Waarom roepen nieuwe AI-tools enthousiasme én angst op?

Stel je voor dat een organisatie aankondigt: 'Vanaf volgende maand helpt AI bij klantvragen.' De medewerker die iedere dag antwoorden uit vijf systemen verzamelt, hoort vooral verlichting. Een collega die jarenlang waarde opbouwde door moeilijke situaties persoonlijk op te lossen, hoort mogelijk een andere boodschap: 'Mijn kennis wordt in een systeem gezet en daarna ben ik minder nodig.' De uitspraak is dezelfde, maar de persoonlijke referentie verschilt. Nog voordat iemand de tool heeft getest, bestaat er een voorlopige verwachting. Zo'n voorbeeld is een hypothese, geen gemeten feit. Het laat zien waarom een algemene presentatie weinig vertelt over de associaties die per functie, ervaring en besliscontext ontstaan.

Marketing- en veranderteams verdelen mensen graag in enthousiastelingen en sceptici. Dat is overzichtelijk, maar kan het probleem verkeerd formuleren. Een specialist kan blij zijn dat AI routinetaken overneemt en tegelijk een ongemakkelijk gevoel hebben bij het gebruik van interne gegevens. Een manager kan de snelheid waarderen en toch bang zijn aansprakelijk te worden voor fouten die niemand verklaart. Niet iedere zorg is weerstand en niet iedere positieve uitspraak is bereidheid tot verantwoord gebruik. Meet daarom kansassociaties en risicoassociaties afzonderlijk, in plaats van één thermometer van 'AI-acceptatie'. Kijk vervolgens of dezelfde persoon op beide dimensies hoog kan scoren en in welke situatie die spanning zichtbaar wordt.

Een tool heeft functies: documenten samenvatten, informatie zoeken of voorstellen maken. Een mens koppelt daar betekenissen aan: sneller klaar zijn, minder fouten, minder autonomie, meer controle door de werkgever of eindelijk ruimte voor complex werk. Zulke betekenissen zijn associaties. Ze kunnen expliciet worden genoemd, maar zijn niet altijd het eerste antwoord op een tevredenheidsvraag. Een medewerker die 'handig' zegt, kan bij 'Wie beoordeelt straks mijn werk?' heel anders reageren. Associatieonderzoek legt daarom de combinatie van prikkel, situatie en betekenis vast. Een algemene vraag als 'Wat vindt u van AI?' maakt die koppeling juist onduidelijk.

Iemand kan een AI-systeem prima vinden voor het herschrijven van een standaardmail en het ongeschikt achten voor het beoordelen van een medewerker. Dat hoeft niet op onbegrip te wijzen. De aard van de taak beïnvloedt wat op het spel staat. In experimenten van Castelo en collega's (2019) waren mensen terughoudender bij algoritmes wanneer een taak subjectief leek. Lee (2018) vond eveneens verschillen in waargenomen eerlijkheid en vertrouwen tussen mechanische en meer menselijke managementbeslissingen. Die studies onderzochten specifieke situaties, niet de uitkomst van iedere AI-implementatie. Ze maken wel aannemelijk waarom je per taak een aparte betekenis- en risicotoets nodig hebt.

Diezelfde term 'AI' kan in verschillende werkprocessen andere positieve en negatieve interpretaties oproepen. De tabel bevat onderzoekshypothesen, geen resultaten van een Neurofactor-steekproef. Gebruik de laatste kolom om niet alleen algemene voorkeur, maar een echte beslissing te toetsen.

Het onderzoek naar AI is niet uitsluitend een verhaal over angst. Noy en Zhang (2023) verdeelden 453 professionals bij schrijfopdrachten experimenteel over condities met en zonder toegang tot ChatGPT. In die setting werd werk gemiddeld sneller afgerond en onafhankelijk beoordeeld als beter. In een andere setting onderzochten Brynjolfsson, Li en Raymond (2025) de gefaseerde invoering van AI-ondersteuning bij meer dan vijfduizend klantenservicemedewerkers. Zij vonden een gemiddelde productiviteitswinst, met verschillen tussen medewerkers. Deze onderzoeken tonen kansen, geen universele garantie. Wie 'AI maakt iedereen productiever' communiceert, verkoopt méér zekerheid dan de data dragen en kan na de eerste teleurstelling het vertrouwen verliezen.

