AI door de bril van de Job Demands-Resources-theorie

Wat doet AI met de kwaliteit van werk?

Onderzoekers brengen in kaart wanneer AI werkdruk verlaagt of net verhoogt. De manier waarop AI wordt ingevoerd, de taken die de technologie krijgt en de beschikbare ondersteuning bepalen mee de impact op autonomie, motivatie en welzijn.

AI wordt doorgaans geïntroduceerd met de belofte dat het werk sneller en efficiënter wordt. Maar wat gebeurt er met de kwaliteit van dat werk? Verdwijnt vooral de administratie of ook een deel van het vakmanschap? Krijgen medewerkers meer ruimte of worden de vrijgekomen uren meteen gevuld met extra taken? En zorgt AI voor meer autonomie of verschuift de controle naar het systeem?

Arnold Bakker, Tom Junker, Yuri Scharp en Matej Černe bekijken die vragen door de bril van de Job Demands-Resources-theorie. Hun analyse laat zien waarom dezelfde technologie voor de ene medewerker een waardevolle hulpbron kan zijn en voor de andere een bijkomende belasting. De impact van AI schuilt niet alleen in wat de technologie kan, maar ook in de keuzes die organisaties maken over taken, werkdruk, ondersteuning en menselijke beslissingsruimte.

Het onderzoek

In Artificial Intelligence and Job Design: Insights from Job Demands–Resources Theory analyseren Arnold Bakker, Tom Junker, Yuri Scharp en Matej Černe bestaand onderzoek naar de impact van AI op de inhoud en beleving van werk. Het artikel werd aanvaard voor publicatie in Technology in Society en is voorlopig beschikbaar als journal pre-proof. Het gaat niet om één nieuw empirisch onderzoek. De auteurs brengen bevindingen uit verschillende studies samen en gebruiken de Job Demands-Resources-theorie om de soms tegenstrijdige gevolgen van AI te verklaren.

Centraal staan drie vragen: (1) Maakt het een verschil of AI door de organisatie wordt opgelegd of door medewerkers zelf wordt ingezet? (2) Wat verandert er wanneer AI taken overneemt dan wel medewerkers ondersteunt? (3) En over welke persoonlijke en werkgerelateerde hulpbronnen hebben medewerkers nodig om AI in hun voordeel te gebruiken?

AI hertekent werk

De Job Demands-Resources-theorie maakt een onderscheid tussen werkeisen en hulpbronnen. Werkeisen kosten energie en kunnen bij een aanhoudend onevenwicht leiden tot stress en uitputting. Hulpbronnen helpen medewerkers om hun werk uit te voeren, zich te ontwikkelen en gemotiveerd te blijven. Denk aan autonomie, sociale steun, feedback, leermogelijkheden en toegang tot relevante informatie.

AI grijpt op beide categorieën in. Automatisering kan repetitieve taken, fysieke belasting, cognitief zwaar zoekwerk en administratieve processen verminderen. AI kan tegelijk nieuwe hulpbronnen creëren door informatie sneller aan te reiken, feedback te geven of medewerkers te ondersteunen bij complexe vraagstukken.

Daar staat tegenover dat AI ook nieuwe eisen introduceert. Medewerkers krijgen meer informatie te verwerken, moeten de betrouwbaarheid van output controleren en ervaren onzekerheid over veranderende rollen en verwachtingen. De tijdswinst die AI oplevert, kan bovendien snel worden ingevuld met complexer of meer werk. Een ogenschijnlijke productiviteitswinst vertaalt zich dan in een hoger werktempo.

Ook bestaande hulpbronnen kunnen onder druk komen te staan. Wanneer systemen taken toewijzen, prestaties opvolgen of beslissingen standaardiseren, kan de autonomie van medewerkers afnemen. Werk kan versnipperen, menselijk contact kan verdwijnen en medewerkers krijgen minder gelegenheid om hun vakkennis te gebruiken of een taak van begin tot einde uit te voeren.

