De vrouw in deze scène bestaat niet. Ze is een schets op basis van de regels van een echt callcenter, en alles wat ze doet is volgens die regels toegestaan. Het is negen uur ’s ochtends bij een onlineverzekeringsbemiddelaar en haar headset klikt. Het systeem geeft haar ongevraagd de eerste lead van de dag. Het is een man die de avond ervoor tot het betaalscherm kwam en toen de pagina sloot. Ze kan proberen hem te overtuigen of hem terugsturen naar de gedeelde wachtrij voor iemand anders. Ze zou niets verdienen als een collega hem de polis verkocht, en in de wachtrij staan nog een dozijn anderen zoals hij.

Ze stuurt hem terug. Het zal haar niet worden aangerekend.

Wat de bemiddelaar veranderde

Het callcenter is echt, maar de naam niet. De auteurs van een nieuwe preprint noemen het Platform X, een pseudoniem dat onder een geheimhoudingsovereenkomst wordt gebruikt. Het is een erkende onlinebemiddelaar, opgericht in 2017, die zorgverzekeringen, verzekeringen voor ernstige ziekten, ongevallenverzekeringen en levensverzekeringen van tientallen verzekeraars verkoopt. De medewerkers bellen mensen die hun aankoop halverwege afbraken: in de onderzochte steekproef ongeveer tienduizend gesprekken per werkdag. Een klant die het betaalscherm bereikte, is een warme lead. Wie eerder afhaakte, is een koude lead.

Tot 2024 zaten warme en koude leads in één wachtrij en gaf het systeem de volgende lead aan de eerst beschikbare medewerker. Op 28 augustus 2024 veranderde het bedrijf de toewijzing. Een AI-spraakagent, die sinds december 2023 ’s avonds belde en sinds juni 2024 overdag als achtervang werkte, nam nu standaard koude leads over. Mensen behielden voorrang op warme leads. Het aandeel koude leads voor de AI steeg van minder dan 25 procent naar meer dan 60. De redenering van het management was volgens het artikel eenvoudig: een AI die per gesprek bijna niets kost, kan leads benaderen die voor mensen vaak onrendabel waren, terwijl mensen vrijkomen voor leads die geld opleveren.

Het artikel van Xinyu Fu, Shulong Luo, Narayan Ramasubbu, Peng Shen, Xincheng Wang en Yucheng Wang is niet door vakgenoten beoordeeld en berust op dit ene bedrijf. Het onderzoeksontwerp gebruikt een regressiediscontinuïteit in de tijd: het vergelijkt gesprekken in de 60 dagen vóór de omschakeling met die in de 60 dagen erna, 409.622 afgehandeld door mensen en 157.468 door de AI, verdeeld over ongeveer 13.000 medewerkerdagen. De auteurs zeggen dat beloning, gespreksscripts, training, beoordeling en personeelswerving niet veranderden en dat het aantal gesprekken per medewerkerdag bij de omschakeling niet sprongsgewijs toenam.

Beter werk, slechtere resultaten

De toewijzing deed wat het management wilde. Bij de eerste drie gesprekken van een medewerker op een dag steeg de kans op een warme lead met 23,4 procentpunt. De winst nam tijdens de dienst af en was bij de laatste gesprekken nul.

De conversie bewoog de andere kant op. Bij die eerste drie gesprekken daalde het aandeel leads dat medewerkers in een verkoop omzetten met 4,5 procentpunt, en bij de volgende drie met 2,5. Midden op de dag bleef het gelijk en helemaal aan het einde steeg het met 3,4 procentpunt. De verkoop daalde het sterkst waar de leads het meest verbeterden.

Volgens de auteurs deden medewerkers twee dingen anders. Ze stuurden leads vaker terug naar de wachtrij: bij de eerste drie gesprekken 8,1 procentpunt vaker. Bij de gesprekken die ze wel voerden, spraken ze ongeveer 13 procent korter. Medewerkers verdienen een bescheiden basissalaris plus commissie die het grootste deel van hun nettoloon uitmaakt. Een lead terugsturen werd niet bestraft en telde niet mee in hun beoordeling. Noch de commissietarieven, noch de beloning voor een verkoop veranderden.

De theorie van de volgende lead

Eerdere verklaringen van AI op het werk verwachten volgens de samenvatting van de auteurs winst door taken op basis van comparatief voordeel over mensen en machines te verdelen, zoals Acemoglu en Restrepo in 2019 betoogden, of door AI die de werknemer helpt, zoals in het klantenserviceonderzoek van Brynjolfsson, Li en Raymond. Geen van beide voorspelt dat beter werk aan mensen geven hun resultaten zou verlagen. De auteurs wenden zich daarom tot een idee uit de economische theorie van het zoeken naar werk, waarin een zoeker wat hij nu heeft vergelijkt met wat waarschijnlijk nog komt. Stigler schreef in 1961 over de economie van informatie, McCall in 1970 over zoeken, en Lippman en McCall gaven in 1976 een overzicht van het vakgebied. Toegepast op het callcenter is de logica dat een medewerker die hierna een goede lead verwacht, minder bereid is nu moeite te doen voor een middelmatige. De AI had de verwachtingen van de medewerker over de hele wachtrij verhoogd. Het effect zou het sterkst moeten zijn aan het begin van de dag, wanneer er nog veel leads over zijn, en dat was het ook.