In het kwalitatieve organisatieonderzoek van Vuori, Burkhard en Pitkäranta (online verschenen in 2025, tijdschriftjaargang 2026) liepen cognitief en emotioneel vertrouwen niet altijd gelijk op. Iemand kan geloven dat een systeem werkt en zich er toch ongemakkelijk bij voelen. Andersom kan een aangename ervaring samengaan met onvoldoende kritisch begrip. De onderzoekers beschreven verschillende patronen van vertrouwen en gedrag in één organisatie. Het is geen wereldwijd percentagemodel en geen directe meting van angst in hersensignalen. Voor de praktijk is het onderscheid belangrijk: betrouwbare demonstraties beantwoorden vragen over kunnen, maar niet automatisch vragen over veiligheid, erkenning of autonomie.

De populaire uitspraak 'mensen vertrouwen algoritmes niet' is te simpel. Dietvorst en collega's (2015) vonden in voorspeltaken terughoudendheid nadat proefpersonen fouten van een algoritme hadden gezien. Logg en collega's (2019) vonden in andere oordeeltaken juist situaties waarin deelnemers algoritmisch advies zwaarder wogen dan menselijk advies. Dit is geen tegenspraak die je met één gemiddeld effect moet wegpoetsen. Beide studies benadrukken verschillende taken, vergelijkingspunten en verwachtingen. Een organisatie die gebruik wil begrijpen, moet observeren of mensen AI volgen, kritisch aanpassen of mijden in een concreet werkproces. De uitkomst kan per taak sterk verschillen.

Deze segmenten zijn onderzoeksprofielen op basis van mogelijke zorgen, geen diagnose of persoonlijkheidstest. Het nut zit in de bewijsbehoefte: hetzelfde communicatiepakket kan de ene vraag beantwoorden en de andere volledig missen.

Een medewerker die vraagt of AI zijn werk gaat overnemen, stelt mogelijk een reële strategische vraag. De organisatie kan soms nog niet weten hoe functies veranderen. Dan is de reflex 'wees niet bang' onvoldoende en misschien onjuist. Leg vast welke werkzaamheden nu worden ondersteund, wat de besluitvorming over functies inhoudt, welke vaardigheden relevant blijven en wanneer er nieuwe duidelijkheid komt. Maak onderscheid tussen wat bekend is, wat onderzocht wordt en wat nog een beleidskeuze is. Communicatie kan betekenis geven, maar mag geen feitelijk arbeids- of privacyrisico wegmasseren. Juist die eerlijkheid maakt associatieonderzoek zinvol: je ontdekt waar een betere uitleg helpt en waar een inhoudelijke aanpassing nodig is.

Het verschil tussen AI als hulpmiddel en AI als beoordelaar is niet alleen semantisch. Een model dat een conceptmail opstelt, roept andere risico's op dan software die een werkscore, promotieadvies of roosterbesluit beïnvloedt. Lee (2018) vond in een online experiment dat deelnemers algoritmische beslissingen over werving en evaluatie minder eerlijk en betrouwbaar beoordeelden dan vergelijkbare menselijke beslissingen. Dit geldt niet automatisch voor ieder systeem, maar het maakt een brede categorie 'AI-tools' ongeschikt als enige onderzoekseenheid. Specificeer wie een advies ziet, wie het besluit neemt, welke fouten mogelijk zijn en hoe iemand bezwaar kan maken. Zonder deze context meet je al snel verschillende fenomenen alsof ze hetzelfde zijn.