AI is vanuit dat perspectief geen extra digitale laag boven op een bestaande functie. De technologie verandert de inhoud, organisatie en beleving van het werk zelf.

Wie neemt het initiatief?

Om de uiteenlopende effecten van AI beter te begrijpen, maken de onderzoekers eerst een onderscheid tussen AI die van bovenaf wordt ingevoerd en AI die medewerkers zelf in hun werk binnenbrengen.

Bij een top-downimplementatie beslist de organisatie welke technologie wordt gebruikt, voor welke taken en binnen welke processen. Dat kan medewerkers ondersteunen, maar het kan ook hun handelingsruimte verkleinen. Denk aan algoritmische systemen die taken verdelen, prestaties monitoren of aanbevelingen doen waarvan medewerkers moeilijk kunnen afwijken.

Bij bottom-upgebruik kiezen medewerkers zelf waar en hoe ze AI inzetten. Ze gebruiken bijvoorbeeld een taalmodel om informatie samen te vatten, alternatieven te bedenken of een terugkerende taak te vereenvoudigen. Omdat ze zelf het initiatief nemen, behouden ze doorgaans meer controle over de plaats die AI in hun werk krijgt.

Toch is bottom-upgebruik niet per definitie gunstiger. Medewerkers kunnen AI ook inzetten omdat de werkdruk te hoog is of omdat ze hun doelstellingen anders niet meer halen. Bovendien ontstaat zo mogelijk een vorm van ‘shadow AI’: toepassingen worden gebruikt buiten de afspraken en systemen van de organisatie. Dat roept vragen op over kwaliteit, privacy, verantwoordelijkheid en verschillen tussen medewerkers.

Wie initiatief neemt vertelt met andere woorden maar een deel van het verhaal. Minstens even belangrijk is de rol die AI precies krijgt.

Overnemen of ondersteunen

Het tweede onderscheid loopt tussen automatisering en augmentatie. Bij automatisering neemt AI taken grotendeels van medewerkers over. Dat kan belastend, repetitief of administratief werk verminderen. Wanneer de technologie echter ook kerntaken en professionele oordeelsvorming overneemt, dreigen medewerkers voeling te verliezen met het volledige proces. Hun expertise wordt minder aangesproken en het werk kan aan betekenis inboeten.

Bij augmentatie werken mens en technologie nauwer samen. AI doet voorstellen, structureert informatie of biedt feedback, terwijl de medewerker interpreteert, afweegt en beslist. Die samenwerking kan leren, creativiteit en prestaties ondersteunen. Tegelijk kan ze de cognitieve belasting verhogen. Wie voortdurend output ontvangt, controleert en bijstuurt, heeft niet noodzakelijk minder werk.

De auteurs combineren beide dimensies in vier mogelijke configuraties: top-downautomatisering, top-downaugmentatie, bottom-upautomatisering en bottom-upaugmentatie. Elke combinatie kan andere gevolgen hebben voor autonomie, werkdruk, leren en betrokkenheid. Het gaat dus niet alleen over de aanwezigheid van AI, maar ook over wie het gebruik bepaalt, welke taken de technologie krijgt en hoeveel menselijke controle behouden blijft.

Klaar voor AI

Zelfs binnen dezelfde organisatie of functie reageren medewerkers verschillend op AI. Om die verschillen te verklaren, introduceren de auteurs het begrip AI-readiness resources: persoonlijke en werkgerelateerde hulpbronnen die medewerkers in staat stellen om AI effectief te gebruiken en om te gaan met veranderingen in taken, rollen en werkprocessen.

Persoonlijke hulpbronnen zijn onder meer digitale geletterdheid, vertrouwen in de eigen AI-vaardigheden, vakkennis, leergerichtheid, kritisch denkvermogen en de bereidheid om met nieuwe technologie te experimenteren. Medewerkers die over die hulpbronnen beschikken, kunnen AI-output beter beoordelen en de technologie gemakkelijker in hun werk integreren.

