AI en efficiëntie van aanwerving: wat beleggers moeten weten

Kunstmatige intelligentie wordt vaak gepresenteerd als een manier om meer werk te verrichten met minder werknemers. Die benadering negeert een andere kans: bedrijven helpen het juiste aantal mensen in te zetten naarmate de vraag verandert. Te agressief aannemen kan de kosten opdrijven. Te voorzichtig aannemen kan ertoe leiden dat klanten moeten wachten, de productontwikkeling wordt vertraagd en groei aan concurrenten wordt opgegeven.

Een studie van Kai Xing en collega’s, *Kunstmatige intelligentie en efficiëntie van arbeidsinvesteringen: bewijs uit Amerikaanse bedrijven*, onderzoekt deze minder zichtbare dimensie van de zakelijke waarde van AI.¹ De studie is gepubliceerd als voorlopige versie van een tijdschriftartikel in de Journal of International Money and Finance en laat zien dat bedrijven die AI inzetten doorgaans kleinere verschillen vertonen tussen de feitelijke aanwervingen en de aanwervingen die op basis van hun economische omstandigheden worden voorspeld.

Voor beleggers reikt de implicatie verder dan besparingen op de loonlijst. AI-uitgaven verdienen mogelijk meer aandacht als een investering in de responsiviteit van de organisatie. De kans ligt in het koppelen van betere informatie aan betere beslissingen, terwijl wordt erkend dat het adopteren van technologie en het realiseren van de voordelen afzonderlijke prestaties zijn.

Wat AI‑aanwervingsefficiëntie werkelijk meet

De onderzoekers analyseren 36,078 bedrijfs‑jaar observaties van 5,843 in de VS genoteerde bedrijven over de periode 2004 tot 2020. Financiële instellingen en nutsbedrijven zijn uitgesloten omdat hun regelgevende omgeving en boekhoudstructuren verschillen van die van andere ondernemingen.

De studie schat de verwachte netto‑aanwerving in op basis van bedrijfsfundamenten, waaronder omzetgroei, winstgevendheid, aandelenrendementen, bedrijfsgrootte en liquiditeit. Vervolgens meet ze hoe ver de feitelijke aanwerving afwijkt van die benchmark. Kleinere afwijkingen duiden op een grotere efficiëntie van arbeidsinvesteringen.

Dit onderscheid is belangrijk. Efficiëntie betekent niet automatisch het verminderen van het personeelsbestand. Een bedrijf dat ingenieurs nodig heeft om de groeiende vraag te ondersteunen, kan zijn gemeten efficiëntie verbeteren door meer aan te nemen. Een ander bedrijf dat wervt vóór een duurzame omzetgroei, kan verbeteren door het wervingstempo te vertragen.

Even zo stelt de maatstaf niet rechtstreeks de productiviteit van werknemers, klanttevredenheid of arbeidskwaliteit vast. Ze beschrijft hoe nauw de netto‑aanwerving overeenkomt met een statistische schatting. Die schatting biedt een nuttige vergelijking tussen bedrijven, maar kan niet elke strategische reden vastleggen waarom een onderneming tijdelijk overtollige capaciteit handhaaft.

Bijvoorbeeld, het aannemen van specialisten vóór een productlancering kan er overmatig uitzien ten opzichte van de huidige omzet, terwijl het toch commercieel logisch is. Beleggers zouden de bevindingen daarom moeten beschouwen als bewijs van personeelsafstemming, in plaats van als een formule voor de ideale personeelsomvang.

Wat de studie ontdekt over AI en personeelsinzet

De hoofd‑analyse identificeert AI‑gerelateerde bedrijven via hun lidmaatschap van AI‑thema‑exchange‑traded funds. De auteurs interpreteren dit als door de markt erkende AI‑blootstelling, in plaats van een directe meting van implementatie binnen elk bedrijf. Aanvullende tests gebruiken AI‑gerelateerde personeels‑ en octrooi‑indicatoren.

Over deze benaderingen heen ondersteunen de resultaten over het algemeen een positieve associatie tussen AI‑blootstelling en efficiëntie van arbeidsinvesteringen. De relatie omvat zowel over‑ als onder‑aanwerving, wat suggereert dat het relevante voordeel draait om afstemming in plaats van een uniforme voorkeur voor kleinere personeelsbestanden.

