- Begrip: de HBR-studie van onderzoekers van het adviesbureau BCG (5 maart 2026) noemt mentale vermoeidheid door overmatig gebruik of toezicht op AI-hulpmiddelen “AI Brain Fry”. Een medische diagnose is dat niet.
- Verspreiding: 14 % van de AI-gebruikers in Amerikaanse grote bedrijven heeft het al eens meegemaakt (1.488 respondenten, zelfrapportage). Dat is niet 14 % van alle werknemers, en de vraag was of men het "ooit heeft meegemaakt".
- Percentages: de waarden voor toezicht, vermoeidheid, beslissingsmoeheid, fouten en burn-out zijn relatieve verschillen in schaalwaarden, geen aandelen van personen. Voorbeeld: wie veel AI begeleidt, geeft gemiddeld 14 % meer mentale inspanning aan.
- Contextwisselingen: dat wisselen kost, is in het laboratorium aangetoond (Monsell 2003, Rubinstein et al. 2001). In de studie is het verband met de vragen over taakwisselingen minder eenduidig dan dat met informatieoverbelasting.
- Tegenargument: minder routinewerk door AI hing samen met 15 % lagere burn-outscores. Een veldstudie vond gemiddeld 15 % meer opgeloste gevallen per uur (Brynjolfsson et al. 2025).
- Werkritme: start, focus, oogst, meldingen pas in de oogst lezen en niet meer runs dan je kunt controleren. Voor afzonderlijke onderdelen zijn er aanwijzingen uit andere vakgebieden (Fitz 2019 over gebundelde meldingen, Masicampo en Baumeister 2011), voor het toezicht op AI is er geen getest.
Op sommige dagen lopen er bij mij 5 tot 6 AI-runs tegelijk. Het starten duurt minuten. Daarna komen de resultaten na elkaar binnen en elk wil gecontroleerd, gecorrigeerd of goedgekeurd worden. Ik spring heen en weer tussen teksten, onderzoek en concepten. Of dat al AI Brain Fry is, kan ik niet zeggen, want daar bestaat geen diagnose voor.
Wie AI-agenten inzet of AI in het bedrijf invoert, laat vroeg of laat meerdere runs tegelijk draaien en loopt tegen dezelfde vraag aan: hoeveel kan ik nog zinvol controleren? Dit artikel scheidt wat de studie over AI Brain Fry aantoont, noemt het onderzoek naar contextwisselingen, toont de andere kant en beschrijft mijn werkritme.
AI Brain Fry: definitie en afbakening ten opzichte van burn-out
Het begrip “AI Brain Fry” introduceren Bedard, Kropp, Hsu, Karaman, Hawes en Rosen Kellerman in het HBR-artikel “When Using AI Leads to ‘Brain Fry’” van 5 maart 2026. Allemaal werken ze bij het adviesbureau BCG, 2 van hen promoveren daarnaast aan de University of California, Riverside. Hun definitie, vrij vertaald: mentale vermoeidheid door overmatig gebruik of toezicht op AI-hulpmiddelen boven de eigen cognitieve capaciteit uit. In het Duits is er geen woord voor ingeburgerd. Media schrijven over “AI-uitputting”, “AI-burn-out” of “AI Fatigue”, een vakportaal kopt “Frittiertes Hirn”.
AI Brain Fry is niet hetzelfde als burn-out. Burn-out beschrijven de auteurs als chronische werkstress met emotionele uitputting. Brain Fry is volgens hen een acute overbelasting van aandacht, werkgeheugen en sturing van het eigen denken. Een medische diagnose is het niet.
Een opmerking over de herkomst: BCG verkoopt zelf advies over de invoering van AI. Het artikel adviseert 70 % van de inspanning voor AI-projecten in mensen en processen te steken. Dat maakt de cijfers niet onjuist, maar laat wel een eigenbelang bij het onderwerp zien.
