🤖 AI

Will AI Agents Free Us From Meaningless Work? A Human-Centered Analysis

Deze studie overbrugt de kloof tussen het potentieel van AI-automatisering en de voorkeuren van werknemers door aan te tonen dat taken die als "bullshit" worden ervaren, niet alleen lager worden beoordeeld wat betreft de noodzaak voor menselijk toezicht, maar ook sterk voorspellen dat werknemers deze aan AI-agenten willen delegeren.

Oorspronkelijke auteurs: Davide Ghia, Jaspreet Ranjit, Tania Cerquitelli, Daniele Quercia

Gepubliceerd 2026-06-12

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Davide Ghia, Jaspreet Ranjit, Tania Cerquitelli, Daniele Quercia

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

Stel je voor dat je baan niet één groot blok werk is, maar een enorme doos met Lego-steentjes. Sommige steentjes zijn glanzend, kleurrijk en leuk om aan elkaar te klikken—ze vertegenwoordigen de delen van je werk die je het gevoel geven nuttig en gelukkig te zijn. Andere steentjes zijn dof, grijs en voelen alsof je ze alleen maar opstapelt zonder dat daar een reden voor is.

Dit artikel gaat over het achterhalen welke steentjes de "doffe grijze steentjes" zijn en stelt de vraag: Zouden we een robot die taken moeten laten afhandelen?

Hier is de eenvoudige samenvatting van wat de onderzoekers hebben gevonden:

1. De "Bullshit"-detector

De onderzoekers begonnen met een theorie van een man genaamd Graeber, die zei dat sommige banen "bullshit-banen" zijn—taken die zinloos, onnodig of zelfs nep aanvoelen.

Meestal praten mensen hierover in de context van hele banen (zoals "Ik haat het om manager te zijn"). Maar deze studie zoomde in op specifies taken (zoals "het invullen van dit specifieke formulier"). Ze vroegen 202 werknemers om 171 verschillende taken te beoordelen op een schaal van "bullshitness".

Het resultaat: Ze creëerden een "Bullshit-meter".

Lage Bullshit-taken: Dit zijn de leuke Lego-steentjes. Ze gaan over het nemen van beslissingen, het direct helpen van mensen of het creëren van iets tastbaars (bijv. "Het plannen van een inzamelingsactie" of "Een patiënt troosten").
Hoge Bullshit-taken: Dit zijn de doffe steentjes. Ze zijn repetitief, bureaucratisch en voelen alsof ze alleen bestaan om aan een regelboek te voldoen (bijv. "Het verwerken van een leningaanvraag" of "Het opstellen van juridische documenten puur voor het dossier").

2. De Robot Verzoeklijst

Toen ze eenmaal wisten welke taken als "bullshit" werden ervaren, vroegen ze de werknemers: "Als een AI dit voor je zou kunnen doen, hoeveel zou je dat dan willen?"

De grote bevinding: Er is een directe lijn tussen "Dit voelt zinloos" en "Ik wil dat een robot het doet."

Hoe zinlozer een taak voelt, hoe meer werknemers deze aan een AI willen overdragen.
Het is bijna als een verkoopautomaat: hoe saaier de snack, hoe meer je wilt dat iemand anders hem voor je pakt.

3. Hoe moet de robot zich gedragen?

Dit is het meest interessante deel. De onderzoekers vroegen: "Als de robot deze saaie taak uitvoert, wat voor persoonlijkheid moet hij dan hebben?"

Voor de "Bullshit"-taken: Werknemers wilden geen robot die diepgaand, creatief of verklarend over zijn gevoelens was. Ze wilden een robot die snel, simpel, praktisch en besluitvaardig was. Ze wilden dat de robot het gewoon afhandelde en weer verdween.
- Analogie: Als je de afwas doet (een saaie taak), wil je niet een vaatwasser die stopt om een grapje te maken of om jouw mening vraagt over de zeep. Je wilt gewoon dat hij snel wast en klaar is.
Voor de "Betekenisvolle" taken: Werknemers wilden precies het tegenovergestelde. Ze wilden robots die flexibel, fantasierijk en in staat waren om dingen uit te leggen.
De uitzondering: Zelfs voor de saaie taken wilden werknemers dat de robot beleefd en empathisch was. Ze wilden niet dat een onbeleefde robot hun saaie dag nog erger maakte.

4. De "Haalbaarheid"-check

Ten slotte vroegen ze: "Hebben deze saaie taken eigenlijk wel een mens nodig om toezicht op te houden?"

