De volgende AI-sprong komt niet uit een groter model. Ze komt uit de mensen die ermee werken. En voor het eerst kunt u zien waar die precies staan.
De licenties zijn gekocht. De pilots draaien. Het beleid is geschreven, of staat toch op de roadmap. En toch beweegt er minder dan verwacht.
Dat is, als u er even bij stilstaat, uitstekend nieuws. Want het betekent dat het probleem niet in de technologie zit. De modellen werken. De infrastructuur staat er. Wat ontbreekt, is zicht op de laag ertussen: de mensen die er dagelijks iets mee moeten doen. Die laag is geen zachte factor en geen restpost. Het is de plek waar de hele investering wel of niet landt, en het is de enige laag die de meeste organisaties nooit hebben gemeten.
Organisaties die de komende jaren voorop lopen, zullen dat niet doen omdat ze het beste model kozen. Ze zullen voorop lopen omdat ze als eerste begrepen waar hun mensen stonden, en daar iets mee deden.
Wat mensen echt tegenhoudt
De weerstand die u tegenkomt is zelden technologievrees. Onderzoek beschrijft AI-anxiety als een psychologische respons op snelle, systemische verandering, niet als een afkeer van gereedschap (HRD America, 2026). Dat verschil is belangrijk, want het bepaalt wat werkt.
De cijfers geven de omvang aan. 51% van de werknemers voelt meer druk dan een jaar geleden, en 48% eindigt de meeste werkdagen mentaal uitgeput (Workhuman, 2026). Bij ruim 1.500 voltijdse werknemers in vijf landen meldde bijna een kwart een verslechterde mentale gezondheid door informatie-overload, en een vergelijkbaar aandeel een verminderd gevoel van controle over de eigen toekomst (Spring Health, 2026). AI is daar niet de enige oorzaak van, wel de verandering die er bovenop komt.
De vraag onder al die cijfers is zelden “verlies ik mijn job”. Ze is “doe ik er nog toe”. Dat is een vraag die u kunt beantwoorden, maar alleen als u weet bij wie ze leeft.
Wie alleen naar zijn stack kijkt, meet de helft van de reden waarom AI wel of niet werkt.
AI-readiness heeft drie assen, geen één
In de praktijk wordt readiness gemeten als een technische eigenschap van de organisatie: datakwaliteit, infrastructuur, governance, use cases. Waardevol werk, en precies het deel van het probleem dat níét de bottleneck is. Slechts 13% van de organisaties is volgens die maatstaf volledig AI-ready (Cisco, 2025), en op een andere schaal haalde in 2025 minder dan 1% een score boven 50 op 100, al veerde dat gemiddelde in 2026 op naar 51 (ServiceNow, 2025).
Een volledig beeld heeft drie assen nodig.
- Gebruik. Wie welke tools aanraakt, hoe intensief, tegen welke kost. Deze data zit doorgaans al in uw telemetrie en metadata, zonder dat u iemand hoeft te bevragen.
- Engagement. Hoe mensen zich verhouden tot het werk en tot de verandering: begrip van het waarom, vertrouwen, ervaren autonomie, bereidheid tot inzet. Engagement meten alleen volstaat niet meer in een AI-gedreven omgeving (WTW, 2026), maar zonder deze as ontbreekt elke verklaring voor wat de gebruiksdata laten zien.
- Performance. Wat mensen effectief neerzetten. Deze as wordt in readinessmetingen vrijwel altijd weggelaten, terwijl ze bepaalt of gebruik en enthousiasme ergens in resultaat landen.
Het analytische uitgangspunt is dat die drie niet parallel lopen. Wie AI het meest gebruikt, is niet automatisch wie het best presteert. Wie het meest geëngageerd is, evenmin. Een meting op één as levert daarom systematisch verkeerde conclusies: perceptie alleen labelt kritische maar productieve mensen als afgehaakt, gebruiksdata alleen verklaart niet waarom iemand stilstaat, en performance alleen zegt niets over hoe lang dat resultaat houdbaar is.
Een gemiddelde is geen spiegel
Stel dat uw organisatie 68 op 100 scoort. Adopterend. Sterk in talent, zwak in governance. Dat is bruikbare stuurinformatie op directieniveau, en tegelijk waardeloos als basis voor een interventie. Een gemiddelde beschrijft een werkelijkheid die niemand in het bedrijf zo ervaart.
Segmenteren op team is de eerste stap, en meteen ook de kleinste. IT op 95, Sales op 90, Operations op 65, Finance op 55: dat verschil bepaalt al waar een interventie effect heeft en waar ze verspilling is. Maar teams zijn zelden homogeen, dus blijft ook die laag gemiddelden produceren.