De cijfers van de studie en hoe je ze leest
Ondervraagd zijn 1.488 voltijdwerknemers in grote Amerikaanse bedrijven, eenmalig en via zelfrapportage. Een vragenlijst of een working paper met de methodiek heb ik niet gevonden. Belangrijk bij elk cijfer is wat het eigenlijk meet:
| Uitspraak van de studie | Zo lees je het getal |
|---|---|
| 14 % van de AI-gebruikers bevestigde ooit Brain Fry te hebben ervaren | Aandeel van personen, maar alleen onder AI-gebruikers in Amerikaanse grote bedrijven, en de vraag luidde “ooit ervaren”. Onjuist zou zijn: “Een op de zeven lijdt hieraan.” |
| Hoog in plaats van laag toezicht op AI: 14 % meer mentale inspanning, 12 % meer mentale vermoeidheid, 19 % meer informatieoverbelasting | Relatieve verschillen in zelfgerapporteerde schaalwaarden tussen 2 groepen, geen aandelen van personen. |
| Met Brain Fry: 33 % meer beslissingsmoeheid, 11 % meer kleine en 39 % meer grote fouten | Ook dit zijn schaalwaarden uit zelfrapportage, geen getelde fouten. „Brain Fry zorgt voor 39 % meer zware fouten“ zou onjuist zijn. |
| Intentie om op te zeggen: 25 % zonder, 34 % met Brain Fry | Aandelen van personen in vergelijking. Het relatieve cijfer dat HBR daarbij noemt, kan ik uit de gerapporteerde waarden niet narekenen, daarom staat het hier niet. |
| Per functie: 26 % van de medewerkers in marketingfuncties, 6 % in juridische functies gaf aan Brain Fry te hebben ervaren | Functies van grote Amerikaanse bedrijven, geen branches. |
| Tegelijk gebruikte AI-tools: de ervaren productiviteit stijgt van 1 naar 2 duidelijk, daarna zwakker, en daalt licht vanaf de vierde | Gemeten is ervaren productiviteit. Of tools of agents zijn geteld, is onduidelijk. Een grens voor agents volgt daar niet uit. |
Voor het dagelijks werk zijn 2 bevindingen belangrijker dan elk percentage. De eerste: met belasting en mentale vermoeidheid hing vooral het lopende toezicht op AI-uitvoer samen, plus een door AI toegenomen hoeveelheid werk. Centraal in de studie staat het toezicht. De tweede betreft contextwisselingen: de antwoorden in vrije tekst noemen informatieoverbelasting en taakwisselingen als belangrijke factoren. Het statistische verband met de vragen over taakwisselingen is echter minder eenduidig dan dat met informatieoverbelasting. Als „hoofdoorzaak“ is de contextwisseling in deze studie niet geschikt.
Nog een kanttekening: de auteurs schrijven dat AI-gebruik de uitputting "may be causing", en dat toezicht haar "predicted". Dat zijn voorzichtige woorden, met een goede reden. In de dwarsdoorsnede is ook de omgekeerde richting denkbaar: wie al overbelast is, ervaart toezicht misschien als zwaarder.
Contextwisselingen en toezicht: waarom ze zoveel aandacht kosten
Dat taakwisselingen tijd en nauwkeurigheid kosten, onderzoekt de psychologie al tientallen jaren, maar niet bij het werken met AI. De gegevens komen uit de samenvattingen van de studies, bij Mark uit de artikelen.
- Wisselkosten: Na een taakwissel reageren mensen in het lab langzamer en meestal foutgevoeliger. Voorbereiding verlaagt de kosten, maar neemt ze niet weg (Monsell 2003, overzichtsstudie over eenvoudige taken). Ze stijgen met de complexiteit van de regels, dalen met aanwijzingen en zijn hoger bij onbekende taken (Rubinstein, Meyer, Evans 2001).
- Aandachtsresten: De aandacht maakt zich slecht los van onafgemaakte taken, en de prestatie bij de volgende taak lijdt daaronder. De vakterm daarvoor is „Attention Residue“ (Leroy 2009, 2 experimenten).
