AI-moeheid en cognitieve schuld

Wat is AI-moeheid en cognitieve schuld?

AI-moeheid is de vermoeidheid en het schouderophalen na een jaar AI op het werk: elk kwartaal een nieuwe tool, de opdracht om ze te gebruiken, en een werkdag die er nog altijd net hetzelfde uitziet. Mensen lezen de mails erover niet meer. Ze openen de nieuwe assistent één keer, stellen vast dat hij niet bij hun werk past, en doen verder zoals ze bezig waren. Het woord gaat over de stemming, niet over de technologie.

Cognitieve schuld is de andere helft, en die beweegt de andere kant op. Ze groeit aan wanneer je het denken zo vaak aan een tool uitbesteedt dat je de oefening kwijtraakt om het zelf te doen. Het werk blijft binnenkomen. Wat stilaan zakt, is je vermogen om het zonder hulp te maken, en vooral je vermogen om het na te kijken. De naam is geleend van technische schuld, en terecht: allebei zijn ze nu goedkoop en later duur, en allebei zie je ze pas als er iets moet hersteld worden.

Drie naburige termen in dit woordenboek liggen daar dicht bij zonder hetzelfde te zijn. Workslop gaat over de output: ongecontroleerd werk dat bij een collega belandt die het nu mag uitzoeken. Automation bias gaat over vertrouwen: het antwoord van de machine boven je eigen oordeel zetten. Goedkeuringsmoeheid gaat over aantallen: zoveel vensters dat op ja klikken geen beslissing meer is. AI-moeheid en cognitieve schuld zitten een niveau hoger dan die drie, en ze maken die drie ook waarschijnlijker.

Hoe je moeheid en schuld herkent op de werkvloer

Geen van beide kondigt zich aan. Allebei tonen ze zich in kleine dingen die je stuk voor stuk makkelijk wegredeneert.

De tekenen van moeheid zie je aan gedrag. Een aantal licenties dat niet klopt met het gebruiksrapport: veertig plaatsen gekocht, elf mensen die de tool de voorbije maand nog geopend hebben. En het teken dat het meeste kost: mensen zeggen niet meer wat er niet werkt, want de vorige drie keer was het antwoord een opleiding.

De tekenen van schuld gaan over kunnen, en die duren langer voor ze zichtbaar worden. Een collega die op elke klantenvraag een antwoord op papier krijgt en niet kan zeggen waarom dat antwoord klopt. Een maand waarin niemand van het team één voorstel heeft teruggestuurd om over te doen. De praktische test is eenvoudig: neem een taak die je team elke dag met een tool doet en vraag je af of die persoon ze nog zou kunnen, traag en onhandig maar correct, zonder de tool. Is het eerlijke antwoord nee, en telt die taak, dan draag je er schuld op.

Wat het onderzoek aantoont, en wat niet

Dit is een domein met meer mening dan meting, dus wees precies over wie wat gemeten heeft.

De term cognitieve schuld komt uit een studie van het MIT Media Lab, in juni 2025 op de preprintserver arXiv gezet door Nataliya Kosmyna en collega's. Vierenvijftig mensen, geworven in de buurt van een handvol universiteiten in één deel van de Verenigde Staten, schreven essays in drie omstandigheden, met een taalmodel, met een zoekmachine, of met niets, terwijl een EEG-kap hun hersenactiviteit opnam. De connectiviteit in de hersenen zakte mee met de hoeveelheid hulp: het sterkst bij wie zonder hulp schreef, het zwakst bij wie met het model schreef. Die laatste groep had ook moeite om het eigen werk correct te citeren. In een vierde sessie wisselden achttien van hen van omstandigheid, en wie eerst met het model gewerkt had en nu zonder hulp schreef, vertoonde minder connectiviteit, wat de auteurs lezen als minder betrokkenheid.

Dat resultaat ging in een week de wereld rond, en het draagt minder ver dan wat er allemaal uit afgeleid is. De auteurs zeggen dat zelf. Hun eigen pagina met beperkingen noemt de smalle geografie, het ene geteste model, de ene taak, en het feit dat het werk niet door vakgenoten beoordeeld was. Ze vroegen journalisten uitdrukkelijk om woorden als brain rot, dom of schade niet te gebruiken. In december 2025 publiceerden vier onderzoekers, van wie er een aan de Universiteit van Wenen verbonden is, een commentaar op arXiv met vijf bezwaren: de steekproefgrootte, de reproduceerbaarheid van de analyse, de EEG-methode, tegenstrijdigheden in de manier waarop de resultaten gerapporteerd zijn, en te weinig transparantie. Hun toon is vriendelijk en hun punt is niet dat de bevinding fout is. Wel dat je ze voorzichtiger moet lezen dan tot nu toe gebeurd is. Vierenvijftig mensen die voor een studie essays schrijven, is geen bewijs over jouw boekhoudteam.

Drie andere stukken werk zitten dichter bij een echte werkvloer.

