AI belooft grote productiviteitsverbeteringen. Medewerkers kunnen sneller analyses maken, rapportages schrijven en software ontwikkelen. Maar betekent sneller produceren ook dat organisaties daadwerkelijk productiever worden?

In een artikel op MT/Sprout bespreekt digitaal strateeg Ilyaz Nasrullah onderzoek naar de productiviteit van softwareontwikkelaars die AI gebruiken. De uitkomsten plaatsen belangrijke kanttekeningen bij de beloofde efficiëntiewinst.

De belangrijkste les: we moeten niet alleen meten hoeveel sneller werk wordt geproduceerd, maar vooral hoeveel waarde het uiteindelijk oplevert.

Meer productie, maar niet aantoonbaar meer resultaat

Onderzoekers Fiona Chen en James Stratton analyseerden gegevens van 700 softwarebedrijven en 700.000 medewerkers over de periode januari 2021 tot en met maart 2026.

Bij het gebruik van AI-codeerassistenten zagen zij 5 procent meer zogenoemde pull requests. Bij AI-codeeragents bedroeg de stijging zelfs 23 procent.

Op het eerste gezicht indrukwekkende productiviteitswinsten. Maar wanneer de onderzoekers keken naar daadwerkelijk afgeronde taken, functionaliteiten en projecten, bleken de positieve effecten klein en statistisch niet significant.

Een mogelijke verklaring ligt bij de kwaliteitscontrole. De gemiddelde beoordelingstijd van een pull request nam met bijna de helft toe. Ook het aantal opmerkingen tijdens de beoordeling steeg met ruim een derde.

De extra productie leidde dus ook tot extra controlewerk. Het onderzoek laat daarmee zien waarom individuele tijdwinst niet zonder meer kan worden vertaald naar productiviteitswinst voor de hele organisatie.

Wat betekent dit voor Finance en IT?

Hetzelfde vraagstuk speelt bij de toepassing van AI binnen Finance.

Een AI-tool kan binnen enkele minuten een financiële analyse, forecast of managementrapportage produceren. Maar wanneer medewerkers vervolgens veel tijd besteden aan het controleren van cijfers, aannames en conclusies, kan een belangrijk deel van de tijdwinst verdwijnen.

Voor CFO’s betekent dit dat AI-businesscases verder moeten kijken dan bespaarde uren. Ook de kwaliteit van de output, benodigde controles, herstelkosten en operationele risico’s moeten worden meegenomen.

Voor CIO’s ligt de uitdaging bij het ontwerpen van betrouwbare processen. Welke controles kunnen worden geautomatiseerd? Waar blijft menselijke beoordeling noodzakelijk? En hoe voorkomen we dat fouten zich door systemen en processen verspreiden?

De werkelijke productiviteit ontstaat niet bij één afzonderlijke taak, maar in de volledige keten van productie, beoordeling en besluitvorming.

Van tijdsbesparing naar aantoonbare businesswaarde

Bij Caronne geloven we dat AI vooral waarde moet toevoegen door processen en besluitvorming te verbeteren. Niet door simpelweg zoveel mogelijk werk te automatiseren.

Dat vraagt om een andere manier van meten. Kijk niet alleen naar de snelheid waarmee AI output genereert, maar ook naar doorlooptijden, foutpercentages, kwaliteitsverbetering en de daadwerkelijke resultaten voor de organisatie.

Onze visie Mens in plaats van massa sluit daarbij aan. AI kan medewerkers ruimte geven voor waardevoller werk, maar alleen wanneer de extra controlelast niet alle gewonnen tijd opslokt.

Daarom is het verstandig om AI-toepassingen eerst in afgebakende processen te toetsen en de netto effecten te meten voordat ze organisatiebreed worden uitgerold.

De belangrijkste vraag voor CFO’s en CIO’s is niet hoeveel tijd AI bespaart, maar hoeveel waarde er overblijft nadat al het werk, inclusief de controles, is gedaan.


(MT Sprout, artikel, 2026-10-29)