waar komt dit advies vandaan, klopt het voor deze situatie en wat zijn de gevolgen als we het volgen?
Het probleem ontstaat wanneer negeren geen bewuste professionele afweging is, maar een standaardreactie. Dan gaat waarde verloren: medewerkers zien de output niet als bruikbare ondersteuning, leidinggevenden krijgen geen zicht op wat wel en niet werkt, en de organisatie blijft hangen in losse experimenten.
Het doel is dus niet méér gehoorzaamheid aan AI. Het doel is passend vertrouwen: AI benutten waar het helpt, controleren waar dat nodig is en altijd menselijke verantwoordelijkheid behouden.
Vertrouwen groeit niet door een algemene mededeling dat een nieuwe AI-tool beschikbaar is. Medewerkers moeten in hun dagelijkse praktijk ervaren dat de tool relevant, voorspelbaar en veilig te gebruiken is.
Zonder afspraken weten medewerkers niet welke informatie zij mogen invoeren, welke uitkomsten gecontroleerd moeten worden of wanneer een leidinggevende, privacyfunctionaris of inhoudelijk specialist moet meekijken. Dan is het vaak veiliger om een AI-advies te negeren dan om er verantwoordelijkheid voor te nemen.
Een bruikbare richtlijn is concreet. Niet alleen: gebruik AI zorgvuldig. Maar bijvoorbeeld: welke gegevens zijn toegestaan, welke taken zijn geschikt, welke controles zijn verplicht en welke toepassingen zijn uitgesloten.
De vraag “wie is verantwoordelijk als AI een fout maakt?” is geen juridische bijzaak. Zij bepaalt gedrag op de werkvloer.
Wanneer niemand eigenaar is van de toepassing, ligt het risico in de beleving volledig bij de medewerker die de uitkomst gebruikt. Dat stimuleert voorzichtigheid, maar niet altijd de goede soort voorzichtigheid. Het kan ertoe leiden dat mensen AI volledig links laten liggen, of juist in stilte gebruiken zonder feedback, controle of documentatie.
Wijs daarom per toepassing een inhoudelijk eigenaar aan. Die persoon of rol hoeft niet iedere uitkomst zelf te beoordelen, maar zorgt wel voor spelregels, evaluatie, escalatie en verbetering.
Eraneos ziet een duidelijk verschil tussen losstaande training en leren in het werk. Bij respondenten die AI-vaardigheden combineren met dagelijkse werkzaamheden, is het vertrouwen hoger dan bij respondenten voor wie training losstaat van de praktijk.
Dat is logisch. Een workshop kan uitleggen wat een model doet, maar pas in een echte taak ontdekt een medewerker welke context ontbreekt, hoe een goede controle eruitziet en wanneer een advies werkelijk tijd bespaart. Leren werkt het best wanneer medewerkers direct oefenen met herkenbare situaties uit hun eigen werk.
Begin klein en kies een taak waarbij medewerkers snel kunnen zien wat AI toevoegt, zonder dat de gevolgen van een fout direct groot zijn. Denk aan het samenvatten van lange documenten, het structureren van interne kennis, het voorbereiden van een eerste concept of het signaleren van ontbrekende informatie.
Maak vervolgens vooraf expliciet wat de verdeling is tussen mens en AI.
| Onderdeel | AI kan ondersteunen | De mens blijft verantwoordelijk voor |
|---|---|---|
| Informatie verwerken | samenvatten, ordenen, vergelijken | context, volledigheid en juistheid beoordelen |
| Communicatie voorbereiden | eerste opzet, toonvarianten, vragen formuleren | inhoud, feiten, doelgroep en verzending |
| Analyse | patronen en mogelijke aandachtspunten signaleren | interpretatie, besluit en opvolging |
| Processtappen | voorstellen en standaardwerk voorbereiden | uitzonderingen, toestemming en eindcontrole |
Deze verdeling voorkomt twee uitersten: AI als autoriteit behandelen of AI wegzetten als onbruikbaar speeltje.
Formuleer niet: “we gaan iets met AI doen”, maar: “we willen de voorbereiding van klantgesprekken versnellen, terwijl de accountmanager ieder voorstel inhoudelijk controleert.” Een scherp doel maakt duidelijk welke kwaliteit nodig is en hoe je succes meet.
