Elke organisatie van de grootste multinational, tot een lokaal boekhoudingskantoor voelt dezelfde druk: adopteer AI of raak achterop. De discussie is verschoven van of kunstmatige intelligentie geïntegreerd moet worden, naar hoe. Wij stelden ons de vraag of het antwoord op die vraag meer uitmaakt dan de meeste organisaties beseffen. Onze thesis suggereert van wel, en de implicaties zijn verontrustend.

Zevenentwintig masterstudenten en recent afgestudeerden werden verdeeld in negen
teams van drie. Elk team speelde een rol binnen het managementteam bij E-Trax BV, een fictieve Belgische fabrikant van elektrische steps in een existentiële crisis: een terugroepactie van 12.500 voertuigen, een liquiditeitscrisis, dreigende rechtszaken en een uittocht van sleutelmedewerkers. Hun opdracht: bouw een geloofwaardig herstelplan op in 120 minuten. De case bevatte twee cruciale twists: elk teamlid beschikte over een andere set informatie, en niet elke groep had dezelfde toegang tot AI.
Drie teams werkten zonder AI, enkel met een zoekmachine. Drie teams hadden gedeelde toegang tot één AI-terminal, als een collectieve externe consultant. Drie teams hadden onbeperkte, individuele toegang, waarbij elke deelnemer zijn eigen AI-assistent kon gebruiken.
We registreerden alles: de presentaties, de gesprekken, de AI-chatlogs en een bevraging achteraf. Vier meetinstrumenten gaven ons zowel de kwaliteit van de uiteindelijke beslissingen als het proces erachter.
De belangrijkste bevinding is ook de meest contra intuïtieve: meer AI-toegang leidde niet tot betere resultaten. Het leidde tot meer ongelijke resultaten.
De groep met onbeperkte individuele toegang bevatte het best presterende team van het volledige experiment, maar ook twee van de zwakste. De teams met gedeelde, beperkte toegang scoorden consistent goed op alle vijf de beoordelingsdimensies: strategische coherentie, analytische strengheid, haalbaarheid, transparantie over afwegingen en ethische overweging. Ze waren nooit de besten. Ze waren nooit de slechtsten. Ze waren consequent solide.
De teams zonder AI produceerden iets wat we niet verwachtten. Ze rapporteerden het hoogste vertrouwen in hun beslissingen. Hun presentaties waren evenwichtig en ethisch betrokken. Wat ze niet konden, was grote hoeveelheden data even effectief verwerken. Toch waren de beslissingen die ze maakten hun eigen beslissingen.
AI functioneert als een vergrootglas, niet als een gelijkmaker. Het vergroot wat teams al meebrengen. Wanneer een team het conceptuele kader heeft om AI precies aan te sturen, de outputs kritisch te bevragen en het op een juiste manier integreert in het team, levert onbeperkte toegang uitzonderlijke resultaten op. Wanneer dat kader ontbreekt, neemt de AI het stuur over van de deelnemers en wordt de output vrijwel altijd onkritisch overgenomen.
Een van de scherpste bevindingen kwam uit de bevraging. Deelnemers met volledige AI-toegang rapporteerden het laagste strategische vertrouwen, ondanks de krachtigste analytische ondersteuning. Dat is minder vreemd dan het klinkt.
Wanneer AI de vroege fasen van probleemoplossing overneemt, zoals het filteren
van informatie en het structureren van een antwoord, verschuift de menselijke deelnemer van het bouwen van een oplossing naar het kiezen tussen door AI gegenereerde opties. De keuze wordt gemaakt, maar de beslissing niet. Managers in de volledige AI-conditie konden niet altijd uitleggen waar hun conclusies vandaan kwamen. Dat is een probleem voor verantwoording én voor overtuigingskracht, vooral wanneer de beslissing de foute blijkt te zijn.
Gedeelde toegang vermeed deze val. Omdat het team samen één terminal moest aansturen, werden deelnemers gedwongen hun probleem eerst aan elkaar te verwoorden. De AI steunde het denken van de groep, in plaats van het te vervangen.
Het statistisch meest robuuste resultaat betreft ethiek, en dat zou organisaties zorgen moeten baren.
In de geluidsopnames uitten de drie condities in vergelijkbare frequentie ethische bedenkingen. Maar in de uiteindelijke presentaties was er een opvallende kloof. Teams met gedeelde toegang scoorden significant hoger op ethische overweging dan beide andere condities. De conditie met volledige toegang scoorde het laagst.
