In de AI-race van dit moment kan het voelen alsof je er als organisatie alles aan moet doen om niet achter te raken of de verkeerde keuzes te maken.
Maar we verklappen je een geheim: die angst werkt je juist tegen. Want als iedereen hetzelfde doel nastreeft – sneller werken, meer uitgeven of betere tools gebruiken – onderscheid je je daar uiteindelijk niet mee van de rest.
Wat wél telt, is wat er onder de motorkap van AI gebeurt. En daar heeft HR nog werk te doen.
HR gaat all-in op AI, maar blijft daarbij aan de oppervlakte. 89% van de HR-leiders gebruikt AI in HR-processen, maar slechts 14% heeft AI diep geïntegreerd met hun personeelsdata.
AI levert minder op als de data niet op orde is. Organisaties zonder betrouwbare data zeggen acht keer vaker dat AI de verwachtingen niet waarmaakte. Toch heeft slechts 21% van de organisaties grotendeels volledige data.
Medewerkers staan er alleen voor. Slechts 31% van de medewerkers krijgt voldoende ondersteuning bij AI. 23% gebruikt het zonder dat hun organisatie het weet.
Het Workforce Pulse-rapport is gebaseerd op antwoorden van meer dan 3.000 HR-beslissers en 6.000 medewerkers en steunt daarmee op het grootste onderzoek onder HR-leiders in Europa. Het brengt de uitdagingen, kansen en prioriteiten in kaart van organisaties in een wereld die zich aanpast aan AI.
Data is de doorslaggevende factor tussen AI die wél oplevert wat je ervan verwacht en AI die teleurstelt. Maar het is een kloof die elk team kan dichten. Dit rapport is jouw gids om dat te doen, zodat AI eindelijk levert wat beloofd werd (en misschien nog meer).
De belangrijkste bevindingen in één oogopslag
67 %
van de HR-leiders beoordeelt de bedrijfsprestaties als hoog of zeer hoog
49 %
zegt dat werven nog steeds moeilijk is
51 %
van de medewerkers zoekt actief naar een nieuwe baan — en 26% is van plan binnen zes maanden op te stappen
21 %
van de organisaties heeft grotendeels volledige en accurate personeelsdata, tegenover 37% met aanzienlijke datagaten
65 %
van de HR-leiders heeft een belangrijke beslissing genomen zonder volledig vertrouwen in hun data
89 %
van de HR-leiders gebruikt AI in HR-processen, maar slechts 21% zegt over de volledige, accurate personeelsdata te beschikken om dit te ondersteunen
14 %
van de HR-leiders heeft AI diep geïntegreerd met hun personeelsdata
8x
HR-teams met onvolledige of onnauwkeurige personeelsdata zeggen acht keer vaker dat AI de verwachtingen niet waarmaakte dan teams met volledige, accurate data
31 %
van de medewerkers zegt dat hun organisatie voldoende ondersteuning biedt bij AI
23 %
van de medewerkers gebruikt AI zonder dat hun bedrijf het weet
26 %
van de medewerkers krijgt zelden of nooit een duidelijke uitleg over hoe beslissingen tot stand komen
Voorwoord
Dit is het derde jaar dat we Workforce Pulse uitvoeren. Met trots kan ik zeggen dat het het grootste onderzoek onder HR-leiders in Europa is. Meer dan 3.000 deelnemers deden mee, samen met 6.000 medewerkers. De resultaten zijn opvallend, vooral als het om AI gaat. Dit jaar springen voor mij drie grote kansen eruit.
De eerste kans zit in het budgetgesprek. Budgetten, recruitment en salarisverwachtingen zijn sinds vorig jaar allemaal afgekoeld. Alleen het budget voor AI en automatisering blijft overeind: 62% van de HR-leiders verwacht hier nog steeds een stijging. Voor mij ligt de kans niet in wachten tot andere budgetten groeien, maar in automatisering gebruiken om er meer uit te halen. In de praktijk betekent dat drie dingen: handmatig werk automatiseren, onze manier van werken vereenvoudigen en managers meer eigenaarschap geven. Taken die we voorheen misschien te veel naar ons toe trokken, kunnen we zo weer bij de managers neerleggen. Het gaat erom capaciteit te creëren binnen het team dat ik al heb, zodat we onze tijd beter kunnen besteden.
De tweede kans zit in hoe we omgaan met onze eigen kennis. Slechts 21% van ons heeft volledige, accurate personeelsdata, en 37% valt in het “datatekort”-kamp. Volgens mij komt dat deels doordat HR van oudsher niet heel gestructureerd met informatie is omgegaan. Processen worden vaak pas achteraf vastgelegd en informatie staat vervolgens verspreid over talloze systemen. Daar moeten we volgens mij echt anders naar gaan kijken. We moeten onze kennis en processen net zo behandelen als technische teams hun code behandelen. Dat betekent dat alles op één plek moet worden opgeslagen. Er moet duidelijke governance zijn over hoe wijzigingen worden doorgevoerd en wie deze goedkeurt en beoordeelt. Dat is de cruciale basis om AI-agents écht te laten werken voor HR.
De derde kans zit in hoe we praten over onze beslissingen. Ongeveer de helft van ons heeft dit jaar een grote beslissing genomen zonder volledig vertrouwen in de onderliggende data. Dat is op zich geen verrassing: beslissingen nemen op basis van onvolledige informatie hoort nu eenmaal bij ons werk. Maar hier ligt de echte kans. Slechts 20% van de medewerkers zegt altijd een duidelijke uitleg te krijgen over beslissingen die hen raken. Natuurlijk moeten we binnen HR voorzichtig omgaan met persoonsgegevens. Een groot deel van die informatie is nu eenmaal vertrouwelijk en gevoelig. Maar dat kan ook makkelijk een excuus worden om beslissingen minder goed uit te leggen dan we zouden kunnen – en eigenlijk zouden moeten. Als je vertelt welke afwegingen en redenen achter een beslissing zitten, stel je jezelf natuurlijk open voor vragen, feedback en kritiek. Dat kan best ongemakkelijk zijn. Toch geloof ik dat het uiteindelijk zorgt voor betere beslissingen, meer vertrouwen en meer draagvlak.
Sterker nog, ik zie de inzichten van dit jaar als een enorme kans. Een kans om dingen anders te doen, onze manier van werken opnieuw uit te vinden en de huidige aandacht voor HR-leiders en teams te gebruiken. Zo tillen we onze impact en bijdrage naar een hoger niveau. Dat is de manier van werken die ik dit jaar ook binnen mijn eigen team verder wil ontwikkelen.
Philipp Richter
Chief People Officer bij Personio
AI per land bekeken
20%
van de Nederlandse medewerkers maakt zich zorgen dat ze hun baan aan AI verliezen
34%
van de Nederlandse medewerkers gebruikt AI in hun functie
Slechts 20% van de Nederlandse medewerkers maakt zich zorgen dat ze hun baan aan AI verliezen, het laagste percentage van alle onderzochte regio’s. Ook het gebruik van AI ligt relatief laag: 34% gebruikt AI in zijn of haar functie. Het beeld is dus niet dat Nederlandse medewerkers massaal bezig zijn met de mogelijke gevolgen van AI. Zowel de zorgen als het gebruik lijken vooralsnog beperkt.
Waarom dat zo is, is lastiger te zeggen. Sterke arbeidsbescherming kan de zorgen over baanverlies door AI bijvoorbeeld temperen. Ook kan de Nederlandse nuchterheid een rol spelen, met een voorkeur voor praktische toepassingen boven de hype rond nieuwe technologie. Op basis van deze data is niet vast te stellen welke verklaring het zwaarst weegt, of dat er andere factoren meespelen.
