Meer leren over AI?
In onze hands-on trainingen leer je AI effectief inzetten voor jouw werk.
Dennis Claassen
AI-trainer · 35+ teams getraind
Key takeaways
- AI stelt de vragen op, jij stelt de structuur vast. Zonder een vaste indeling in dimensies krijg je een lijstje, geen onderzoek.
- De grootste valkuil is de dubbele vraag. Twee onderwerpen in één zin geven je straks een antwoord dat niets zegt.
- Zelfs een goede prompt vergeet de ene vraag die het doel waarmaakt: in welke ploeg of op welke afdeling iemand werkt.
- De ondernemingsraad komt in beeld zodra het een vaste regeling wordt, niet bij een eenmalige vraag aan drie collega's.
- Laat AI nooit alleen de open antwoorden samenvatten. Bij een kleine groep ziet AI sneller een patroon dat er niet is dan een mens dat doet.
Een medewerkerstevredenheidsonderzoek met AI opstellen gaat sneller dan zelf tien vragen bedenken, maar een kale prompt levert bijna altijd een dubbele of sturende vraag op. Dat is het terugkerende probleem: volgens de Employee Experience Benchmark 2026 van Highberg daalde de landelijke eNPS dit jaar van 50 naar 42, het laagste niveau in vijf jaar, en een onderzoek met scheve vragen maakt dat beeld alleen onbetrouwbaarder. Dit artikel laat zien welke vragen je per dimensie opstelt, wat een AI-agent daarbij wel en niet zelf mag beslissen, en wanneer de ondernemingsraad moet meekijken. Vergelijkbaar met het voorbereiden van een functioneringsgesprek met AI: AI schrijft de tekst, jij blijft verantwoordelijk voor wat er staat.
Wat AI wel en niet oplost bij een medewerkerstevredenheidsonderzoek
AI is goed in het snel opstellen van veel vragen in een vaste structuur. Dat werkt omdat een taalmodel een patroon na-doet zodra je het patroon zelf aanlevert: geef je het de dimensies vitaliteit, toewijding en absorptie uit de Utrecht Work Engagement Scale van Schaufeli en Bakker (Universiteit Utrecht), dan vult AI die drie categorieën keurig met vragen, en dat scheelt je het zelf uitdenken van een indeling. Zonder die structuur krijg je een losse opsomming die op elk bedrijf past en nergens specifiek genoeg voor is om op te sturen.
Wat AI niet oplost: of de vragen ook iets meten waar jouw management iets mee kan. Een vraag over "absorptie" (opgaan in je werk) is voor een warehouseploeg in vast tempo iets anders dan voor een kantoormedewerker met wisselende taken. AI merkt dat verschil niet zelf op, jij moet het vertalen naar waar je de resultaten straks op wilt kunnen uitsplitsen.
Medewerkersonderzoek of medewerkerstevredenheidsonderzoek: is er verschil?
In de praktijk worden de termen door elkaar gebruikt. Een medewerkersonderzoek is de bredere term en kan ook los staan van tevredenheid, bijvoorbeeld een onderzoek na een reorganisatie of een 360-graden-feedbackronde. Een medewerkerstevredenheidsonderzoek (vaak afgekort tot MTO) is specifiek gericht op tevredenheid en bevlogenheid, meestal volgens een vaste, herhaalbare opzet. Voor AI maakt dat verschil niets uit voor de schrijfwijze van de vragen, wel voor hoe vaak je het herhaalt en daarmee of de ondernemingsraad in beeld komt.
Medewerkerstevredenheidsonderzoek met AI opstellen: de vragen per dimensie
Een medewerkerstevredenheidsonderzoek met AI opstellen werkt het best als je AI vraagt om per dimensie twee vragen te schrijven, in plaats van tien losse vragen zonder onderlinge structuur. Dat werkt omdat herkenbare dimensies (vitaliteit, toewijding, absorptie, relatie met de leidinggevende, arbeidsomstandigheden) elk twee keer gemeten een stabieler beeld geven dan tien losse, ongerelateerde stellingen: valt één vraag verkeerd uit door een ongelukkige formulering, dan heb je nog een tweede meting op dezelfde dimensie. Verwacht daardoor een vragenlijst die je zonder verdere aanpassing al per dimensie kunt lezen in plaats van tien losse scores die je zelf moet groeperen. Je doet dit niet als je onderzoek specifiek over één incident gaat (een reorganisatie, een vertrek van een leidinggevende); dan schrijf je gerichte vragen over dat ene onderwerp, geen generiek dimensiemodel.
