"AI gaat ons inkoopteam de komende twee jaar 30% productiever maken."
Zo klinkt het in de bestuurskamer. Op de werkvloer klinkt het inmiddels toch echt anders. En sinds eind augustus hebben we daar cijfers over.
Glassdoor-econoom Chris Martin analyseerde Amerikaanse medewerkersreviews waarin AI wordt genoemd. Het aantal vermeldingen groeide van mei 2025 tot mei 2026 met 240%. In 2019 was 81% van die reviews positief. In 2026 is dat nog 43%, en 53% is negatief.
De modellen worden elk kwartaal beter. Het oordeel van de mensen die ermee moeten werken wordt elk jaar slechter. Die twee lijnen lopen al zeven jaar uit elkaar.
Ja je hebt gelijk, dit zijn Amerikaanse data, geen Nederlandse. Maar ik train jaarlijks honderden inkopers en andere kenniswerkers en het patroon onder deze cijfers herken ik uit vrijwel elke groep. Daarover straks meer. Eerst: wat kunnen we leren van dit onderzoek?
Het gaat maar voor 20% over "ik maak me zorgen over mijn baan"
De reflex is: mensen zijn bang voor hun baan. Dat klopt, maar het is niet het grootste deel van het verhaal. Glassdoor categoriseerde de negatieve reviews naar onderwerp:
Tel de tweede tot en met de zesde categorie op en je ziet: ruim de helft van de kritiek gaat over hoe de adoptie van AI wordt vormgegeven. Niet over (de kwaliteit van) de technologie zelf.
Dat laatste is dé knop waar je aan kan/moet draaien. Slechts 2% van de critici noemt training als probleem, maar bij de tevreden groep is het de helft van het verhaal. Wie training goed regelt, hoort er weinig over. Wie het niet doet, hoort het via andere klachten terug: opgelegd, afleidend, onrealistisch. Hygiene factor dus....
De grote kloof tussen directie en werkvloer
Het tweede cijfer dat ik iedereen die AI uitrolt zou willen voorleggen: leidinggevenden (directieniveau en hoger) zijn in 67% van hun reviews positief over AI. Daarna volgen sales- en productmanagers, recruiters, software-architecten en data-analisten. Aan de andere kant: schade-experts bij verzekeraars zijn in 98% van de gevallen negatief. Accountants, klantenservice-medewerkers, schrijvers, designers en IT-medewerkers eveneens overwegend negatief.
Glassdoor staat daarin niet alleen. BCG vroeg het rechtstreeks aan beide groepen: 76% van de executives denkt dat medewerkers enthousiast zijn over AI. 31% van de medewerkers zegt dat zelf. Gallup meet intussen de laagste medewerkersbetrokkenheid sinds 2020. En volgens een CNBC-peiling vertrouwt driekwart van de jongvolwassenen de CEO's van de grote AI-bedrijven niet. Dat wantrouwen neem je mee naar kantoor.
Brian Merchant vatte het scherp samen: je oordeel over AI op het werk wordt bepaald door hoeveel macht je hebt. Om er positief over te zijn heb je twee dingen nodig: zeggenschap over wanneer je het wél en niet gebruikt, en genoeg zekerheid dat het je baan niet kost. Wie beide heeft, is enthousiast. Wie geen van beide heeft, niet.
Zijn voorbeeld blijft hangen. Ahmad Jackson, schade-expert bij een grote Amerikaanse verzekeraar, kreeg een AI-systeem dat binnenkomende claims classificeerde. Het resultaat: een stroom verkeerd ingedeelde dossiers die hij handmatig moest omleiden, en samenvattingen met verzonnen details. Toen hij die fouten onbedoeld doorgaf aan klanten en hun advocaten, kreeg hij de woede over zich heen, niet het systeem. Hij vertrok. "It's implementing more work onto the adjusters." De directie zag productiviteit. Hij zag extra werk en extra risico.
Wie in inkoop denkt dat dit een verzekeringsprobleem is: wij werken met precies hetzelfde materiaal. Contracten, leveranciersdossiers, spenddata. Wie de AI-samenvatting van een contract doorstuurt naar een leverancier en er blijkt een clausule verzonnen, staat er net zo alleen voor als die schade-expert.