De auteurs vinden ook positieve associaties met winstgevendheid en marktwaardering. Deze resultaten versterken de relevantie van het artikel voor beleggers, hoewel ze niet aantonen dat AI alleen die uitkomsten heeft veroorzaakt.

Waarom betere personeelsinzet bedrijfswaarde kan creëren

Stel je een hypothetisch dienstverlenend bedrijf voor dat onvoorspelbare vraag ondervindt. Zonder betrouwbare informatie kunnen managers afwisselen tussen te laat aannemen en capaciteit behouden nadat de vraag afneemt. Klanten ondervinden vertragingen tijdens drukke periodes, terwijl rustigere periodes het bedrijf onnodige kosten laten dragen.

AI zou kunnen helpen bij het voorspellen van inkomend werk, het identificeren van terugkerende knelpunten en het onderscheiden van tijdelijke pieken van blijvende groei. Managers kunnen vervolgens roosters aanpassen, werknemers herplaatsen, of specifieke vaardigheden werven voordat de dienstverlening verslechtert.

Dit is een operationele interpretatie van de bevindingen, in plaats van een door de studie bewezen mechanisme. De waarde ervan is dat het de investeringsvraag verbreedt. In plaats van alleen te vragen hoeveel functies automatisering elimineert, kunnen investeerders vragen of het bedrijf effectiever reageert op veranderende omstandigheden.

Dezelfde logica geldt ook buiten kantoorwerkstromen. Recente berichtgeving van Securities.io over AI-productiviteitswinst in de landbouw onderzoekt hoe een betere toewijzing van middelen waarde kan creëren in fysieke sectoren. Arbeid is een andere bron waarvan de timing en inzet de commerciële resultaten beïnvloeden.

Werkforceverstoring kan AI-rendementen verzwakken

De inzet van technologie brengt eigen aanpassingskosten met zich mee. Werknemers moeten nieuwe systemen leren, verantwoordelijkheden kunnen veranderen, en managers moeten bepalen wanneer geautomatiseerde aanbevelingen menselijke beoordeling verdienen. De productiviteit kan lijden terwijl die veranderingen plaatsvinden.

Het artikel vindt een tegenwerkend patroon dat verband houdt met de variabele personeelsverloop. Die proxy meet echter veranderingen in werkgelegenheid ten opzichte van de personeelsomvang. Het mag niet worden geïnterpreteerd als een directe meting van ontslagen, behoud of ontevredenheid onder werknemers.

Zelfs met die beperking roept de bevinding een nuttige managementvraag op: hoeveel verstoring gaat gepaard met de transitie? Een bedrijf kan routinetaken succesvol automatiseren terwijl het waardevolle institutionele kennis verliest door slecht geplande herstructurering.

Die zorg sluit aan bij het onderzoek van Securities.io naar vertrouwen van werknemers en ROI van automatisering. Een geloofwaardige implementatiestrategie vereist dat werknemers de gewijzigde verantwoordelijkheden begrijpen en informatie leveren over waar systemen falen.

Herscholing beïnvloedt ook of vrijgekomen capaciteit nuttige capaciteit wordt. Het besparen van enkele uren voor werknemers leidt niet automatisch tot extra omzet. Bedrijven hebben een praktisch plan nodig om die tijd te herbestemmen naar klantenservice, productontwikkeling of ander waardevol werk.

Waarom financiële flexibiliteit belangrijk is voor AI-adoptie

De relatie tussen AI en personeelsefficiëntie is sterker bij bedrijven met een grotere innovatiecapaciteit en financiële flexibiliteit. Dat suggereert dat complementaire middelen aandacht verdienen naast de technologie zelf.

Implementaties kunnen data‑opschoning, integratie, training en procesherontwerp vereisen voordat voordelen zichtbaar worden. Bedrijven met een sterkere kaspositie kunnen die transitie beter financieren zonder deze in een moeilijke kwartaal op te geven.

De studie meldt ook een sterkere AI‑efficiëntieverband onder strakkere internationale financiële omstandigheden en grotere buitenlandse vraag naar Amerikaanse activa. Dit zijn historische relaties, geen voorspellingen over hoe de volgende financieringscyclus zal verlopen.

