Ik gebruik AI veel. Heel veel zelfs.
Om mee te denken, verbanden te leggen, informatie te zoeken, mijn eigen ideeën tegen het licht te houden en soms ook gewoon omdat ik geen zin heb om iets zelf uit te zoeken waarvan ik weet dat AI het binnen twintig seconden voor me kan doen.
Heerlijk.
Maar ik merk dat er iets aan het veranderen is.
In het begin waren we vooral onder de indruk van wat AI allemaal kon. Inmiddels worden de antwoorden beter, de modellen slimmer en kunnen we steeds meer denkwerk uit handen geven.
En juist daardoor wordt een andere vraag interessanter:
hoe weet ik eigenlijk of wat eruit komt goed is?
Niet of het goed klinkt. Dat lukt AI inmiddels uitstekend.
Maar of het écht goed is.
Want daarvoor moet ík iets weten.
Je moet genoeg weten om aan AI te kunnen twijfelen
Als AI mij iets vertelt over een onderwerp waar ik veel vanaf weet, merk ik vrij snel wanneer er iets schuurt.
Dan denk ik: volgens mij klopt dit niet helemaal. Of: je slaat nu een stap over. Soms is een antwoord feitelijk juist, maar weet ik uit ervaring dat het in de praktijk toch anders werkt.
Dan ga ik terug. Ik stel een andere vraag, spreek het antwoord tegen, vraag waar een aanname vandaan komt of waarom niet voor een andere oplossing is gekozen.
En meestal wordt het antwoord daar beter van.
Bij onderwerpen waar ik weinig vanaf weet, gebeurt iets anders. Dan lees ik een overtuigend antwoord en denk ik al snel: ja, klinkt logisch.
Precies dat vind ik inmiddels interessanter dan de vraag of AI straks ons werk kan overnemen.
Want hoe beter AI wordt in het formuleren van overtuigende antwoorden, hoe moeilijker het wordt om een middelmatig antwoord als middelmatig te herkennen.
Expertise heb je dus niet alleen nodig om het werk zelf te kunnen doen. Je hebt haar óók nodig om te kunnen beoordelen of iemand — of iets — anders het werk goed heeft gedaan.
Wat betekent AI voor leren en ontwikkelen?
Daar zit wat mij betreft een van de interessantste vragen voor L&D en organisaties.
We gebruiken AI om werk makkelijker en sneller te maken. Dat is logisch. Alleen zijn de dingen die we uit handen geven vaak ook de dingen waardoor we ergens goed in worden.
Zelf informatie zoeken. Een probleem proberen te begrijpen. Een eerste slechte versie maken. Een fout maken en ontdekken waarom iets niet werkt. Overleggen met iemand die er anders naar kijkt. Nog een keer proberen.
Het is niet altijd efficiënt, maar wel behoorlijk leerzaam.
Expertise ontstaat nu eenmaal niet alleen door kennis tot je te nemen. Ze groeit doordat je die kennis gebruikt, situaties tegenkomt die niet helemaal in het model passen, fouten maakt, feedback krijgt en langzaam leert zien wat een beginner nog niet ziet.
Juist daardoor ontstaat uiteindelijk dat gevoel van: hier klopt iets niet.
Als we een deel van dat proces steeds eerder aan AI uitbesteden, ontstaat er een vreemde paradox.
We hebben expertise nodig om de output van AI te beoordelen, terwijl AI ons tegelijkertijd steeds meer werk uit handen kan nemen waarmee we die expertise ontwikkelen.
Daar ligt volgens mij een belangrijk vraagstuk voor leren en ontwikkelen binnen organisaties.
Niet:
mogen onze medewerkers AI gebruiken?
Natuurlijk gebruiken ze AI.
Maar:
welk denkwerk willen we bewust níét volledig uit handen geven?
Welke vaardigheden worden belangrijker door AI?
Onderzoek van Boston Consulting Group maakt die vraag concreet. Senior leiders zien het risico dat vaardigheden binnen organisaties afnemen wanneer AI steeds meer taken overneemt. Daarbij gaat het juist om menselijke vermogens als oordeelsvorming, problemen goed begrijpen, analyseren, creatief denken en oplossingen beoordelen.
Eigenlijk precies de vaardigheden die nodig zijn om te bepalen of AI goed werk heeft geleverd.