Asteria Servicehuis is een volledig fictieve organisatie die een generatieve AI-assistent wil inzetten om klantvragen voor te bereiden. Alle namen, gebeurtenissen en keuzes in deze casus zijn bedacht. Noor werkt sinds kort in klantcontact en verheugt zich op een tool die informatie sneller vindbaar maakt. Sam heeft jaren ervaring met uitzonderingen en vreest dat een automatisch voorstel straks als norm wordt gezien, ook als het onjuist is. De leidinggevende wil de achterstand op vragen terugbrengen. De eerste presentatie gebruikt vooral de woorden 'sneller', 'slimmer' en 'automatisch'. Niemand legt uit wie het laatste antwoord goedkeurt of welke klantgegevens naar het systeem mogen. Er zijn nog geen metingen uitgevoerd. De uiteenlopende reacties zijn hypotheses om een proefopzet mee te maken, geen fictieve surveyresultaten.

Voor Noor kan de eerste werkmaand nog veel onzekerheid bevatten. Zij kent de procedures niet uit haar hoofd en heeft behoefte aan een veilige manier om antwoorden te vinden. Een AI-tool die op verzoek een bron toont en het concept laat corrigeren, zou daarom kunnen aansluiten op haar doel: sneller leren zonder klanten tekort te doen. Maar precies dezelfde tool kan ook bedreigend voelen als iedere vraag als beoordelingssignaal wordt geregistreerd. De scheidslijn zit niet in haar leeftijd of functietitel, maar in de betekenis van de taak, de transparantie van de verwerking en de mogelijkheid om vragen te stellen. In onderzoek zou je die voorwaarden apart variëren.

Sam lost juist de vragen op die niet netjes in een standaardproces passen. Als een AI-assistent een zelfverzekerd maar fout antwoord geeft, moet iemand het risico kunnen herkennen en het advies mogen afwijzen. Sam heeft daarom minder aan de belofte 'de tool denkt voor je mee' dan aan een demonstratie met moeilijke praktijkgevallen, duidelijke aansprakelijkheid en een zichtbaar correctiepad. Het onderzoek van Dietvorst en collega's (2018) suggereert dat beperkte invloed op een algoritmische voorspelling in een specifieke context gebruik kan bevorderen. Voor Asteria is dat een ontwerphypothese, geen bewezen effect: de vraag is of Sam ook werkelijk zeggenschap heeft, tijd krijgt om te controleren en niet op kliks alleen wordt beoordeeld.

Laat medewerkers eerst een herkenbare werksituatie beschrijven: wat kost tijd, waar ontstaan fouten en op welk moment is menselijk oordeel onmisbaar? Demonstreer daarna een afgebakende AI-functie met dezelfde vraag, inclusief een verkeerde of onzekere uitkomst. Vraag niet alleen 'Vond u het handig?', maar ook 'Welke drie woorden passen nu bij deze toepassing?', 'Welk risico zou u eerst willen uitsluiten?' en 'Welke stap wilt u zelf blijven doen?'. Zo ontstaat een gesprek over toetsbare betekenis in plaats van een overtuigingspoging. Zorg dat de demonstratie alleen met toegestane en niet-gevoelige voorbeeldgegevens werkt. Een indrukwekkende demo is nooit op zichzelf een privacy- of kwaliteitsbewijs.

Veel AI-communicatie bevat zinnen die verder gaan dan het aanwezige bewijs. Deze vergelijking maakt de stap van een aantrekkelijke claim naar een uitkomst die je onafhankelijk kunt onderzoeken. De voorbeelden zijn methodologische suggesties, geen gevalideerde KPI-set voor ieder bedrijf.

