💻 computer science

The efficiency-gain illusion: People underestimate the rate of AI use and overestimate its benefits on simple tasks

Door middel van drie vooraf geregistreerde studies met 2.691 deelnemers onthult dit artikel dat mensen vaak en inefficiënt vertrouwen op AI voor eenvoudige taken vanwege een dubbele verkeerde kalibratie waarbij ze hun eigen gebruik onderschatten terwijl ze de tijds- en inspanningsbesparing overschatten, een bias die verder wordt versterkt door een carryover-effect op sessieniveau.

Oorspronkelijke auteurs: Sunny Yu, Myra Cheng, Ahmad Jabbar, Ilia Sucholutsky, Katherine M. Collins, Dan Jurafsky, Robert D. Hawkins

Gepubliceerd 2026-05-22

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Sunny Yu, Myra Cheng, Ahmad Jabbar, Ilia Sucholutsky, Katherine M. Collins, Dan Jurafsky, Robert D. Hawkins

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Idee: De "Magische Kortste Weg" die niet Magisch is

Stel je voor dat je een rivier wilt oversteken. Je ziet een brug (de taak zelf uitvoeren) en een magisch vliegend tapijt (AI gebruiken). De meeste mensen gaan ervan uit dat het vliegende tapijt altijd sneller en makkelijker is. Ze denken: "Ik stap op het tapijt; het bespaart me tijd en energie!"

Dit artikel is als een groep onderzoekers die besloten om de reis daadwerkelijk te timen. Ze ontdekten een verrassende waarheid: Op korte, simpele reizen duurt het vliegende tapijt vaak langer dan lopen, en mensen worden er volledig door voor de gek gehouden om te denken dat het een kortere weg is.

De onderzoekers noemen dit de "Illusie van winst in efficiëntie". Het is een mentale valstrik waarbij we overschatten hoe veel AI ons helpt en onderschatten hoe vaak we het eigenlijk gebruiken, zelfs als het een slecht idee is.

De Drie Experimenten (Het Verhaal Tot Nu Toe)

De onderzoekers voerden drie grote studies uit met bijna 3.000 mensen om uit te zoeken waarom we blijven stappen op het "vliegende tapijt", zelfs als het ons vertraagt.

Studie 1: De Leugen "Ik Ga Het Niet Doen"

De Opzet: Ze vroegen mensen twee dingen:

"Als je een simpele taak moest doen (zoals twee getallen optellen), zou je dan AI gebruiken?"
Vervolgens lieten ze mensen de taken daadwerkelijk uitvoeren en keken ze wat ze deden.

De Ontdekking: Mensen zijn slecht in het voorspellen van hun eigen gewoontes.

De Voorspelling: Mensen zeiden: "Oh, ik zou AI misschien maar 20% van de tijd gebruiken voor makkelijke dingen. Ik kan dat zelf wel."
De Realiteit: Toen ze de taken daadwerkelijk uitvoerden, gebruikten mensen AI 38% van de tijd.
De Analogie: Het is als iemand zeggen: "Ik ben geen suikerverslaafde, ik eet maar één koekje." Maar als het koekjespotje er precies staat, eten ze drie. We beweren dat we onafhankelijk zijn, maar als de AI-knop precies voor ons neus staat, klikken we er veel vaker op dan we toegeven dat we zouden doen.

Studie 2: De "Snelheidsmeter" Glitch

De Opzet: Ze vroegen mensen te raden hoe lang een taak zou duren met AI versus zonder. Vervolgens timen ze de werkelijke resultaten.

De Ontdekking: Mensen hebben een kapotte snelheidsmeter in hun hoofd.