Medewerkerstevredenheidsonderzoek vragen: voorbeelden per dimensie
- Vitaliteit: "Als ik aan het werk ben, voel ik mij energiek." "Aan het einde van een werkdag heb ik nog energie over."
- Toewijding: "Ik voel mij betrokken bij mijn werk." "Mijn werk heeft betekenis voor mij."
- Absorptie: "Als ik aan het werk ben, verlies ik het tijdsbesef." "Het is moeilijk om mij los te maken van mijn werk."
- Leidinggevende: "Mijn leidinggevende geeft mij duidelijke feedback." "Ik kan bij mijn leidinggevende terecht met vragen."
- Arbeidsomstandigheden: "Mijn werkplek is ingericht op de taken die ik moet uitvoeren." "Ik heb de hulpmiddelen die ik nodig heb om mijn werk te doen."
Let op: de UWES-vragenlijst zelf mag je niet zomaar overnemen
De indeling in vitaliteit, toewijding en absorptie mag je gewoon gebruiken: een driedeling is geen eigendom van iemand. De originele UWES-vragenlijst ligt anders. Op de downloadpagina van Wilmar Schaufeli staat dat de lijst gratis is "for academic purposes only", zoals een proefschrift of een wetenschappelijk artikel, en dat er voor elk ander gebruik een contract moet worden opgesteld; de copyrightregel op de vragenlijsten zelf zegt hetzelfde met andere woorden: vrij voor niet-commercieel wetenschappelijk onderzoek, commercieel of niet-wetenschappelijk gebruik verboden zonder voorafgaande schriftelijke toestemming van de auteurs.
Een werkgever die zijn eigen medewerkers bevraagt, is geen wetenschappelijk onderzoek. Doe dus dit: neem de drie dimensies over als indeling en laat AI daar je eigen stellingen bij schrijven, zoals hieronder. Doe dit niet: de originele UWES-items letterlijk kopiëren uit een artikel of een sjabloon dat je ergens vindt. Verwacht van je eigen stellingen geen vergelijkbaarheid met wetenschappelijke normgegevens; wil je dat wel, vraag dan eerst toestemming aan de auteurs. De vragen hieronder zijn eigen formuleringen langs die dimensies, geen UWES-items.
Scoor elke stelling op een schaal van 1 (helemaal niet mee eens) tot 5 (helemaal mee eens) en sluit af met één open vraag. Meer stellingen dan dit levert in de praktijk geen scherper beeld op, wel een lagere respons: iedere extra minuut invultijd kost je respondenten, vooral bij een vragenlijst die mensen op hun telefoon in een pauze invullen. Uit onze trainingen: bij een vragenlijst van meer dan vijftien stellingen zien we de respons merkbaar zakken, terwijl de extra stellingen zelden een ander beeld opleveren dan de eerste tien al gaven. Verwacht dus geen beter onderzoek van meer vragen, alleen een lagere respons.
Net promoter score of eNPS: wel of niet toevoegen?
Veel medewerkerstevredenheidsonderzoeken sluiten af met één extra vraag: "Zou je deze werkgever aanbevelen aan iemand anders?" Dat is in de kern de net promoter score, hier toegepast op werkgeverschap (eNPS). Die vraag werkt goed als losse, extra meting die je jaar op jaar vergelijkt, omdat één vast cijfer een trend laat zien die de dimensievragen hierboven niet in één getal kunnen samenvatten. Hij werkt niet als vervanging van de dimensievragen: een enkel cijfer zegt niets over wat je moet verbeteren. Gebruik hem dus alleen als je hem ook echt jaar op jaar gaat herhalen; anders is het een extra vraag zonder vergelijkingspunt, en verwacht dan geen bruikbaar signaal uit die ene meting.
