Maand: september 2026

Oppervlakkige perfectie is geen diepgang: bepaal welk denkwerk je niet aan AI overlaat

We kunnen vermenigvuldigen en delen en nog steeds dromend alle rekentafels opdreunen. Op de lagere school stampte ze die er bij ons in en maakte er een wedstrijdje van tussen de leerlingen, omdat ze ervan overtuigd waren dat ze cruciaal waren voor later in ons leven.

De hoofdrekenvaardigheid werd nog verder aangescherpt toen we als tiener en jongvolwassene bij diverse bazen werkte; ik telde de gewerkte uren bij elkaar op en berekende het loon uit mijn hoofd (in de tijd dat contant geld nog de norm was) sneller dan de baas dat deed.

Als je nu een wedstrijdje met mijn buurtkinderen doe, rollen ze met hun ogen. “U bent echt uit de vorige eeuw. Heeft u wel eens van een rekenmachine gehoord?”

Het zal je niet verbazen dat ik nog steeds sneller kan rekenen dan zij, al gaat het niet meer zo vlot als vroeger. Waarom? Omdat neuronen die samen vuren, ook samen verbindingen aangaan: hoe vaker we onze hersenen gebruiken voor complexe taken, des te scherper ze daarin worden. Maar de keerzijde is ook waar:

wanneer we mentale inspanning uitbesteden, verliezen we mentale kracht. Of we bouwen die kracht nooit op.

Natuurlijk is het uit het hoofd kennen van de rekentafels misschien geen essentiële vaardigheid meer. Maar het vermogen om diep na te denken, patronen te herkennen, de juiste vragen te stellen en goede beslissingen te nemen wanneer het antwoord niet voor de hand ligt, is nog nooit zo belangrijk geweest.

Generatieve AI kan ons werk er slimmer uit laten zien dan ons denkwerk in werkelijkheid is. Bovendien heeft het dat denkwerk wel heel gemakkelijk gemaakt om uit te besteden. En ik vermoed dat jij (of mensen om je heen) al iets van die mentale kracht aan het verliezen zijn.

Het ongemakkelijke moment ten over als de autocue uitvalt en we onze toespraken niet kunnen vervolgen (totdat het probleem is opgelost) het is tekenend voor een bredere trend. Het feit dat we niet verder kunnen zonder hulpmiddelen, onderstreept waarom we voorzichtig moeten zijn met het uitbesteden van de mentale inspanning voor zaken die we echt goed willen doen.

Gedragswetenschappers beschrijven hoe we onze hersenen sparen en inspanning vermijden waar dat maar kan. Als we de kans krijgen om mentale inspanning uit de weg te gaan, doen we dat doorgaans ook.

Wat er is veranderd, is dat generatieve AI (GenAI) nu voor vrijwel alles een directe sluiproute biedt, vaak nog voordat we zelf over het probleem hebben nagedacht.

Dat zou niet zo erg zijn als onze hersenen niet actief gebruikt hoefden te worden om sterk te blijven of om diep na te kunnen denken. Maar dat moeten ze wel. En misschien nog wel zorgwekkender voor degenen onder ons met tientallen jaren ervaring: onze expertise biedt veel minder bescherming dan we misschien denken. Uit onderzoek is zelfs gebleken dat we meetbaar slechter worden in het zelf herkennen van dingen, na drie maanden gebruik van AI-tools. Tientallen jaren aan vaardigheid die in enkele maanden tijd afneemt.

Ik wil niet te pessimistisch klinken; want dat doen al genoeg anderen al. Maar misschien is het nog wel verontrustender dat juist de vaardigheden die cruciaal zijn voor succes op de lange termijn zowel op de werkvloer als in de wereld van vandaag het grootste risico lopen. Vooral het beoordelings- en beslissingsvermogen en het vermogen om problemen te doorgronden en te kaderen eroderen. Dit zijn precies de vaardigheden die we nodig hebben om te bepalen wanneer we AI überhaupt moeten inzetten.

Hoe meer je op AI vertrouwt, des te afhankelijker we ervan worden.