De Illusie: Mensen voorspelden dat AI hen ongeveer 56 seconden zou besparen op een taak.
De Realiteit: AI bespaarde hen eigenlijk maar 7,5 seconden. Sterker nog, voor zeer simpele taken (zoals "Welke kleur is wit gemengd met zwart?"), maakte het gebruik van AI de taak ongeveer 10 seconden trager.
Waarom? De "wrijving" van het gebruik van AI is te hoog voor simpele klusjes. Je moet:
1. De prompt typen.
2. Wachten tot de AI nadenkt.
3. Het antwoord lezen.
4. Het kopiëren en plakken.
- De Analogie: Stel je voor dat je naar de brievenbus op de hoek moet lopen. Je besluit om in plaats daarvan met je auto te rijden. Je moet naar je auto lopen, de motor starten, één blok rijden, parkeren en teruglopen. De auto (AI) is krachtig, maar voor een wandeling van 10 seconden is de auto een enorme tijdverspilling. Toch denken we dat de auto een "super-snelheid" hulpmiddel is.

Studie 3: Het "Sneeuwbal-effect"

De Opzet: Ze splitsten mensen in twee groepen. De ene groep deed de eerste paar taken met AI. De andere groep deed ze zelf. Vervolgens kregen ze allemaal nieuwe taken en keken ze wat ze kozen.

De Ontdekking: Het gebruik van AI één keer maakt je waarschijnlijker om het opnieuw te gebruiken, zelfs als het een slecht idee is.

Het Effect: Mensen die aan het begin AI gebruikten, waren veel meer geneigd om het opnieuw te gebruiken op de volgende simpele taken.
De Valstrik: Niet alleen gebruikten ze het vaker, maar ze werden ook overtuigder dat AI sneller was, terwijl de data liet zien dat het dat niet was.
De Analogie: Het is als het proberen van een nieuwe videogame-controller. Als je hem voor het eerste level gebruikt, raak je eraan gewend om hem vast te houden. Zelfs als de oude controller eigenlijk beter was voor het volgende level, blijf je de nieuwe gebruiken omdat je hem al vasthoudt. Je overtuigt jezelf: "Deze nieuwe controller moet sneller zijn", zelfs als je gewoon trager bent. Dit creëert een lus waarin we vast komen te zitten in afhankelijkheid van AI, geloven dat het helpt, terwijl het ons eigenlijk minder efficiënt maakt.

De Twee Belangrijkste Fouten die We Maken

Het artikel identificeert twee specifieke manieren waarop onze hersenen worden bedrogen:

Het "Ik Ga Het Niet Gebruiken" Blinde Vlek: We denken dat we rationeel zijn en AI alleen voor moeilijke dingen zullen gebruiken. Maar in werkelijkheid gebruiken we het ook voor makkelijke dingen, vaak zonder te beseffen hoe vaak we het doen.
De "Magische Snelheid" Hallucinatie: We verbeelden ons dat AI een turbo-aandrijving is die problemen direct oplost. In werkelijkheid is, voor simpele taken, de tijd die het kost om met de AI te praten (typen, wachten, lezen) langer dan gewoon de som te maken of de zin zelf te schrijven.

De Conclusie

Het artikel concludeert dat we vastzitten in een feedbacklus van overmatige afhankelijkheid.

We gebruiken AI te veel op simpele taken.
We denken dat het ons tijd bespaart (dat doet het niet).
Omdat we denken dat het tijd bespaart, gebruiken we het opnieuw.
Dit maakt ons slechter in het zelf doen van dingen en houdt ons gevangen in de illusie dat AI een magische kortste weg is, zelfs als het gewoon een omweg is.

De onderzoekers suggereren dat we, om dit op te lossen, moeten beseffen dat dingen zelf doen niet altijd de "moeilijke" optie is. Soms is de "makkelijke" knop (AI) eigenlijk de moeilijke weg voor simpele klusjes.

