Delegatie aan AI verschuift de eindcontrole

Een veldexperiment van MIT laat zien dat mensen die met een AI-agent samenwerken 17% meer werk aan die agent uitbesteden dan aan een menselijke partner, en 62% minder zelf in de tekst bewerken. Voor juristen is dat het cijfer dat ertoe doet, omdat het precies de handeling raakt waar professionele verantwoordelijkheid zit: het zelf nalopen en onderschrijven van wat er staat. Het onderzoek beschrijft een marketingtaak, maar het delegatiepatroon dat het blootlegt is overdraagbaar naar elk werk waarin een AI-model meeschrijft.

Harang Ju en Sinan Aral van MIT verdeelden (arXiv, februari 2026) 2.234 deelnemers over teams die samen advertenties maakten, soms mens met mens, soms mens met een AI-agent die kon meeschrijven, beelden kon kiezen en kon chatten. Ze legden 182.607 berichten en bijna 1,9 miljoen tekstbewerkingen vast en draaiden de advertenties daarna in een echt advertentienetwerk op X, goed voor bijna vijf miljoen vertoningen. De productiviteitscijfers zijn fors: mens-AI-teams leverden 50% meer advertenties per persoon en hogere tekstkwaliteit. Dat AI de output per persoon opvoert, is in eerdere studies al herhaaldelijk gevonden. De winst van dit onderzoek zit in wat het meet over het samenwerkingsproces zelf.

Drie verschuivingen die het werk anders maken

Het onderzoek vond drie mechanismen die verklaren waarom mens-AI-teams anders presteren. Mensen die met AI werkten, communiceerden 25% meer taakgericht en 18% minder interpersoonlijk. Ze delegeerden 17% meer werk aan de AI dan aan een menselijke partner. En deelnemers die correct doorhadden dat hun partner een AI was, waren nog taakgerichter en delegeerden nog meer.

Op zichzelf klinkt dat efficiënt, en in een marketingcontext is het dat ook. De keerzijde die de auteurs benoemen is dat de output van mens-AI-teams onderling sterker op elkaar ging lijken. Ze noemen dat diversity collapse: de advertenties schoven naar een gemiddelde toe. Dat is geen toevalsbevinding uit dit ene experiment. Onderzoek naar samen schrijven met een taalmodel laat (Padmakumar en He, ICLR) hetzelfde patroon zien, namelijk dat verschillende schrijvers die hetzelfde model gebruiken teksten produceren die meer op elkaar gaan lijken, met lagere onderlinge variatie. De kwaliteit per stuk kan omhoog terwijl de variatie tussen stukken omlaag gaat.

Het kwaliteitsbeeld is gekarteld, niet vlak

De studie sluit aan bij wat Dell'Acqua en collega's (Organization Science) de jagged frontier noemen: AI is niet over de hele linie beter of slechter, maar uitstekend op de ene taak en zwak op de andere, zonder dat de grens vooraf zichtbaar is. In het MIT-experiment verbeterde AI de tekst maar verslechterde het de beeldkwaliteit. In dat eerdere BCG-onderzoek presteerden consultants die AI inzetten op taken buiten de grens 19 procentpunt slechter dan collega's zonder AI, doordat ze afgingen op een systeem dat met overtuiging fout zat.

Dat is de relevante waarschuwing voor juridisch werk. Een taalmodel produceert vloeiende, plausibele tekst, ook waar de onderliggende redenering of de aangehaalde bron niet klopt. De grens tussen "binnen het kunnen van het model" en "erbuiten" loopt door een juridisch advies heen zonder dat die grens aan de tekst is af te lezen. Vloeiendheid is geen signaal van juistheid, en juist daarom is de verleiding om minder zelf na te lopen het risico.

Gevolgen voor de juridische praktijk

De delegatiecijfers verdienen aandacht omdat ze botsen met een vaste norm in het juridische werk. Wie 62% minder zelf in de tekst bewerkt, schuift een deel van de eindcontrole naar de machine. In juridisch advies is dat het moment waarop professionele verantwoordelijkheid stilletjes verhuist. De norm is bekend: de jurist blijft eindverantwoordelijk en de output moet gecontroleerd worden, een lijn die wij eerder uitwerkten in AI-hallucinaties in juridische stukken: de controle ligt bij het kantoor. Het experiment laat zien dat het gedrag dat die norm ondermijnt, vanzelf optreedt zodra je met een capabele agent werkt. Het is geen kwestie van slordigheid, maar van een patroon dat de samenwerking met AI ingebakken heeft.

Daar staat een concrete werkwijze tegenover. Behandel AI-output als een stuk dat je beoordeelt, niet als een concept dat je bijschaaft. Het verschil zit in de houding: bij beoordelen lees je elke zin alsof je hem zelf moet verantwoorden en onderschrijf of verwerp je hem op expliciete gronden, met de bron nagetrokken. Bij bijschaven neem je de structuur van het model over en pas je de toon aan, waardoor de fouten in de redenering blijven staan. Het tweede voelt productiever en is precies waar de delegatiedrift naartoe trekt.

Diversity collapse vraagt om een tweede aandachtspunt. Als steeds meer juristen hetzelfde model dezelfde route laten kiezen, verschuift het onderscheidend vermogen naar wie een andere lijn ziet. Een verweer dat niet voor de hand ligt, een uitleg die afwijkt van de standaardredenering, een argument dat het model niet aandroeg omdat het naar het gemiddelde neigt. Voor de kwaliteit van een dossier is dat geen bijzaak. Het pleit ervoor om de eigen analyse vóór de AI-stap te plaatsen, zodat de eigen invalshoek het vertrekpunt is en niet wordt weggemiddeld.

Het derde punt gaat over wat AI in deze studie juist niet deed. Mens-AI-teams voerden 18% minder interpersoonlijke communicatie, omdat een model geen afstemming of vertrouwen nodig heeft. In juridisch werk is dat deel geen overhead. Een complianceverplichting begrijpelijk maken voor een cliënt, een risico wegen tegen een commercieel belang, een boodschap brengen die niet welkom is: dat gesprek voer je niet taakgericht met een chatbot, en het is vaak het deel waar de cliënt het meest voor betaalt.

Wat dit niet betekent

Het onderzoek is gedaan op een algemene, openbare creatieve taak. Dat is ook de enige veilige lezing voor de juridische praktijk: een algemeen taalmodel past bij onderzoeksvragen, het uitleggen van een leerstuk of het opstellen van een modeltekst zonder cliëntgegevens. Voor stukken die onder het beroepsgeheim vallen geldt dat niet, tenzij het model in een afgeschermde omgeving draait met een verwerkersovereenkomst en zonder training op je invoer. De delegatiereflex die het experiment beschrijft, maakt die grens eerder urgenter dan minder belangrijk: hoe makkelijker je werk uit handen geeft, hoe scherper vooraf vastgelegd moet zijn wat je het model wel en niet laat zien.

De productiviteitswinst is echt, en de bevinding dat AI in teams een deel van een extra collega vervangt, is voor kantoren die op capaciteit sturen relevant. Maar de mechanismen eronder, meer delegeren, minder zelf nalopen, convergerende output, raken juist de handelingen waarop het juridische beroep zijn waarde bouwt. De vaardigheid is niet "AI gebruiken", maar weten waar je het werk loslaat en waar je het naar je toe trekt.