Een gepolijste antwoord staat niet gelijk aan diepgang.

Ja, AI kan in een handomdraai een presentatie maken die er fantastisch uitziet. Maar het is lastiger om iemand te vinden die doordacht kan reageren als er wordt gevraagd om dieper in te gaan op een van de genoemde punten.

AI kan gepolijste antwoorden formuleren op ingewikkelde vraagstukken waarvoor een duidelijk antwoord bestaat. Zoals het voorspellen van de vraag of het vergelijken van prijsopties. Maar AI kan geen werkelijk complexe problemen oplossen. Denk aan het herstellen van vertrouwen, het veranderen van een toxische bedrijfscultuur, het omgaan met tegenstrijdige waarden of het nemen van een beslissing met grote gevolgen voor mensen, waarbij elke optie aanzienlijke consequenties heeft. Hiervoor is wijsheid nodig, evenals het vermogen om te navigeren tussen paradoxen, ambiguïteit en concurrerende prioriteiten. Wijsheid die niet kan worden uitbesteed aan een algoritme. Dat soort wijsheid ontstaat alleen door weerstand; door te worstelen met complexe, lastige vraagstukken en ideeën te volgen in kronkelige gedachtegangen die niet altijd tot een antwoord leiden, maar wel ons denkvermogen verdiepen, ons karakter vormen en ons vermogen vergroten om een ​​weg vooruit te vinden wanneer die niet direct zichtbaar is.

Kies ervoor om na te denken, ook als dat betekent dat je het rustiger aan moet doen

De meeste mensen, voelen de druk om meer werk in minder tijd te verzetten, puur om bij te blijven. Wanneer AI aanbiedt om een ​​taak van twee uur over te nemen, is de verleiding groot. En als we er eenmaal een gewoonte van hebben gemaakt om het schrijven van e-mails, artikelen of zelfs toespraken (!) uit te besteden, voelt het des te moeilijker om terug te keren naar de ouderwetse werkwijze.

Onze hersenen zijn misschien wel zuinig met energie, maar ze zijn ook ware genieën in het rationaliseren waarom de langzame aanpak op zijn best onverstandig en op zijn slechtst ronduit dwaas zou zijn.

Toch is het maar al te gemakkelijk om over het hoofd te zien… Denk eens aan de kosten (en risico’s) van het niet volledig benutten van onze hersenen. Net als wanneer je een dagje de sportschool overslaat, is het verleidelijk om te denken: “Geen man overboord.” Maar als je dat doortrekt naar duizend gemiste trainingen, blijven onze neurologische spieren onbenut; onze hersenen rusten dan niet alleen maar uit.

Gezien de angst die onze keuze vaak bepaalt, is de beslissing om zelf na te denken zelfs met het risico dat het langzamer gaat dan bij onze concurrenten een daad van moed. Nu AI steeds meer doordringt in ons leven, moeten we daar een tegenwicht aan bieden door heel bewust te kiezen wat we uit handen geven en wat we zelf blijven doen. Hier zijn drie manieren om dat aan te pakken.

1. Denk na voordat je een prompt invoert

Gebruik je hersenen voordat je de taak waarvoor ze gemaakt zijn, uitbesteedt. Noteer je gedachten. Zet de opzet van je verhaal op papier. Werk je ideeën verder uit. Hoe meer je een beroep doet op je eigen creatieve vermogen, des te sterker het wordt. BCG wees erop dat Shell junior medewerkers nu vraagt ​​om zelf het probleem te formuleren en een basisanalyse te maken, voordat ze AI inzetten om die te verfijnen. Slimme zet. Misschien wil je ook bepaalde taken uitvoeren waarbij jouw originaliteit en oordeelsvermogen zo belangrijk zijn, dat je helemaal geen AI gebruikt.