Maar AI-readiness is geen louter individuele eigenschap. De werkomgeving speelt minstens een even grote rol. Medewerkers hebben opleiding nodig, maar ook tijd om te oefenen, toegang tot technische ondersteuning en ruimte om fouten te maken. Duidelijke afspraken over verantwoordelijkheden, transparantie over de werking van systemen, psychologische veiligheid en steun van leidinggevenden en collega’s bepalen mee of AI als beheersbaar en bruikbaar wordt ervaren.

Ook het behoud van menselijke beslissingsruimte is een belangrijke hulpbron. Wanneer medewerkers begrijpen hoe aanbevelingen tot stand komen en zelf kunnen beslissen of ze die volgen, neemt de kans toe dat AI hun expertise ondersteunt. Als een systeem ondoorzichtig is en weinig ruimte laat voor professionele afweging, kan dezelfde technologie onzekerheid, vervreemding en weerstand veroorzaken.

Opleiding volstaat niet

Het onderscheid tussen persoonlijke hulpbronnen en hulpbronnen in de werkomgeving is belangrijk voor de keuzes die organisaties maken. Wanneer medewerkers onvoldoende digitale vaardigheden of vertrouwen hebben, kunnen opleiding en begeleiding helpen. Wanneer het probleem in de werkcontext zit, zal extra training weinig veranderen. Wie geen tijd, autonomie of ondersteuning krijgt om het geleerde toe te passen, wordt door een opleiding niet vanzelf AI-ready.

Omgekeerd volstaat een ondersteunende cultuur niet wanneer medewerkers onvoldoende basiskennis hebben om AI-output kritisch te beoordelen. De auteurs schuiven daarom een combinatie naar voren: vaardigheden en vertrouwen ontwikkelen én het werk zo organiseren dat medewerkers die vaardigheden daadwerkelijk kunnen inzetten. Daarbij waarschuwen ze voor de automatische reflex om elk probleem met meer opleiding te beantwoorden.

Als AI de werkdruk verhoogt, taken versnippert of autonomie aantast, ligt de oplossing in een herontwerp van het werk. Dan gaat het over taakverdeling, werktempo, verantwoordelijkheden en de verhouding tussen menselijke en technologische controle.

Twee spiralen

AI-readiness is volgens de auteurs ook geen vaststaand startpunt. Het ontwikkelt zich door de ervaringen die medewerkers met AI opdoen. Een medewerker met autonomie, toegang tot opleiding en tijd om te experimenteren, doet gemakkelijker positieve ervaringen op. Die successen versterken het vertrouwen in de eigen vaardigheden. De medewerker gaat dan nieuwe toepassingen verkennen, zoekt feedback bij collega’s en ontwikkelt betere werkwijzen. Zo ontstaat een opwaartse spiraal waarin hulpbronnen, betrokkenheid en AI-readiness elkaar versterken.

Voor medewerkers in sterk gecontroleerde of veeleisende functies kan de beweging de andere kant op gaan. Wanneer AI vooral wordt ingezet om prestaties op te volgen of beslissingen te standaardiseren, wordt de technologie sneller als een bijkomende eis ervaren. Uitputting laat weinig energie over om te oefenen, feedback te vragen of opleidingen te volgen. Fouten bevestigen vervolgens het gevoel dat AI niets voor hen is. De weerstand groeit en de bereidheid om verder te leren neemt af.

AI kan daardoor bestaande verschillen in organisaties nog verder vergroten. Medewerkers die al over veel autonomie, leermogelijkheden en ondersteuning beschikken, zijn beter geplaatst om AI om te zetten in nieuwe hulpbronnen. Wie werkt in een context met hoge eisen en weinig regelruimte, krijgt AI mogelijk vooral te zien als controle, druk en fragmentatie. Digitale ongelijkheid gaat dus verder dan toegang tot technologie of verschillen in vaardigheden. Ook de kwaliteit van het werk bepaalt wie de kansen van AI kan benutten.

