Geschreven op 16 april 2025.

De verborgen kosten van AI-gemak

Kunstmatige intelligentie, ook wel afgekort tot AI, is allang geen toekomstmuziek meer. Het is inmiddels een vast onderdeel van professionele workflows geworden. Of het nu gaat om het automatiseren van routinetaken, het genereren van content of het schrijven van code, kunstmatige intelligentie maakt dingen mogelijk die eerder tijdrovend of zelfs voor sommigen onhaalbaar voelde. Die ontwikkeling biedt natuurlijk allerlei voordelen. AI-systemen helpen om efficiënter te werken en maken bepaalde taken toegankelijker voor mensen die daar eerder misschien niet toe in staat waren. Dat klinkt aantrekkelijk, en dat is het ook. Maar het roept tegelijk een belangrijke vraag op: Wat gebeurt er als we kunstmatige intelligentie niet alleen als hulpmiddel gebruiken, maar als vervanging van het denkwerk dat normaal gesproken nodig is om écht te leren en ergens goed in te worden?

In dit artikel wil ik daar dieper op ingaan. Want hoewel kunstmatige intelligentie enorm krachtig is, schuilt er ook een risico in het gemak waarmee we het inzetten. Als we te afhankelijk worden kunstmatige intelligentie bij belangrijke taken, zoals het oplossen van problemen of het uitvoeren van diepgaande analyses, dan bestaat de kans dat we er onder zullen gaan leiden. En zonder dat proces wordt het lastig om echte expertise te ontwikkelen.

Een goed voorbeeld hiervan is de programmeur die kunstmatige intelligentie gebruikt om code te schrijven. Op het eerste gezicht lijkt dat ideaal, je krijgt snel resultaat en kunt je focussen op grotere lijnen. Maar wat gebeurt er als je zelden nog zelf de onderliggende logica hoeft te doorgronden? Als je blind vertrouwt op wat de kunstmatige intelligentie voorstelt, leer je dan nog wel hoe je problemen structureel oplost of waar je fouten vandaan komen? Voor mij is dit geen abstract vraagstuk. Ik werk dagelijks samen met andere ontwikkelaars en merk dat deze zorg steeds vaker speelt. Het helpt ons zeker sneller te werken, maar ik vraag me soms af lopen we niet het risico dat we juist de kern van ons vak uit handen geven?

Dat wil niet zeggen dat we kunstmatige intelligentie meteen moeten mijden. Het kan een fantastisch hulpmiddel zijn, mits we het bewust en doordacht inzetten. Door kritisch te blijven nadenken over hoe we het gebruiken en vooral waarom kunnen we profiteren van het gemak, zonder dat het ten koste gaat van onszelf.

Korte termijn winst tegenover lange termijn ontwikkeling

Het is goed te begrijpen waarom veel mensen kunstmatige intelligentie het denkwerk laten overnemen. Het levert direct voordeel op, het is vaak sneller, vraagt minder mentale inspanning en omzeilt ingewikkelde denkprocessen. Dat voelt productief, zeker als het resultaat bruikbaar is. Maar juist in dat gemak schuilt een spanningsveld. De winst op de korte termijn kan ten koste gaan van iets veel waardevollers, het leerproces op de lange termijn. Want hoe duurzaam is die productiviteit als je er zelf minder van leert? Groeit je begrip mee met de output die kunstmatige intelligentie voor je genereert? Om dat goed te kunnen beoordelen, is het belangrijk om eerst te begrijpen hoe mensen van nature complexe vaardigheden ontwikkelen. Expertise ontstaat namelijk niet door simpelweg informatie te consumeren. Het is een actief, iteratief proces en vaak ook een uitdagend traject. En juist dat maakt het waardevol. Hier zijn een paar belangrijke onderdelen van dat leerproces:

• Actieve betrokkenheid: Leren doe je door zelf na te denken. Door problemen te analyseren, hypotheses te vormen, en te experimenteren met mogelijke oplossingen.
• Bewuste oefening: Dit gaat verder dan herhalen. Het draait om gerichte oefening op punten die nét buiten je comfortzone liggen.
• Trial-and-error: Fouten maken hoort erbij. Juist het onderzoeken van wat er misgaat, leidt tot dieper inzicht.
• Worstelen met concepten: Moeilijke ideeën kosten tijd en moeite. Maar dat proces bouwt sterke mentale modellen op.
• Feedback en reflectie: Kijken naar je eigen werk, feedback ontvangen en daarvan leren, verfijnt je vaardigheden.
• Patroonherkenning: Door ervaring leer je steeds beter subtiele patronen herkennen die voor beginners nog onzichtbaar zijn.
• Neuroplasticiteit: Al deze inspanning verandert letterlijk je brein: denkpatronen worden sterker, automatischer, en intuïtiever.

Dit zijn de bouwstenen van echt vakmanschap. Maar ze kosten tijd en vooral inspanning. Wanneer iets deze processen uit handen neemt, mis je een groot deel van die leerervaring. Laten we daarom opnieuw de programmeur als voorbeeld nemen, of in dit geval iemand die kunstmatige intelligentie gebruikt om code te genereren. Wat gebeurt er als dat een gewoonte wordt?

• De probleemanalyse en het ontwerp worden overgeslagen: kunstmatige intelligentie neemt het analyseren en opbreken van het probleem over. Daarmee oefent de gebruiker niet de vaardigheden die nodig zijn om zelf tot een oplossing te komen.
• Minder oefening in syntax en structuur: Zelf code schrijven dwingt je om bewust na te denken over de opbouw, taalconstructies en logica. Als je dat aan kunstmatige intelligentie overlaat, krijg je wel output, maar doe je weinig ervaring op.
• Beperkte ontwikkeling van debugging-vaardigheden: Fouten vinden en oplossen is misschien wel het leerzaamste onderdeel van programmeren. Als de kunstmatige intelligentie code genereert en er iets niet klopt, weet de gebruiker vaak niet waarom. En als de eisen veranderen of het probleem complexer wordt, is de kunstmatige intelligentie opnieuw nodig. Zo ontstaat een afhankelijkheid waarbij je steeds een foutmelding invoert en op een antwoord wacht zonder zelf echt grip op de situatie te krijgen.
• Passieve consumptie in plaats van actieve creatie: AI-code lezen is iets anders dan zelf code bedenken en schrijven. Lezen leidt vaak tot herkenning, maar zelden tot een diep begrip. Het waarom achter beslissingen blijft vaak impliciet.
• Weinig oefening in systeemdenken: Programmeren is meer dan het schrijven van losse blokken code. Het gaat ook over architectuur, onderhoudbaarheid en overzicht. Als je vooral kunstmatige intelligentie gebruikt om kleine stukjes code te genereren, oefen je dat overzicht nauwelijks. Uiteindelijk loop je dan tegen de grenzen van kunstmatige intelligentie aan het model mist dan de volledige context van je project. En als jij die context ook niet hebt opgebouwd, wordt het lastig om zelfstandig verder te werken.

De illusie van competentie

Het gemak waarmee kunstmatige intelligentie taken kan uitvoeren, brengt niet alleen praktische voordelen met zich mee het introduceert ook een minder zichtbare valkuil de illusie van competentie. Omdat je snel en soepel tot een resultaat komt, kan het lijken alsof je de onderliggende vaardigheid beheerst. Je krijgt wat je nodig hebt, en dat voelt productief. Maar de realiteit is vaak anders: jouw eigen bijdrage blijft beperkt tot het formuleren van een opdracht, terwijl het denkwerk, de échte expertise, door de tool wordt geleverd. Deze dynamiek kan ongemerkt leiden tot afhankelijkheid. Zonder de tool ben je dan ineens minder capabel: je weet misschien niet hoe de oplossing tot stand is gekomen, kunt ze niet zelfstandig aanpassen, en wanneer de kunstmatige intelligentie faalt, of net buiten zijn bereik moet opereren, sta je met lege handen. Dat is geen onwil of luiheid, maar een logisch gevolg van een gebrek aan fundament. Echt begrip stelt je in staat om het werk van een kunstmatige intelligentie te beoordelen op kwaliteit, correctheid en toepasbaarheid. Het maakt dat je fouten kunt herkennen, ideeën kunt verbeteren en weet waar grenzen liggen. Maar zonder die basiskennis wordt het moeilijk om kritisch te blijven. Je mist het referentiekader waarmee je kunt toetsen of iets eigenlijk wel klopt. Het uitbesteden van kerntaken aan blijft daardoor zelden zonder consequenties. Dit geld niet alleen voor individuen, maar ook voor teams, organisaties en zelfs de samenleving als geheel.