Voor HR-leiders die in Nederland een AI-strategie willen invoeren, brengt dat een specifieke uitdaging met zich mee. Er is relatief weinig urgentie vanuit medewerkers zelf. HR zal daarom duidelijk moeten maken wat AI oplevert en waarom het relevant is voor medewerkers, in plaats van alleen te reageren op druk vanuit de directie of de werkvloer.
2025 voelde voor HR misschien als het comeback-jaar. Na jaren waarin we onder constante druk elke beslissing opnieuw tegen het licht hielden, leek het eindelijk de goede kant op te gaan. Budgetten boden meer ruimte en het aantal ontslagen leek af te nemen.
Het voelde alsof het de goede kant op ging. Maar inmiddels weten we dat 2025 eerder de uitzondering dan de regel was.
Vergeleken met 2024 voelt 2026 nog steeds als een optimistisch jaar. Maar er hangt duidelijk weer dat vertrouwde vleugje voorzichtigheid in de lucht.
Hoe verwacht je dat het volgende de komende 12 maanden zal veranderen?
% verwacht een stijging
HR-budgetten
51%
53%
44%
202420252026
Werving in het algemeen
50%
52%
43%
202420252026
Gemiddeld salaris
54%
55%
47%
202420252026
Ontslagen
60%
39%
38%
202420252026
Winstgevendheid van het bedrijf
51%
56%
50%
202420252026
Bedrijfsprestaties
56%
69%
67%
202420252026
Het jaar van voorzichtig vertrouwen in HR
De verwachtingen voor werving, winst, salarissen en budgetten voor het komende jaar zijn allemaal gedaald ten opzichte van 2025. Vooral als het gaat om HR-budgetten en werving verwachten minder HR-leiders een stijging: voor beide daalde het aandeel met negen procentpunt.
Hoewel de cijfers iets zijn teruggelopen ten opzichte van de hoge niveaus van vorig jaar, is het algemene sentiment binnen HR nog altijd duidelijk positiever dan in 2024.
De verwachting rond ontslagen bleef stabiel op 38%, tegenover 60% twee jaar geleden. Ook de bedrijfsprestaties hielden stand: 67% van de HR-leiders beoordeelt deze als hoog of zeer hoog.
De economische situatie en de huidige zakelijke beperkingen betekenen dat budget, werving, beschikbaarheid en winstgevendheid helemaal bovenaan de agenda staan. Dat betekent dat werven lastiger blijft. Fouten maken wordt duurder.
De druk op talent neemt af, maar werven blijft lastig
Vergeleken met 2025 denken minder HR-leiders dat een tekort aan talent en vaardigheden hun grootste belemmering voor bedrijfssucces zal zijn in de komende 12 maanden (33% tegenover 39%).
Dat betekent niet dat werven in het algemeen makkelijker is geworden. Bijna de helft (49%) vindt het nog steeds lastig om te werven, wat erop wijst dat de druk zich concentreert rond een paar cruciale vaardigheden en kandidaatprofielen.
Als je geen goed talent kunt werven, ligt het voor de hand dat je het intern moet ontwikkelen. Het probleem is: een aanzienlijk deel van de medewerkers is van plan op te stappen. En dat willen ze snel doen.
De vertrekintenties van medewerkers blijven in 2026 hoog, maar wel stabiel. Meer dan de helft (51%) van de medewerkers zoekt actief naar een nieuwe rol. 26% is van plan binnen zes maanden op te stappen. Voor de meeste teams die al met beperkt budget en beperkte capaciteit werken, is dat weinig speelruimte.
Wat beschouw je als mogelijke belemmeringen voor het succes van je organisatie in de komende 12 maanden?
Zo ziet goede AI eruit: workforce- en scenarioplanning automatiseren
Het probleem: Personeelsplanning is versnipperd over spreadsheets, finance en hiring managers, en reageert niet op veranderende bedrijfsdoelen.
De toepassing: Gebruik AI-ondersteunde tools om een scenarioplanner voor personeelsplanning te bouwen. Daarmee kun je verschillende organisatiestructuren, locaties, functies, vaardigheden, niveaus en kosten in kaart brengen.
Het resultaat: Talentplanning en besluitvorming werden zichtbaarder en makkelijker te delen en aan te passen.
Een bedrijf waarmee ik werkte, groeide uit over meerdere landen en was tegelijkertijd bezig met het aannemen van mensen voor verschillende afdelingen. Ze bouwden een eenvoudige manier om verschillende scenario’s voor de langere termijn te modelleren: welke niveaus, vaardigheden en capaciteiten zouden nodig zijn en hoeveel dat zou kosten in termen van groei van het aantal medewerkers per afdeling. Ze gebruikten Lovable en voegden daar vervolgens Google Single Sign-On, een volwaardige backend en een deployment via Vercel aan toe.
Daardoor werd talentmapping veel transparanter en inzichtelijker. Ze konden scenario’s visueel uitwerken, delen en snel aanpassen. Zo hadden ze één duidelijk, centraal overzicht van de beslissing, inclusief de onderliggende argumentatie.
Onzekerheid over de toekomst werkt ook door in hoe HR-leiders het dagelijkse leven binnen hun organisatie ervaren.
Vergeleken met 2025 beoordelen HR-leiders medewerkersbetrokkenheid, de effectiviteit van de HR-functie en vertrouwen in het leiderschap minder vaak als hoog.
Een deel van het probleem kan te maken hebben met data. In 2026 geven HR-leiders minder vaak aan dat ze feedback van medewerkers gebruiken om hun beslissingen te onderbouwen. Ook het vertrouwen in HR als datagedreven functie is afgenomen: van 66% in 2025 naar 61% in 2026.
Nu HR-data zich steeds verder verspreidt over verschillende systemen en platforms, hebben leiders minder vertrouwen in hun vermogen om op basis van die informatie de juiste beslissingen te nemen.
HR staat nu voor een ware datastroom. We hebben er allemaal te veel van. Maar je kunt geen verandering teweegbrengen voor het bedrijf als je vastzit met data die je niet kunt gebruiken. En er is een groot verschil tussen veel data hebben en data hebben die geschikt zijn om beslissingen op te baseren.
Fractional global talent acquisition lead, Maverick Otter
Hoe zou je het volgende beoordelen binnen jouw organisatie?
% dat 'hoog' zei
Medewerkersbetrokkenheid
65%
63%
20252026
Effectiviteit van de HR-functie
65%
62%
20252026
Vertrouwen in het leiderschap
66%
62%
20252026
Feedback van medewerkers gebruiken om beslissingen te onderbouwen
69%
65%
20252026
Vertrouwen om een datagedreven functie te zijn, vergeleken met twee jaar geleden
66%
61%
20252026
Trend 1
De AI-realitycheck
De meeste AI-problemen van HR zijn helemaal geen AI-problemen.
Inmiddels is AI bijna overal doorgedrongen in HR. Iedereen heeft al het glimmende nieuwe speeltje.
En bij sommige organisaties doet het echt zijn werk. Het scenarioplanningsproces voor personeelsbezetting waar drie afdelingen vroeger twee weken over spreadsheets zaten te zwoegen, wordt nu in één middag gemodelleerd. Een leidinggevende die betere één-op-één-gesprekken wil voeren, besteedt meer tijd aan het gesprek zelf, en minder aan de voorbereiding.
Bij andere organisaties brengt het juist nieuwe problemen met zich mee. Agents die niet met elkaar communiceren. Beslissingen op basis van onbetrouwbare inzichten. Werk dat dubbel wordt gedaan. Er blijft een knagend gevoel dat processen er niet beter of sneller van zijn geworden.