Een knop 'controleren' betekent weinig als medewerkers geen tijd, toegang of bevoegdheid hebben om een voorstel af te wijzen. Leg vast wie kritieke uitkomsten beoordeelt, welke fouten tot escalatie leiden, hoe correcties worden gelogd en wat er gebeurt wanneer iemand het advies niet volgt. Stel het systeem zo in dat onzekere uitkomsten geen schijnzekerheid krijgen. De gedachte dat beperkte invloed nuttig kan zijn, heeft steun in voorspellingsexperimenten van Dietvorst en collega's (2018), maar de vertaalslag naar generatieve AI moet apart worden getest. Controle betekent hier niet dat een mens automatisch gelijk heeft. Het betekent dat verantwoordelijkheid zichtbaar, uitvoerbaar en toetsbaar is.

Een goed invoeringsdocument begint niet alleen met mogelijkheden. Beschrijf ook expliciet welke gegevens niet mogen worden ingevoerd, in welke situaties menselijke beoordeling verplicht is, hoe fouten gemeld worden en wie verantwoordelijk is voor de uiteindelijke beslissing. Laat medewerkers oefenen met een voorbeeld waarin de AI iets overtuigend maar onjuist formuleert. Zo wordt feilbaarheid bespreekbaar zonder het systeem bij voorbaat waardeloos te verklaren. Richt de communicatie op gekalibreerd gebruik: weten wanneer de tool helpt, wanneer controle nodig is en wanneer niet gebruiken de beste keuze is. Dat is een beter doel dan een hoog percentage enthousiaste reacties na een lanceringsevenement.

De eerste minuten met een tool zijn vaak anders dan het gebruik onder werkdruk. Tijdens een demo kiest de presentator een geschikte vraag, staat er niemand in de rij en heeft de toeschouwer geen aansprakelijkheid voor een verkeerd antwoord. In het dagelijks werk gelden beperkingen, deadlines en sociale normen. Dat is ook waarom resultaten uit laboratoriumexperimenten niet één op één als organisatieprognose mogen worden gebruikt. Gebruik een proef waarin medewerkers op vrijwillige en toegestane basis echte, afgebakende taken uitvoeren. Leg vast of zij het voorstel controleren, hoe vaak er herstelwerk nodig is en of de tool ook na de eerste nieuwigheid passend wordt gebruikt. Enthousiasme is een relevant signaal, maar niet het eindresultaat.

Een trainingssessie die alleen snelle antwoorden laat zien, leert vooral welke knoppen het systeem heeft. Voeg daarom een tweede oefening toe: toon een correct, een onzeker en een foutief voorstel zonder vooraf de uitkomst te verklappen. Vraag deelnemers om te bepalen wat ze controleren, welke bron ze raadplegen en of ze escaleren. Beloon niet de hoogste gebruiksfrequentie, maar de kwaliteit van het besluit. Deze oefening is een voorstel voor een zorgvuldig leerontwerp, geen door ons bewezen interventie. Je kunt wel objectief vergelijken of mensen na de training beter onderscheid maken tussen bruikbare en onbruikbare AI-adviezen.

Deze matrix koppelt een mogelijke barrière aan een gerichte ontwerpverandering en een observeerbare uitkomst. De verbanden zijn hypotheses en geen gegarandeerde effecten. Interpreteer veranderingen in associaties altijd naast gedrag en kwaliteit.

Na een kwalitatieve inventarisatie kun je mogelijke associaties ordenen in groepen zoals hulp, snelheid, autonomie, transparantie, status en vervangbaarheid. Een associatiekaart is geen biologisch feit en geen vast persoonlijkheidstype. Het is een werkmodel dat laat zien welke betekenissen in de onderzochte steekproef en context belangrijk zijn. De volgende vraag is welke associatie bij welk gebruiksmoment een barrière vormt. Als vooral privacyzorgen spelen, kan een extra demo over schrijftijd nauwelijks helpen. Als vooral kwaliteitsonzekerheid speelt, is uitleg over regels onvoldoende. Kies daarom per barrière een passende verandering en maak vooraf duidelijk waaraan je succes zult herkennen.