Verborgen werkdruk

Een van de risico’s die in het artikel naar voren komen, is dat AI de zichtbare werklast verlaagt terwijl de werkdruk onder de oppervlakte toeneemt. Wanneer een toepassing een routinetaak overneemt, komt tijd vrij. Organisaties kunnen die tijd gebruiken om medewerkers meer ruimte te geven voor leren, samenwerking of complexere taken. Maar ze kunnen de vrijgekomen capaciteit ook onmiddellijk omzetten in hogere doelstellingen en meer output. In dat geval verdwijnt de oude belasting, maar komt er een nieuwe voor in de plaats.

Daar komen taken bij die niet altijd als werk herkend worden: prompts formuleren, output controleren, fouten corrigeren, bronnen verifiëren en beslissen wanneer AI wel of niet kan worden vertrouwd. Medewerkers kunnen bovendien het gevoel krijgen dat ze voortdurend beschikbaar moeten zijn of de systemen ook buiten de werktijd moeten blijven opvolgen.

De auteurs spreken in dat verband over zelfondermijnende dynamieken. Wanneer de eisen groter worden dan de beschikbare hulpbronnen, kunnen medewerkers dwangmatig output controleren, te sterk op systemen vertrouwen of hun herstelperioden laten innemen door werk. De vermoeidheid die daaruit ontstaat, verhoogt vervolgens de kans op fouten en extra druk.

Werkontwerp als toetssteen

Het onderzoek biedt (helaas) geen blauwdruk voor een geslaagde AI-implementatie. Maar de analyse van de onderzoekers biedt wel een andere manier om naar de invoering van AI te kijken.

Organisaties kunnen AI niet alleen evalueren aan de hand van snelheid, output en productiviteit. Ook de gevolgen voor autonomie, sociale steun, werkdruk, vakkennis, leermogelijkheden en betekenisvol werk verdienen een plaats in de beoordeling. Die effecten kunnen bovendien verschillen tussen functies, teams en medewerkers en doorheen de tijd veranderen.

Minstens even belangrijk als de vraag welke taken AI technisch kan uitvoeren, is wat er met de rest van de functie gebeurt wanneer AI die taak overneemt of ondersteunt. Krijgen medewerkers meer ruimte om hun expertise te gebruiken? Wordt hun werk rijker en beter beheersbaar? Of stijgt vooral het tempo en verschuift de controle van de medewerker naar het systeem?

De gevolgen van AI worden volgens de onderzoekers in belangrijke mate bepaald door de keuzes die organisaties maken bij de inrichting van werk. AI kan een hulpbron worden die leren, betrokkenheid en duurzame prestaties ondersteunt. Dezelfde technologie kan ook een nieuwe werkeis worden die druk, onzekerheid en ongelijkheid versterkt.

Zeven hefbomen voor HR

Behandel AI als een vraagstuk van werkontwerp:
Breng niet alleen in kaart welke taken AI kan overnemen, maar ook hoe daardoor de rest van de functie verandert.
Volg werkeisen én hulpbronnen op:
Meet naast productiviteit ook de impact op werkdruk, autonomie, sociale steun, leermogelijkheden en welzijn.
Maak bewuste keuzes over de rol van AI:
Bepaal per toepassing of AI een taak overneemt of de medewerker ondersteunt en hoeveel menselijke beslissingsruimte behouden blijft.
Investeer breder dan in opleiding:
Combineer vaardigheden en AI-zelfvertrouwen met tijd om te oefenen, technische ondersteuning en ruimte om te experimenteren.
Bewaak de verborgen werkdruk:
Hou rekening met het extra werk dat ontstaat door prompts, controles, correcties en het verifiëren van AI-output.
Let op groeiende verschillen:
Onderzoek welke medewerkers AI als hulpbron kunnen gebruiken en voor wie de technologie vooral extra druk, onzekerheid of controle creëert.
Bescherm vakmanschap en autonomie:
Zorg dat medewerkers hun expertise blijven gebruiken, het volledige werkproces begrijpen en AI-uitkomsten kritisch kunnen beoordelen.