Het resultaat: Ja! De taken die werknemers als "bullshit" bestempelden, waren ook de taken waarbij zij vonden dat er de minste menselijke supervisie nodig was.

Betekenisvolle taken = Hebben een menselijke piloot nodig die het schip stuurt.
Bullshit-taken = Kunnen op de automatische piloot draaien.

De Kernboodschap

Het artikel suggereert dat we niet hoeven te gokken welke banen we moeten automatiseren. We hoeven alleen maar aan werknemers te vragen: "Welke delen van je dag voelen als tijdverspilling?"

Als een taak als "bullshit" voelt (zinloos en bureaucratisch), zijn werknemers bereid deze aan een AI over te dragen, en ze verwachten dat de AI een snelle, no-nonsense werker is die simpelweg de weg vrijmaakt. Dit stemt overeen met wat werknemers willen (vrij zijn van verveling) met wat er feitelijk mogelijk is (taken die geen menselijke sturing nodig hebben).

Kortom: Laat de robots de grijze, saaie steentjes afhandelen, zodat mensen zich kunnen concentreren op de glanzende, kleurrijke steentjes.

Technische Samenvatting: Zullen AI-agenten ons bevrijden van zinloos werk? Een mensgerichte analyse

Probleemstelling
Het huidige discours over AI op de werkplek richt zich voornamelijk op productiviteitswinst en kostenbesparing, waarbij de effecten op de autonomie, tevredenheid en het welzijn van werknemers vaak worden genegeerd. Er bestaat een kritieke kloof in het begrip van hoe werknemers zelf identificeren welke specifieke taken geautomatiseerd moeten worden. Bestaand onderzoek opereert doorgaans op het niveau van beroepen, waarbij voorbij wordt gegaan aan het feit dat werknemers binnen hetzelfde beroep variërende niveaus van betekenis ervaren bij verschillende taken. Bovendien is er een gebrek aan gevalideerde, taakspecifieke maten om "waargenomen betekenis" (of het ontbreken daarvan, aangeduid als "bullshitness") en de relatie met automatisatievoorkeuren en delegatiehaalbaarheid te kwantificeren. Zonder dergelijke maten is het onmogelijk om empirisch te onderzoeken hoe subjectieve taakervaringen de acceptatie van AI of de gewenste gedragingen van agenten beïnvloeden.

Methodologie
De auteurs hebben een empirische studie uitgevoerd, geworteld in de theorie van Graeber over "bullshit jobs", om deze hiaten aan te pakken.

Constructie van de dataset: De studie maakte gebruik van een dataset van 171 werkplestaken uit de O*NET beroepsdatabase, geselecteerd op basis van complexiteit, meerstaps-processen en een primair computergestuurde aard. Deze taken beslaan 22 beroepen.
Deelnemers: 202 werkenden in de VS (gemiddelde leeftijd 42,6, diverse genderrepresentatie) met relevante beroepservaring evalueerden een subset van taken die aansloten bij hun expertise.
Enquête-instrument: Deelnemers voltooiden een gestructureerde enquête bestaande uit 21 taakspecifieke items verdeeld over vier blokken:
1. Waargenomen Bullshitness: Gemeten via een vijf-item schaal aangepast van Graebers theorie, waarbij dimensies zoals zinloosheid, onnodigheid, gebrek aan verbinding met organisatiedoelen, beschaamte en performativiteit voor de vorm werden gevangen. Items werden beoordeeld op een vijf-puntige Likert-schaal.
2. Automatisatievoorkeuren: Beoordeeld via items die de wens voor AI-delegatie maten (van "Niet helemaal" tot "Volledig").
3. Vereiste Menselijke Agency: Mat de mate van menselijk toezicht dat nodig is als AI ondersteunt (van "AI handelt het volledig af" tot "Voortdurende menselijke betrokkenheid").
4. Voorkeurskenmerken van AI: Evalueerde 12 bipolaire kenmerken (bijv. Snel vs. Uitlegbaar, Beleefd vs. Direct) om gewenst gedrag van agenten te bepalen.
Analyse: De auteurs gebruikten Exploratory Factor Analysis (EFA) om de bullshitness-schaal te valideren en mixed-effects modellen om de relaties tussen bullshitness, de wens tot automatisatie en de vereiste menselijke agency te analyseren.