En misschien is dat ook wel zo – voorlopig. Maar dat gaat veranderen. Om die omslag te maken, moeten deze HR-teams hun mindset aanpassen: ze hebben tot nu toe alleen de zichtbare problemen opgelost, in plaats van naar de onderliggende oorzaken te zoeken.
AI versterkt wat eronder ligt: goede processen of slechte processen, sterke data of zwakke data. Het is aan ons als leiders om dat framework te bouwen en te bepalen hoe ‚goed‘ er voor ons uitziet.
Fractional global talent acquisition lead, Maverick Otter
HR wil volop aan de slag met AI, maar iets houdt het nog tegen
Klop, klop: AI staat voor de deur en HR heeft die deur wagenwijd opengezet. Negen van de tien HR-leiders gebruikt al AI in hun processen. Adoptie is duidelijk niet het probleem.
89%
van de HR-leiders gebruikt al AI in HR-processen
14%
heeft AI diep geïntegreerd met hun personeelsdata
Ik zie veel HR-teams investeren in allerlei AI-platformen en uiteindelijk vastlopen met agents en verschillende tools die niet met elkaar praten. Dan hebben ze dat hele AI-landschap en vragen ze zich af: ‘Wat doen we hier nu mee?’ Wij proberen intentioneler te werk te gaan en ons te richten op waar AI tijd kan besparen binnen het werk dat people operations al doet, terwijl we ook uitdagen hoe werk wordt gedaan, om continue verbetering binnen people operations te stimuleren.
AI koppelen aan de data en bestaande techstack van HR blijkt lastig. Slechts 14% van de HR-leiders zegt AI diep te hebben geïntegreerd met hun personeelsdata. De meeste organisaties werken daardoor met een verzameling losse platforms en systemen die maar beperkt met elkaar samenwerken. Maar AI-integratie is niet het juiste startpunt. Het probleem begint al eerder: bij de manier waarop teams hun processen hebben ingericht voordat AI zijn intrede deed.
„Het verschil tussen AI gebruiken en het diep integreren komt neer op één ding: het herontwerpen van processen”, zegt Puren Ucar, oprichter en adviseur bij Milele. „De meeste teams die ik zonder resultaat AI zie gebruiken, hebben simpelweg tools bovenop bestaande workflows geplakt. Degenen die wél resultaat zien, hebben de workflow vanaf het begin rond AI heringericht.”
Welke databronnen gebruikt HR voor besluitvorming?
Opkomende trend
De impact van integratie
HR-leiders noemen integratie als belangrijkste reden waarom ze nog geen waarde uit hun AI-tools halen. Eén op de vier (25%) noemt dit als probleem. En de data laat zien dat de mate van integratie ertoe doet.
6x
Organisaties waar HR-leiders aangeven dat AI de verwachtingen overtreft, hebben zes keer vaker technologie die diep is geïntegreerd dan organisaties waar AI niet aan de verwachtingen voldoet (42% tegenover 7%).
7%
Slechts 7% van de organisaties waar AI niet aan de verwachtingen voldoet, zegt dat AI diep is geïntegreerd.
2x
HR-leiders die hun vermogen om datagedreven beslissingen te nemen als ‘hoog’ beoordelen, hebben twee keer zo vaak AI diep geïntegreerd in hun data als HR-leiders met minder sterke datacapaciteiten (17% tegenover 8%).
Is de mate van integratie een goede graadmeter voor succes met AI?
Als grove indicatie: ja. Een verregaande integratie gaat vaak samen met AI die daadwerkelijk waarde oplevert. Maar het is vooral een teken van volwassenheid, geen snelle route daarnaartoe. Het belangrijkste is waar teams AI integreren.
AI onderdeel maken van een proces dat slecht is ingericht of helemaal geen AI nodig heeft, betekent uiteindelijk dat je AI in het verkeerde proces hebt ingebouwd. En in veel gevallen is AI misschien helemaal niet de oplossing voor het probleem. Het kan zijn dat juist het proces anders moet worden ingericht.
“AI kan bij sommige organisaties diep geïntegreerd zijn, maar dan wel in processen die het eigenlijk niet nodig hebben”, zegt Adam Horne, medeoprichter van Open Org. “Het grotere probleem is dat veel People-teams niet duidelijk in kaart hebben gebracht waar hun echte problemen liggen en of AI in die specifieke toepassing daadwerkelijk waarde toevoegt.”
Zo ontdek je waar integratie echt waarde toevoegt. Vraag jezelf af:
Zo ontdek je waar integratie echt waarde toevoegt. Vraag jezelf af:
Welk probleem moet AI in deze workflow of dit proces oplossen?
Zien we meetbare resultaten sinds we AI hier hebben geïntegreerd?
Heeft AI daadwerkelijk werk weggenomen, of is het werk alleen ergens anders terechtgekomen?
Kunnen we hetzelfde probleem oplossen door het proces opnieuw in te richten?
Meer geld, dezelfde problemen
Als je je hebt afgevraagd of het AI-budget van iedereen groter is dan het jouwe: het gras is niet groener aan de overkant.
De budgetten zijn over de hele linie eigenlijk vrij bescheiden: Nederlandse organisaties geven gemiddeld € 14.382 per jaar uit aan AI in HR. Meer dan de helft (64%) van de HR-teams geeft helemaal niets uit, gebruikt AI-functies die al in bestaande producten zijn ingebouwd, of houdt de AI-kosten onder € 6.000.
Of je nu een enorm budget hebt of juist niet: de beste voorspeller van hoe tevreden organisaties zijn met hun AI-tools is de kwaliteit van hun personeelsdata. Van de teams die geld uitgeven aan AI zegt slechts 6% van de organisaties met goede data – organisaties met grotendeels complete en accurate data – dat hun tools niet aan de verwachtingen voldoen. Bij organisaties met gebrekkige data – met grotendeels onnauwkeurige en onvolledige data – ligt dat aandeel op 22%.
Wat geeft HR eigenlijk uit aan AI?
AI levert pas echt iets op als de onderliggende processen op orde zijn
Twee organisaties kunnen precies dezelfde tool kopen en toch heel verschillende ervaringen hebben, afhankelijk van wat eronder ligt. Maar ze kunnen ook heel verschillende uitkomsten zien — het soort dat invloed heeft op salaris, doorgroei en werkbeleving van medewerkers.
Meer dan een derde van de organisaties die zeggen AI-gegenereerde inzichten (35%) of voorspellende analyses (37%) te gebruiken voor personeelsbeslissingen heeft aanzienlijke hiaten en onnauwkeurigheden in de data waar die tools op leunen.
“AI legt problemen bloot die er al waren – de shortcuts die we in het verleden hebben genomen”, zegt Dr JooBee Yeow, adviseur van oprichters bij Learngility. “Als organisaties jarenlang genoegen hebben genomen met inconsistente data, onduidelijke processen of gebrekkige governance, maakt AI die zwakke plekken simpelweg zichtbaarder en versterkt het ze soms zelfs.”
In totaal zegt slechts 15% van de HR-leiders die AI gebruiken dat het de verwachtingen niet waarmaakte. Maar dat risico is ongelijk verdeeld: organisaties met de meest volledige personeelsdata voelen zich het minst teleurgesteld, terwijl organisaties met de meest onvolledige data acht keer vaker hetzelfde zeggen (19,8% tegenover 2,6%).
Wat nu? Zorg dat AI echt iets oplevert
Wanneer teams AI goed integreren in HR-workflows, is de kans veel groter dat ze ook daadwerkelijk iets terugzien van hun investering, ongeacht hoe groot het budget is. De kunst is om te bepalen waar AI echt waarde toevoegt en vervolgens bij elke nieuwe toepassing te toetsen of dat ook daadwerkelijk gebeurt.