De interessante stap is de tweede: de assen tegen elkaar uitzetten. Zet engagement tegenover performance en er verschijnen negen segmenten, elk met een eigen interventielogica. De grootste groep zit meestal in het midden, gemiddeld op beide assen. Dat is geen grijze massa maar de dragende laag van het bedrijf, en precies de groep die in adoptietrajecten routineus wordt overgeslagen ten voordele van de uitersten. Rechtsonder zitten mensen die op topniveau presteren terwijl hun betrokkenheid wegzakt. Linksboven zit het omgekeerde: volop geëngageerd, nog niet performant, en dus de plek waar de winst het snelst te maken is.
De derde as: van wat mensen vinden naar wat mensen doen
Tot hier is dit een platte matrix. Twee assen, negen vakjes, een bruikbaar beeld. De sprong komt wanneer u gebruik als derde as toevoegt.
Conceptueel gebeurt er dan dit. De matrix blijft dezelfde, maar ze krijgt diepte: dezelfde negen vakjes bestaan nu in drie lagen, van laag naar hoog gebruik. Een medewerker zit niet langer in een vakje, maar op een coördinaat.
Dat is meer dan resolutie. De drie assen meten hetzelfde verhaal op verschillende momenten, en dat is de eigenlijke reden om de derde toe te voegen. Performance vertelt u wat er al gebeurd is, en beweegt in kwartalen. Engagement vertelt u hoe het nu voelt, en beweegt in maanden. Gebruik is gedrag, het is continu meetbaar, en het buigt in weken. Het is het enige signaal in het model dat vooruitloopt op de andere twee.
Gebruik vertelt u niet wie goed is. Het vertelt u waar u nog op tijd bent.
Praktisch levert dat profielen op die u eerder niet kon onderscheiden. Een onbetrokken medewerker die AI mijdt, vraagt iets heel anders dan een onbetrokken medewerker die het dagelijks inzet zonder er iets bij te voelen. Een topperformer wiens gebruik al weken terugloopt terwijl de cijfers nog prima zijn, is het vroegste vertreksignaal dat u kunt hebben. En iemand die alles gebruikt wat u aanbiedt, volop gemotiveerd is, en toch niet vooruitkomt, heeft geen trainingsprobleem maar een rolprobleem.
Ook aan de bovenkant wordt het scherper. De mensen die hoog scoren op alle drie de assen zijn niet zomaar uw beste medewerkers. Hun manier van werken zit in het systeem in plaats van in hun hoofd, en is dus overdraagbaar. Dat is uw kleinste groep met de grootste hefboom, en meestal ook uw meest realistische uitrolplan.
Hoe meer assen u kruist, hoe rijker het beeld, en hoe meer segmenten er liggen dan u kunt bedienen. De vervolgvraag wordt daarmee strategisch in plaats van analytisch: investeert u in de ambassadeurs, in de grote middengroep, of in wie dreigt af te haken? Alle drie zijn verdedigbaar. Geen van de drie is uitvoerbaar zonder te weten wie waar zit.
Een segment is een symptoom, geen diagnose
Een segment vertelt u wáár het schuurt, niet waaróm. Twee mensen kunnen in hetzelfde vakje belanden om tegengestelde redenen: de een gebruikt AI niet omdat het beleid het niet toelaat, de tweede omdat de vaardigheid ontbreekt, de derde omdat het nut niet duidelijk is. Die drie interventies zijn onderling onverwisselbaar.
elli-aanpak werkt volgens dezelfde logica als de klassieke JD-R- en SDT-modellen, maar dan toegepast op het AI-domein: jobkenmerken worden gecorreleerd met jobbeleving. Job Demands-Resources laat zien wanneer AI als hulpbron werkt en de werkdruk verlaagt, en wanneer ze als bijkomende last bovenop bestaand werk landt. Self-Determination Theory verklaart waarom gebruik zonder autonomie, competentiegevoel of verbondenheid snel wegzakt. Uit die correlatie volgt de oorzaak: een gebrek aan mogen, kunnen of willen.
Een systematische review bevestigt het mechanisme: wanneer mensen begrijpen waaróm verandering gebeurt en hoe zij in de toekomst passen, verbetert het welzijn en stijgt het engagement (Frontiers in Psychology, 2026). Heldere communicatie verkleint de ruimte waarin onzekerheid groeit. Een meting is dus geen eindpunt maar een vraagstelling: de data levert de segmenten, het gesprek levert de oorzaak.