Als dit geldt, dan doe je dit
| Als dit geldt | Dan doe je dit | Waarom de drempel daar ligt |
|---|---|---|
| Je herhaalt het onderzoek elk jaar of half jaar, met (bijna) dezelfde vragen | Behandel het als een vaste regeling en betrek de OR vooraf | Een terugkerend, vastgelegd format is een "regeling" in de zin van de Wet op de ondernemingsraden, niet een eenmalige actie |
| Je vraagt naar iets dat op individueel niveau te herleiden is (functie, team, leeftijd samen) | Vraag alleen de combinatie die je ook echt gaat gebruiken om uit te splitsen | Elke extra combinatie van kenmerken verkleint de groep waarin iemand nog kan verdwijnen; bij een kleine ploeg is "team plus leeftijd" vaak al genoeg om iemand te herkennen |
| Je wilt de uitkomst per team of ploeg vergelijken | Voeg een teamvraag toe, maar alleen als elke groep waarover je rapporteert minstens 10 mensen telt | Zonder die vraag kun je helemaal niet vergelijken. De grens van 10 is de gangbare praktijknorm voor rapportage-eenheden in personeelsonderzoek; daaronder is anonimiteit niet meer te garanderen. Reken het zelf na: bij 10 respondenten en 5 antwoordopties is een uitschieter nog een cijfer in een verdeling, bij 3 respondenten is hij een aanwijsbare persoon |
| Je laat AI de open antwoorden samenvatten op een groep van minder dan 20 mensen | Lees de open antwoorden zelf, gebruik AI alleen om te groeperen, niet om te concluderen | Dit is de rapportagegrens van 10 maal twee. Bij 20 antwoorden is één afwijkend antwoord 5 procent van het beeld, bij 10 al 10 procent en bij 5 een vijfde: dan beschrijft een AI-samenvatting die dat "patroon" noemt in feite één persoon |
Een echte test: de zwakke en de sterke prompt
Om te laten zien wat een eenregelprompt oplevert tegenover een prompt met de juiste structuur, is dit getest op een fictief maar geloofwaardig bedrijf: Van Diepen Logistiek, 80 medewerkers, 55 in het warehouse op ploegendienst en 25 op kantoor. De test is uitgevoerd door een losse, blinde AI-sessie die niets wist van dit artikel.
De zwakke prompt
Maak een medewerkerstevredenheidsonderzoek van 10 vragen voor een
logistiek bedrijf met 80 medewerkers (een warehouseploeg en een
kantoorploeg).
Wat daar letterlijk uitkwam
2. Mijn leidinggevende staat voldoende open voor mijn ideeën en vragen.
...
9. Ik zou Van Diepen Logistiek aanraden als werkgever aan anderen.
Vraag 2 is een dubbele vraag: "ideeën" en "vragen" zijn twee aparte dingen. Een leidinggevende kan prima openstaan voor vragen over het rooster, maar niet voor ideeën over een nieuwe werkwijze. Wie dat ervaart, moet nu kiezen tussen twee verschillende waarheden en kiest meestal de gemiddelde, minst informatieve optie. Vraag 9 is toevallig vrijwel de eNPS-vraag die ook Highberg gebruikt, maar zonder vaste schaal en zonder segmentatie kun je het resultaat nergens tegen afzetten.
De sterke prompt
#CONTEXT: Je bent een HR-adviseur met ervaring in medewerkersonderzoek
bij middelgrote bedrijven. Je weet dat een medewerker dit onderzoek
anoniem invult, vaak op zijn telefoon in een pauze, en meteen afhaakt
of sociaal-wenselijk invult zodra een vraag een mening lijkt te sturen
of twee dingen in één keer vraagt. Het bedrijf is Van Diepen Logistiek,
80 medewerkers: 55 in het warehouse (ploegendienst) en 25 op kantoor
(dagdienst).
#DOEL: Een vragenlijst van 10 vragen die bruikbare, vergelijkbare
antwoorden geeft tussen de warehouseploeg en de kantoorploeg, langs de
dimensies vitaliteit, toewijding, absorptie, plus leidinggevende en
arbeidsomstandigheden.
#WERKWIJZE:
1. Groepeer de vragen per dimensie, 2 vragen per dimensie.
2. Formuleer elke vraag neutraal: geen bijvoeglijk naamwoord dat al een
oordeel suggereert, en geen vraag die twee onderwerpen combineert.
3. Gebruik een 5-puntsschaal voor alle vragen, plus 1 open vraag.
4. Schrijf in het Nederlands, B1-niveau, kort.
#BELANGRIJKE REGELS:
- Geen vraag mag een waardeoordeel al in de vraag zelf bevatten.
