De term “workslop” leerde ik kennen via een scherpe bijdrage in Harvard Business Review van Kate Niederhoffer, Gabriella Rosen Kellerman, Angela Lee, Alex Liebscher, Kristina Rapuano en Jeffrey T. Hancock (“AI-Generated ‘Workslop’ Is Destroying Productivity,” september 2025). Ze gebruiken het om te beschrijven hoe AI steeds meer rommelwerk produceert: e-mails, rapporten en teksten die eruitzien als productief werk, maar in werkelijkheid extra tijd en moeite kosten. Wat eerst tijdswinst leek, verandert zo in het tegendeel: we spenderen uren aan het nalezen, corrigeren en afstemmen van wat een algoritme zogezegd “af” heeft gemaakt.
De GenAI Divide: veel gebruik, weinig verandering
De aanleiding voor het HBR-artikel is het MIT-rapport The GenAI Divide: State of AI in Business 2025 van Aditya Challapally, Chris Pease, Ramesh Raskar en Pradyumna Chari. Ook daar klinkt een opvallend vergelijkbaar verhaal. Meer dan tachtig procent van de bedrijven experimenteert met generatieve AI, bijna veertig procent zegt het al te gebruiken, maar vijfennegentig procent van die projecten levert nul meetbare winst op.
Volgens de onderzoekers ligt dat niet aan de kwaliteit van de modellen of aan regelgeving, maar aan iets fundamentelers: de meeste systemen leren niet. Ze passen zich niet aan, onthouden geen context en verbeteren niet met gebruik. MIT noemt dat de GenAI Divide — de kloof tussen hoge adoptie en lage transformatie. Slechts een kleine groep organisaties weet echt waarde te halen uit AI, terwijl de rest blijft steken in proefprojecten en PowerPointpresentaties.
Wat opvalt: die kloof lijkt sterk op wat Niederhoffer en haar collega’s workslop noemen. Overal is er beweging, maar weinig vooruitgang. Bedrijven rapporteren “AI-initiatieven”, werknemers genereren bergen output, en toch verandert er nauwelijks iets wezenlijks in hoe het werk verloopt.
De schaduwzijde van AI-gebruik
Het is niet zo dat mensen geen AI gebruiken. Integendeel: volgens MIT gebruikt personeel in negentig procent van de onderzochte bedrijven regelmatig ChatGPT of Claude, vaak via persoonlijke accounts en zonder goedkeuring van IT. De onderzoekers spreken over een “shadow AI economy”: de stille, informele laag waarin werknemers zelf experimenteren met AI om hun werk gedaan te krijgen, terwijl de officiële projecten vastlopen.
Daarin schuilt precies de kern van het probleem. Zowel workslop als de GenAI Divide gaan over systemen die niet leren. Zoals MIT het verwoordt: het verschil zit niet in intelligentie, maar in geheugen, aanpassingsvermogen en context. Zolang AI die drie niet onder de knie heeft, blijft het vooral een generator van plausibel klinkende tekst die mensen daarna weer moeten verbeteren.
Het gevolg is een vreemde paradox: hoe meer AI we gebruiken, hoe vermoeiender het werk wordt. Teams verzuipen in drafts, samenvattingen en dashboards die nog steeds menselijk oordeel vereisen. De HBR-auteurs waarschuwen dat deze golf van synthetische output kenniswerk langzaam verandert in administratief herstelwerk. En bij MIT komen ze tot dezelfde conclusie: zolang systemen niet leren van feedback, blijven organisaties aan de verkeerde kant van de kloof.
Van slop naar leren
De echte volgende stap in AI heeft dus niets te maken met nóg grotere modellen of meer automatisering, maar met leren. Met feedback, geheugen en integratie in het echte werk. Pas als systemen kunnen evolueren — en niet telkens opnieuw moeten worden aangestuurd — kunnen ze meer zijn dan slimme gadgets.
Tot dan blijven we zitten met wat het mooiste en tegelijk pijnlijkste begrip van dit moment is: workslop. Het rommelige restant van ons digitale enthousiasme.