Adoptie is een verandertraject, geen uitrolplan
De meeste frameworks stoppen bij techniek, en daar haakt het af. In 2025 liet 42% van de bedrijven het merendeel van zijn AI-initiatieven varen, tegenover 17% een jaar eerder (S&P Global, 2025). Gartner verwacht dat meer dan 40% van de agentic-AI-projecten tegen eind 2027 geschrapt wordt, door oplopende kosten, onduidelijke businesswaarde of ontoereikende risicocontroles (Gartner, 2025).
De organisaties die dat lot ontlopen, behandelen adoptie als verandering en niet als installatie. De elli-aanpak volgt de ADKAR-methodologie (Awareness, Desire, Knowledge, Ability, Reinforcement) en geeft dat traject zo een volgorde: zonder begrip van het waarom en de wens om mee te gaan landt geen enkele training. Pas daarna volgen kennis, vaardigheid en bekrachtiging. Ze meten wat mensen dénken én wat ze dóén: een bevraging over de drie dimensies, naast de gebruiksdata die hun systemen al bijhouden. Alleen vragen levert een mening. Vragen én meten levert bewijs.
De moeilijkste as is de belangrijkste
Van de drie assen zijn er twee eigenlijk al ingevuld. Gebruik zit in uw telemetrie: wie welke tool aanraakt en hoe intensief, is objectief, continu beschikbaar en vraagt niemand om medewerking. Performance zit in uw bestaande cyclus. Beide assen zijn te bouwen zonder dat er ook maar één persoon iets hoeft in te vullen.
Engagement is de enige as die u actief moet ophalen. En het is meteen de enige die uitlegt wat de andere twee betekenen. Een dalend gebruikscijfer is zonder beleving een getal zonder richting: u ziet dát iemand afhaakt, maar niet of dat komt door tijdgebrek, wantrouwen, een slechte use case of werk dat ondertussen veranderd is. Precies daar zit de interventie.
Waar het echte werk zit
Bereik iedereen, niet alleen wie een mailbox heeft.
Een meting die 30% van een organisatie haalt en vooral de bureaufuncties, levert een vertekend beeld op dat gevaarlijker is dan geen beeld.
Meet kort en frequent in plaats van lang en jaarlijks.
Beleving verandert sneller dan een jaarcyclus kan volgen, en het venster tussen signaal en vertrek is klein.
Peil naar beleving, niet naar tevredenheid.
Tevredenheid meet of iemand niet klaagt. Beleving meet of iemand nog gelooft dat hij ertoe doet, en dat is de variabele die beweegt.
Lees richting, niet niveau. Niet “hoe scoort de organisatie”, maar “welk team beweegt sinds het voorjaar de verkeerde kant op, en wat is daar veranderd”.
De kwaliteit van uw hele model wordt dus bepaald door de as die het moeilijkst te vangen is. Wie daar de tijd in steekt, krijgt er twee gratis assen bij die plots betekenis hebben.
Wat u wint
Het optimistische scenario is niet dat AI vanzelf gaat werken. Het is dat de bottleneck zichtbaar en dus oplosbaar is. Zoals WTW het formuleert: organisaties die hun employee experience bewust ontwerpen om deze onzekerheid te adresseren, kunnen ze vervangen door vertrouwen, en mensen laten zien dat ze er nog steeds toe doen (WTW, 2026).
AI is voor de meeste organisaties niet het grootste risico. Er niet op voorbereid zijn wel. En voorbereid zijn begint niet bij de technologie, maar bij het zicht op waar uw mensen staan.
Bij elli brengen we die drie assen in één traject samen, van meting tot segmenten tot interventie.
Bronnen
- Cisco, AI Readiness Index 2025: cisco.com
- Dataiku & The Harris Poll, Global AI Confessions Report: CEO Edition (2026): businesswire.com
- Frontiers in Psychology, Dimensions of artificial intelligence anxiety among employees (2026): frontiersin.org
- Gartner, Over 40% of Agentic AI Projects Will Be Canceled by End of 2027 (2025): gartner.com
- HRD America, How can employers address AI anxiety in the workplace? (2026): hcamag.com
- S&P Global Market Intelligence, Voice of the Enterprise (2025), via secundaire analyse: pertamapartners.com
- ServiceNow & Oxford Economics, Enterprise AI Maturity Index 2025: servicenow.com
- Spring Health, The Hidden Cost of AI Anxiety (2026): springhealth.com
- Workhuman, Humans at Work Barometer (2026): workhuman.com
- WTW, Fear of Becoming Obsolete (2026): wtwco.com