Maak per taak zichtbaar wat iemand moet controleren voordat een AI-uitkomst wordt gebruikt. Bij externe communicatie kan dat een feitencheck en akkoord zijn. Bij analyses kan het gaan om het toetsen van brondata en uitzonderingen. Bij beslissingen met grote gevolgen moet menselijke beoordeling meer zijn dan alleen een knopje akkoord.
Medewerkers moeten weten bij wie zij terechtkunnen met vragen, fouten of twijfel. Leg ook vast wie wijzigingen in prompts, gegevensbronnen, koppelingen en werkafspraken beoordeelt. Zo wordt feedback een bron voor verbetering in plaats van een losse klacht.
Laat teams werken met eigen, veilige voorbeelden. Bespreek niet alleen goede resultaten, maar ook missers: wat ging er fout, hoe werd het ontdekt en welke afspraak voorkomt herhaling? Dat ontwikkelt AI-geletterdheid die verder gaat dan het bedienen van een tool.
Alleen kijken naar het aantal gebruikers zegt weinig. Combineer gebruiksgegevens met vragen als: bespaart dit aantoonbaar tijd, neemt de kwaliteit toe, hoeveel correcties zijn nodig, welke adviezen worden verworpen en waarom? Een afgewezen AI-advies kan waardevolle informatie zijn, mits de reden wordt vastgelegd en besproken.
AI wordt pas volwassen wanneer het een plek krijgt in processen, overleg en verantwoordelijkheden. Dat betekent niet dat iedere taak geautomatiseerd moet worden. Wel dat de organisatie bewust kiest waar AI ondersteunt en die keuze onderhoudt.
Plan daarom vaste momenten om toepassingen te evalueren. Bespreek met gebruikers welke output betrouwbaar is, welke fouten terugkomen en welke informatie of instructies ontbreken. Betrek daarbij niet alleen IT of innovatie, maar ook de mensen die het werk dagelijks doen. Zij zien als eerste waar een AI-advies niet aansluit op de werkelijkheid.
Deze aanpak helpt ook om weerstand te verminderen. Medewerkers willen meestal geen technologie opgelegd krijgen die hun werk ingewikkelder maakt of die onduidelijk invloed heeft op hun rol. Betrek hen vroeg, wees helder over wat AI wel en niet doet en begin met toepassingen die zichtbaar ondersteunen. Vertrouwen ontstaat wanneer mensen controle houden en resultaat zien.
Verantwoord AI-gebruik gaat niet alleen over privacy, beveiliging of wetgeving. Het gaat ook over de praktische vraag of medewerkers in staat zijn om AI-uitkomsten zorgvuldig te beoordelen.
Dat vraagt om transparantie over de rol van AI, duidelijke grenzen en menselijke eindverantwoordelijkheid. Vooral wanneer AI invloed heeft op werkverdeling, beoordeling, selectie of andere beslissingen met grote gevolgen, is het onvoldoende om te zeggen dat er “altijd een mens meekijkt”. Die menselijke controle moet inhoudelijk zijn, met voldoende kennis, tijd en bevoegdheid om van een AI-advies af te wijken.
BRAIN Nederland ziet hierin een belangrijke opdracht voor de AI-sector. Betrouwbare AI ontstaat niet alleen door betere modellen, maar door organisaties die technologie, vaardigheden, processen en verantwoordelijkheid met elkaar verbinden.
Dat werknemers AI-adviezen regelmatig negeren, is geen oproep om kritische vragen uit te schakelen. Het is een uitnodiging om de voorwaarden voor goed gebruik beter te organiseren.
Geef medewerkers duidelijke richtlijnen. Maak eigenaarschap zichtbaar. Laat hen oefenen in hun eigen werk. Bespreek fouten zonder schuldspel. En houd de mens verantwoordelijk voor de keuzes die ertoe doen.
Dan wordt AI geen systeem dat advies geeft vanaf de zijlijn, maar een hulpmiddel dat medewerkers begrijpen, kunnen toetsen en bewust inzetten. Precies daar begint duurzame AI-adoptie.
MSP Business, “Nederlandse werknemers negeren groot deel AI-adviezen”, 31 augustus 2026. Het artikel beschrijft de Nederlandse resultaten uit het People & AI-onderzoek 2026 van Eraneos.