1
Bepaal eerst wat je met AI wilt bereiken
Je AI-budget harder laten werken begint met weten wat je eigenlijk wilt bereiken. Als je redenering is dat dingen sneller of beter moeten, vraag jezelf dan eerst af waarom.
„De meeste mensen beginnen met de vraag: ‘Welke AI-tools heb ik nodig?’”, zegt Theen. „Maar als ik vraag waar ze eigenlijk hulp bij nodig hebben, is het antwoord meestal: ‘Ik wil dat dit sneller gaat.’ Sneller waarin? Misschien is veel van wat je doet overbodig. Haal eerst het handwerk eruit, en zoek dan uit waar AI echt past.”
2
Breng elke workflow stap voor stap in kaart
Als je AI integreert in een slecht proces, houd je nog steeds een slecht proces over. Het is essentieel om je workflows in kaart te brengen en te ontdekken waar teams werk dubbel doen of tegen wrijving aanlopen. Maar het is nog beter om dat in real time te doen.
„In veel projecten waar ik aan werk, bestaat het echte werk vooral uit het repareren van de onderliggende workflows”, legt Matthew Bradburn, oprichter bij Deepgrain, uit.
“Neem elke workflow op met een schermopname, tot op het kleinste detail. Wie klikt waarop? Waar zitten de knelpunten? Waar moeten mensen dingen verplaatsen of steeds tussen verschillende platforms schakelen? Hebben ze deze workflow überhaupt nodig vanuit menselijk perspectief, nog voordat je naar AI kijkt? Door je processen op deze manier op te breken, zie je waar HR-teams dénken dat de problemen zitten en waar de problemen in werkelijkheid zitten.”
3
Maak datakwaliteit een voorwaarde voor ieder AI-project
Als de kwaliteit van data een van de belangrijkste voorspellers is van tevredenheid over AI, is het een effectieve voorwaarde waar ieder projectvoorstel aan moet voldoen voordat het groen licht krijgt.
“Gebruik de introductie van AI als aanleiding om de datakwaliteit op orde te brengen”, zegt Ucar. “De meeste AI-projecten die ik heb zien mislukken, doen dat omdat de onderliggende data onvolledig is. Een organisatie waarmee ik nu werk, stelt bijvoorbeeld als voorwaarde dat ieder AI-project vooraf een concrete doelstelling en meetbare KPI vastlegt voordat er budget voor wordt vrijgemaakt. Die ene regel maakte datakwaliteit een voorwaarde voor AI-investeringen in plaats van iets waar je pas achteraf naar kijkt. En dat veranderde het gesprek sneller dan welke data-audit dan ook.”
Trend 2
De datakloof
Een goede databasis vraagt om twee dingen: betrouwbare data en de vaardigheden om die goed te benutten. Weinig teams hebben beide.
In een ideale wereld wordt elke beslissing van HR onderbouwd door precies de juiste data. Elk datapunt wordt in real time bijgewerkt, en al je tools wisselen die data onderling uit zonder dat je een vinger hoeft uit te steken. En je AI-functies werken feilloos omdat ze leunen op één betrouwbare bron van actuele en accurate data.
Maar dit is de werkelijkheid. En die is een stuk rommeliger.
Beslissingen worden snel genomen tijdens het dagelijkse werk, op basis van de data die je op dat moment hebt en het inzicht dat je in de loop der jaren hebt opgebouwd. Controleren of de data die je hebt aansluit bij wat je nodig hebt, kost tijd die de organisatie niet kan missen. Het bijwerken van de data blijft maar onderaan de eindeloze to-dolijst belanden.
Het ligt niet alleen aan jou, en het is geen tekortkoming. Want zoals blijkt: bijna iedereen loopt ergens tegen datagaten aan.
Organisaties zeggen tegen HR: koop de AI-tools en sluit ze aan. Maar als we geen stoppenkast hebben die het vermogen aankan, slaat de stop uiteindelijk door.
zegt dat hun vermogen om personeelsdata te benutten „strategisch” of „effectief” is
21%
geeft aan grotendeels volledige en accurate personeelsdata te hebben
Slechts 21% van de HR-leiders beschikt over complete en accurate personeelsdata. Bij 37% zitten er juist grote hiaten en onnauwkeurigheden in de data waarop ze dagelijks hun HR-processen baseren.
Toch beoordeelt bijna de helft (49%) hun vermogen om data te benutten – wat ze daadwerkelijk doen met de data die ze hebben – als ‘effectief’ of ‘strategisch’. En van de organisaties die zeggen data zeer strategisch in te zetten, beschikt 40% in werkelijkheid niet over de complete en accurate databasis die daarvoor nodig is.
De andere helft geeft toe dat hun vermogen om data te benutten beperkt is, en dat ze moeite hebben om data te gebruiken bij het nemen van beslissingen. Samen bekeken lijken het twee kanten van hetzelfde verhaal.
„De HR-functie als geheel worstelt met een gebrek aan datageletterdheid”, zegt Monique Major, Senior Director of HR, People Experience, and HR AI Transformation bij Diligent. „Maar daar zit nog iets onder: hoe HR-leiders hun eigen datageletterdheid inschatten. En dat is misschien wel de grotere kloof.”
Weinig HR-leiders hebben tijd voor een basiscursus statistiek. Toch zorgt deze kloof ervoor dat sommigen anders gaan nadenken over de samenstelling van hun HR-team.
“Een van de grootste uitdagingen van HR is dat we over enorm veel data beschikken, maar dat je een heel andere set vaardigheden nodig hebt om die data effectief te gebruiken”, zegt Katharina Kuhlmann, Global Director of People and Culture bij Harren Group. „Als ik voor ons team werf, focus ik op de vaardigheden die we nodig hebben, waar we de rol naartoe willen brengen, en wat die persoon aan het team toevoegt. Ervaring in exact dezelfde HR-rol is geen vereiste meer.”
HR-leiders voelen zich niet zeker over hun data
51%
van de leiders met goede data heeft in de afgelopen 12 maanden een beslissing genomen zonder volledig vertrouwen in hun data
75%
van de leiders met zwakke data heeft in de afgelopen 12 maanden een beslissing genomen zonder volledig vertrouwen in hun data
De verborgen datakloof binnen HR ondermijnt overal het vertrouwen in besluitvorming. Driekwart van de leiders met zwakke data moest het afgelopen jaar een beslissing nemen zonder volledig vertrouwen in hun data. Maar ook leiders met goede data (de 35% van wie de personeelsdata volledig en accuraat is, of dat benadert) zijn er niet immuun voor.
Schone data garanderen niet altijd een makkelijke beslissing als ze niet diepgaand genoeg zijn om het hele verhaal te vertellen. En tegen de tijd dat de beslissing wordt genomen, kunnen de data zelfs alweer verouderd zijn.
„HR-data veranderen dagelijks, maar de verwachting om snel beslissingen te nemen blijft bestaan”, zegt Aaron Windrum, principal HR consultant bij A Human Resource. „Leiders gaan ervan uit dat onvolmaakte data beter zijn dan geen data. Ze werken met wat ze hebben.”
Medewerkersonderzoeken, feedback van leidinggevenden en prestatiecijfers behoren tot de belangrijkste databronnen voor HR-beslissingen. Leiders hebben duidelijk voldoende volume, maar mogelijk niet genoeg diepgang om vertrouwen te wekken.
