AI verandert wat we moeten weten

AI kan steeds meer werk overnemen. Code schrijven, informatie verzamelen, documentatie samenvatten, analyses voorbereiden en fouten opsporen: de lijst groeit snel.

Dat roept al snel de vraag op hoeveel werk we aan AI kunnen overlaten. Maar minstens zo belangrijk is een andere vraag: wat moeten mensen zelf blijven weten en begrijpen wanneer AI steeds meer van het werk uitvoert?

Bij MSML zien we AI als versterking van vakmanschap. Niet omdat mensen iedere stap zelf moeten blijven uitvoeren, maar omdat kennis en ervaring nodig blijven om te bepalen wat we verantwoord kunnen delegeren en om te herkennen wanneer AI het verkeerde doet.

Snelheid kan ten koste gaan van begrip

AI kan softwareontwikkeling aanzienlijk versnellen. Een developer kan in dezelfde tijd meer onderzoeken, meer oplossingen proberen en meer software realiseren. Maar die snelheid heeft een mogelijk neveneffect.

Wanneer AI steeds grotere delen van het werk uitvoert, kan software sneller groeien dan het begrip van de mensen die ervoor verantwoordelijk zijn. Beslissingen worden genomen, code wordt toegevoegd en oplossingen worden gekozen zonder dat iemand het volledige denkproces nog heeft doorlopen.

Dat wordt ook wel cognitive debt genoemd: cognitieve schuld die ontstaat wanneer ons systeem sneller groeit dan ons begrip ervan. Net als technische schuld hoeft die schuld niet onmiddellijk een probleem te zijn. De code draait, tests slagen, functionaliteit wordt opgeleverd.

De rekening komt later, bijvoorbeeld bij een onverwachte storing, een ingrijpende wijziging of een architectuurkeuze waarvoor kennis van eerdere beslissingen nodig is. Als niemand meer goed begrijpt waarom het systeem werkt zoals het werkt, wordt de snelheid die AI opleverde tegelijkertijd een afhankelijkheid van AI.

Wie controleert, moet kunnen beoordelen

Een voor de hand liggende reactie is dat mensen niet langer alles zelf hoeven te maken, zolang ze het resultaat van AI maar controleren. Maar daarin schuilt een paradox.

Om code, een analyse of een ontwerp goed te kunnen beoordelen, heb je expertise nodig. En die expertise ontstaat niet alleen door naar eindresultaten te kijken. We bouwen haar ook op door zelf problemen op te lossen, verkeerde keuzes te maken, fouten te onderzoeken en te ontdekken waarom de ene oplossing beter werkt dan de andere.

Wanneer we al dat werk delegeren, bestaat dus het risico dat we langzaam precies de kennis verliezen die nodig is om de gedelegeerde werkzaamheden te controleren.

Dat risico geldt niet alleen voor developers. Wie AI een analyse laat uitvoeren, moet voldoende van het onderwerp begrijpen om slechte aannames te herkennen. En wie een agent beslissingen laat voorbereiden, moet kunnen beoordelen wanneer de context om een andere afweging vraagt.

We moeten ons daarom afvragen: welke kennis moeten we als organisatie behouden om verantwoordelijkheid te kunnen blijven dragen voor het werk dat AI uitvoert?

Niet zo veel mogelijk AI, maar de juiste hoeveelheid

Voor sommige taken is een agent die zelfstandig een proces uitvoert precies wat we willen. Voor andere taken is het belangrijk dat een medewerker actief betrokken blijft. Dat kan zijn omdat de gevolgen groot zijn, omdat veel context nodig is of omdat het uitvoeren van de taak zelf belangrijk is voor het opbouwen en behouden van expertise.

Hoe we AI inzetten, bepalen we daarom per taak. Soms betekent dat ondersteuning van een medewerker, soms het zelfstandig uitvoeren van een afgebakend proces.

Kan AI repetitief werk overnemen? Graag. Kan AI informatie verzamelen, alternatieven onderzoeken, tests uitvoeren of afwijkingen signaleren? Ongetwijfeld. Maar wanneer begrip, afweging of verantwoordelijkheid centraal staat, moet de medewerker voldoende betrokken blijven om die rol daadwerkelijk te kunnen vervullen.

Van uitvoeren naar gericht delegeren

Voor ons ziet die verdeling er op dit moment zo uit:

AI bereidt voor, verzamelt, controleert en signaleert. De medewerker beoordeelt en kiest.

Die verhouding ligt niet vast. Naarmate AI beter wordt en afgebakende taken aantoonbaar betrouwbaar kan uitvoeren, kunnen we meer delegeren. De rol van de medewerker verschuift daarmee van zelf uitvoeren naar bepalen wat wordt gedelegeerd, binnen welke kaders en wanneer bijsturing nodig is.

Daarbij is zoveel mogelijk AI gebruiken geen doel op zichzelf. We kijken naar wat een toepassing daadwerkelijk oplevert en naar de kwaliteit en betrouwbaarheid van het resultaat. Taken die vandaag intensieve controle nodig hebben, kunnen morgen misschien grotendeels zelfstandig worden uitgevoerd.

We hoeven daarom niet vooraf te bepalen waar de grens tussen mens en AI uiteindelijk komt te liggen. We moeten die grens steeds opnieuw bewust bepalen op basis van wat werkt en wat verantwoord is.

Vakmanschap verschuift mee

Naarmate AI meer uitvoerend werk overneemt, verandert ook wat we onder vakmanschap verstaan.

Een developer hoeft mogelijk steeds minder code zelf te schrijven, terwijl vaardigheden als architectuur, probleemdefinitie, debugging, kwaliteitsbeoordeling en het aansturen van agents belangrijker worden. Voor andere kenniswerkers geldt iets vergelijkbaars: minder nadruk op het produceren van een eerste resultaat en meer op het stellen van de juiste vraag, het beoordelen van de uitkomst en het maken van de uiteindelijke afweging.

Dat vraagt ook om een andere kijk op leren en ontwikkelen. We moeten niet alleen kijken naar welke taken AI vandaag kan overnemen, maar ook naar welke kennis en vaardigheden medewerkers morgen nodig hebben om AI verantwoord in te zetten.

Dat betekent niet dat medewerkers werk moeten blijven doen dat AI beter kan. Wel moeten leren en kennisopbouw bewust onderdeel blijven van hoe we AI inzetten.

Vakmanschap verschuift van alles zelf doen naar weten wat je kunt delegeren, wat je moet begrijpen en wanneer je moet bijsturen.