Technische Samenvatting: De Illusie van Efficiëntiewinst bij AI-ondersteunde Eenvoudige Taken

Probleemstelling

Naarmate Large Language Models (LLM's) alomtegenwoordig worden voor taken variërend van coderen tot persoonlijk advies, suggereert een heersend narratief dat ze de productiviteit drastisch verhogen. Echter, opkomend bewijs wijst erop dat AI-ondersteuning niet altijd tijd of moeite bespaart. Dit artikel onderzoekt de besluitvormingsmechanismen achter menselijke afhankelijkheid van AI voor cognitief eenvoudige taken (bijvoorbeeld rekenen, spellingscontrole, feitelijke herinnering). Specifiek wordt onderzocht of gebruikers hun afhankelijkheid van AI nauwkeurig kalibreren en of hun gebruikspatronen in overeenstemming zijn met het principe van resource rationality – het delegeren van taken alleen wanneer interne cognitieve kosten de kosten van externe ondersteuning overstijgen. Het kernprobleem is het mogelijke bestaan van systematische miscalibraties waarbij gebruikers de efficiëntiewinst van AI overschatten, wat leidt tot inefficiënt gebruik zelfs bij taken die zonder hulp snel voltooid kunnen worden.

Methodologie

De auteurs voerden drie grote, vooraf geregistreerde gebruikersstudies uit met een totale steekproefgrootte van $N = 2.691$ deelnemers, gerekruteerd via Prolific. De studies maakten gebruik van een tussen-proefpersonenontwerp om cognitieve dissonantie en carry-over-bias te voorkomen die zelfgerapporteerde voorkeuren zouden kunnen beïnvloeden.

Taakconstructie: De onderzoekers construeerden 24 taken afgeleid van de Taxonomie van Gebruikersbehoeften en Acties (TUNA), die vier categorieën bestrijken: Informatiezoeken, Informatieverwerking, Procedurele Gids en Contentcreatie. Elke taak had een 'makkelijke' en een 'moeilijke' variant, allemaal ontworpen om onafhankelijk in minder dan vijf minuten voltooid te kunnen worden.
Studie 1 (Miscalibratie Zelfschatting): Deelnemers voltooien vier taken met de optie om een AI-chatbot (GPT-4o) te gebruiken. Hun werkelijke gedragskeuze om AI te gebruiken, werd vergeleken met een 'voorspelde rate' afgeleid van een aparte steekproef deelnemers die hun voorkeur opgaven voor onafhankelijke versus AI-ondersteunde voltooiing.
Studie 2 (Illusies van Efficiëntiewinst): Deze studie vergeleek voorspelde versus werkelijke tijd en moeite.
- Voorspellingsteekproef ( $N=600$ ): Deelnemers voorspelden de tijd en mentale inspanning (gemeten via de NASA-TLX-schaal) die nodig was voor onafhankelijke voltooiing versus voltooiing met AI of een andere proefpersoon.
- Voltooiingsteekproef ( $N=1.001$ ): Deelnemers werden willekeurig toegewezen om taken onafhankelijk of met AI te voltooien. Werkelijke voltooingstijden werden geregistreerd via verborgen timers, en de inspanning werd zelf gerapporteerd.
Studie 3 (Carry-over-effecten): Deelnemers ondergingen een 'blootstellingsfase' waarin ze twee taken voltooien, hetzij onafhankelijk hetzij met AI (varierend in moeilijkheidsgraad). Vervolgens gingen ze een 'testfase' in om de daaropvolgende AI-adoptiepercentages en hun kalibratie met betrekking tot tijds- en inspanningsbesparingen te meten.

Belangrijkste Bijdragen en Resultaten

1. Miscalibratie Zelfschatting

De studie identificeerde een significant gat tussen de voorspelde en de werkelijke AI-gebruik.

Vondst: Het bevolkingsniveau van het werkelijke AI-gebruik was 47%, significant hoger dan de voorspelde rate van 33%.
Nuance: Deze miscalibratie was het meest uitgesproken voor makkelijke taakvarianten. Deelnemers voorspelden een gebruikssnelheid van 20% voor makkelijke taken, maar gebruikten AI daadwerkelijk 38% van de tijd. Voor moeilijke taken was het gat kleiner (46% voorspeld versus 57% werkelijk).
Implicatie: Mensen onderschatten systematisch hun eigen neiging om zich op AI te verlaten voor eenvoudige taken, zelfs wanneer ze beweren dat ze liever onafhankelijk werken.