“Personeelsdata bevat ontzettend veel context die je niet altijd uit een rapport haalt, tenzij je heel zorgvuldig bent met welke informatie je invoert”, zegt Yasmin Chalmers, Head of People bij StackOne. “Als een kandidaat bijvoorbeeld je aanbod afwijst, moet je vastleggen waarom, in plaats van alleen te registreren dat diegene een andere baan heeft aangenomen. Anders blijft de data te oppervlakkig om er later bij een analyse echt iets aan te hebben.”
Welke databronnen gebruikt HR voor besluitvorming?
Data zorgt dagelijks voor problemen, maar wordt nog niet gezien als risico voor de lange termijn
Hoewel HR-teams zich bewust zijn van de problemen met hun data, geven ze niet altijd prioriteit aan de gevolgen daarvan voor de organisatie.
Slechts 15% van de HR-leiders ziet een beperkt vermogen om datagedreven beslissingen te nemen als een belangrijke belemmering voor het succes van de organisatie in de komende 12 maanden. HR-leiders noemen een tekort aan talent en vaardigheden daarentegen meer dan twee keer zo vaak.
Het probleem zit vooral in hoe we ernaar kijken. Tekorten aan talent zijn zichtbaar en spelen direct, waardoor ze steeds weer bovenaan de HR-to-dolijst belanden. Een paar inconsistente of onvolledige datasets voelen ondertussen eerder als een praktisch ongemak dan als een strategisch risico. Daardoor is het veel moeilijker om de gevolgen ervan voor de organisatie te zien.
HR kijkt vaak los van de rest van de organisatie naar de kwaliteit van HR-data, in plaats van te vragen of die data daadwerkelijk verbonden is met de resultaten die je als organisatie wilt bereiken. Als je niet duidelijk kunt uitleggen hoe je personeelsdata samenhangt met operationele of commerciële resultaten, is die data nog niet strategisch – hoe mooi het dashboard er ook uitziet.
Een sterke databasis begint met precies weten welke data je hebt, waar die staat en waarvoor je die gebruikt.
1
Werk terug vanuit de bedrijfsdoelen
Een sterke databasis begint met het zorgvuldig selecteren van de juiste data. Teams moeten eerst bepalen welke meetpunten belangrijk zijn voor de organisatie en zorgen dat die goed op orde zijn, voordat ze steeds meer data gaan verzamelen.
“De eerste reflex is vaak om meer data te verzamelen”, zegt Yeow. “Ik denk dat het vaak juist andersom moet. Begin met de beslissing die je binnen de organisatie beter wilt kunnen nemen en werk van daaruit terug. Welk organisatieresultaat is belangrijk? Welke meetbare signalen laten zien dat je vooruitgang boekt? Welke factoren rond medewerkers hebben invloed op die signalen? Pas daarna bepaal je welke data het waard is om te verzamelen.”
2
Ga genadeloos door de data die je al hebt
„De helft van de HR-leiders geeft ronduit toe: ‘We weten niet precies waar we naar kijken’”, zegt Theen. „Maar bij de andere helft komt dat vertrouwen misschien gewoon voort uit vertrouwdheid. Als leiders jaar na jaar met dezelfde beperkte reeks datapunten werken, verwar je gemakkelijk gewenning met effectiviteit.”
Bekijk de kpi's, rapporten en dashboards die je team standaard produceert of bijhoudt. Beoordeel of elk ervan nog steeds helpt om een relevante bedrijfsvraag te beantwoorden of een beslissing te nemen. Zo niet, ga dan na of het nog wel strategisch relevant is.
3
Kijk waar je meer context nodig hebt
Zodra duidelijk is welke data je nodig hebt, kijk dan beter waar ze slechts een gedeeltelijk beeld geven van wat er speelt, en waar je meer informatie nodig hebt. Dit is de context die je AI-tools helpt effectiever te werken.
Hoeveel detail je nodig hebt, hangt af van wat er op het spel staat bij de beslissing.
„Of data ‘gedetailleerd genoeg’ zijn, hangt af van wat je probeert te beslissen, wat er op het spel staat, de tijdshorizon en waar je anders op zou vertrouwen”, zegt Chalmers. „Bij salarisbenchmarking bijvoorbeeld: als je merkt dat je data over het marktniveau niet gedetailleerd genoeg zijn, is de consequentie van een verkeerde inschatting te groot om op je onderbuikgevoel te varen.”
Om te bepalen waar je data meer context nodig hebben, stel jezelf de vraag:
Waarom krijgen we steeds dezelfde uitkomst? Hebben we meer informatie nodig over gedrag of de redenering achter beslissingen?
Hebben we interne terminologie of definities die extra betekenis toevoegen? (Bijvoorbeeld: wat betekent ‘kwaliteit van werving’ of ‘high performance’ voor ons?)
Zouden verschillende teams dit datapunt op dezelfde manier interpreteren?
Hebben we situationele context nodig over wanneer of waar iets gebeurt (bijvoorbeeld: in welke fase van je wervingsfunnel haken de meeste kandidaten af?)
4
Maak datakwaliteit een KPI
Om je personeelsdata accuraat en actueel te houden, moet duidelijk zijn wie daarvoor verantwoordelijk is. Als je die verantwoordelijkheid binnen het hele HR-team wilt verankeren, moet dat onderdeel worden van het dagelijkse werk.
“De meest onderbenutte hefboom is ook de meest directe: koppel datakwaliteit aan prestaties”, zegt Ucar. “People-teams zouden duidelijke KPI’s moeten hebben voor de volledigheid en nauwkeurigheid van hun data. Die moeten worden bijgehouden, geëvalueerd en meegenomen in de manier waarop de HR-functie wordt beoordeeld. Zodra schone, gebundelde personeelsdata geen vrijblijvende ambitie meer is, maar een meetbare verwachting, verandert het gedrag.”
Zo ziet goede AI eruit: datahiaten opsporen met agents
Het probleem: Je hebt moeite om problemen met datakwaliteit en onnauwkeurigheden te zien.
De toepassing: Bouw een AI-agent die je datahiaten en onnauwkeurigheden identificeert en daarna autonoom draait zodra er nieuwe ontstaan.
Het resultaat: Handmatig datawerk valt weg, en de nauwkeurigheid van besluitvorming verbetert.
We houden heel veel data bij, en het is soms lastig om te weten wat belangrijk is versus wat we bijhouden omdat we dat altijd al deden. Met AI is het veel makkelijker om te zeggen: ‘hé agent, markeer de hiaten in onze medewerkersdata’. Ons belangrijkste doel is het handmatige werk bij het controleren van onze data te verminderen. De volgende stap is de kwaliteit zo te verbeteren dat we diepere inzichten kunnen krijgen.
HR-leiders zeggen dat beslissingen meer datagedreven zijn dan ooit. Medewerkers zeggen dat ze nog steeds geen uitleg krijgen.
Sinds het begin van het AI-tijdperk proberen HR-leiders één vraag te beantwoorden: hoe voelen medewerkers zich bij de machine in hun midden?
De media staan vol schreeuwerige koppen over banenverlies en tekorten aan vaardigheden. Bij de HR-koffieautomaat wordt gefluisterd over stiekem AI-gebruik en opzettelijke sabotage.
Als dit onze nieuwe realiteit is, voelt die vreemder dan fictie.
Het goede nieuws is dan ook dat een deel daarvan waarschijnlijk overdreven was. Want wat medewerkers eigenlijk vragen, is veel simpeler: vertrouwen, duidelijkheid en transparantie.
De menselijke uitdaging is weerstand bieden aan de verleiding om AI als nóg een shortcut te behandelen. Technologie kan onduidelijk eigenaarschap, inconsistente besluitvorming of zwakke operationele discipline niet compenseren.