Begin met open associaties: laat iemand enkele woorden noemen bij een concrete toepassing, zonder suggesties. Vraag vervolgens naar belang, zekerheid en de aanleiding van die betekenis. Voeg pas later gerichte vergelijkingen toe, bijvoorbeeld welke AI-variant bij een afgebakende taak het meeste vertrouwen oproept en waarom. Bij een voldoende steekproef kun je eenvoudige keuzeexperimenten of reactietijdtaken overwegen, maar alleen met een passend design en een vooraf vastgelegde interpretatie. Impliciete associaties zijn geen directe opname van het onbewuste. Leg blootstelling, taal, leeftijds- en taakverschillen vast en controleer volgorde-effecten. Koppel wat mensen zeggen aan wat zij met dezelfde tool mogen en kunnen doen.

Omschrijf voor elk werkproces precies wat de AI-tool mag doen, wie het resultaat ontvangt en wat de organisatie met de onderzoeksuitkomst wil beslissen. Formuleer vooraf een gewenste associatie, zoals 'ondersteunt mijn vakmanschap', en een mogelijk ongewenste, zoals 'neemt besluiten buiten mij om'. Maak daar geen moreel oordeel van: beide zijn hypotheses. Leg vast welke kwaliteits-, privacy- en veiligheidsgrenzen niet onderhandelbaar zijn. Kies één primaire gedragsuitkomst, bijvoorbeeld het correct gebruiken of afwijzen van advies in een afgebakende taak. Die definitie voorkomt dat een leuke demo later wordt gepresenteerd als bewijs voor volledige implementatiesuccessen.

Trek geen algemene conclusie uit de eerste vrijwilligers die zich aanmelden. Maak een steekproefplan met gebruikers die verschillende taken en verantwoordelijkheden hebben: startende medewerkers, ervaren specialisten, leidinggevenden en mensen die privacy of kwaliteit bewaken. Beschrijf wie niet is bereikt en waarom. Deel deelnemers niet op basis van vermeende persoonlijkheid of een ongetoetste BIS/BAS-score in. Kijk eerst naar feitelijke blootstelling, ervaring, taaktype en de gevolgen van een fout. Maak ruimte voor anonieme zorgen, maar beloof geen absolute anonimiteit wanneer observatie of systeemlogs personen herleidbaar maken. Leg toestemming, toegang en bewaartermijnen vooraf zorgvuldig vast.

Laat deelnemers voor de interventie spontaan woorden noemen bij twee specifieke situaties, bijvoorbeeld 'AI helpt een antwoord voorbereiden' en 'AI bepaalt de beoordeling'. Vraag welke voordelen, risico's en voorwaarden zij herkennen. Verzamel daarnaast hun huidige gebruikservaring, vertrouwen in de taakuitkomst en de beschikbaarheid van menselijk alternatief. Meet kwaliteit of foutdetectie met een passende, vooraf omschreven oefentaak, voor zover veilig en toegestaan. Noteer de precieze vraagvolgorde en het gebruikte taalniveau. Zo kun je veranderingen later vergelijken zonder dat de onderzoeksopzet zelf al onbedoeld woorden als 'angst' of 'baanverlies' in het geheugen heeft geplaatst.

Maak vooraf twee of meer redactioneel goedgekeurde introductievarianten met dezelfde feitelijke productmogelijkheden. Variant A kan vooral efficiency laten zien, variant B dezelfde taak met zichtbaar menselijk oordeel en duidelijke grenzen. Randomiseer de blootstelling waar het ontwerp dat toelaat en gebruik dezelfde duur, informatiehoeveelheid en antwoordprocedure. Houd echte fouten, incidenten of privacyrisico's niet achter om een experiment spannender te maken. Je kunt ook een toegestane oefenomgeving gebruiken om de feitelijke interactie te vergelijken. Leg alle wijzigingen en uitsluitingen vast voordat je naar de resultaten kijkt. Zo wordt duidelijker of een andere betekenis door de boodschap of door de ervaring ontstaat.