2. Illusies van Efficiëntiewinst

Deelnemers hadden vervormde overtuigingen over de voordelen van AI, termed 'illusies van efficiëntiewinst'.

Versnellingsillusie: Deelnemers voorspelden dat AI gemiddeld 55,7 seconden per taak zou besparen. In werkelijkheid bespaarde AI-ondersteuning gemiddeld slechts 7,5 seconden. Voor makkelijke taken vertraagde AI de voltooiing zelfs met 10 seconden ten opzichte van onafhankelijk werk, vanwege interfacefrictie (prompting, responsgeneratie en verwerking).
Ontladingillusie: Deelnemers overschatten de mentale inspanning die nodig was om taken onafhankelijk te voltooien (voorspeld 2,66 versus werkelijk 2,36 op een 7-punts NASA-TLX-schaal), terwijl ze de lage inspanning van het gebruik van AI nauwkeurig inschatten. Dit leidde tot een overschatting van inspanningsbesparingen.
AI-specifiek: Deze illusies waren specifiek voor AI. Wanneer deelnemers hulp voorspelden van een andere mens, waren de verwachte tijdsbesparingen significant kleiner dan die voorspeld voor AI, wat wijst op een unieke bias ten gunste van AI-efficiëntie.

3. De Feedbacklus van Overmatig Gebruik

Studie 3 toonde aan dat eerdere blootstelling aan AI de miscalibratie verergert en toekomstige afhankelijkheid verhoogt.

Carry-over-effect: Deelnemers die tijdens de blootstellingsfase AI gebruikten, waren aanzienlijk waarschijnlijker om AI te gebruiken in de daaropvolgende testfase (44,5%) in vergelijking met diegenen die taken onafhankelijk voltooien (27,7%).
Versterking van Bias: Blootstelling aan AI corrigeerde niet de overtuigingen van gebruikers; in plaats daarvan verhoogde het hun instemming met de 'versnellingsillusie' (het geloof dat taken sneller zijn met AI).
Inefficiëntie Persevereert: Zelfs na blootstelling brachten degenen die in de testfase AI kozen meer tijd door (7,06 seconden langer) en rapporteerden hogere inspanning dan diegenen die onafhankelijk werkten.

Betekenis en Claims

Het artikel claimt bewijs te leveren van specifieke cognitieve biases in mens-AI-interactie die het narratief van door AI gedreven efficiëntie uitdagen.

Mechanisme van Overmatig Gebruik: De auteurs betogen dat de 'illusie van efficiëntiewinst' een feedbacklus creëert. Gebruikers wennen aan AI-gebruik omdat ze geloven dat het tijd bespaart, zelfs wanneer dat niet het geval is. Omdat ze zich niet bewust zijn van deze miscalibratie, ontbreekt het hen aan de prikkel om hun gedrag te veranderen.
Cognitieve Risico's: De studie benadrukt risico's geassocieerd met deze overmatige afhankelijkheid, waaronder cognitieve vaardigheidsverlies, verminderd vertrouwen in onafhankelijke prestaties en verminderde leervermogens.
Interventiepunt: De auteurs suggereren dat het aanpakken van deze miscalibraties een kritiek interventiepunt is. Zij stellen dat blootstelling aan AI op zich de kalibratie niet verbetert; integendeel, interventies op het niveau van overtuigingen zijn noodzakelijk om onafhankelijk denken te stimuleren en een gezonder, efficiënter AI-gebruik te bevorderen.
Resource Rationality: De bevindingen suggereren dat huidige mens-AI-interacties vaak resource rationality schenden, aangezien gebruikers taken delegeren aan externe tools, zelfs wanneer de interne kosten van het uitvoeren ervan lager zijn dan de kosten van het gebruik van de tool.

Het artikel concludeert dat hoewel AI potentie heeft als 'gedachtemaat', de huidige inzet op eenvoudige taken vaak contraproductief is door vertekende mentale modellen met betrekking tot efficiëntiewinst.