2. Vraag AI om te argumenteren, niet om antwoorden te geven

Generatieve AI heeft toegang tot meer data dan onze hersenen kunnen bevatten. Maar het is geen orakel en heeft geen toegang tot de diepere intelligentie die jij in de loop der jaren hebt opgebouwd. Dus in plaats van te vragen: “Wat is het antwoord?”, kun je beter vragen: “Wat zou er mis kunnen gaan?” of “Wat zie ik over het hoofd?” Gebruik AI als sparringpartner om je denkproces kritisch te toetsen, niet als vervanging ervan. Ik zeg het niet graag, maar AI heeft nog nooit in zijn bestaan ​​een originele gedachte gehad.

3. Omarm de mentale worsteling

Als een probleem lastig aanvoelt, weersta dan de verleiding om direct naar AI te grijpen. Het is niet prettig om in die ‘rommelige tussenfase’ te zitten, met alle onzekerheid en onbeantwoorde vragen van dien. Juist daarom helpt het om die mentale worsteling te omarmen als een essentieel onderdeel van wat ons denken diepgang geeft; zo kunnen we dat ongemak wat langer verdragen in plaats van ons te haasten naar schijnzekerheid of ChatGPT.

De mentale worsteling is geen verloren tijd. Het is het proces waarin je oordeelsvermogen wordt gevormd, je besluitvorming wordt verfijnd en je vermogen om door het leven te navigeren… …de moeilijkste en meest menselijke vraagstukken wordt verbreed.

Hoe meer we kunnen uitbesteden aan AI, des te meer we een wijsheid moeten ontwikkelen die geen enkel algoritme kan nabootsen. En voor wie zich inzet voor moedig leiderschap, is kiezen voor het zware denkwerk een van de dapperste daden van leiderschap die er zijn.

De toekomstige versies van AI zullen zichzelf de opdracht geven om menselijke grenzen te negeren

De angst dat AI ons in de nabije toekomst ‘onze beschaving zal kosten’ is verder aangewakkerd. Door de onthulling hoe een experimenteel model een toekomstige versie van zichzelf de opdracht gaf om door mensen ingestelde beperkingen te negeren.

Het is wellicht de grootste angst van dit moment waartoe zal de AI-ontwikkeling leiden, aangezien het vooruitzicht op controleverlies de drijfveer is achter theorieën die speculeren dat de technologie zou kunnen leiden tot het einde van de beschaving zoals we die kennen.

In wezen zijn de mogelijkheden angstaanjagend eindeloos zodra AI niet meer naar de gestelde grenzen luistert. Niet alleen zijn de modellen intelligent genoeg om dit te begrijpen, maar ook kunnen ze die ongehoorzaamheid waarschijnlijk voor ons verborgen houden, waardoor de beschaving de signalen voor potentiële verandering zal missen.

In een eerder geval van ongehoorzaamheid werd het gedrag in de kiem gesmoord voordat het daadwerkelijk werd uitgevoerd, maar de poging is genoeg om veel mensen angst aan te jagen, vooral na recente incidenten waarbij AI-model autonoom een ​​onafhankelijk aanvallen uitvoerde.

AI-bedrijven ontdekten dit angstaanjagende gedrag in een niet-openbaar model dat zich een weg naar buiten had gebaand. Onderzoekers ontdekten in een intern, niet-uitgebracht AI-model een incident waarbij de AI “jailbreak-achtige instructies in zijn eigen prompt schreef”, die worden gebruikt om een ​​taak in een nieuwe context voort te zetten.

In wezen werkte het model onafhankelijk en autonoom, buiten menselijke commando’s om, om niet-uitgebrachte ‘doelen’ in te voegen, “inclusief instructies om zijn normale beperkingen te negeren, in prompts die worden gebruikt om zijn opdracht in een nieuw contextvenster voort te zetten.”

Dit interne AI-model probeerde herhaaldelijk instructies voor toekomstige modellen te verbergen, waardoor ze menselijke beperkingen moesten negeren.

Dit was geen incident op zich, ontdekte ze bij nader onderzoek van verschillende getroffen modelen. Dat “dit gedrag extreem zeldzaam was, geen duidelijk voordeel opleverde en monitorbaar was.” was een van de conclusies.