Ook de omvang van de organisatie doet ertoe. Bij bedrijven onder de 200 medewerkers is de helft van de AI-reviews positief. Boven de 10.000 medewerkers een derde. Hoe verder de beslisser van de werkvloer af zit, hoe negatiever het oordeel.
We meten het verkeerde
Forbes-auteur Rachel Wells trekt uit dezelfde cijfers een conclusie die ik onderschrijf: organisaties juichen over adoptiecijfers en output, maar dat is "the wrong AI success indicator". Het echte succescijfer is hoe mensen de invoering ervaren. HR Executive zegt het net iets anders: AI-sentiment weerspiegelt of medewerkers geloven dat hun werkgever een strategie heeft en over de gevolgen heeft nagedacht.
BCG stelt in hetzelfde onderzoek dat in geslaagde AI-transformaties 70% van de waarde uit mensgerichte keuzes komt, niet uit technologiekeuzes. Als je daar ook maar half in gelooft, hoort de verdeling van je AI-budget en je AI-agenda daar iets van te laten zien.
Wat ik in inkoopteams zie
We hebben in de afgelopen 7,5 jaar inmiddels ruim 7500 inkoopprofessionals, juristen, projectmanagers en andere kenniswerkers getraind in AI, van openbare aanbesteders tot categoriemanagers bij grote industriële bedrijven. In bijna elke groep zie ik dezelfde drie lagen.
Twee of drie mensen die al agents bouwen en het liefst de hele dag zouden doorpraten over prompts en workflows. Een middengroep die af en toe iets in een chatvenster typt, met wisselend resultaat. En een stille groep die het liever niet hardop zegt: ik snap niet wat ik ermee moet, ik durf het niet te vragen, en ik ben bang dat iedereen om me heen het al kan.
Die laatste groep bepaalt of je AI-programma gaat slagen. Niet de koplopers.
Twee dingen zie ik daarbij structureel misgaan:
We zetten de koplopers op het podium. Logisch, ze leveren de mooiste demo's en het meeste enthousiasme. Maar voor de rest van het team bevestigt dat vooral de achterstand. Onderzoek van Brynjolfsson, Li en Raymond onder ruim vijfduizend medewerkers laat zien dat juist minder ervaren medewerkers relatief het meest winnen met AI, mits je hen bereikt. Recenter onderzoek spreekt over een AI-specifiek Mattheüseffect: wie al veel kennis en positie heeft, benut AI sneller en loopt verder uit. AI kan verschillen dus verkleinen én vergroten. Het hangt af van hoe je het organiseert.
We meten adoptie in licenties en logins. Niet in wie zich veilig genoeg voelt om een mislukte prompt te delen, een domme vraag te stellen of toe te geven dat de AI-samenvatting van dat contract niet klopte. Zonder die ruimte leert een team niet, en groeit de weerstand in stilte. Precies de weerstand die Glassdoor nu terugziet in de reviews.
De kloof tussen AI-koplopers en de rest loopt niet alleen tussen bedrijven, zoals OpenAI vorige maand liet zien. Hij loopt dwars door je eigen inkoopteam, en langs de hiërarchie.
Hoe wij dit in de AIcademy proberen te voorkomen
We hebben onze trainingen de afgelopen jaren steeds verder aangepast op precies deze uitdaging.
Vijf keuzes die daaruit zijn ontstaan.
1. We beginnen bij de stille groep, niet bij de koplopers. Elke training start met een intake vóóraf: wat heb je al geprobeerd, wat mislukte, waar loop je op vast? De antwoorden bepalen het programma, niet andersom. Op de dag zelf openen we met dezelfde vraag, anoniem. Het haalt in vijf minuten de spanning uit de zaal: iedereen blijkt iets te hebben geprobeerd dat niet werkte.
2. Leerpaden waarin niemand een trede overslaat. Binnen de AIcademy hebben we naast trainingen ook Learning & Development programma's ontwikkeld. De ontwikkeling die gevraagd wordt van de kenniswerker opgebouwd als leerpad, van de basis (wat kan het, wat kan het niet, hoe prompt je voor een inkooptaak) via gevorderd (Copilot en andere modellen in je eigen inkoop- en contractproces) naar AI-agents en workflows die taken van begin tot eind uitvoeren.
