De dubbele uitholling: waarom AI je output én je mensen aantast
Wie alleen de output bewaakt, verliest de mens.
Het geld is uitgegeven. Het rendement blijft uit. McKinsey meet het al jaren, en de cijfers uit juli 2026 zijn ontnuchterend: 79 procent van de organisaties heeft generatieve AI ingevoerd, 39 procent ziet er enig EBIT-effect van, en ruim een derde krijgt het voorbij de pilotfase. De standaarduitleg is slechte implementatie. Die uitleg is niet fout. Hij is te klein.
Er zijn twee lekken. De meeste directies zien er maar één.
AI holt een organisatie van twee kanten uit. De output holt uit: overtuigende antwoorden die fout zijn op precies de plek waar het ertoe doet. En de mens holt uit: het oordeel dat verdwijnt zodra het niet meer wordt geoefend. Ik noem dit de dubbele uitholling. Dit stuk laat zien hoe beide lekken werken, waarom minder AI ze niet dicht, en wat een organisatie in de plaats nodig heeft.
Waarom directies maar één van de twee lekken zien
McKinsey trok in juli 2026 een conclusie die de meeste boardrooms nog niet hebben verwerkt. Het knelpunt is niet de technologie. Slechte implementatie speelt mee, en het niet koppelen van uitrol aan werkelijke waarde ook. Maar de echte rem, zo stelt McKinsey, is de capaciteit van de mensen die de techniek bedienen. De bottleneck is menselijk.
Dat is een ongemakkelijke boodschap voor wie miljoenen in modellen heeft gestoken en nauwelijks iets in de breinen die ze gebruiken. Want het verklaart waarom de winst uitblijft terwijl de tools werken. Het model faalt niet. De organisatie eromheen loopt leeg.
Die leegloop kent twee richtingen. De eerste zit in wat AI oplevert. De tweede zit in wat AI met mensen doet. Ze werken onafhankelijk van elkaar, en ze versterken elkaar. Een directie die alleen op de eerste let, tekent blind voor de tweede.
Het rapport dat klopt en toch fout is
Begin bij de output. In oktober 2025 publiceerden Kropmans en collega’s een peer-reviewed onderzoek dat een patroon meetbaar maakte dat velen aanvoelden maar niemand had gekwantificeerd. Ze testten GPT-4o op een beoordelingstaak in een medische context, en splitsten de gevallen naar moeilijkheid.
De heldere gevallen gingen goed. Nul procent fout.
De middelmatige gevallen gingen volledig mis. Honderd procent.
De onderpresterende gevallen: tachtig procent mis.
Lees die verdeling nog eens. De eenvoudige cases gingen goed, precies de cases waar je geen AI voor nodig hebt. De grijze gevallen, dubbelzinnig en vragend om nuance, gingen volledig mis. Overtuigend gepresenteerd. Niet te onderscheiden van een correct antwoord zonder de bron erbij te pakken.
Ik noem dit de middelmaat-illusie. AI gaat goed waar het er niet toe doet, en faalt overtuigend waar het er wel toe doet. En dat zijn precies de gevallen die op bestuurstafels belanden. Het AI-rapport ligt op tafel. Iedereen knikt. Het klinkt logisch. Niemand pakt het boekje, omdat het boekje een beleidsstuk van honderd pagina’s is. Of een inspectierapport. Of een juridisch advies waar drie maanden werk in zit.
Dus vertrouwt de tafel de samenvatting. Neemt het besluit. Gaat door. En de organisatie verlegt haar koers op basis van iets dat niemand werkelijk heeft gelezen.
Dat is het eerste lek. Het is bekend, en toch onderschat. Maar het is niet het gevaarlijkste, want het is tenminste zichtbaar zodra iemand controleert. Het tweede lek is stiller.
Het brein dat afleert wat het niet meer oefent
Het tweede lek zit niet in de machine. Het zit in de mens.
McKinsey vat het samen onder één term: cognitive offloading. Wie het redeneren structureel uitbesteedt aan het model, ziet het eigen analytisch vermogen meetbaar teruglopen. Dat is geen aanname. Peer-reviewed onderzoek bevestigt het. De American Psychological Association waarschuwt dat overmatige afhankelijkheid van AI het zelfstandig oordeel van professionals uitholt. Een studie onder bijna vijftienhonderd Amerikaanse werknemers beschrijft zelfs een vorm van cognitieve vermoeidheid bij intensief toezicht op AI-output: mentale mist, moeite met focussen, tragere besluitvorming.
