AI en workplace analytics: wat meten we eigenlijk?

De hoeveelheid data die organisaties over hun werkomgeving verzamelen neemt snel toe. Sensoren meten bezetting en binnenklimaat, toegangssystemen registreren aanwezigheid, reserveringssystemen geven inzicht in het gebruik van werkplekken en vergaderruimtes en digitale platforms bevatten informatie over communicatie en samenwerking. Kunstmatige intelligentie vergroot de mogelijkheden om deze verschillende databronnen te combineren, patronen te herkennen en verbanden te onderzoeken.

Dat biedt interessante mogelijkheden. Data kunnen helpen om gebouwen efficiënter te gebruiken, werkomgevingen beter af te stemmen op het feitelijke gebruik en beter te begrijpen welke omstandigheden medewerkers nodig hebben om hun werk goed te kunnen doen.

Tegelijkertijd ontstaat een fundamentele vraag: wanneer gebruiken we data om beter te begrijpen hoe de werkomgeving functioneert, en wanneer gebruiken we diezelfde data om het functioneren van medewerkers te interpreteren of beoordelen?

Van meten naar interpreteren

In The Atlantic beschrijft Ellen Cushing (2026) de ontwikkeling van AI-toepassingen voor werknemersmonitoring. Waar traditionele monitoring vooral waarneembare activiteit registreert, zoals inloggen, computergebruik of aanwezigheid, kunnen nieuwere toepassingen bijvoorbeeld stemgebruik, gezichtsuitdrukkingen en digitale communicatie analyseren en daaruit conclusies proberen te trekken over betrokkenheid, stress, stemming of gedrag.

Daarmee gaat AI een stap verder dan bestaande workplace analytics. Gegevens uit toegangspassen, reserveringssystemen en bezettingssensoren kunnen nu al worden gecombineerd om patronen in gebruik en gedrag zichtbaar te maken. AI vergroot de mogelijkheden om veel verschillende gegevens te analyseren én te interpreteren. AI maakt het daarmee mogelijk om niet alleen te analyseren wat er gebeurt, maar ook te interpreteren wat dat gedrag mogelijk betekent.

Het risico van interpretatie

Het risico ontstaat wanneer verbanden als verklaringen worden gezien. Weinig aanwezigheid betekent niet automatisch geringe betrokkenheid en weinig gebruik van ontmoetingsruimtes niet dat er weinig wordt samengewerkt. Dat probleem kennen we al uit workplace analytics: een lage bezettingsgraad van een werkplek betekent niet noodzakelijk dat er geen behoefte aan is. Misschien is die plek oncomfortabel, rumoerig of slecht gelegen.

AI verandert dat principe niet, maar vergroot de mogelijkheden om gegevens te combineren en te interpreteren. Daarom wordt het onderscheid tussen wat we meten en wat we daaruit concluderen alleen maar belangrijker. Hoe groter de afstand tussen wat rechtstreeks wordt gemeten en het begrip dat we daaruit proberen af te leiden, hoe belangrijker de vraag wordt of die interpretatie valide is.

De kansen van AI voor workplace analytics

Juist in het combineren van databronnen ligt de potentie van AI. Bezettings- en reserveringsgegevens geven inzicht in gebruik en vraag, medewerkersonderzoek in ervaren functionaliteit, kwaliteit en ondersteuning, en binnenklimaatdata in de fysieke omstandigheden.

AI kan verbanden tussen verschillende soorten gegevens zichtbaar maken. Een AI-model kan bijvoorbeeld bezettingsdata combineren met binnenklimaatmetingen en medewerkersonderzoek en signaleren dat de waardering van bepaalde werkzones afneemt bij een hoge bezetting of een hoog geluidsniveau. Ook gedragsgegevens kunnen worden meegenomen, bijvoorbeeld patronen in aanwezigheid, communicatie, ontmoetingen of het gebruik van verschillende werkplekken. Verdergaande AI-toepassingen proberen uit signalen zoals stemgebruik, taal of gezichtsuitdrukkingen zelfs stress, stemming of betrokkenheid af te leiden.

Daarmee kan een rijker beeld ontstaan van de samenhang tussen werkomgeving, gedrag en ervaring en van de omstandigheden waaronder knelpunten ontstaan. Workplace analytics gaat dan verder dan registreren wat er gebeurt en helpt onderzoeken welke factoren met bepaalde patronen samenhangen en waar verbetering mogelijk is. Tegelijkertijd neemt met iedere stap van meten naar interpreteren ook de onzekerheid toe over wat de gegevens daadwerkelijk betekenen.

Daarbij helpt een belangrijk uitgangspunt: gebruik workplace analytics primair om de prestatie van de werkomgeving te beoordelen, niet die van de medewerker. Hoe vaak medewerkers bepaalde werkplekken gebruiken is daarbij juist relevante informatie. In combinatie met gegevens over beschikbaarheid, ervaren functionaliteit en kwaliteit kan dit inzicht geven in hoe goed de werkomgeving het werk ondersteunt.

Hetzelfde gegeven kan dus iets zeggen over de werkomgeving óf worden gebruikt om iets te zeggen over medewerkers. Niet de data zelf, maar het doel, het analyseniveau en de interpretatie bepalen het verschil.

Wat meten we eigenlijk?

AI vergroot de mogelijkheden van workplace analytics. Meer databronnen kunnen worden gecombineerd, complexere patronen worden herkend en nieuwe verbanden worden onderzocht. Maar meer analyse betekent niet automatisch meer inzicht.

Juist daarom moeten we onderscheid blijven maken tussen meting, interpretatie en conclusie. Wat hebben we daadwerkelijk gemeten? Welke betekenis geven we daaraan? En ondersteunen de data de conclusie die we vervolgens trekken?

Daar ligt uiteindelijk ook de waarde van AI voor workplace analytics: niet in méér weten omdat we meer kunnen meten, maar in beter begrijpen wat de data ons wel – en niet – vertellen over werk en werkomgeving.

Hoe zit dat in Europa?

De meest vergaande toepassing die Cushing beschrijft – AI die emoties van medewerkers probeert af te leiden – is in Europa in beginsel verboden. De Europese AI Act verbiedt dergelijke systemen op de werkplek, behoudens specifieke medische of veiligheidsdoeleinden (European Parliament & Council of the European Union, 2024).

Dat neemt de bredere discussie niet weg. AI kan ook andere workplace data combineren en interpreteren. De vraag welke conclusies organisaties daaruit kunnen en willen trekken, blijft dus relevant.

Referenties

• Cushing, E. (2026, May). The rise of emotional surveillance. The Atlantic. The Atlantic

• European Parliament & Council of the European Union. (2024). Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). Official Journal of the European Union.