- Geen vraag mag twee onderwerpen combineren.
- Controleer na elke vraag of een tevreden medewerker die ook negatief
zou kunnen beantwoorden zonder dat het raar aanvoelt.
#BEPERKINGEN: Geen salarisvraag, geen vraag zonder duidelijke dimensie.
Wat daar uitkwam, en wat er nog ontbrak
De tien stellingen die hierboven bij "vragen per dimensie" staan, kwamen letterlijk zo uit deze prompt: neutraal geformuleerd, geen dubbele vragen, logisch gegroepeerd. Dat is een echte verbetering ten opzichte van de zwakke prompt. Maar er ontbreekt iets dat het eigen doel van de prompt ondermijnt: nergens staat een vraag naar team of ploeg. Zonder die ene vraag kun je warehouse en kantoor helemaal niet vergelijken, ook al was dat letterlijk het doel in #DOEL.
De reparatie is één extra, korte vraag vooraf: "In welke ploeg werk je: warehouse of kantoor?" Check daarbij meteen de regel uit de tabel hierboven: bij Van Diepen Logistiek zitten beide groepen (55 en 25) ruim boven de 10, dus geen van beide is herleidbaar tot één persoon. Bij een bedrijf waar de kantoorploeg uit 8 mensen bestaat, voeg je die vraag niet toe, of je voegt "kantoor" en "warehouse" samen in de rapportage. Let op dat je de rekensom maakt op het aantal dat straks antwoordt, niet op het aantal dat de uitnodiging krijgt: bij 12 kantoormedewerkers en de helft respons houd je 6 antwoorden over, en dan zit je er alsnog onder.
De grootste valkuil: de sturende en de dubbele vraag
AI schrijft van nature vragen in een positieve toon, omdat positief geformuleerde zinnen in de trainingsdata van een taalmodel vaker voorkomen dan neutrale. "Hoe tevreden ben je over de prettige samenwerking in je team" klinkt onschuldig, maar het woord "prettige" heeft het antwoord al half gegeven voordat de medewerker begint te typen. Hetzelfde gebeurt bij twee onderwerpen in één vraag, zoals "ideeën en vragen" hierboven: het antwoord dat terugkomt, is een gemiddelde van twee dingen die niets met elkaar te maken hebben, en daarmee bruikbaar voor niemand.
De vuistregel die in de sterke prompt staat, werkt in de praktijk: lees elke vraag terug en vraag je af of een tevreden medewerker hem ook negatief kan beantwoorden zonder dat het raar aanvoelt. Lukt dat niet, dan stuurt de vraag.
Mag dit zomaar? De ondernemingsraad en de AVG
Een eenmalige, informele vraag aan een paar collega's heeft geen toestemming nodig. Een medewerkerstevredenheidsonderzoek dat je elk jaar op dezelfde manier afneemt, is dat niet: dat is een vaste werkwijze. Artikel 27 lid 1 van de Wet op de ondernemingsraden geeft de ondernemingsraad instemmingsrecht over "een regeling omtrent het verwerken van alsmede de bescherming van de persoonsgegevens van de in de onderneming werkzame personen" (onderdeel k), en als de uitkomst ook meegenomen wordt in beoordelingen, valt het ook onder onderdeel g, "een regeling op het gebied van de personeelsbeoordeling". Beide onderdelen gelden voor een MTO zodra het een terugkerend format is, niet bij een eenmalige, ongestructureerde vraag.
Info
Stand van zaken op 22 november 2026. Deze uitleg van artikel 27 WOR is een toelichting, geen juridisch advies voor jouw specifieke situatie. Heeft je bedrijf een ondernemingsraad en wil je het onderzoek structureel herhalen, leg het dan vooraf voor. Heb je geen OR, dan blijft de AVG onverkort gelden: je verwerkt persoonsgegevens zodra antwoorden tot één persoon te herleiden zijn, en dat vraagt een legitieme grondslag en een duidelijke informatieplicht vooraf.