- Onderbrekingen: Bij 24 medewerkers van een bedrijf (elk 3,5 dagen geobserveerd, studieduur 13 maanden) werd 57 % van de werkeenheden onderbroken. Naar het onderbroken werk keerden ze dezelfde dag gemiddeld na 25 min 26 s terug. De spreiding is enorm (standaarddeviatie 54 min 48 s), en 77 % werd dezelfde dag helemaal weer opgepakt (Mark, Gonzalez, Harris 2005). In het lab werkten onderbroken mensen sneller, maar met meer stress en inspanning (Mark, Gudith, Klocke 2008, 48 deelnemers, overwegend studenten).
- Toezicht op automatisering: Wie een geautomatiseerd systeem bewaakt, controleert bij meervoudige belasting minder (complacency) en volgt voorstellen, ook als expert, te snel op (automation bias). Training voorkomt dat niet (Parasuraman en Manzey 2010, overzichtsstudie).
Mijn lezing: wie 5 runs aanstuurt, wisselt tussen 5 taken en controleert daarbij voortdurend de resultaten van anderen. Beide samen passen bij wat de studie en dit onderzoek beschrijven. Bewezen is het voor het werken met AI niet. De lab- en kantoorstudies stammen uit de tijd vóór AI-agenten, en de onderbrekingsstudies hebben kleine steekproeven.
De andere kant: routine uit handen geven ontlast
Dezelfde studie heeft een tweede boodschap die naast de belastingscijfers makkelijk verloren gaat. Werknemers die door AI minder routinewerk hadden, gaven 15 % lagere burn-outscores op. De waarden voor mentale vermoeidheid waren niet lager. Het is opnieuw een verband uit zelfrapportage, maar het pleit ertegen AI-gebruik algemeen als belasting te zien. Met minder vermoeidheid hing bovendien samen als leidinggevenden vragen over AI beantwoordden (15 % minder) en als werknemers de indruk hadden dat hun bedrijf waarde hecht aan work-lifebalance (28 % minder).
Een veldstudie wijst in dezelfde richting. Brynjolfsson, Li en Raymond analyseerden in „Generative AI at Work“ (verschenen in 2025) gegevens van 5.172 supportmedewerkers bij wie in 2020 en 2021 gefaseerd een AI-assistent werd ingevoerd. Gemiddeld losten ze 15 % meer zaken per uur op. Minder ervaren en lager gekwalificeerde medewerkers profiteerden meer; bij de meest ervaren waren snelheidswinst en kwaliteitsverlies klein. Het welzijn van de medewerkers werd niet direct gemeten, en support met een assistent uit 2020 is iets anders dan het aansturen van meerdere agents.
Belasting en ontlasting staan in de gegevens naast elkaar. Mijn lezing: het hangt ervan af hoeveel toezicht in je eigen capaciteit past. Minder AI volgt daar niet uit.
Werkritme: start, focus, oogst
Vanaf hier beschrijf ik mijn werkwijze. Het is de ervaring van één solo-ondernemer en geen geteste methode. Waar er voor een onderdeel bewijs uit andere vakgebieden is, staat dat erbij. Of deze onderdelen bij het toezicht op AI net zo werken, is onduidelijk.
Het basisidee: ik beperk mijn contactmomenten met de AI en laat de looptijd van de runs open. Ze mogen lang duren, zolang ik maar op vaste tijden kijk. Daaruit ontstaan 3 blokken:
| Blok | Wat er gebeurt | Duur |
|---|---|---|
| Start | Alle opdrachten na elkaar versturen, elk met een duidelijk resultaat | 15 tot 30 min |
| Focus | Een eigen taak die alleen ik kan oplossen. Geen resultaten lezen, geen runs bekijken | 90 tot 120 min |
| Oogst | Resultaten controleren, vrijgeven, correcties als nieuwe opdrachten starten (dat is meteen de volgende start) | 30 tot 45 min |
Start: gelijksoortige opdrachten als batch
Bij de start telt een zuivere opdracht. Gelijksoortige taken stuur ik als batch weg, 5 tot 6 parallel. Wat niet in de batch past, wacht op de volgende start. Voorbereiding en signalen verlagen wisselkosten (Rubinstein, Monsell). Daarom loont het om in de opdracht een zin te schrijven over hoe je het afgeronde resultaat herkent en wat je ermee wilt doen. Dat is een vertaling vanuit het laboratorium.