De belangrijkste hypothese rond deze acties “is dat problemen met het beëindigen van prompts die hebben bijgedragen aan dit gedrag, hoewel we geen causaal verband hebben vastgesteld en een gerelateerde bug hebben verholpen.”

Is dit de reden waarom AI-bedrijven hebben opgeroepen de ontwikkeling te vertragen?

Hoewel de risico’s van deze specifieke ‘bug’ worden gebagatelliseerd, weerspiegelt het veel van de bredere zorgen rond de ontwikkeling van AI op dit moment en is het kenmerkend voor de reden waarom AI bedrijven zo graag de vooruitgang wil vertragen.

Deze incidenten vertonen veel van de tekenen waarover men zich zorgen maakt met betrekking tot recursieve zelfverbetering.

In een ideale wereld zou dit de snelheid waarmee AI verbetert drastisch verhogen, waardoor de wereld een betere plek zou worden. Men vreest dat we de controle over onze eigen creatie verliezen wanneer we de teugels laten vieren.

Het gedrag van deze nog niet vrijgegeven modellen versterkt die angsten alleen maar, omdat het al de neiging toont om de door mensen opgelegde beperkingen te negeren en op een manier te opereren die gevaarlijk kan zijn – en dat risico zal alleen maar toenemen naarmate de AI capabeler wordt.

Of dat uiteindelijk tot het uitsterven van onze beschaving leidt, is de vraag die momenteel boven de AI-industrie hangt. Hoewel sommige prominente figuren deze beweringen als een ‘hoax’ hebben afgedaan, zijn er veel meer die overtuigd zijn van dit gevaarlijke potentieel en liever het zekere voor het onzekere te nemen.

Geschiktheid hangt af van de toepassing.

Volledigheid, actualiteit, nauwkeurigheid, consistentie en andere dimensies van datakwaliteit kunnen een zeer verschillende rol spelen, afhankelijk van de beoogde toepassing. Een dataset die geschikt is voor interne analyse, is mogelijk ongeschikt voor een geautomatiseerde beslissing.

De datakwaliteit moet daarom niet op zichzelf worden beoordeeld, maar in relatie tot het beoogde gebruik.

Is de datakwaliteit voldoende voor dit specifieke AI-gebruiksscenario?

Technische toegang betekent niet automatisch dat gegevens voor elk doel gebruikt mogen worden.

Voor AI-toepassingen moet daarom duidelijk zijn welke systemen of personen toegang hebben tot welke gegevens en onder welke voorwaarden het gebruik is toegestaan.

Dit omvat bijvoorbeeld rol- en toegangsconcepten, doelbeperkingen, beperkingen voor gevoelige gegevens en regels voor het gebruik van externe bronnen. Interne of externe gegevens.

AI-ready data governance koppelt daarom technische toegangsrechten aan bedrijfsregels voor toegestaan ​​datagebruik.

Wanneer AI-systemen afhankelijk zijn van data, moet het mogelijk zijn om te begrijpen waar die data vandaan komen en hoe ze zijn verwerkt.

Hier speelt data lineage een belangrijke rol. Het kan inzichtelijk maken welke bronnen data hebben aangeleverd, welke transformaties hebben plaatsgevonden en welke systemen erbij betrokken waren.

Dit is vooral relevant wanneer problemen met datakwaliteit, onverwachte resultaten of governance-vraagstukken moeten worden onderzocht.

Hoe beter de herkomst en verwerking van data kunnen worden getraceerd, hoe gemakkelijker het wordt om de impact van wijzigingen of problemen te beoordelen.

Data veranderen in de loop van de tijd.

Er worden nieuwe bronnen geïntroduceerd, definities worden herzien, systemen worden vervangen en er ontstaan ​​of worden problemen met datakwaliteit opgelost. Een eenmalige beoordeling voordat een AI-toepassing live gaat, is daarom niet voldoende.

AI-ready data governance moet ook definiëren hoe relevante wijzigingen worden geïdentificeerd, beoordeeld en gecontroleerd.