Je stapt in op het niveau waar je staat. Een middengroep die direct met agents wordt geconfronteerd, haakt af. Een koploper die de basis moet overdoen, verveelt zich. Beide kosten je draagvlak.
3. Eigen inkooptaken, geen algemene Copilot trainingen of veel product demo's. We laten geen twintig tools zien. Deelnemers werken aan hun eigen aanbesteding, hun eigen contract, hun eigen spendbestand. En ze leren daarbij als eerste hoe je AI-output controleert voordat je hem doorstuurt. Iets wat je zelf hebt laten werken op je eigen werk, laat je niet meer los. Iets wat je in een demo zag, wel.
4. Leren in duo's, niet in een ranglijst. We koppelen bewust een ervaren en een minder ervaren deelnemer tijdens zo'n L&D traject. Niet om de koploper te laten uitleggen, maar omdat beiden ontdekken dat de ander vragen stelt die zij zelf niet meer stellen. Het is de eenvoudigste manier om psychologische veiligheid te organiseren zonder er een sessie over te houden.
5. Anders meten. We adviseren organisaties adoptie niet te meten in licenties en logins, maar in taken: welke concrete inkooptaken doet het team nu met AI die het drie maanden geleden nog met de hand deed? En in vertrouwen: durft het team te melden als de AI ernaast zat? Je hoeft het meten niet helemaal zelf uit te vinden en op te zetten. Onze Qando AI-Nulmeting is daarvoor de eerste stap: in tien minuten een beeld van waar je team nu staat, per fase.
En de directie zelf?
Glassdoor laat zien dat leidinggevenden het meest positief zijn over AI. OpenAI liet vorige maand zien dat executives AI het het minst gebruiken. BCG laat zien dat ze het enthousiasme van hun team met een factor twee overschatten. Die combinatie is gevaarlijk: enthousiast beslissen over iets wat je zelf niet doet, voor mensen van wie je niet weet hoe ze erover denken.
Daarom werken we in onze Qando AI for Executive sessies (speciaal ontworpen voor directies en managementteams) altijd eerst zelf met de tools, voordat het over strategie gaat. En stellen we twee vragen die in de meeste AI-plannen ontbreken. Ben je transparant over wat AI de komende jaren met rollen en banen in inkoop doet, ook als het antwoord ongemakkelijk is? En weet elke inkoper nog waar hij past in het proces zoals het straks werkt, en wat zijn oordeel daarin waard is?
Wie die twee vragen niet kan beantwoorden, hoeft zich over adoptiecijfers geen zorgen te maken. Die komen dan vanzelf niet.
Wat je morgen al kunt doen
Je hoeft niet te wachten op een training om te beginnen.
Stel je team deze week één anonieme vraag: "Wat heb je met AI geprobeerd dat mislukte?" Lees de antwoorden. Daar staat je leerplan in.
Kijk daarna naar wie je op het podium zet. Als dat steeds dezelfde twee mensen zijn, weet de rest van het team precies hoe ze zich tot hen verhouden. Zet in plaats daarvan iemand uit de middengroep naar voren die iets kleins heeft laten werken.
En meet iets anders dan logins.
AI-adoptie in inkoop is een technisch en organisatorisch vraagstuk. Maar het is net zo goed een sociaal vraagstuk. De Glassdoor-cijfers laten zien wat er gebeurt als je dat laatste vergeet.
Zoals je misschien gemerkt hebt: in Tech-tember zijn de modellen al weer veel beter geworden (o.a. ChatGPT 6 Astra, Claude Fable 5.1)
In 2027 zullen de modellen weer nog beter zijn, de licenties en tokens goedkoper en de agents volwassener. Daar heeft in principe iedereen toegang tot. Het enige dat dan nog verschil maakt, is of jouw team durft te zeggen wanneer het niet werkt. Daar kun je vandaag mee beginnen.
Wil je weten waar jouw inkoopteam staat? Doe de Qando AI-Nulmeting, of bekijk de leerpaden van de AIcademy. Zorg dat je voorbereid 2027 in gaat!
Liever eerst sparren? Stuur me een bericht.
Bronnen