Een praktische conclusie is dat investeerders moeten beoordelen of een bedrijf de implementatie‑uitgaven kan volhouden tijdens onzekerheid. Software kopen is makkelijker dan de organisatorische veranderingen financieren die het effectief maken.

Hoe investeerders AI‑zakelijke voordelen kunnen evalueren

De bevindingen suggereren een nuttiger evaluatiekader dan simpelweg AI‑aankondigingen tellen of personeelsaantallen vóór en na implementatie vergelijken. Investeerders moeten zoeken naar bewijs dat operationele verbeteringen de demonstratiefase overstijgen.

• Past het personeelsbestand zich aan de vraag aan terwijl de servicekwaliteit stabiel blijft?
• Worden gerapporteerde voordelen gemeten na implementatie en operationele kosten?
• Kunnen werknemers vrijgekomen capaciteit gebruiken voor werk dat de bedrijfsresultaten verbetert?

Deze vragen helpen ook om de capaciteiten van leveranciers te onderscheiden van klantresultaten. Een product kan goed presteren in een gecontroleerde workflow, maar beperkte waarde leveren in een gefragmenteerde onderneming.

Moderne implementaties omvatten steeds meer het coördineren van systemen in plaats van het genereren van geïsoleerde antwoorden. De bespreking van ServiceNow in maart 2026 over enterprise AI benchmarking beschrijft het evalueren van modellen tegen bedrijfsomstandigheden, inclusief documentverwerking en workflow‑uitvoering. Dergelijke tests zijn relevant omdat de kosten van uitzonderingen en menselijke tussenkomst kunnen bepalen of schijnbare efficiëntie economische waarde wordt.

ServiceNow biedt blootstelling aan AI‑workflowautomatisering

Voor investeerders die geïnteresseerd zijn in bedrijven die deze infrastructuur ontwikkelen, biedt ServiceNow een relevant voorbeeld. Het platform verbindt enterprise‑workflows, data en geautomatiseerde acties, waardoor het dicht bij de operationele beslissingen staat waar AI de arbeidsbehoeften kan veranderen.

In mei 2026 breidde het bedrijf zijn Autonome Workforce over bedrijfsfuncties uit, waarbij AI‑specialisten werden geïntroduceerd voor IT, klantrelatiebeheer, werknemersdiensten en beveiliging en risico. Deze aanbiedingen zijn ontworpen om processen uit te voeren binnen gedefinieerde permissies en governance‑controles.

Een juli‑aankondiging waarin Leidos’ uitgebreide AI-werkstroomimplementatie wordt uiteengezet, biedt een actueel voorbeeld van de vraag vanuit ondernemingen. De genoemde doelstellingen omvatten het verbeteren van werknemersdiensten, het uitbreiden van IT‑selfservice en het centraliseren van AI‑governance. Het gaat hierbij om implementatiedoelstellingen, niet om onafhankelijk geverifieerd bewijs van gerealiseerde besparingen.

De investeringskoppeling is eenvoudig: bedrijven die menselijk en geautomatiseerd werk willen coördineren, hebben mogelijk platforms nodig die uitvoering integreren met toezicht. ServiceNow is actief in die markt. De aantrekkelijkheid als investering blijft afhankelijk van waardering, concurrentie, implementatiekosten en of klanten hun uitgaven vernieuwen en uitbreiden.

De personeelsvoordelen van AI hebben beter bewijs nodig

De historische steekproef van de studie eindigt in 2020, vóór de huidige generatieve AI‑golf. De bevindingen kunnen daarom de effecten van hedendaagse AI‑agenten niet vaststellen of de beweringen van specifieke leveranciers niet valideren.

Desondanks biedt het een nuttige richting voor het beoordelen van de economische rol van AI. Bedrijven kunnen waarde behalen wanneer technologie hen helpt zowel onvoldoende capaciteit als onnodige uitbreiding te vermijden. Investeerders dienen bewijs te zoeken dat betere personeelsbeslissingen zich vertalen in duurzame service, winstgevendheid en groei, rekening houdend met de kosten om dat te bereiken.

Referenties:

¹ Xing, K., Xiong, K., Xiao, F., & Zhang, H. (2026). Kunstmatige intelligentie en efficiëntie van arbeidsinvesteringen: bewijs uit Amerikaanse bedrijven. Journal of International Money and Finance. Online voorpublicatie. https://doi.org/10.1016/j.jimonfin.2026.103684