Vraag direct na de introductie opnieuw naar spontane woorden en concrete zorgen, maar ook naar de bereidheid de tool in een afgebakende taak te gebruiken. Tijdens een veilige pilot leg je feitelijk gebruik, correcte controles, fouten en benodigde herstelwerkzaamheden vast zonder daaruit een individuele arbeidsbeoordeling af te leiden. Herhaal een passende meting na enkele weken. Laat deelnemers weten welke gegevens waarvoor worden verwerkt en gebruik alleen passende, geautoriseerde logging. Onderzoek niet alleen of vertrouwen is gestegen, maar of mensen advies beter leren aannemen als het klopt en afwijzen als het onjuist is. Dat is belangrijker dan een piek in enthousiasme.

Leg per doelgroep vast welke associatie vermoedelijk de grootste drempel vormt en welk bewijs die kan veranderen. Bij onzekerheid over kwaliteit kan een verbeterde controleworkflow passend zijn; bij privacyzorgen is mogelijk een ander systeemontwerp nodig. Rapporteer verschillen, onzekerheid en alternatieve verklaringen. Een correlatie tussen vertrouwen en gebruik bewijst niet dat vertrouwen het gebruik veroorzaakte. Houd eventuele A/B-effecten bij de geteste boodschap, doelgroep en periode. Eindig met een besluitlog: wat passen we aan, wie is eigenaar, welke norm blijft gelden en wanneer toetsen we opnieuw? Zo wordt associatieonderzoek een stuurinstrument en geen verzameling mooi gekleurde woorden.

Het is verleidelijk om een barrière uitsluitend als communicatieprobleem te behandelen. Maar als medewerkers vrezen dat hun invoer voor verborgen beoordeling wordt gebruikt, kan die zorg alleen verdwijnen wanneer regels en feitelijke verwerking passend worden ingericht. Een onderzoeker kan de associatie diagnosticeren, niet het arbeidsrecht vervangen of een reorganisatie wegcommuniceren. Kies daarom vooraf een eigenaar voor dataverwerking, HR, werkprocessen, kwaliteitscontrole en vertegenwoordiging van medewerkers waar relevant. Zorg voor een procedure waarin mensen fouten en zorgen veilig kunnen melden. Een goed resultaat is soms niet méér gebruik, maar minder onveilig gebruik. Dat verdient een plek in zowel de onderzoeksconclusie als de businesscase.

Vraag vóór de lancering niet alleen: 'Wat maakt de tool sneller?' Vraag ook: 'Welke beslissing neemt de tool nadrukkelijk niet?', 'Wat gebeurt er wanneer de AI een overtuigende fout maakt?' en 'Wat betekent de verandering voor iemands expertise en zeggenschap?' Laat product, HR, privacy en de betrokken medewerkers de antwoorden afzonderlijk beoordelen. Als ze verschillende verhalen vertellen, is de communicatie nog niet klaar. Leg vervolgens in de introductie niet alleen een winstbelofte neer, maar ook de werksituatie, de grenzen en het zichtbare bewijs. Zo maak je de kans groter dat AI wordt gekoppeld aan passende ondersteuning in plaats van aan een onduidelijke bedreiging. Welke associatie werkelijk verschuift, moet je daarna meten.

Nieuwe AI-tools kunnen tegelijk nieuwsgierigheid, enthousiasme, scepsis en angst oproepen. Dat is geen storing in de communicatie, maar een aanwijzing dat dezelfde technologie meerdere betekenissen draagt. Het verschil wordt zichtbaar zodra je vraagt naar de taak, de verantwoordelijkheid en de eerste persoonlijke gedachte. Verwar daarom het meten van positieve reacties niet met het meten van veilige adoptie. Onderzoek welke associatie het gedrag helpt of belemmert, neem reële risico's serieus en toon bewijs in de werksituatie waarin medewerkers moeten beslissen. De beste introductie verkoopt niet het gevoel dat AI alles kan. Ze maakt duidelijk wat de tool doet, wat mensen zelf blijven doen en hoe je samen controleert of de belofte standhoudt.