De verklaring ligt in wat er gebeurde tussen de discussie en de eindoplevering. Ethische overwegingen, moeilijker te kwantificeren dan financiële doelstellingen, werden wel geopperd maar haalden de uiteindelijke presentatie niet.
Dit bleef niet bij theorie. In gedocumenteerde gevallen laadden deelnemers personeelsdossiers op in AI-systemen zonder ze zelf te lezen, ontvingen ze aanbevelingen over individuele medewerkers op basis van onvolledige informatie, en namen ze die aanbevelingen over in ingrijpende HR-beslissingen, waaronder degradaties en ontslagen, zonder kritische toetsing. Twee medewerkers werden door de AI als risicoprofielen aangemerkt. Hun lot in de simulatie werd in belangrijke mate bepaald door algoritmische aanbevelingen.
Onder de Europese AI-verordening worden tools voor personeelsbeoordeling geclassificeerd als hoog-risicosystemen. Ze vereisen menselijk toezicht en traceerbaarheid. Wat dit experiment aantoont, is dat onbeperkte AI-toegang zonder governance-structuren dat toezicht stelselmatig kan ondermijnen.
Drie praktische conclusies volgen uit deze bevindingen.
Ten eerste is de architectuur van AI-toegang een governance-vraag, geen technologische vraag. Of medewerkers AI individueel of collectief gebruiken, beperkt of onbeperkt, bepaalt hoe ze denken, samenwerken en welke ethische overwegingen de eindoplevering halen. Organisaties die AI-implementatie behandelen als een kwestie van licenties en toegangsrechten missen de meest bepalende variabele.
Ten tweede is de zelfverzekerde, deliberatieve en ethisch betrokken beslisser die de no-AI-conditie blootlegt geen inefficiëntie die vervangen moet worden. Kritisch engagement, cognitief eigenaarschap en ethische waakzaamheid zijn precies de capaciteiten die AI-governance-kaders proberen te beschermen.
Ten derde zijn AI-ethiekcommissies geen luxe. Wanneer personeelsbeslissingen beïnvloed worden door AI-aanbevelingen op basis van onvolledige data, en wanneer die aanbevelingen onbetwist blijven omdat geen governance-structuur dat vereist, heeft de organisatie al een juridische en ethische aansprakelijkheid opgelopen. Ze weet het alleen nog niet.
Het grote geheel
Niet of AI organisaties helpt beslissingen te nemen, maar onder welke voorwaarden het hen helpt goede beslissingen te nemen: dat is de urgente vraag. Het antwoord, op basis van wat we observeerden, is dat beperkte, gedeelde toegang meer doet om de deliberatieve kwaliteit van ingrijpende managementbeslissingen te bewaren dan onbeperkte individuele toegang.
Dat is een ontwerpkeuze. En het is er een die de meeste organisaties nog niet bewust maken.
AI Act | Shaping Europe’s digital future. (2026, mei 8). https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-…
Anwar, M., Hani, I. B., & Hujran, O. (2026). Navigating uncertainty: The role of CEO competencies in strategic decision-making for digitalisation in family firms. Sustainable Technology and Entrepreneurship, 5(1), 100119. https://doi.org/10.1016/j.stae.2025.100119
BaniHani, I., Alawadi, S., & Elmrayyan, N. (2024). AI and the decision-making process: A literature review in healthcare, financial, and technology sectors. Journal of Decision Systems, 33(sup1), 389-399. https://doi.org/10.1080/12460125.2024.2349425
Blackman, R. (2022). Why you need an AI ethics committee. Harvard Business Review, 07, 118-125.
Calvino, F., Reijerink, J., & Samek, L. (2025). The effects of generative AI on productivity, innovation and entrepreneurship (39ste dr., OECD Artificial Intelligence Papers) [OECD Artificial Intelligence Papers]. OECD. https://doi.org/10.1787/b21df222-en
Czarnitzki, D., Fernández, G. P., & Rammer, C. (2023). Artificial intelligence and firm-level productivity. Journal of Economic Behavior & Organization, 211, 188-205. https://doi.org/10.1016/j.jebo.2023.05.008
Data protection under GDPR. (2025, March 3). Your Europe. https://europa.eu/youreurope/business/dealing-with-customers/data-prote…
Dell’Acqua, F., McFowland, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403-423. https://doi.org/10.1287/orsc.2025.21838
Fayol, H., Urwick, L. F., & Fayol, H. (1971). General and industrial Management (Repr). Pitman.