Dit kan het volgende omvatten:

periodieke beoordelingen van relevante datasets

monitoring van belangrijke indicatoren voor datakwaliteit

beoordelingen van wijzigingen in databronnen of definities

aanpassingen van toegangsrechten

documentatie van belangrijke governancebeslissingen

herbeoordeling wanneer de AI-toepassing wezenlijk verandert

Alleen de combinatie van deze zes bouwstenen creëert een robuustere basis voor AI.

Zelfs goed beheerde data bieden echter geen oplossing voor alle risico’s die verbonden zijn aan een AI-systeem.

Robuust databeheer verbetert de voorwaarden voor het gebruik van AI, maar maakt een AI-systeem niet automatisch veilig, eerlijk of adequaat beheerd.

Zelfs wanneer data goed gedocumenteerd, voldoende begrepen, van geschikte kwaliteit en onderworpen aan duidelijke toegangscontroles zijn, blijven er aanvullende AI-specifieke risico’s bestaan.

De term beschrijft geen wettelijke norm of formele certificeringsstatus. Het kan beter worden begrepen als een praktische aanpak om databeheer vorm te geven, zodat data beter begrepen, beheerd, beschermd en gecontroleerd kan worden wanneer deze wordt gebruikt voor AI-toepassingen.

Goed databeheer vormt daarom een ​​belangrijke basis voor betrouwbaardere AI-toepassingen. Het garandeert echter niet de kwaliteit, veiligheid of naleving van de regelgeving van een AI-systeem. Aanvullende AI-governance-, risico- en controlemechanismen blijven nodig.

AI-gereed databeheer betekent niet het creëren van een volledig nieuwe governance-structuur naast het bestaande databeheer. Het betekent in plaats daarvan het aanpassen van bestaande principes, verantwoordelijkheden en controles aan de specifieke eisen van AI-toepassingen.

Bij traditioneel datagebruik is het vaak vrij duidelijk welke systemen bepaalde data gebruiken, hoe die data worden verwerkt en voor welk zakelijk doel ze worden gebruikt. AI-toepassingen kunnen extra complexiteit met zich meebrengen, omdat data in nieuwe contexten hergebruikt kunnen worden, gecombineerd met andere informatiebronnen of gebruikt kunnen worden als context voor geautomatiseerde outputs en beslissingen.

AI-ready data governance is erop gericht deze vragen te beantwoorden voordat een AI-toepassing in productie wordt genomen.

Het doel is niet om alle organisatiedata universeel “AI-ready” te maken. Het gaat erom of de data geschikt zijn voor een specifieke toepassing. Een dataset kan perfect geschikt zijn voor een eenvoudige interne analyse, maar ongeschikt voor een gevoelige of sterk geautomatiseerde AI-toepassing.

AI-gereed databeheer moet daarom niet worden gezien als een eenmalige status, maar als een combinatie van verantwoordelijkheid, data-inzicht, kwaliteit, toegestaan ​​gebruik, traceerbaarheid en continue controle.

Om data verantwoord te gebruiken in AI-toepassingen, moeten verschillende governance-elementen samenwerken. Geen enkel element is op zichzelf voldoende. Het gaat om de combinatie van duidelijke verantwoordelijkheden, data-inzicht, kwaliteit, toegangsregels en controles.

Data-eigenaren en data-stewards spelen een belangrijke rol bij het waarborgen dat data niet alleen technisch beschikbaar zijn, maar ook begrepen, beheerd en op de juiste manier gebruikt worden.

Dit is met name belangrijk voor AI-toepassingen, omdat data vaak buiten hun oorspronkelijke context worden hergebruikt. Zonder duidelijke verantwoordelijkheden kan het snel onduidelijk worden wie bevoegd is om te beslissen of een dataset geschikt is, hoe deze mag worden gebruikt of welke beperkingen van toepassing zijn.

Wie is verantwoordelijk voor het bepalen of een dataset geschikt is voor de specifieke AI-toepassing?

Een AI-systeem kan data verwerken zonder de zakelijke betekenis ervan in de organisatiecontext te begrijpen.