Optimisme over AI weegt bij medewerkers zwaarder dan angst
Waar vrijwel alle HR-leiders AI inmiddels gebruiken, zijn medewerkers wat terughoudender. 38% van de medewerkers zegt AI momenteel te gebruiken om hen te ondersteunen in hun werk. Maar de mate waarin AI wordt gebruikt verschilt sterk per groep.
Kantoormedewerkers (48%) gebruiken meer dan twee keer zo vaak AI als medewerkers die niet voornamelijk achter een bureau werken (23%).
Sectoren waar AI al verder is ingeburgerd, zoals IT en telecom (60%), finance (52%) en sales, media en marketing (50%), laten de hoogste adoptiecijfers zien.
In sectoren met veel medewerkers op de werkvloer blijft het gebruik achter, zoals zorg (30%) en retail en horeca (32%).
44% van de medewerkers van 25 tot 34 jaar gebruikt AI in het werk, tegenover 28% van de groep van 55 jaar en ouder.
Medewerkers die optimistisch zijn over het potentieel van AI zijn in de meerderheid ten opzichte van degenen die dat niet zijn (40% tegenover 27%), waarbij jongere medewerkers over het algemeen positiever zijn dan oudere collega's.
Enthousiasme over het potentieel van AI om werk te verbeteren
Maar na een enorme groei vorig jaar koelt het AI-gebruik onder medewerkers nu af. In 2025 verdubbelde het AI-gebruik onder medewerkers bijna, van 24% naar 43%. In 2026 zakte dit terug naar 38%. En 25% van de medewerkers maakt zich zorgen hun baan aan AI te verliezen.
Medewerkers die momenteel AI gebruiken
24%
43%
38%
202420252026
Zonder goede ondersteuning komen medewerkers met AI niet echt verder
Als het AI-gebruik onder medewerkers de laatste tijd wat trager loopt, kan dat komen doordat ze zich niet voldoende ondersteund voelen bij het gebruik ervan.
Slechts 31% van de medewerkers zegt dat hun werkgever voldoende AI-ondersteuning biedt op het werk. Dat is 5 procentpunten minder dan vorig jaar.
Het aandeel medewerkers dat actief werkt aan hun AI-vaardigheden daalde van 49% in 2025 naar 44% in 2026.
Medewerkers zijn over het algemeen minder zeker dat hun vaardigheden de tand des tijds doorstaan (66% in 2025 tegenover 62% in 2026).
In het begin was het invoeren van AI-tools relatief makkelijk. Medewerkers doken er gretig in, nieuwsgierig naar wat het kon en hoe het hun werk beter kon maken.
Maar er is een groot verschil tussen AI gebruiken en het goed gebruiken op het werk. De haast om het organisatiebreed in te voeren, volgens de regels van de organisatie, liep vooruit op zowel de vaardigheden van medewerkers als de ondersteuning die bedrijven konden bieden. De snelle successen die in de eerste maanden overvloedig kwamen, zijn afgenomen. En zonder de juiste ondersteuning op het juiste moment, nemen enthousiasme en voortgang af.
„Medewerkers horen voortdurend van hun bedrijfsleiding ‘gebruik AI’, zonder duidelijke begeleiding”, zegt Bradburn. „Ze zien geen impact of daadwerkelijk bewijs dat het iets wezenlijks verandert binnen het bedrijf.”
Opkomende trend
Gemengde gevoelens
Hoewel medewerkers overwegend positief zijn over de potentiële impact van AI, is het algehele beeld van hoe ze zich voelen niet zo eenduidig. Bij verschillende stellingen over sentiment lagen instemming en afwijzing vaak dicht bij elkaar.
Mee eensNeutraalMee oneens
Ik weet heel weinig over hoe je AI op het werk gebruikt
36%28%33%
Mijn organisatie moedigt het gebruik van AI aan om de efficiëntie te verbeteren
35%29%33%
Ik zou graag meer ondersteuning willen bij het gebruik van AI-tools op het werk
37%32%28%
AI-tools hebben me productiever gemaakt in mijn huidige rol
35%29%33%
Ik maak me zorgen dat de werkplek verandert doordat AI banen vervangt
34%27%37%
Waardoor twijfelen medewerkers?
Hoewel deze cijfers als onverschilligheid of neutraliteit gelezen kunnen worden, denken wij dat het eigenlijk het tegenovergestelde is.
Een groot deel van de neutrale en gemengde antwoorden weerspiegelt een beroepsbevolking die met een onzekere toekomst wordt geconfronteerd. En hoewel er over het geheel genomen meer voorstanders dan actieve tegenstanders zijn, zijn we nog ver verwijderd van het gezonde enthousiasme dat nodig is om experimenteren en nieuwe toepassingen te stimuleren.
„We zitten in een moment waarin mensen zichzelf ter discussie stellen”, zegt Horne. „Er is geen benchmark voor hoe goed of slecht mensen zijn in het gebruik van AI. Niemand weet echt hoe AI er over 12 maanden uitziet. Sommigen zeggen dat het alles zal veranderen, anderen zeggen van niet. Medewerkers zitten misschien gewoon tussenin, omdat ze het simpelweg niet weten.”
Medewerkers en HR zijn het niet eens over datatransparantie
Als AI voor medewerkers nog steeds als een black box voelt, hebben ze ook het gevoel in het duister te tasten over hoe hun organisatie data gebruikt om beslissingen over hun toekomst te nemen.
20%
van de medewerkers zegt „altijd” een duidelijke uitleg te krijgen over hoe HR-beslissingen tot stand komen
55%
begrijpt hoe hun data meewegen in het besluitvormingsproces
61%
van de HR-leiders zegt dat hun beslissingen datagedrevener zijn dan twee jaar geleden
Slechts 20% van de medewerkers zegt altijd een duidelijke uitleg te krijgen over hoe HR-beslissingen die hen raken tot stand komen, zoals over salaris, prestaties en promoties. Meer dan een kwart (26%) krijgt dit zelden of nooit.
Velen begrijpen ook niet welke rol hun data spelen binnen dat proces: net iets meer dan de helft (55%) van de medewerkers weet hoe hun data meewegen in de besluitvorming zelf.
Maar spiegeltje, spiegeltje aan de wand: HR ziet zichzelf nog steeds als de meest datagedreven functie van allemaal. 61% van de HR-leiders is het ermee eens dat hun processen en beslissingen datagedrevener zijn dan twee jaar geleden. Deze transparantiekloof kan een grotere uitdaging worden zodra AI in meer processen met medewerkers wordt geïntegreerd.
„Medewerkers zijn niet per se bang voor AI”, zegt Dominic Joyce, fractional global talent acquisition lead, Maverick Otter. „Ze zijn bang voor wat de organisatie met de tool zou kunnen doen, wat het betekent voor hun rol, en of beslissingen die hen raken minder transparant worden. Ze hoeven niet elk technisch detail van een algoritme te begrijpen, maar ze verdienen wel te begrijpen hoe belangrijke beslissingen ermee worden genomen.”
Opkomende trend
Gaan medewerkers straks AI-transparantie eisen?
De helft van de medewerkers begrijpt niet hoe hun data worden gebruikt bij beslissingen op de werkvloer. Toch wil slechts 10% van de medewerkers weten hoe AI beslissingen over hen neemt.
Naarmate HR-teams AI steeds meer inbedden in de hele employee lifecycle, kan de vraag naar transparantie en uitlegbaarheid snel toenemen zodra medewerkers meer weten over waar AI in processen meeweegt.
De verborgen kosten van gebrekkige datatransparantie
HR en medewerkers zijn het niet eens over hoe data beslissingen beïnvloeden. Maar voor medewerkers heeft die onduidelijkheid een aanzienlijke impact op hoe ze naar het werk komen.