Frederix, R., Hendriks, D., & Van Biesen, M. (z.d.). Top team bedrijfssimulatie.
Gao, X., & Feng, H. (2023). AI-Driven Productivity Gains: Artificial Intelligence and Firm Productivity. Sustainability, 15(11), 8934. https://doi.org/10.3390/su15118934
Gillespie, N., Lockey, S., Ward, T., Macdade, A., & Hassed, G. (2025). Trust, attitudes and use of artificial intelligence: A global study 2025 (p. 4974511 Bytes). The University of Melbourne. https://doi.org/10.26188/28822919
Gonzalez, C., & Heidari, H. (2025). A Cognitive Approach to Human–AI Complementarity in Dynamic Decision-Making. Nature Reviews Psychology, 4(12), 808-822. https://doi.org/10.1038/s44159-025-00499-x
Gruda, D., & Aeon, B. (2025a). Seven Myths about AI and Productivity: What the Evidence Really Says. California Management Review Insights. https://cmr.berkeley.edu/2025/10/seven-myths-about-ai-and-productivity-…
Gruda, D., & Aeon, B. (2025b). Seven Myths about AI and Productivity: What the Evidence Really Says. California Management Review Insights. https://cmr.berkeley.edu/2025/10/seven-myths-about-ai-and-productivity-…
Humphreys, D., Koay, A., Desmond, D., & Mealy, E. (2024). AI hype as a cyber security risk: The moral responsibility of implementing generative AI in business. AI and Ethics, 4(3), 791-804. https://doi.org/10.1007/s43681-024-00443-4
Katz, R. (1974). Skills of an effective administrator. Harvard Business Review, 52, 90-102.
Mckinsey & Company. (2025, december 5). Adoption of artificial intelligence among organizations worldwide from 2017 to 2025, by type [Graph]. Mckinsey & Company. Statista. https://www.statista.com/statistics/1545783/ai-adoption-among-organizat…
Metsola, R., Fiala, P., & Von Der Leyden, U. (2022, december 15). European Declaration on Digital Rights and Principles for the Digital Decade. https://digital-strategy.ec.europa.eu/en/library/european-declaration-d…
Mintzberg, H. (1973). The nature of managerial work. Harper & Row.
Nyenno, I., Truba, V., & Tokarchuk, L. (2023). Managerial Future of the Artificial Intelligence. Virtual Economics, 6(2), 72-88. https://doi.org/10.34021/ve.2023.06.02(5)
Rodriguez-de-las-Heras, T. (2025). The AI liability Puzzle: Rethinking Defective Product liability for AI. In T.-E. Synodinu, P. Jougleux, C. Markou, & T. Prastitou-Merdi (Red.), EU digital law in the AI era (pp. 7-33). Springer. https://doi.org/10.1007/978-3-031-96743-6
Schmidpeter, R. (with Altenburger, R.). (2023). Responsible Artificial Intelligence: Challenges for Sustainable Management. Springer.
Simkute, A., Tankelevitch, L., Kewenig, V., Scott, A. E., Sellen, A., & Rintel, S. (2024). Ironies of Generative AI: Understanding and mitigating productivity loss in human-AI interactions (Versie 1). arXiv. https://doi.org/10.48550/ARXIV.2402.11364
Simon, H. A. (1977). The new science of management decision (rev. ed). Prentice-Hall.
Synodinu, T.-E., Jougleux, P., Markou, C., & Prastitou-Merdi, T. (Red.). (2025). EU digital law in the AI era. Springer. https://doi.org/10.1007/978-3-031-96743-6
Vendraminelli, L., Dossantos Disorbo, M., Hildebrandt, A., Mc Fowland III, E., Karunakaran, A., & Bojinov, I. (2025, september 8). The GenAI Wall Effect: Examining the Limits to Horizontal Expertise Transfer Between Occupational Insiders and Outsiders [Working Paper]. Harvard Business School.https://www.hbs.edu/ris/Publication%20Files/26-011_04dcb593-c32b-4e4e-8…
Wieringa, M. (2020). What to account for when accounting for algorithms: A systematic literature review on algorithmic accountability. Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency, 1-18. https://doi.org/10.1145/3351095.3372833
Yannakourou, S. (2025). Regulating Algorithmic Management of work at EU Level: The adequacy of the platform work directive and the AI act. In T.-E. Synodinu, P. Jougleux, C. Markou, & T. Prastitou-Merdi (Red.), EU digital law in the AI era (pp. 33-55). Springer. https://doi.org/10.1007/978-3-031-96743-6