De verontrustendste signalen zijn nog niet peer-reviewed, en ik label ze daarom expliciet als voorlopig. Vroeg neurowetenschappelijk werk uit het MIT Media Lab suggereert dat zware cognitieve uitbesteding de eigen infrastructuur van het brein kan verzwakken. Intensieve gebruikers vertoonden verminderde neurale connectiviteit en slechtere geheugenretentie zodra de tool werd weggenomen. Voorlopig, maar het wijst dezelfde kant op als de rest: een brein dat stopt met herinneren, synthetiseren en zelfstandig redeneren, verliest geleidelijk het vermogen om dat te doen.
Ik zie de vroege vorm hiervan aan de MT-tafel. Niet als hersenscan, maar als gedrag.
Onlangs speelde ik een bordspel met vier vrienden. We liepen vast op een regel. ChatGPT erbij gepakt. Antwoord kwam, klonk logisch, ik verzette de pionnen al. Totdat iemand zei dat hij het toch even in het boekje checkte. Het tegenovergestelde stond erin. En toen daalde het besef. Niet omdat ik punten verloor. Maar omdat wij met zijn vieren de output klakkeloos als waarheid hadden aangenomen. Niemand vroeg of het zeker was. Niemand pakte het boekje. Totdat één iemand dat wel deed.
De inzet was een spelletje. Vervang het door een bestuursbesluit met grote impact en je hebt het tweede lek in zijn zuiverste vorm. Het is niet de techniek die ons wordt afgeleerd. Het is het hardop zeggen: ik weet het niet zeker. Het vragen: wie heeft dit gecheckt. Het verdragen van de stilte terwijl iemand het boekje pakt.
Dat verlies bouwt langzaam op. Junior analisten die vroeger uren aan een analyse zaten, leveren nu in minuten hetzelfde op. Zuivere winst. Maar de uren die ze verloren, waren ook de uren waarin ze leerden een sceptische klant te lezen, een falend argument bij te sturen, rustig te blijven in een dubbelzinnig gesprek. Die spieren groeien alleen door gebruik. AI kan ze versnellen, niet vervangen.
Waarom minder AI het verkeerde antwoord is
De reflex bij twee lekken is terugtrekken. Minder AI, meer handwerk, terug naar hoe het was. Die reflex is verkeerd, en om twee redenen.
De eerste: de winst is echt. Automatisering haalt eenvoudig werk weg, en dat is waarde. Terug naar handmatig is geen bescherming, het is achteruitgang.
De tweede: minder AI raakt geen van beide lekken. Het rapport klopt niet vanzelf beter omdat je er minder van maakt. Het brein leert niet vanzelf terug wat het is verleerd. De lekken zitten niet in de hoeveelheid AI. Ze zitten in het ontbreken van besturing eromheen.
Wat wel werkt, doet twee dingen tegelijk.
Het valideert de grijze gevallen voordat ze een besluit worden. Niet alle output, dat is verspilling en het put mensen uit. Wel precies die middelmatige en dubbelzinnige gevallen waar de middelmaat-illusie toeslaat. Eén rol die de output triageert, in plaats van iedereen die alles half controleert. Een expliciet ijkpunt tussen signaal en besluit.
En het houdt het oordeel bij een mens met mandaat. Niet als formaliteit, maar als ontwerp. Wie beslist als het systeem een fout maakt. Welke beslisrechten horen bij welke rol. Waar is bewust ruimte ingebouwd om te twijfelen, te vragen, het boekje te pakken. McKinsey noemt dit het ontwerpen van de cognitieve belasting en de aandacht rond de techniek. Ik noem het besturing.
Zo’n laag is geen extra tool naast de tools. Het is een besturingssysteem eromheen. Het verschil tussen een organisatie die sneller wordt en één die alleen maar leegloopt, zit niet in het model. Het zit in de laag die de output controleerbaar maakt en de mens aan het stuur houdt.
De organisaties die voorlopen
De dubbele uitholling is geen reden om AI te wantrouwen. Het is een reden om te stoppen met AI op bestaande processen plakken en te beginnen met het herontwerpen van hoe de organisatie leert en beslist.
Wie alleen de output bewaakt, verliest de mens. Wie alleen de mens vertrouwt, tekent blind voor de output. Je hebt beide nodig, in één laag, met de mens aan het stuur en AI in de lus. Niet andersom.
De organisaties die over vijf jaar voorlopen, zijn niet die met de meeste AI. Het zijn die met de eerlijkste mensen aan tafel, ondersteund door een besturing die hun oordeel beschermt in plaats van het te vervangen. Begin niet bij de tool. Begin bij de vraag hoe je organisatie leert en beslist, en bouw de laag die dat overeind houdt terwijl de techniek eromheen verandert.
De rest is snelheid zonder richting. En snelheid zonder richting is precies hoe je je een weg naar uitputting automatiseert.