Medewerkers die altijd een duidelijke uitleg krijgen over hoe hun data worden gebruikt voor beslissingen, zijn meer dan twee keer zo vaak sterk gemotiveerd, en meer dan 2,5 keer zo vaak zeggen ze HR „in hoge mate” te vertrouwen. Ze rapporteren ook vaker een hogere productiviteit en blijven eerder bij het bedrijf.
Vertrouwen HR „in hoge mate”
40%
Krijgen „altijd” een duidelijke uitleg
15%
Krijgen „zelden” of „nooit” een duidelijke uitleg
Rapporteren hoge motivatie
64%
Krijgen „altijd” een duidelijke uitleg
31%
Krijgen „zelden” of „nooit” een duidelijke uitleg
Rapporteren hoge productiviteit
72%
Krijgen „altijd” een duidelijke uitleg
46%
Krijgen „zelden” of „nooit” een duidelijke uitleg
Actief op zoek naar een andere baan
44%
Krijgen „altijd” een duidelijke uitleg
60%
Krijgen „zelden” of „nooit” een duidelijke uitleg
Opkomende trend
AI onder de radar
AI heeft de ontwikkeling van vaardigheden en ondersteuning inmiddels ingehaald. Ook het vermogen van organisaties om AI goed te reguleren blijft achter. Daardoor nemen sommige medewerkers het heft in eigen handen.
Maar dat betekent niet per se dat er een probleem is met ondersteuning of training. Althans, niet op de manier die je misschien zou verwachten.
23%
van de medewerkers geeft toe AI te gebruiken zonder dat hun werkgever dit weet.
5x
Medewerkers die zeggen dat AI hun productiviteit heeft verbeterd, gebruiken het meer dan vijf keer zo vaak zonder medeweten van hun werkgever dan degenen bij wie dat niet zo is (45% tegenover 8%).
3x
Medewerkers die zeggen voldoende AI-training te krijgen, gebruiken AI drie keer zo vaak onder de radar als degenen die dat niet doen (43% tegenover 14%).
Wat verklaart deze paradox?
Een mogelijke verklaring is dat medewerkers die zich zeker voelen bij het gebruik van AI en zien hoe het hun rol ten goede komt, het proactief in hun werk integreren, met of zonder toestemming van hun organisatie.
Maar als organisaties deze verborgen groep niet weten te faciliteren, moeten ze zich zorgen maken over zowel retentie als risicobeheersing. Medewerkers die AI in het geheim gebruiken, zoeken veel vaker actief naar een andere baan dan niet-gebruikers (67% tegenover 42%).
“De twijfel van medewerkers komt vaak voort uit het feit dat ze binnen de organisatie geen toepassingen zien die echt waarde toevoegen”, zegt Major. “De mensen die die toepassingen wél hebben gevonden, kunnen gefrustreerd raken als de organisatie hen niet de middelen geeft om ermee aan de slag te gaan. Vaak ontstaat daar stiekem AI-gebruik. Het zijn ook precies die mensen die, als ze wél de juiste ondersteuning krijgen, de invoering van AI kunnen versnellen. Dit is de kans voor de organisatie om met deze mensen te praten, te begrijpen wat ze doen en ze te faciliteren.”
Zo ziet goede AI eruit: medewerkers bereiden hun beoordelingsgesprek voor met AI
Het probleem: Door over te stappen op een model voor frequentere, door medewerkers aangestuurde beoordelingsgesprekken hadden medewerkers moeite met de voorbereiding.
De toepassing: Ze ontwikkelden een Claude-skill die recente informatie uit het HR-platform en andere systemen waarin het werk al wordt vastgelegd verzamelt, zoals CRM-systemen, AI-notitietools en Slack.
Het resultaat: Medewerkers gaan hun beoordelingsgesprek in met een door AI samengesteld en door henzelf aangevuld overzicht van relevante prestaties en resultaten. Daardoor ontstaat meer ruimte voor een inhoudelijk gesprek.
We zijn overgestapt op een model waarbij we iedere twee maanden een beoordelingsgesprek voeren en medewerkers daarin meer de regie hebben. Daarvoor hadden we een manier nodig om ervoor te zorgen dat mensen minder tijd kwijt zijn aan het verzamelen van informatie en meer tijd kunnen besteden aan het gesprek zelf – het waardevolste onderdeel. Daarom hebben we een Claude-skill gebouwd die medewerkers helpt bij de voorbereiding. De tool haalt informatie op over hun activiteiten van de afgelopen acht weken uit ons HR-platform en verschillende andere systemen, zoals Linear, HubSpot, Notion en Slack. Claude koppelt die informatie vervolgens aan hun functiedoelstellingen en resultaten, hun vorige beoordelingsgesprek, de bedrijfsroadmap en relevante competentiematrices. Zo helpt de tool signaleren welke ontwikkelingen de komende maanden belangrijk kunnen worden voor de organisatie.
Wat nu? Geef medewerkers vertrouwen en duidelijkheid over AI
Als medewerkers te horen krijgen dat ze AI moeten gebruiken zonder enige begeleiding vanuit de organisatie of duidelijkheid over de impact op hun rol, kan dat ertoe leiden dat ze de technologie helemaal loslaten of juist op eigen houtje doorgaan. Geen van beide helpt bij een duurzame integratie van AI.
Focussen op vertrouwen, duidelijkheid en facilitering geeft medewerkers het zelfvertrouwen om te experimenteren en de kennis om dat verantwoord te doen.
1
Creëer veilige omstandigheden om te experimenteren
AI-volwassenheid bereiken gaat net zo goed over het gedrag van medewerkers als over technische integratie.
„Je kunt niet zomaar van geen enkele blootstelling aan AI naar een volledig geïntegreerd systeem springen”, zegt Ankita Poddar, senior HRBP bij Amazon Web Services. „Die stap overslaan vermindert het vertrouwen. Je vertrouwt een systeem minder als je niet weet wat het doet of hoe het dat doet. Medewerkers moeten met AI kunnen experimenteren, fouten maken, en ontdekken hoe het voor hen, hun team en hun organisatie werkt.”
Geef medewerkers duidelijke richtlijnen over waar ze AI wel en niet mogen gebruiken, inclusief welke vertrouwelijke of gevoelige data niet in AI-tools mogen worden ingevoerd. Creëer daarna veilige plekken om te experimenteren, zoals hackathons, sandboxomgevingen en dummydatasets, zodat medewerkers verantwoord kunnen testen en leren.
2
Maak van verborgen gebruik gedeelde kennis
Zodra vertrouwen en veilige richtlijnen aanwezig zijn, moeten organisaties manieren creëren waarop medewerkers zich comfortabel voelen om toepassingen openlijk te delen.
„AI is geoptimaliseerd voor individueel gebruik, niet op teamniveau”, zegt Aoife O’Brien, oprichter van Happier at Work. „Mensen verbergen soms hoeveel ze het gebruiken, omdat ze bang zijn dat efficiënter werken hun rol minder waardevol laat lijken. Door de focus te verleggen naar resultaten en de afstemming tussen teams te verbeteren, halen organisaties effectievere resultaten uit AI.”
O'Brien adviseert organisaties om experimenteel te werk te gaan bij het creëren van deze omgeving, met mechanismen voor kennisdeling die zowel aansluiten bij bestaande communicatiegewoonten als psychologische veiligheid hoog houden. Haar suggesties zijn onder meer:
Een herhaalbare structuur rond leren opzetten, zoals immersiedagen, dedicated Slack- of Teams-kanalen, showcases tijdens team- of all-hands-meetings, en het opbouwen van een center of excellence voor AI.