Belangrijkste Bijdragen

Validatie van een Taakspecifieke Maat: De studie introduceert en valideert een unidimensionale schaal voor "waargenomen bullshitness" op taalniveau. EFA bevestigde een enkelvoudige factorstructuur (Cronbach's $\alpha$ = 0,877) die de subjectieve ervaring van taken als zinloos, onnodig of losgekoppeld van betekenisvolle uitkomsten vastlegt.
Het Koppelen van Betekenis aan Delegatievoorkeuren: Het onderzoek levert empirisch bewijs dat waargenomen bullshitness de wens om taken aan AI te delegeren sterk voorspelt.
Afstemming van Voorkeur en Haalbaarheid: De studie toont aan dat taken die als "bullshit" worden ervaren, niet alleen gewenst zijn voor automatisatie, maar ook worden waargenomen als minder menselijk toezicht vereisend, wat suggereert dat ze haalbare doelwitten zijn voor autonome agenten.

Resultaten

Meetvaliditeit: De vijf-item schaal legde succesvol een latente dimensie van bullshitness vast. Kwalitatieve analyse toonde aan dat taken met een lage bullshitness doorgaans gepaard gaan met besluitvorming, concrete impact en mensgerichte coördinatie. Daarentegen werden taken met een hoge bullshitness gekenmerkt door routine, repetitiviteit, procedurele standaardisering en administratief onderhoud (bijv. het voorbereiden van juridische documenten of het verwerken van leningaanvragen).
Automatisatiewens (RQ2): Een mixed-effects model toonde een sterke positieve correlatie tussen waargenomen bullshitness en de wens tot automatisatie ( $\beta$ = 0,39, $p < ,001$ ). Naarmate taken als minder betekenisvol worden ervaren, neemt de bereidheid van werknemers om deze aan AI te delegeren monotoon toe.
Voorkeursgedrag van AI: Bij het automatiseren van taken met een hoge bullshitness geven werknemers de voorkeur aan AI-agenten die snel, eenvoudig, praktisch, besluitvaardig en regelvolgend zijn. Kenmerken die geassocieerd worden met deliberatie, flexibiliteit, verbeelding of extreme precisie werden minder gewaardeerd. Opvallend genoeg bleven beleefdheid en empathie gewaardeerd, zelfs voor betekenisloze taken, wat wijst op een behoefte aan sociaal vloeiende interacties om frustratie te verminderen.
Haalbaarheid en Agency (RQ3): Er is een significante negatieve correlatie tussen waargenomen bullshitness en vereiste menselijke agency ( $\beta$ = -0,216, $p < ,001$ ). Taken die als meer "bullshit" worden beoordeeld, worden ook als minder afhankelijk van menselijk oordeel en toezicht beschouwd, wat ze geschikt maakt voor hogere niveaus van AI-autonomie.

Significantie en Claims
Het artikel betoogt dat de waargenomen betekenis van een taak dient als een praktische, mensgerichte heuristiek om beslissingen over AI-delegatie te sturen. Door de afwezigheid van betekenis te operationaliseren, suggereren de auteurs dat "bullshit-taken" een natuurlijk convergentiepunt vormen waar de voorkeuren van de werknemer (de wens om te delegeren) samenvallen met de waargenomen technische haalbaarheid (lage behoefte aan menselijk toezicht).

De auteurs stellen dat deze benadering bestaande technische of op taalkenmerken gebaseerde benaderingen van AI-implementatie aanvult. Specifiek postuleren zij dat voor taken met een hoge bullshitness het ontwerp van de agent prioriteit moet geven aan beperkte, efficiënte uitvoering (snelheid, eenvoud), in plaats aan capaciteiten zoals uitlegbaarheid of creativiteit. Omgekeerd vereisen betekenisvolle taken voortdurende menselijke betrokkenheid. De studie concludeert dat het funderen van automatisatiebeslissingen in de geleefde ervaringen van werknemers met betrekking tot betekenis en agency een weg biedt naar het inzetten van agentic AI-systemen die de productiviteit verbeteren zonder de betekenisvolle aspecten van menselijk werk te ondermijnen.

Beperkingen
De auteurs erkennen dat hun bevindingen gebaseerd zijn op deelnemers uit de VS, wat de generaliseerbaarheid kan beperken. De studie richt zich op taalkenmerken in plaats van contextuele factoren zoals organisatorische praktijken of beloning. Daarnaast reflecteren de resultaten de waargenomen in plaats van de technische haalbaarheid en vertegenwoordigen ze een momentopname in een snel evoluerend technologisch landschap.