Ziekenhuizen worden in toenemende mate geconfronteerd met uitdagingen als de oplopende zorgkosten, de vergrijzing van de bevolking en het oplopend tekort aan zorgmedewerkers. De noodzaak om de zorg beter en anders te organiseren is groot. Tegelijkertijd groeit de verwachting dat AI kan bijdragen aan hogere productiviteit en efficiëntere zorgverlening.

Volgens Ercole zijn er inmiddels meerdere voorbeelden van AI-toepassingen die lokaal resultaat opleveren. Hij verwijst onder meer naar onderzoek van Abramoff et al. (2023), waarin autonome AI-systemen de productiviteit van specialistische klinieken verhoogden. Ook noemt hij een overzichtsstudie van Han et al. (2024), waarin tientallen klinische AI-toepassingen zijn onderzocht. Hoewel die toepassingen vaak goed functioneren in afgebakende processen, blijft brede systeemtransformatie, zoals structurele verbetering van doorstroming, samenwerking en productiviteit, volgens die literatuur beperkt.

Het artikel probeert te verklaren waarom dat verschil ontstaat tussen lokale winst en systeemimpact. Daarvoor gebruikt Ercole een voorbeeld uit de dagelijkse ziekenhuispraktijk: de verdeling van bedcapaciteit. Afdelingen moeten voortdurend kiezen of zij beschikbare capaciteit zichtbaar maken voor het bredere zorgsysteem, of juist lokaal capaciteit achter de hand houden. Het openstellen van capaciteit helpt de doorstroming van patiënten binnen het ziekenhuis, maar brengt ook extra werkdruk, risico’s en onzekerheid met zich mee voor de afdeling die de capaciteit beschikbaar stelt. Het beschermen van capaciteit voorkomt lokale overbelasting, maar kan elders in het systeem leiden tot opstoppingen en vertragingen.

Volgens Ercole ontstaat hierdoor een stabiel gedragspatroon dat speltheoretisch kan worden beschreven als een Nash-evenwicht. Individuele afdelingen hebben weinig reden om als eerste volledig samen te werken zolang de nadelen lokaal terechtkomen en de voordelen vooral elders in het systeem zichtbaar worden. Daardoor blijft buffering, het lokaal beschermen van capaciteit, rationeel gedrag, ook wanneer dit collectief inefficiënt uitpakt.

Vanuit dit model onderscheidt het artikel drie typen AI-toepassingen:

• De eerste categorie noemt Ercole effort-reducing AI. Dit zijn toepassingen die administratieve of operationele lasten verlagen. Voorbeelden zijn automatische verslaglegging, AI-gegenereerde ontslagbrieven en systemen die conceptantwoorden voorbereiden voor zorgprofessionals. Volgens de auteur kunnen deze toepassingen werkdruk verminderen en tijd besparen, maar zij veranderen niet waarom afdelingen bepaalde keuzes maken. Het systeem wordt efficiënter binnen dezelfde organisatielogica.
• De tweede categorie is observability-oriented AI. Hieronder vallen dashboards, voorspellingen van uitstroom, congestiemeldingen en andere systemen die processen zichtbaarder maken. Deze technologieën vergroten de transparantie van vertragingen of capaciteitsproblemen. Dat kan volgens Ercole gedrag beïnvloeden, bijvoorbeeld doordat management sneller kan ingrijpen of doordat afdelingen zichtbaarder worden beoordeeld. Toch verandert ook hier de kern van het probleem niet: de risico’s van samenwerking blijven lokaal liggen. Zichtbaarheid verandert niet automatisch de incentive-structuur.
• De derde categorie vormt de kern van het betoog: mechanism-level AI. Hierbij wordt AI gekoppeld aan institutionele mechanismen die risico’s herverdelen. Ercole noemt als voorbeeld een systeem waarbij een afdeling die vroegtijdig capaciteit vrijgeeft automatisch recht krijgt op extra personele ondersteuning of centrale coördinatie. In zo’n situatie worden de negatieve gevolgen van samenwerking niet langer volledig lokaal gedragen. Volgens de auteur ontstaat dan een andere dynamiek: samenwerking wordt individueel rationeel in plaats van primair risicogedreven.

De analyse maakt duidelijk dat veel huidige AI-toepassingen vooral bestaande structuren optimaliseren. Daardoor ontstaat volgens de logica van het artikel ook een risico op nieuwe vormen van organisatorische afhankelijkheid. Wanneer zorgorganisaties investeren in dashboards, AI-ondersteunde werkprocessen, monitoring en administratieve automatisering zonder de onderliggende governance aan te passen, kunnen bestaande patronen juist worden verstevigd. De technologie vermindert dan de operationele pijn van het systeem zonder de structurele oorzaken ervan weg te nemen. Vanuit het perspectief van digitale transformatie betekent dit dat digitalisering niet automatisch leidt tot fundamentele verandering. Het bestaande systeem wordt efficiënter, maar niet noodzakelijk anders georganiseerd.

Juist hier ligt een belangrijke vraag voor bestuurders, managers en zorgprofessionals: hoe organiseer je samenwerking zó dat het voor afdelingen en teams logisch en werkbaar wordt om in het belang van het geheel te handelen? Digitale transformatie gaat dan niet alleen over nieuwe technologie, maar vooral over de manier waarop verantwoordelijkheden, risico’s en samenwerking zijn georganiseerd.

Dat vraagt om praktische keuzes. Bijvoorbeeld: als een afdeling capaciteit deelt met het ziekenhuis als geheel, wie vangt dan de extra werkdruk op? Hoe voorkom je dat teams die samenwerken juist meer risico lopen dan teams die vooral hun eigen processen beschermen? En hoe organiseer je ondersteuning en besluitvorming zó dat samenwerking niet alleen wenselijk is, maar ook uitvoerbaar blijft in de dagelijkse praktijk?

Volgens Ercole worden veel AI-projecten nog vooral beoordeeld op lokale efficiëntiewinst, zoals tijdsbesparing of lagere administratieve druk. De belangrijkere vraag is echter of een AI-toepassing ook helpt om samenwerking tussen afdelingen en organisaties beter mogelijk te maken. Als de onderliggende prikkels hetzelfde blijven, worden bestaande patronen vaak vooral efficiënter georganiseerd. Organisaties digitaliseren dan wel, maar veranderen niet fundamenteel.

Bronnen

• Abramoff, M. D., et al. (2023). Autonomous artificial intelligence increases real-world specialist clinic productivity in a cluster-randomized trial. npj Digital Medicine, 6, 184.
• Ercole, A. (2026). Incentives, equilibria, and the limits of healthcare AI: A game-theoretic perspective
• Han, R., Acosta, J. N., Shakeri, Z., Ioannidis, J. P. A., Topol, E. J., & Rajpurkar, P. (2024). Randomised controlled trials evaluating artificial intelligence in clinical practice: A scoping review. The Lancet Digital Health, 6(5), e367–e373.