Wat AI hier niet goed kan
AI de open antwoorden laten samenvatten voelt als tijdwinst, maar twee risico's spelen hier gelijktijdig. Het eerste is bekend van andere AI-taken: bij een kleine groep antwoorden ziet een samenvattende AI sneller een "patroon" dat in werkelijkheid één opvallend antwoord is. Het tweede risico is nieuwer en gaat de andere kant op: steeds meer mensen gebruiken zelf AI om een enquêtevraag te beantwoorden. Een onderzoek naar enquêtes onder software-ontwikkelaars (De Souza Santos e.a., arXiv, ingediend 19 december 2025) vond 49 antwoorden met herkenbare kenmerken van AI-generatie: herhalende zinsopbouw, uniforme formuleringen en oppervlakkige personalisatie, die volgens de auteurs "coherent reasoning while concealing fabricated content" nabootsen. Dat onderzoek ging niet over medewerkersonderzoek, maar het mechanisme is hetzelfde: hoe generieker een open vraag, hoe makkelijker een antwoord met AI te maken is zonder dat je het ziet. Vraag daarom naar iets concreets uit de eigen werkweek, niet naar een algemene mening.
Wat het oplevert, en hoe je dit na 7 dagen meet
Uit onze trainingen: een vragenlijst volgens dit stramien kost je, inclusief het aanpassen van de output van de sterke prompt, ongeveer een uur in plaats van een halve dag zelf schrijven. Rekenen op een perfecte vragenlijst in één keer is niet realistisch: ook de sterke prompt miste hierboven de teamvraag, dus plan altijd een korte testronde met drie tot vijf collega's voor je uitstuurt.
Meet na zeven dagen drie dingen zonder tooling:
- Respons: hoeveel procent heeft ingevuld? Onder de 50 procent behandelen we de uitkomst in onze trainingen niet meer als representatief voor de hele groep.
- Uitval halverwege: hoeveel mensen zijn gestart maar niet afgerond? Veel uitval bij dezelfde vraag betekent dat die vraag onduidelijk of te persoonlijk is.
- Spreiding binnen een dimensie: geven de twee vragen per dimensie ongeveer hetzelfde beeld? Een groot verschil tussen de twee vragen op dezelfde dimensie betekent dat een van de twee vragen zelf het probleem is, niet de medewerkers.
Een technische kanttekening die hierbij helpt: vitaliteit, toewijding en absorptie hangen volgens de handleiding van Schaufeli en Bakker sterk met elkaar samen, en dat was ook de reden dat de oorspronkelijke lijst van 17 items in internationaal onderzoek kon worden ingekort tot negen. Scoort één dimensie bij een team opvallend anders dan de andere twee, dan is dat zelf al een signaal om eerst de vraag te controleren voor je concludeert dat er echt iets anders speelt op die ene dimensie.
Doe dit deze week
Kies de dimensies die bij jouw situatie passen
Vitaliteit, toewijding, absorptie, leidinggevende en arbeidsomstandigheden zijn een goed startpunt. Speelt er iets specifieks (een reorganisatie, een nieuwe leidinggevende), voeg daar een eigen dimensie met twee vragen aan toe.
Draai de sterke prompt hierboven, met jouw eigen bedrijfsgegevens
Vul je eigen teamgroottes in. Tel daarna per groep waarover je wilt rapporteren hoeveel mensen er naar verwachting antwoorden, en laat elke groep onder de 10 weg of voeg hem samen met een andere.
Laat drie tot vijf collega's de vragenlijst eerst zelf lezen
Vraag hen letterlijk: "Welke vraag voelt alsof je al een antwoord moet geven?" Pas die vraag aan voor je uitstuurt naar de rest.
Het agent-recept dat vandaag werkt: laat AI per dimensie twee vragen opstellen met de sterke prompt hierboven, voeg zelf de teamvraag toe na een check op groepsgrootte, en laat AI de open antwoorden daarna alleen groeperen op onderwerp, niet samenvatten tot een conclusie. Oefen deze opbouw met je eigen vragenlijst in een AI-werksessie, of bouw hem mee als onderdeel van een bredere training. Twijfel je waar je moet beginnen, plan een kort gesprek.
AI-training
Wil je AI leren inzetten?
In onze praktische trainingen leer je hoe je ChatGPT, Claude en andere AI-tools effectief inzet voor jouw werk.
Bronnen
- Wetten.overheid.nl, Wet op de ondernemingsraden, artikel 27. Instemmingsrecht van de ondernemingsraad, onderdelen k (persoonsgegevens) en g (personeelsbeoordeling), geldende tekst 2023, zelf geopend op 20 november 2026.