Wanneer je routinematig complexe taken overdraagt aan een ander, wordt jouw brein simpelweg minder getraind. De mentale inspanning die nodig is om te groeien blijft achterwege. En dat heeft gevolgen. Vaardigheden ontwikkelen zich minder snel of stagneren zelfs helemaal. Op termijn kan dit leiden tot beperkte carrièrekansen, vooral in functies waar diepgaande expertise en creatief probleemoplossend vermogen essentieel zijn. Daarnaast kan de professionele voldoening afnemen. Wie vooral consumeert in plaats van creëert, mist vaak het gevoel van eigenaarschap en groei. En wanneer technologie verandert of de gebruikte AI-tool veroudert, ben je extra kwetsbaar: je mist dan niet alleen het gereedschap, maar ook de vaardigheid om zonder dat gereedschap te werken.

Wat op individueel niveau begint, werkt door in teams. Wanneer meerdere teamleden voor kerncompetenties sterk leunen op hulp van buitenaf, ontstaat er een tekort aan diepgaande kennis binnen de groep. De capaciteit om complexe, onvoorziene problemen te doorgronden en op te lossen neemt af. Daarnaast kan het innovatieve vermogen van een organisatie onder druk komen te staan. Echte vernieuwing komt zelden voort uit oppervlakkige oplossingen. Het vraagt een diep, doorleefd begrip van het vakgebied. Zonder dat fundament blijven ideeën vaak aan de oppervlakte hangen. En hoe meer een team of organisatie afhankelijk wordt van specifieke tools, hoe minder flexibel en adaptief ze wordt zeker wanneer de situatie vraagt om iets wat buiten de standaardcapaciteiten van kunstmatige intelligentie valt.

Als deze trends zich verder doorzetten, zou dat zelfs op maatschappelijk niveau invloed kunnen hebben. We zouden kunnen verschuiven naar een cultuur waarin snelheid en gemak zwaarder wegen dan kennis en kunde. Expertise waarvoor mensen jarenlang trainen en studeren zou daardoor minder gewaardeerd worden. Dat kan grote gevolgen hebben voor het onderwijs, de arbeidsmarkt en de manier waarop we talent en ontwikkeling benaderen. Als het opleiden van vakmensen minder belangrijk lijkt dan het ‘slim gebruiken' van AI-tools, lopen we het risico dat we de kern van leren en daarmee het kritisch denken, zelfinzicht, en begrip steeds meer uit het oog verliezen.

Bewust gebruik

Het potentieel van kunstmatige intelligentie als hulpmiddel staat buiten kijf. De uitdaging ligt dan ook niet in het vermijden ervan, maar in het ontwikkelen van een bewuste, strategische omgang ermee. De sleutel tot die balans begint bij een mentaliteitsverandering: kunstmatige intelligentie moet niet worden gezien als vervanger van menselijke denkkracht, maar als verlengstuk ervan. Een instrument dat, mits juist ingezet, menselijke capaciteiten versterkt en dus niet verzwakt. Dat vraagt om een herwaardering van wat fundamenteel is. Routinematige deeltaken kunnen prima geautomatiseerd worden. Maar het denkwerk, de analyse, en de kritische beoordeling moeten menselijke taken blijven. Dat betekent investeren in de basisvaardigheden van een vakgebied. Het leren van de onderliggende principes, het oefenen van de essentie en het ontwikkelen van inzicht. Alleen vanuit die stevige kennisbasis kun je kunstmatige intelligentie effectief gebruiken én de resultaten ervan beoordelen, bijsturen en integreren binnen een breder kader.