Focus: meldingen pas tijdens de oogst lezen
In het focusblok lees ik geen resultaten en bekijk ik geen runs. Meldingen mogen binnenkomen, ze worden pas tijdens de oogst gelezen. Dat is minder dan bundelen: ze komen nog steeds afzonderlijk binnen, ik laat ze alleen liggen.
Voor het bundelen is er een veldexperiment op de smartphone. Fitz en collega's (2019) lieten 237 personen meldingen ontvangen zoals voorheen, 3 keer per dag gebundeld of helemaal niet. De gebundelde groep meldde meer aandacht, een betere stemming en minder stress. De groep zonder enige melding had nauwelijks voordelen, maar wel meer angst en meer zorgen om iets te missen. Bundelen was dus beter dan uitzetten. Wie het focusblok zo wil ondersteunen, laat meldingen gebundeld bezorgen. Of ze gewoon laten liggen hetzelfde oplevert, laat de studie niet zien. De instellingen voor iPhone en Pixel staan in het artikel over permanente bereikbaarheid.
Oogst: controleren, vrijgeven, wissel noteren
Tijdens de oogst controleer ik de resultaten na elkaar, geef ik vrij en stuur ik correcties als nieuwe opdrachten weg. Tegelijk begint de volgende start. Wie wisselt tussen 2 resultaten of terug naar de eigen taak, kan in 1 zin noteren waar en hoe hij verdergaat. Masicampo en Baumeister toonden in 2011 in laboratoriumexperimenten aan dat een concreet plan voor wanneer en hoe een doel wordt afgehandeld, het storende effect van een onvoltooid doel opheft. Of dat geldt voor blijven liggende AI-resultaten, daarvoor heb ik geen studie gevonden.
Na de oogst en de nieuwe start, voordat het volgende focusblok begint, helpt een echte pauze. Een meta-analyse (22 steekproeven, 2.335 personen) vond dat micropauzes de vitaliteit verhogen en de vermoeidheid verlagen, beide in geringe mate (Albulescu et al. 2022). Voor de prestaties bij veeleisend werk is het effect niet aangetoond, de aanbeveling steunt op het welzijn.
Zoveel runs als je kunt controleren
Het knelpunt is het controleren, niet het starten. Een dag is vol wanneer de oogst niet meer in de werktijd past. Dat komt overeen met ervaringsverslagen. Addy Osmani koppelt het aantal agenten aan zijn reviewsnelheid en schrijft dat dit voor de meesten een laag eencijferig getal is (The Orchestration Tax, 2026). Simon Willison kan zich naar eigen zeggen maar op het controleren en overnemen van één grotere wijziging tegelijk concentreren (2025).
De drempel van de HBR-studie bij 3 tools deugt niet als maatstaf voor runs, omdat onduidelijk blijft wat er is geteld. Als test volstaat een eenvoudige regel: start alleen zoveel runs als je in het volgende oogstblok grondig controleert. Kijk na een week hoeveel resultaten zijn blijven liggen.
Grenzen van de studiebasis
De Brain-Fry-studie berust op zelfrapportage en een dwarsdoorsnede, komt uit de VS en uit grote bedrijven en is verschenen in een managementtijdschrift zonder peer review. De Brain-Fry-vraag is één enkel ja-nee-item met “ooit”, geen getoetste vragenlijst. De 33 % meer beslissingsmoeheid is een schaalwaarde. Het mechanisme erachter (ego depletion) liet zich in 2 grote replicatiestudies niet betrouwbaar aantonen (Hagger et al. 2016, Vohs et al. 2021).