Microsoft Research en Carnegie Mellon, CHI 2025. Ze bevroegen 319 kenniswerkers die wekelijks AI gebruiken op het werk en verzamelden 936 echte voorbeelden van taken. Het patroon: hoe meer vertrouwen iemand in de AI had voor een taak, hoe minder kritisch nadenken hij daarover rapporteerde, en hoe meer vertrouwen in zichzelf, hoe meer. Ze beschrijven ook dat het werk van vorm verandert in plaats van te verdwijnen, van het ding maken naar nakijken, samenvoegen en bewaken wat het model afleverde. Het is zelfrapportage, en dat is een echte beperking: het gaat over wat mensen zeggen dat ze doen, niet over wat een meting aantoonde.

METR, juli 2025. Een gerandomiseerde proef met 16 ervaren opensource-ontwikkelaars op 246 echte taken in hun eigen grote repositories. Met AI-tools toegestaan deden ze er 19 procent langer over. Achteraf gevraagd schatten ze dat de tools hen 20 procent sneller hadden gemaakt. METR schrijft er zelf bij dat dit niet aantoont dat AI ontwikkelaars in het algemeen niet sneller maakt: het gaat over zestien mensen, in gerijpte codebases die ze door en door kennen, met de tools van begin 2025. Wat het wel aantoont, is dat het gevoel van een team over de winst geen meting is.

The Lancet Gastroenterology and Hepatology, augustus 2025. Het enige resultaat dat over vaardigheid in echt werk gaat. Vier Poolse endoscopiecentra voerden eind 2021 AI-detectie van poliepen in. Bij 19 endoscopisten die elk meer dan 2.000 coloscopieën gedaan hadden, zakte het detectiepercentage bij onderzoeken zonder AI van 28,4 procent voor de tool er was naar 22,4 procent erna. Zes punten absoluut, ongeveer een vijfde relatief, bij ervaren mensen. De studie is observationeel, dus andere zaken kunnen een deel verklaren, en de auteurs schrijven dat er zelf bij. Het blijft het dichtste wat iemand heeft bij een meting van een vaardigheid die zakt nadat een tool binnenkwam.

En dan de eerlijke kanttekening. Een goed deel van wat AI-moeheid heet, is gewone veranderingsmoeheid met een nieuw etiket erop. Teams waren al moe van ERP-invoeringen, van de verhuis naar de cloud en van het derde intranet in vijf jaar, lang voor dit alles. Wat nieuw is, is het tempo en het aantal tools, niet de reactie. Dat is praktisch relevant: wat toen hielp, minder gelijktijdige veranderingen en aan elke verandering een reden vasthangen, helpt hier ook.

De oorzaken die bij het management liggen

Weinig hiervan gaat over slechte technologie en het meeste over de manier waarop ze binnengebracht is. Vier oorzaken keren telkens terug, en alle vier zijn het beslissingen die iemand genomen heeft.

Adoptie zonder probleem eraan vast. Een doelstelling van zoveel procent van het personeel dat wekelijks AI gebruikt, is een gebruikscijfer, en gebruikscijfers worden gehaald. In de bevraging achter het Gallup-rapport van juni 2025 zei 22 procent van de Amerikaanse werknemers dat hun organisatie een duidelijk plan voor AI had gecommuniceerd, en 30 procent dat er richtlijnen of een beleid bestonden, terwijl maar 16 procent volmondig vond dat de AI-tools van de werkgever nuttig waren voor hun werk. Het gebruik ging omhoog. Het plan niet.

Te veel tools die elkaar overlappen. Een chatassistent, iets dat vergaderingen samenvat, een copilot in het kantoorpakket, iets in het CRM en een codeerassistent: dat zijn vijf schermen met vijf manieren van prompten en vijf sets regels over welke gegevens erin mogen. Elk van die tools is op zich te verdedigen. Samen kosten ze meer aandacht dan het werk dat ze vervangen.

Geen tijd om te leren. Het Upwork Research Institute bevroeg in het voorjaar van 2024 2.500 werkende mensen in vier landen, van wie 1.250 uit de directie. Bijna alle leidinggevenden, 96 procent, verwachtten dat AI de productiviteit zou opdrijven. Bij de werknemers die AI gebruikten, zei 77 procent dat de tools hun werklast op minstens één manier verhoogd hadden, en 39 procent stak meer tijd in het nakijken of bijsturen van AI-output. Bijna de helft, 47 procent, zei niet te weten hoe ze aan de winst moesten geraken die hun werkgever verwachtte. Niemand had er tijd voor vrijgemaakt.

Een cijfer dat volume beloont. Als het dashboard beantwoorde mails telt, of afgesloten tickets of opgeleverde documenten, dan ziet een tool die het volume vermenigvuldigt eruit als een succes, wat er ook met de kwaliteit gebeurd is. Hier komen moeheid en schuld samen: de mensen die het volume maken, weten dat het dunner is dan het lijkt, en dat zeggen zet hen achter op het cijfer.

Een supportteam waar de cijfers stegen

Een technische groothandel met veertig medewerkers zet in januari een assistent in de mailbox van het supportteam van zes. Klanten vragen welk onderdeel op welke machine past en wanneer het geleverd raakt, de assistent stelt een antwoord op uit de catalogus en de bestelgeschiedenis, en de medewerker verstuurt het na een blik.

