Wetenschappers besparen 7 uur per week met AI — maar er is een keerzijde

TL;DR

• Wat: Volgens een studie van MIT en Google besparen wetenschappers gemiddeld circa 7 uur per week door AI in te zetten, maar er ontstaan nieuwe knelpunten.
• Waarom relevant: De patronen die bij wetenschappers zichtbaar worden — tijdwinst, herinvestering, verschuivende bottlenecks — zijn herkenbaar voor elke kennisintensieve organisatie.
• Wat je ermee kunt: Kijk niet alleen naar de uren die AI bespaart, maar ook naar waar het werk vervolgens vastloopt.

Ik viel over een bericht van MIT CSAIL op X dat verwijst naar een gezamenlijke studie van MIT en Google over hoe AI het wetenschappelijk onderzoek aan het veranderen is. Wetenschappers zetten zowel grote taalmodellen (LLM's, denk aan ChatGPT-achtige systemen) als gespecialiseerde AI-modellen in, besparen er gemiddeld zo'n 7 uur per week mee — en stoppen het grootste deel van die vrijgekomen tijd opnieuw in hun onderzoek. Maar er is ook een keerzijde: er ontstaan nieuwe bottlenecks. Dat vind ik een patroon dat je als ondernemer moet herkennen.

Twee soorten AI, twee soorten taken

Wat mij opvalt in dit onderzoek is het onderscheid tussen generieke en gespecialiseerde AI-modellen. Wetenschappers gebruiken LLM's — brede taalmodellen zoals GPT of Gemini — voor taken als literatuuronderzoek, het samenvatten van artikelen en het schrijven van conceptteksten. Voor meer precieze, vakspecifieke taken zetten ze gespecialiseerde modellen in: AI die is getraind op bijvoorbeeld eiwitstructuren, materiaalkundige data of chemische verbindingen.

Dat is een belangrijk inzicht. Het is niet één AI-tool die alles doet. Het zijn verschillende instrumenten voor verschillende klussen. Vergelijk het met je keuken: een keukenmachine doet veel, maar voor precisiesnijwerk pak je een goed mes. Hetzelfde geldt hier.

Voor ondernemers herken ik dit direct. Veel bedrijven beginnen met een generieke chatbot of AI-assistent en verwachten dat die alles oplost. Maar het echte rendement zit vaak in een combinatie: een breed taalmodel voor communicatie en tekstwerk, en een gespecialiseerde tool voor je vakgebied — of dat nu boekhouding, logistiek of productontwerp is.

7 uur per week — en dan?

Zeven uur per week klinkt als een hele werkdag die vrijkomt. Dat is substantieel. Maar wat mij interesseert is wat er met die tijd gebeurt. Volgens het onderzoek stoppen wetenschappers het merendeel terug in hun onderzoek. Ze doen meer experimenten, verdiepen zich in nieuwe hypotheses, verkennen richtingen waar ze eerder geen tijd voor hadden.

Dat is op zich goed nieuws. Maar het roept ook een vraag op die ik relevant vind voor elk bedrijf: als jouw medewerkers straks twee, drie, vijf uur per week besparen met AI — waar gaat die tijd naartoe? Wordt het méér van hetzelfde? Of wordt het beter werk?

Die vraag is niet retorisch. Een studie van onderzoekers uit Princeton en de University of Washington stelt dat LLM's de neiging versterken om meer te doen in plaats van beter. Het argument: als AI je sneller maakt, stijgt de 'opportunity cost' van je tijd — en ga je vanzelf meer produceren, maar niet per se met meer diepgang. Zonder AI besteedden wetenschappers gemiddeld 39% van hun tijd aan het genereren van ideeën. Mét AI daalde dat naar minder dan 16%.

Ik vind dat een ontnuchterende kanttekening. Meer output is niet automatisch meer waarde.

Nieuwe bottlenecks: het werk verschuift, het verdwijnt niet

Het meest waardevolle inzicht uit de studie vind ik de observatie dat er nieuwe bottlenecks ontstaan. AI lost bepaalde knelpunten op — literatuur doorzoeken, code schrijven, data analyseren — maar daarmee verschuift het probleem naar een volgende stap.

Google DeepMind beschrijft dit als een 'validatie-bottleneck': AI-systemen genereren razendsnel hypotheses en kandidaat-oplossingen, maar het experimenteel toetsen daarvan kost nog steeds evenveel tijd. Labwerk kun je niet versnellen door er een taalmodel tegenaan te gooien. Cellen hebben gewoon tijd nodig om te groeien.

Dit mechanisme — automatisering die het knelpunt verplaatst in plaats van elimineert — is iets dat ik ook buiten de wetenschap zie opdoemen. Stel dat je als ondernemer je offerteproces automatiseert met AI. Dan schrijf je misschien drie keer zoveel offertes, maar als je opvolgcapaciteit gelijk blijft, creëer je een nieuw probleem verderop in de keten.

Een verwant fenomeen: een grootschalig onderzoek onder zo'n 39.000 professionals vond dat 75% zich productiever voelt met AI, maar dat elke 25% toename in AI-adoptie samenging met 1,5% minder daadwerkelijke doorvoer en 7,2% minder stabiliteit. Dat verschil tussen gevoel en resultaat is iets om scherp op te zijn.

Wat dit voor ondernemers betekent

Ik denk dat dit onderzoek drie dingen laat zien die direct vertaalbaar zijn naar het bedrijfsleven:

1. Combineer breed en smal

Gebruik generieke AI-tools voor brede taken (communicatie, samenvatten, brainstormen) en kijk of er gespecialiseerde tools bestaan voor je specifieke vakgebied. De combinatie levert meer op dan één alleskunner.

2. Stuur op wat er met vrijgekomen tijd gebeurt

Als AI je team uren bespaart, is de vervolgvraag: wat doen ze met die uren? Zonder sturing is de kans groot dat de winst opgaat aan meer werk in plaats van beter werk. Dat is geen AI-probleem — dat is een managementvraag.

3. Zoek je volgende bottleneck

Elk proces heeft een beperking. Als AI de huidige wegneemt, duikt de volgende op. Onderzoek van James Evans (University of Chicago) laat zien dat wetenschappers die AI adopteren drie keer zoveel publiceren en vijf keer zoveel citaties krijgen — maar dat het totale wetenschappelijke terrein dat wordt bestreken juist kleiner wordt. Individueel succes, collectieve versmalling. Kun je je voorstellen wat dat betekent als je dit doortrekt naar een markt waar iedereen dezelfde AI-tools gebruikt?

Een nuchtere blik

Ik vind het eerlijk gezegd fascinerend dat wetenschappers — mensen die van nature kritisch en methodisch werken — zo snel AI hebben geadopteerd. En dat de data tegelijkertijd laat zien dat het beeld genuanceerder is dan 'AI maakt alles sneller en beter'.

Voor mij is dit vooral een signaal dat de echte uitdaging niet de technologie is, maar de organisatie eromheen. De uren die AI vrijmaakt zijn pas waardevol als je weet waar je ze in steekt. En de bottleneck die AI weghaalt, wordt alleen maar zichtbaarder als je niet kijkt naar wat erna komt.