We krijgen dus steeds betere technologie om antwoorden voor ons te maken, terwijl de waarde van de mens steeds meer verschuift naar het kunnen beoordelen van die antwoorden.
En dat vermogen ontstaat niet vanzelf.
Dat betekent ook dat we misschien anders naar AI-vaardigheden en AI-training voor medewerkers moeten kijken.
De afgelopen tijd hebben veel organisaties geïnvesteerd in leren werken met AI. Mensen leren prompten, AI-tools gebruiken, processen versnellen en ontdekken wat ze ermee kunnen.
Dat is nuttig.
Maar waarschijnlijk slechts de eerste fase.
Want misschien is iemand die fantastisch kan prompten uiteindelijk helemaal niet degene die het beste met AI kan werken.
Misschien is dat degene die een goede vraag kan formuleren. Die voldoende vakkennis heeft om te herkennen wanneer een antwoord nét niet klopt. Die context begrijpt, doorvraagt, een andere invalshoek ziet en af en toe gewoon zegt:
Leuk bedacht. Maar nee.
Dan gaat AI-vaardigheid ineens veel minder over de tool en veel meer over wat iemand zélf kan.
AI maakt leren en ontwikkelen niet minder belangrijk
Voor organisaties die nadenken over leren en ontwikkelen ontstaat daarmee een interessante omkering.
De vraag is niet alleen welke nieuwe AI-vaardigheden medewerkers nodig hebben, maar ook welke bestaande kennis en menselijke vaardigheden we juist niet willen verliezen doordat technologie taken kan overnemen.
Welke dat zijn, zal per organisatie en vakgebied verschillen.
Maar zodra je die vraag serieus stelt, verandert ook de manier waarop je naar leren kijkt.
Een LMS, LXP of ander leerplatform hoeft dan niet altijd zo snel mogelijk het juiste antwoord te geven. Soms moet iemand misschien eerst zelf een keuze maken. Een situatie beoordelen. Een probleem oplossen. Een standpunt innemen.
Niet omdat AI het antwoord niet zou kunnen geven, maar omdat het denkproces zelf onderdeel is van wat iemand moet leren.
Daarna kan AI juist ontzettend waardevol worden.
Om dat standpunt uit te dagen. Om een andere invalshoek te geven. Om feedback te leveren of een nieuwe situatie voor te leggen.
AI komt dan soms bewust ná het denken, in plaats van ervoor.
En juist daar wordt de combinatie van didactiek en technologie interessant.
Eerst bepalen wat iemand moet kunnen, dan pas de technologie
Dat raakt aan hoe we bij Learning Heroes naar leren en leerplatformen kijken.
Technologie is voor ons niet het vertrekpunt. Of het nu gaat om AI, een LMS/LXP, personalisatie of een andere functionaliteit: de eerste vraag is wat mensen moeten kennen en kunnen, welk gedrag je wilt ontwikkelen en welke leerervaringen daarvoor nodig zijn.
Pas daarna wordt interessant welke rol technologie daarin kan spelen.
Soms helpt technologie door leren sneller, makkelijker of persoonlijker te maken. Soms door iemand feedback te geven, te laten oefenen of op het juiste moment relevante content aan te bieden.
En soms helpt technologie misschien juist het beste door niet meteen het antwoord te geven.
Want als AI steeds meer voor ons kan doen, wordt de vraag wat mensen zélf goed moeten blijven kunnen alleen maar belangrijker.
Ik denk daarom niet dat we bang hoeven te zijn voor AI die steeds slimmer wordt.
We moeten vooral zorgen dat wij slim genoeg blijven om te herkennen wanneer het dat even niet is.
Learning Heroes ontwikkelt LMS/LXP-leerplatformen voor organisaties die leren en ontwikkelen doelgericht willen ondersteunen. Daarbij kijken we niet alleen naar functionaliteiten en technologie, maar ook naar didactiek, UX en de vaardigheden en het gedrag dat een organisatie wil ontwikkelen. Ook bij de inzet van AI in leren is de technologie daarom niet het vertrekpunt: eerst bepalen wat medewerkers zelf moeten kennen, kunnen en blijven oefenen, daarna welke rol AI en het leerplatform daarin kunnen spelen. Zo kan technologie leren ondersteunen zonder het denkproces dat nodig is om expertise en oordeelsvermogen te ontwikkelen onbedoeld over te nemen.