Retrospectives houden over alle AI-projecten, vooral degene die mislukten.
AI-projecten framen in termen van resultaten en de problemen die ze voor het bedrijf oplossen.
Een centrale opslagplaats bouwen van prompts, projecten, resultaten en learnings waar iedereen toegang toe heeft en naar kan verwijzen.
3
Geef medewerkers duidelijkheid over hoe data en AI beslissingen vormgeven
Als je van medewerkers verwacht dat ze transparant zijn over hoe ze AI gebruiken, moet de organisatie diezelfde transparantie bieden. HR-teams moeten kunnen uitleggen welke rol data speelt bij beslissingen over medewerkers en of, en zo ja waar, AI daarbij een rol heeft gespeeld. Die duidelijkheid moet ook worden doorgetrokken naar managers.
Bij iedere belangrijke beslissing moet je voldoende inzicht hebben in de gebruikte data en het model om antwoord te kunnen geven op drie vragen:
Welke data of AI hebben we gebruikt bij het nemen van deze beslissing?
Waar speelt menselijk oordeel een rol in deze beslissing of uitkomst?
Hoe kunnen medewerkers deze beslissing ter discussie stellen als ze het er niet mee eens zijn?
4
Meet de impact, niet alleen de output
Organisaties kunnen volledig inzetten op efficiënter werken, maar als dat het enige is wat medewerkers ervan merken, kan AI al snel transactioneel gaan voelen. Zeker als optimalisatie met AI er in de praktijk alleen toe leidt dat hun werkdruk hoger wordt of het tempo verder wordt opgevoerd.
Dat betekent verder kijken dan alleen hoeveel sneller werk wordt gedaan, of welke kosten worden bespaard. HR-leiders moeten zich afvragen: vinden medewerkers hun werk zinvoller? Hoe staat het met het algehele welzijn van medewerkers? Hoe ervaren medewerkers hun werklast in de tijd?
„Het gaat HR-leiders uiteindelijk om de service en de ervaring die ze leveren”, zegt Major. „Efficiëntie zou niet de enige maatstaf moeten zijn die je meet. Als je je er te sterk op focust, zie je niet of dingen daadwerkelijk verbeteren door de veranderingen die je hebt doorgevoerd. Combineer efficiëntie met ervaring, en je krijgt een veel completer beeld van wat er echt speelt.”
Zo ziet goede AI eruit: betere één-op-één-gesprekken voeren
Het probleem: Goede managers besteden relatief veel tijd aan administratie en voorbereiding voor kwalitatieve één-op-één-gesprekken. Als die voorbereiding gehaast gebeurt of helemaal wordt overgeslagen, kunnen vooroordelen een rol gaan spelen, blijven patronen onopgemerkt en gaat waardevolle context verloren.
De toepassing: Integreer AI in de bestaande voorbereiding van één-op-één- en beoordelingsgesprekken om administratief werk te verminderen. Zo kan de manager zich richten op een persoonlijk en inhoudelijk coachingsgesprek.
Het resultaat: De tijd die wordt bespaard, kan worden geïnvesteerd in luisteren, coachen en een consistente, kwalitatieve en persoonlijke aanpak voor iedere medewerker.
Eén toepassing sprong er voor mij echt uit: een manager die zijn eigen AI-oplossing had gebouwd om de administratieve voorbereiding van onbevooroordeelde, datagedreven en persoonlijke één-op-één-gesprekken te verminderen. Zo kon hij zich volledig richten op het gesprek zelf.
Tijdens ieder één-op-één-gesprek gebruikt hij AI om het gesprek te transcriberen. Maar hij gebruikt het transcript niet als zijn aantekeningen. In plaats daarvan maakt hij tijdens het gesprek zijn eigen notities: woorden, zinnen en momenten die hem opvallen. Vervolgens voert hij die belangrijkste punten opnieuw in bij de AI, als aanvulling vanuit zijn eigen oordeel. In combinatie met het volledige transcript levert dat een veel waardevollere samenvatting op, omdat de AI weet waar hij op moet letten.
HR-teams die hun data goed op orde hebben, vind je in organisaties met verschillende budgetten, omvang, sectoren en niveaus van technologische ontwikkeling. Wat ze gemeen hebben, is dat ze bij het succesvol inzetten van AI de basis consequent op orde hebben.
Wat organisaties die klaar zijn voor data anders doen
Documenteren de meeste beslissingen
78%
Organisaties die klaar zijn voor data
69%
Organisaties met gebrekkige data
Evalueren personeelsvoorspellingen regelmatig
64%
Organisaties die klaar zijn voor data
28%
Organisaties met gebrekkige data
Integreren AI in de hele organisatie
38%
Organisaties die klaar zijn voor data
14%
Organisaties met gebrekkige data
Op het eerste gezicht lijken dit misschien kleine stappen, maar ze versterken elkaar. Door beslissingen te documenteren, leg je vast waarom bepaalde keuzes zijn gemaakt. Dat spoor maakt het makkelijker om voorspellingen over medewerkers te toetsen en te evalueren en waar nodig bij te sturen. Die momenten van controle helpen de kwaliteit van je data te bewaken en versterken het vertrouwen erin. Daardoor kun je AI met meer vertrouwen inzetten binnen verschillende HR-processen.
En wanneer teams die controlepunten inbouwen, hebben ze meer vertrouwen in de waarde van het werk dat ze leveren.
HR-teams die klaar zijn voor data voelen zich vaker effectief, gewaardeerd en gehoord. Ze zeggen vaker dat de betrokkenheid van medewerkers hoog is. En ze rapporteren 1,4 keer zo vaak hoge bedrijfsprestaties.
Hoe organisaties die klaar zijn voor data zichzelf zien
Rapporteren hoge HR-effectiviteit
79%
Organisaties die klaar zijn voor data
50%
Organisaties met gebrekkige data
Voelen zich vertrouwd en gewaardeerd
79%
Organisaties die klaar zijn voor data
58%
Organisaties met gebrekkige data
Hebben het gevoel dat HR onvoldoende gehoord wordt
29%
Organisaties die klaar zijn voor data
52%
Organisaties met gebrekkige data
Rapporteren hoge bedrijfsprestaties
82%
Organisaties die klaar zijn voor data
57%
Organisaties met gebrekkige data
HR-teams die deze kloof willen dichten, zijn waarschijnlijk al verder dan ze denken. Een datagedreven organisatie bouw je namelijk niet van de ene op de andere dag. Het begint met de dagelijkse praktijk: zorg dat de data die je gebruikt betrouwbaar is, in plaats van te proberen alles bij te houden. Bouw processen en controles in die de kwaliteit van die data bewaken. En maak datakwaliteit een vast onderdeel van iedere nieuwe beslissing en ieder nieuw project.
Het gaat erom dat werken met data een vanzelfsprekend onderdeel wordt van je dagelijkse werk.
Je hebt de data al. Wat je nu opbouwt, is het vertrouwen om er volledig achter te staan.
Zijn jouw HR-data klaar voor AI?
Goede beslissingen beginnen met betrouwbare data. In dit webinar ontdek je waar HR op moet letten bij het verbeteren van data, verantwoord gebruik van AI en het meenemen van medewerkers.
Ons Workforce Pulse-rapport 2026 is gebaseerd op de antwoorden van 3.001 HR-beslissers en 6.000 medewerkers bij bedrijven van 10 tot 2.000 medewerkers in het VK, Duitsland, Spanje en Nederland. De data zijn tussen 29 mei en 10 juni verzameld door Censuswide.
Ontdek intelligente HR. Ons team staat klaar om je te helpen.