Even belangrijk is het veranderen van de interactie met kunstmatige intelligentie: van passief consumeren naar actief gebruiken. In plaats van enkel antwoorden opvragen, kun je kunstmatige intelligentie inzetten als partner in je leerproces. Stel vragen, vraag om uitleg, genereer oefenmateriaal, en toets je eigen redeneringen. Gebruik kunstmatige intelligentie als spiegel voor je eigen denkproces. Vraag bijvoorbeeld niet alleen om een oplossing, maar onderzoek waarom die oplossing is gekozen. Welke alternatieven zijn er? Kan het beter, efficiënter, eleganter? Die actieve omgang versterkt het leereffect aanzienlijk. Het verbeteren, aanpassen of reproduceren van AI-resultaten vereist verdieping, en juist dát is waar leren plaatsvindt. Cruciaal daarbij is het stellen van bewuste grenzen dus bepaal welke taken essentieel zijn voor jouw ontwikkeling en voer die taken zelf uit ook als het langzamer gaat. Op die manier wordt kunstmatige intelligentie geen shortcut, maar een hefboom voor leren.

Arbeid, kapitaal en machtsdynamiek

De discussie over kunstmatige intelligentie en expertise raakt aan een dieper, structureel vraagstuk. De opkomst hiervan roept namelijk een duidelijke historische parallel op, die met de industriële revolutie. Toen maakten gespecialiseerde ambachtslieden met jarenlange ervaring en diepgewortelde vakkennis plaats voor productieprocessen die werden opgedeeld in eenvoudige, herhaalbare taken. De vakman werd vervangen door de fabrieksarbeider. De controle over het werk verschoof naar de bezitters van de machines, en daarmee ook de macht. Een vergelijkbare machtsverschuiving dreigt nu opnieuw, zij het in een andere context. Kunstmatige intelligentie stelt organisaties in staat om kennisintensieve taken zoals coderen, analyseren, ontwerpen of schrijven deels te automatiseren. Daarmee wordt menselijke arbeid op die gebieden deels vervangbaar of minder onderscheidend. De waarde van kenniswerk, ooit gebaseerd op expertise en ervaring, komt onder druk te staan. De inzet van kunstmatige intelligentie kan leiden tot goedkopere, snellere output ook al als de kwaliteit daarvan lager. Hierdoor verzwakt de onderhandelingspositie van menselijke werknemers en stijgt die van de werkgever.

Het fundamentele probleem is dat AI-systemen doorgaans ontwikkeld, beheerd en gefinancierd worden door kapitaalkrachtige entiteiten. De productiviteitswinst die kunstmatige intelligentie mogelijk maakt, komt dan vooral terecht bij de eigenaren van deze systemen. Werknemers dragen bij aan de input via hun data, hun gebruik en hun werkprocessen, maar profiteren niet automatisch mee van de economische opbrengst. De geschiedenis leert dat technologische vooruitgang niet vanzelf leidt tot een evenredige verbetering van de positie van de werkende klasse. Tijdens de industriële revolutie duurde het decennia voordat de reële lonen van arbeiders stegen. De productiviteitswinsten vloeiden aanvankelijk vooral naar het kapitaal.

Als we kunstmatige intelligentie uitsluitend analyseren vanuit het perspectief van individuele ontwikkeling, missen we dus een belangrijk deel van het verhaal. De opkomst hiervan vraagt ook om een herbezinning op de sociaal-economische verhoudingen. Hoe zorgen we ervoor dat productiviteitsgroei ook leidt tot bredere welvaartsverbetering? Hoe voorkomen we dat controle, kennis en waarde zich concentreren bij een kleine groep? En wat is de rol van onderwijs, beleid en collectieve onderhandeling hierin? De mate waarin werkenden meeprofiteren van de mogelijke AI-revolutie of juist worden uitgesloten van de opbrengsten, is daarmee een van de belangrijke vragen van onze tijd. Niet alleen voor technici of beleidsmakers, maar voor iedereen die de toekomst van werk, onderwijs en samenleving serieus neemt.

Meer lezen

• Het ja-en probleem met kunstmatige intelligentie