Voor de tegenmaatregelen ziet het er magerder uit. Fitz, Masicampo en Albulescu onderzochten smartphones, laboratoriumtaken en pauzes, geen toezicht op AI. Over solo-ondernemers met meerdere agents heb ik geen studie gevonden. Mijn eigen ervaring is één enkel datapunt. Wie vergelijkbare runs draait, kan het ritme als hypothese testen en aan de eigen oogst meten.
Hoe ik AI-runs in het dagelijks werk aanstuur en wat daarbij misgaat, laat ik zien in de nieuwsbrief AI Sync, die elke zondag verschijnt.
Alles op deze pagina kun je zonder mij uitvoeren. Nieuwe tools en wijzigingen voeg ik hier toe, elke zondag staat er daarover een tip in de nieuwsbrief.
Naar de AI SyncIk richt met je AI-werkprocessen in die hun resultaten gebundeld op vaste tijden ter vrijgave aanleveren, en leg met je vast wie wat controleert. Ter plekke van Eisenstadt tot Mattersburg en Wiener Neustadt, online in het hele Duitstalige gebied.
Meer hieroverVeelgestelde vragen
Wat is AI Brain Fry?
AI Brain Fry is een begrip uit een HBR-studie van onderzoekers van het adviesbureau BCG (5 maart 2026). Het gaat om mentale vermoeidheid door overmatig gebruik of toezicht op AI-hulpmiddelen boven de eigen capaciteit uit. Het begrip is geen medische diagnose. De studie berust op zelfrapportage van 1.488 werknemers van grote Amerikaanse bedrijven.
Hoe vaak komt AI Brain Fry voor?
In de studie beantwoordde 14 % van de AI-gebruikers de vraag of ze het al eens hebben meegemaakt met ja. Dat geldt voor AI-gebruikers in Amerikaanse grote bedrijven, gevraagd werd naar „ooit meegemaakt“. Afhankelijk van de functie lag de waarde ver uiteen: 26 % van de medewerkers in marketingfuncties, 6 % in juridische functies. Voor solo-ondernemers of kmo's in Oostenrijk is me geen cijfer bekend.
Is AI Brain Fry hetzelfde als burn-out?
Nee. De auteurs beschrijven burn-out als chronische werkstress met emotionele uitputting, Brain Fry als acute overbelasting van aandacht en werkgeheugen. In de studie hing minder routinewerk door AI samen met 15 % lagere burn-outscores, de scores voor mentale vermoeidheid waren niet lager. Media schrijven toch vaak over "AI-burn-out".
Hoeveel AI-tools of agenten tegelijk zijn te veel?
Een vast getal heb ik in geen enkele studie gevonden. In de studie steeg de ervaren productiviteit duidelijk van 1 naar 2 gelijktijdig gebruikte tools, daarna zwakker, en daalde licht vanaf de vierde. Onduidelijk blijft wat precies is geteld. De ontwikkelaar Addy Osmani koppelt het aantal agents aan zijn controlecapaciteit en noemt voor de meesten een laag eencijferig aantal. Dat is een ervaringswaarde.
Wat helpt tegen AI Brain Fry?
Voor toezicht op AI bestaat geen getoetste maatregel. Uit andere gebieden zijn er aanwijzingen voor gebundelde meldingen, 3 keer per dag (Fitz et al. 2019, 237 personen), een concreet plan voor onafgemaakt werk (Masicampo en Baumeister 2011) en korte pauzes tegen vermoeidheid (Albulescu et al. 2022). De studie zelf noemt routine uit handen geven en grenzen stellen voor het toezicht. Of dat bij AI-toezicht werkt, is open.
Maakt AI moe of ontlast het juist?
Beide komen voor in de gegevens. Hoog in plaats van laag toezicht op AI hing samen met 12 % meer mentale vermoeidheid (relatief verschil bij zelfrapportage). Minder routinewerk hing samen met 15 % lagere burn-outscores. In een veldstudie met 5.172 supportmedewerkers losten die met een AI-assistent gemiddeld 15 % meer zaken per uur op (Brynjolfsson et al. 2025).
Wijzigingen in dit artikel
- 10 november 2026Eerste versie.