De auteurs testten ook alternatieve verklaringen. Eén daarvan was dat medewerkers gewoon vertraagden, met langere pauzes tussen gesprekken. Zij melden geen dergelijke pauzetoename bij de vroege posities. Andere verklaringen betroffen veranderingen in de samenstelling van klanten en personeel, en leren tijdens het werk. Volgens de auteurs past de verklaring op basis van een reserveringswaarde het best, met een eigen kanttekening: de maten voor hertoewijzing en gespreksduur verklaren slechts een bescheiden deel van de conversiedaling. Het “gedragseffect” kan daarom beter worden gelezen als alles wat medewerkers anders deden, niet als bewijs voor uitsluitend die twee gedragingen.

Berekenen wat er gewonnen werd

Bij de berekeningen wordt het artikel ongemakkelijk. In het model van de auteurs verhoogt de betere volgorde van warme leads de opbrengst ervan met 0,58 procent, terwijl de gedragsverandering die met 17,6 procent verlaagt, ongeveer dertigmaal zoveel. De conversie bij warme leads daalde van 4,4 naar 3,7 procent. Over alle menselijke gesprekken daalde die van 3,2 naar 2,9 procent. De auteurs vatten het effect op de menselijke prestaties op dagniveau samen als vrijwel nul, tegenover die daling bij de warme leads zelf.

De bedrijfstotalen zien er beter uit dan ze zijn. Mensen voerden na de omschakeling 31,8 procent minder gesprekken en de AI ongeveer vierenhalf keer zoveel. Het aantal conversies per 50 menselijke gesprekken steeg met 6,3 procent, maar volgens het artikel komt dit door de verschuiving van het volume, doordat de noemer sneller kromp dan de teller. Per dag verloren mensen 50,5 conversies bij warme leads en won de AI er 7,7 terug bij koude leads, een verhouding van ongeveer zeven op één. Dit zijn berekeningen van de auteurs op hun eigen gegevens. Zij schrijven het patroon toe aan de toewijzing en zien het niet als een oordeel over het besluit van het bedrijf.

De auteurs concluderen niet dat bedrijven mensen slechter werk moeten geven of de AI moeten weghalen. Ze stellen voor warme leads gespreid over de dag vrij te geven of werk met een lagere waarde ertussen te mengen, zodat het volgende gesprek van de medewerker niet zoveel beter lijkt dan het huidige. In hun model zou herstel van het ritme van warme leads van vóór de uitbreiding de conversies per gesprek met ongeveer 13,5 procent verhogen, met een interval van 10,5 tot 16,6. Dat cijfer komt uit een kalibratie, niet uit een experiment. De auteurs noemen zelf de open vragen: of het effect standhoudt bij een korte wachtrij, bij schadeafhandeling of inhoudsmoderatie, of waar werknemers taken niet kunnen terugsturen.

De gewone ochtend

Terug naar de schets van de vrouw aan haar bureau, nog altijd verzonnen. Tegen tien uur heeft ze vier leads teruggestuurd en er twee gehouden. Beide gesprekken eindigden eerder dan ze een jaar geleden zou hebben toegelaten. In de schets voelt ze zich niet lui. Ze heeft het gevoel dat ze op de goede wacht, omdat het afgelopen uur haar heeft laten zien hoeveel er zijn. Het artikel kan niet zeggen wat een medewerker dacht. Het kan alleen zeggen dat over de gemeten gesprekken de beste leads van de dag het gemakkelijkst werden losgelaten.

Referenties

  • Acemoglu, D., & Restrepo, P. (2019). Artificial intelligence, automation, and work. In A. Agrawal, J. Gans, & A. Goldfarb (Eds.), The Economics of Artificial Intelligence: An Agenda (pp. 197-236). University of Chicago Press.
  • Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. Quarterly Journal of Economics, 140(2), 889-942.
  • Fu, X., Luo, S., Ramasubbu, N., Shen, P., Wang, X., & Wang, Y. (2026). When Better Opportunities Backfire: Service Worker Responses to Parallel AI Deployment in Customer Acquisition. arxiv.org
  • Lippman, S. A., & McCall, J. J. (1976). The Economics of Job Search: A Survey. Economic Inquiry, 14(2), 155-189.
  • McCall, J. J. (1970). Economics of Information and Job Search. Quarterly Journal of Economics, 84(1), 113-126.
  • Stigler, G. J. (1961). The Economics of Information. Journal of Political Economy, 69(3), 213-225.