Het dashboard beweegt meteen. Behandelde mails per persoon per dag gaan van ongeveer 30 naar ongeveer 45, dus het team gaat van 180 per dag naar 270. De tijd tot het eerste antwoord zakt van vier uur naar minder dan een uur.

Wat niemand telde, was het percentage tweede contacten: het aandeel mails waarbij de klant terugschrijft omdat het eerste antwoord het niet opgelost heeft. Toen dat in juni uit het ticketsysteem kwam, was het van 12 naar 21 procent gegaan. Op 180 mails per dag zijn dat een 22-tal tweede rondes. Op 270 zijn het er een 57-tal. Van de 90 extra mails die het team behandelt, zijn er dus ongeveer 35 zijn eigen tweede rondes. Tel je alleen de vragen die bij het eerste antwoord opgelost raken, dan ging het team van 158 per dag naar 213, een stijging van ongeveer 35 procent in plaats van de 50 procent die op het dashboard stond. De winst is echt. Ze is een derde kleiner dan het cijfer.

Het tweede dat achteruitging, staat in geen enkel systeem. Twee mensen kwamen in februari binnen en hebben nog nooit een vraag zonder de assistent beantwoord. Vraag hun waarom een bepaalde koppeling niet op een bepaalde pomp past, en ze weten het niet, want ze hebben het nooit uit de catalogus moeten uitzoeken. De teamverantwoordelijke, die vroeger een fout artikelnummer meteen zag, leest nu 45 voorstellen per dag in plaats van 30 en haalt er minder fouten uit dan vroeger, wat ze maandenlang gelezen heeft als voorstellen die beter werden.

AI-moeheid tegenover cognitieve schuld

De twee worden samen genoemd omdat ze samen aankomen, en ze gedragen zich anders op de dimensie die bepaalt wat je eraan doet: valt de kost nu of later?

AI-moeheid is een kost die je vandaag betaalt en vandaag ziet. Mensen haken dit kwartaal af, de tool staat deze maand stil. Dat maakt ze vervelend en het maakt ze oplosbaar. Stop drie van de vijf invoeringen, hang aan de twee die blijven een echt probleem, en de stemming keert binnen een kwartaal, want er moet niets herbouwd worden.

Cognitieve schuld is een kost die je nog niet betaalt. Alles werkt zolang de tool gelijk heeft, en de tool heeft meestal gelijk. De rekening komt op de dag dat ze ongelijk heeft en de persoon ervoor de oefening niet meer heeft om dat te merken. Dat is het scenario waar je in vakwerk rekening mee houdt: niet het model dat een fout maakt, maar de nakijker die de reflex kwijt is om ze te zien. Er is ook geen snelle afbetaling, want de enige manier om de vaardigheid terug te krijgen is het werk opnieuw met de hand doen.

Ze vragen ook het omgekeerde van elkaar. Moeheid behandel je door minder van mensen te vragen. Schuld behandel je door bewust een stuk terug te geven van wat je weggenomen hebt: werk dat zonder hulp moet gebeuren zodat het kunnen warm blijft. Een bedrijf dat alleen de moeheid aanpakt, houdt een rustig team over dat zijn eigen output niet meer kan nakijken.

Wat wel helpt

Niets hiervan is welzijnsadvies. Elke maatregel verandert een beslissing die iemand bovenaan deze maand kan nemen.

1. Beperk het aantal tools bewust. Kies één assistent per soort werk en zet de rest af, ook de tools die gratis bij een licentie meekwamen. Elke extra tool kost leertijd en levert een plek op waar bedrijfsgegevens kunnen belanden. Gaan mensen rond je keuze heen, dan past de gekozen tool niet, en dat is geen reden om er een zesde bij te zetten. Shadow AI beschrijft wat er dan gebeurt.

2. Schrijf op welk werk met de hand gebeurt. Één pagina, concreet: de jaarcijfers worden berekend, niet opgesteld; een klacht boven een bepaald bedrag wordt door een mens beantwoord; een migratiescript wordt regel per regel gelezen. Dat hoort in hetzelfde document als je AI-gebruiksbeleid. Het werkt omdat het op voorhand beslist is in plaats van op het moment zelf.

3. Hou het kunnen zonder de tool overeind waar het telt. Voor de handvol vaardigheden waar je zaak echt op draait, plan je de versie zonder hulp in: een voormiddag per week voor nieuwe mensen die zonder assistent antwoorden, een kwartaalafsluiting die met de hand gebeurt door wie de cijfers zal moeten verdedigen. Dit is de enige maatregel in de lijst die schuld echt afbetaalt, en op een productiviteitsrapport ziet ze eruit als verlies, en net daarom heeft ze een beslissing nodig en geen goede voornemens.

4. Meet de uitkomst, niet het gebruik. Gebruikte licenties en verstuurde prompts zeggen niets over de vraag of het werk beter geworden is. Kies het cijfer dat het resultaat beschrijft: het percentage tweede contacten, fouten die verderop in de keten opduiken, uren herwerk, dagen tot afsluiting. Neem een meting voor de tool binnenkomt, of je hebt straks niets om mee te vergelijken.