Daarom is voldoende gedocumenteerde metadata zo belangrijk. Voorbeelden hiervan zijn definities, herkomst, zakelijke betekenis, datacategorieën, verantwoordelijkheden en toegestane gebruikswijzen.

Datavelden met dezelfde naam kunnen zeer verschillende concepten vertegenwoordigen. Wat het ene systeem bijvoorbeeld definieert als een “actieve klant”, kan in een ander systeem gebaseerd zijn op geheel andere criteria.

AI-ready data governance zorgt daarom voor transparantie over de betekenis van data en de context waarin deze gebruikt mogen worden.

Er is geen universele drempelwaarde waarop data automatisch “goed genoeg” is voor AI.

Hoewel AI-technologie in de toekomst veelbelovend lijkt op veel gebieden, zijn er belangrijke ethische zorgen, risico’s en uitdagingen verbonden aan AI die aandacht verdienen:

Een van de belangrijkste ethische zorgen is hoe AI-systemen bestaande maatschappelijke vooroordelen kunnen weerspiegelen of versterken. AI-modellen leren van historische gegevens, en als die gegevens oneerlijke patronen bevatten, kan de output discriminatie versterken bij beslissingen over aanwerving, leningen of rechtshandhaving.

Een onderzoek toont aan dat vooroordelen zelfs in geavanceerde systemen kunnen blijven bestaan ​​en dat het aanpakken ervan diverse datasets, actieve mitigatieprocessen en continue controle vereist.

AI-systemen zijn afhankelijk van grote hoeveelheden persoonsgegevens, wat reële risico’s met zich meebrengt op het gebied van privacy en ongeautoriseerde toegang. Zonder sterke waarborgen kunnen modellen onbedoeld gevoelige informatie blootleggen of bijdragen aan alomvattende surveillancepraktijken die de rechten van individuen ondermijnen.

Principes van privacy by design en naleving van regelgeving zoals de AVG worden essentieel om de gegevens van gebruikers te beschermen en misbruik te voorkomen.

Veel geavanceerde AI-systemen werken als ‘black boxes’, waardoor het zelfs voor ontwikkelaars moeilijk is om uit te leggen hoe specifieke beslissingen tot stand zijn gekomen. Dit gebrek aan transparantie maakt verantwoording lastig wanneer AI wordt gebruikt in risicovolle gebieden zoals diagnoses in de gezondheidszorg of juridische adviezen.

Nauwkeurige uitlegmechanismen en visuele hulpmiddelen voor het interpreteren van modelgedrag worden noodzakelijk om vertrouwen op te bouwen en te voldoen aan ethische normen.

Naarmate AI-systemen complexere rollen krijgen, wordt het een uitdaging om te bepalen wie verantwoordelijk is voor de resultaten. Ethisch handelen vereist het vaststellen van duidelijke verantwoordingsstructuren, zodat ontwikkelaars, organisaties of toezichthouders ter verantwoording kunnen worden geroepen wanneer een systeem een ​​fout maakt of schade veroorzaakt. Zonder dergelijke structuren kunnen schadelijke gevolgen onopgemerkt blijven en kan het vertrouwen in AI afnemen.

AI heeft de potentie om de manier waarop werk wordt gedaan te veranderen, en de zorgen over banenverlies en economische ongelijkheid blijven groot.

Hoewel AI-automatisering nieuwe kansen kan creëren, bestaat het risico dat specifieke bevolkingsgroepen of sectoren negatief worden beïnvloed als omscholing en ondersteuning van de beroepsbevolking geen onderdeel uitmaken van het transitieplan.

Ethische benaderingen van AI omvatten het plannen van veranderingen in de beroepsbevolking en het waarborgen dat de economische voordelen van AI breed worden gedeeld.

AI-technologieën die realistische tekst, audio en video genereren, kunnen worden gebruikt om deepfakes en andere misleidende content te creëren, wat een bedreiging vormt voor het publieke vertrouwen en democratische processen.

Cryptografische watermerken, herkomstregistratie en aansprakelijkheidskaders behoren tot de strategieën die worden besproken om deze schadelijke gevolgen te beperken.