Aan de batenkant van AI in preventie staan overtuigingen, aan de kostenkant staan uitkomsten. Uit het EHS-benchmarkrapport van Benchmark Gensuite blijkt dat 59 procent van de bevraagde professionals gelooft dat AI helpt om incidenten te identificeren en te voorkomen. Het PEROSH-overzicht in Scandinavian Journal of Work, Environment & Health levert een ander soort cijfer op: elke stijging in de intensiteit van algoritmisch management gaat samen met 21 procent meer psychosociale risico’s en 16,5 procent meer gezondheidsklachten. Het eerste cijfer telt wat mensen verwachten. Het tweede telt wat er gebeurde.
Dat verschil viel me pas op bij het herlezen. Sinds januari 2023 schreef ik ruim veertig stukken over AI en welzijn op het werk, elk op zichzelf staand. Samen tonen ze een patroon.
Waar de baten wél gemeten zijn, is de meting mager
Chaudhry en Choudhury analyseerden 27 studies met 47 AI-algoritmen in de arbeidsgeneeskunde. De voorspellingsnauwkeurigheid liep van 0,60 tot 0,99. Vijftien van de 27 studies kregen het label “matige kwaliteit”. Dat is de best beschikbare synthese in ons eigen vakgebied.
Een onderzoeksteam van Notre Dame testte multimodale taalmodellen op de beoordeling van lassen. De modellen presteerden beter op internetbeelden dan op echte foto’s uit werkplaatsen. De onderzoekers leiden daaruit af dat het systeem deels patronen herkent die het eerder zag, in plaats van het beeld te beoordelen.
Op organisatieniveau ziet het er niet beter uit. Het McKinsey-rapport From promise to impact meldt dat zes op tien organisaties geen meetbare impact van hun AI-investering op het bedrijfsresultaat zien. Minder dan tien procent raakt voorbij de pilootfase. De ILO komt tot een vergelijkbare vaststelling voor HR. En Jetha et al, die 810 professionals in arbeidsveiligheid bevroegen, stellen vast dat de effectiviteit van deze instrumenten nauwelijks onderzocht is.
De adoptie loopt vooruit op het bewijs en op de naleving
In 2025 lagen de cijfers rond 28-29 procent gebruik bij VGW-teams. In de Belgische rekruteringsstudie van het Instituut voor de gelijkheid van vrouwen en mannen gebruikt 74 procent van de recruiters AI in minstens één fase. Slechts 21 procent van die organisaties nam concrete maatregelen om aan de AI-wetgeving te voldoen. Bij Jetha wist 17 procent van de respondenten niet of hun organisatie AI gebruikte. Een systeem waarvan niemand weet dat het draait, staat in geen enkele risicoanalyse.
In 106 studies presteerden mens en AI samen slechter dan de beste van de twee
Bijna elk artikel dat ik over dit thema schreef, eindigt met dezelfde aanbeveling: borg menselijk toezicht. De AI Act schrijft het voor bij hoogrisicosystemen. Het klinkt als de veilige minimumeis.
De meta-analyse van Vaccaro et al in Nature Human Behaviour zet daar een cijfer tegenover. Over 106 studies presteerden mens-AI-combinaties gemiddeld 0,23 standaarddeviatie slechter dan de beste van de twee afzonderlijk. Bij besluitvormingstaken was dat 0,27. De richting hangt af van wie sterker is. Was de mens beter dan het model, dan won de combinatie (+0,46). Was het model beter, dan verloor ze fors (−0,54). Uitleg en betrouwbaarheidsscores van het systeem maakten geen significant verschil.
Menselijk toezicht is dus geen op zichzelf staande waarborg. Het werkt wel op taken waar de beoordelaar het systeem inhoudelijk aankan, maar verzwakt de uitkomst op taken waar dat niet zo is. Precies bij patroonherkenning in grote datasets, waar AI vaak sterker is, levert een vinkje “human in the loop” dus weinig op.
Wat hiervan vandaag al in de risicoanalyse kan
Voor algoritmisch management bestaat nog geen breed gevalideerd meetinstrument, aldus het PEROSH-overzicht. Wachten op een vragenlijst is niet nodig. Drie stappen kunnen nu al.
- Maak een inventaris van systemen die meewegen in beslissingen over planning, prestatiebeoordeling, taaktoewijzing, verzuimopvolging en selectie. Neem daarin uitdrukkelijk de functies op die in bestaande software ingebakken zit.
- Leg per systeem vooraf één uitkomstmaat en één meetmoment vast. Gebruiksgraad en tevredenheid tellen daarbij niet mee, want ze zeggen niets over het effect.
- Maak het menselijk toezicht toetsbaar. Registreer hoe vaak de beoordelaar afweek van wat het systeem voorstelde. Blijft die teller een jaar lang op nul, dan is er in essentie geen toezicht georganiseerd, maar volgt de mens slaafs de machine.
Agendeer de inventaris in het CPBW samen met de vraag welke van die systemen medewerkers zelf kunnen inkijken.
Tot slot
Drie jaar publicaties leveren een ongelijke bewijslast op. De belofte is beschreven, de schade is geteld, en de standaardremedie is de minst geteste van de drie. Voor de eigen praktijk betekent dat vooral dat de teller van afwijkingen interessanter is dan het dashboard zelf.
Hoe vaak week iemand in uw organisatie het afgelopen jaar af van wat het AI-systeem voorstelde?
Wekelijks een persoonlijk essay plus het artikeloverzicht in je mailbox? Schrijf je in via onderstaande link.