- Dutch IT Channel, Medewerkerstevredenheid in Nederland op laagste niveau in vijf jaar. Over de Employee Experience Benchmark 2026 van Highberg, een adviesbureau dat zelf diensten op dit vlak verkoopt; het eNPS-cijfer (van 50 naar 42) komt uit dat vendor-onderzoek, de duiding komt van een onafhankelijke redacteur. Zelf geopend.
- De Souza Santos e.a., An Investigation on How AI-Generated Responses Affect Software Engineering Surveys, arXiv:2512.17455. Onafhankelijk academisch onderzoek, ingediend 19 december 2025, zelf geopend.
- Schaufeli & Bakker, Utrecht Work Engagement Scale, Preliminary Manual, Universiteit Utrecht. Academisch en onafhankelijk meetinstrument voor bevlogenheid; bron voor de drie dimensies (vitaliteit, toewijding, absorptie), voor de samenhang daartussen en voor de inkorting van 17 naar 9 items.
- Wilmar Schaufeli, downloadpagina UWES. De auteur zelf. Bron voor de gebruiksvoorwaarden: gratis voor academische doeleinden, voor alle andere doeleinden een contract; dezelfde beperking staat als copyrightregel op de vragenlijsten zelf.
- Brightmine, Stappenplan medewerkerstevredenheidsonderzoek. Uitgever van HR- en compliance-naslagwerk, geen aanbieder van medewerkersonderzoek. Bron voor de praktijknorm van minimaal 10 werknemers per rapportage-eenheid, met als reden dat anonimiteit bij een kleiner aantal niet meer te garanderen is.
Veelgestelde vragen
Hoeveel vragen moet een medewerkerstevredenheidsonderzoek hebben?
Tien stellingen plus één open vraag is genoeg: twee vragen per dimensie (vitaliteit, toewijding, absorptie, leidinggevende, arbeidsomstandigheden). Meer vragen leveren in de praktijk geen scherper beeld op, wel een lagere respons, omdat elke extra minuut invultijd respondenten kost bij een vragenlijst die mensen op hun telefoon in een pauze invullen.
Wat is het verschil tussen een medewerkersonderzoek en een medewerkerstevredenheidsonderzoek?
Een medewerkersonderzoek is de bredere term en kan los staan van tevredenheid, bijvoorbeeld na een reorganisatie of als 360-graden-feedbackronde. Een medewerkerstevredenheidsonderzoek (MTO) is specifiek gericht op tevredenheid en bevlogenheid, meestal volgens een vaste, herhaalbare opzet. Voor de AI-prompt maakt dat verschil niet uit, voor de ondernemingsraad wel: een vaste, herhaalde opzet telt eerder als een regeling.
Moet de ondernemingsraad instemmen met een medewerkerstevredenheidsonderzoek?
Bij een eenmalige, informele vraag aan een paar collega's niet. Herhaal je het onderzoek elk jaar op dezelfde manier, dan geldt het als een vaste regeling, en heeft de ondernemingsraad instemmingsrecht via artikel 27 lid 1 van de Wet op de ondernemingsraden: onderdeel k gaat over het verwerken van persoonsgegevens van medewerkers, onderdeel g over personeelsbeoordeling als de uitkomst daar ook voor gebruikt wordt.
Is de net promoter score een goede vraag voor een medewerkerstevredenheidsonderzoek?
Als losse, extra meting die je jaar op jaar herhaalt, werkt een net promoter score (bij werkgeverschap ook eNPS genoemd) goed om een trend te volgen: "Zou je deze werkgever aanbevelen aan iemand anders?" Als vervanging van de dimensievragen werkt hij niet, want een enkel cijfer zegt niets over wat je moet verbeteren.
Mag AI de open antwoorden van een medewerkerstevredenheidsonderzoek samenvatten?
Alleen om antwoorden te groeperen op onderwerp, niet om er een conclusie uit te trekken, vooral niet bij een groep kleiner dan ongeveer twintig mensen. Bij een kleine groep springt één opvallend antwoord er in een AI-samenvatting al snel uit als "patroon", ook als het om één persoon gaat. Lees open antwoorden bij een kleine groep daarom altijd zelf.




