In een eerdere blog schreef ik over AI als verlengstuk van het professionele kunnen. Daarbij gebruikte ik Merleau-Ponty om duidelijk te maken dat technologie niet altijd iets blijft wat buiten ons staat. Een ervaren timmerman hoeft niet meer na te denken over zijn hamer. Die wordt onderdeel van zijn handelen. Hetzelfde geldt voor een automobilist die niet voortdurend bewust bezig is met stuur, pedalen en versnellingen. Het instrument verdwijnt als het ware naar de achtergrond en wordt onderdeel van wat iemand praktisch kan.
Ook bij AI zien we iets vergelijkbaars ontstaan. Een professional die er veel mee werkt, gebruikt AI na verloop van tijd niet meer alleen als losse zoekmachine of tekstgenerator. Een beleidsadviseur verkent er argumenten mee, een programmeur laat een eerste versie van code maken, een docent ontwikkelt er lesmateriaal mee en een arts gebruikt het om informatie te ordenen. De technologie wordt onderdeel van het professionele handelen.
Maar als AI onderdeel wordt van ons professionele handelen, verandert het dan uiteindelijk ook wie we als professional worden? En zo ja, hoe geven we daar als mens en organisatie bewust richting aan?
Van verlengstuk naar medevormer
Ton Lemaire heeft me naast Merleau-Ponty ook op het spoor gezet van de Duitse denker en socialist Friedrich Engels. Samen met Karl Marx legde hij de grondslag voor wat later het marxisme is gaan heten.
Engels schreef eind negentiende eeuw dat de menselijke hand niet alleen het orgaan van arbeid is, maar ook het product ervan. Mensen gebruikten hun handen om gereedschap te maken en hun omgeving te veranderen, maar dat werk vormde op zijn beurt ook de hand zelf. Volgens Engels ontwikkelden hand, brein, taal, arbeid en samenwerking zich in voortdurende wisselwerking.
Engels’ biologische verklaring is op onderdelen achterhaald. Maar zijn bredere gedachte blijft interessant: door onze omgeving en onze gereedschappen te veranderen, veranderen we ook zelf als mens. Veel discussies gaan over de vraag wat technologie kan. Engels verschuift de aandacht naar wat er met mensen gebeurt wanneer zij jarenlang met deze technologie werken.
Dat idee helpt om anders naar AI te kijken. Neem een beginnende programmeur. Wie leerde programmeren, moest veel code zelf schrijven, fouten opsporen en uitzoeken waarom iets niet werkte. Juist door dat proces ontstond geleidelijk begrip van hoe software in elkaar zit. Met AI kan een beginner nu in korte tijd werkende code laten genereren. Dat vergroot zijn mogelijkheden en kan het leerproces versnellen, maar verandert ook wat hij zelf nog oefent. Misschien wordt het zelf schrijven van code minder belangrijk en het beoordelen, aanpassen en testen ervan juist belangrijker. Tegelijk ontstaat de vraag of je code goed kunt blijven beoordelen wanneer je steeds minder ervaring opdoet met het zelf opbouwen ervan.
Diezelfde vraag speelt bij een startende zorgprofessional, beleidsadviseur of jurist, om maar een paar voorbeelden te noemen. Ook daar kan AI delen van het werk overnemen die vroeger deel uitmaakten van het proces waarin professionele expertise werd opgebouwd.
Wat leren professionals nog zelf?
De discussie over AI is fundamenteler dan de vraag welke taken we kunnen automatiseren. Wanneer organisaties AI invoeren, veranderen zij mogelijk ook de manier waarop toekomstige professionals hun vak leren. Welke vermogens ontwikkelen mensen nog zelf wanneer AI structureel onderdeel wordt van hun werk? Welke nieuwe vermogens ontstaan en welke dreigen minder ontwikkeld te worden?
Op die vraag hebben we nog geen definitief antwoord. Wel hangt de uitkomst sterk af van de manier waarop AI in het werk wordt ingebouwd. Het maakt uit welke taken worden overgenomen, hoe vroeg AI in het leerproces wordt ingezet en hoe de taakverdeling tussen mens en systeem eruitziet. Voor een ervaren jurist kan AI bijvoorbeeld een krachtig verlengstuk zijn van een reeds ontwikkeld oordeel. Voor een beginner kan hetzelfde systeem juist stappen overslaan waarin dat oordeel normaal gesproken wordt gevormd.
Daar komt een klassieke automatiseringsparadox bij die Lisanne Bainbridge al in de jaren tachtig beschreef en die bij AI opnieuw relevant wordt. Hoe betrouwbaarder het systeem, hoe minder vaak professionals zelf hoeven in te grijpen. Daardoor oefenen zij juist minder met de kennis en het oordeel die nodig zijn als het systeem een keer fout zit.
Verschillende ontwikkelrichtingen
Hoe dit uitpakt, ligt dus niet vast. Een gunstig scenario is dat AI veel werk uit handen neemt, terwijl organisaties bewust blijven investeren in leren en vakmanschap. Beginners houden voldoende gelegenheid om kernhandelingen zelf uit te voeren, terwijl AI als tutor, criticus of sparringpartner kan worden ingezet. Zo kan AI bijdragen aan een vorm van vakmanschap waarin technologische ondersteuning en eigen professioneel oordeel elkaar versterken.
Een minder gunstig scenario ontstaat wanneer vooral op efficiëntie wordt gestuurd. Dan gaan professionals steeds meer beoordelen wat AI produceert, terwijl zij steeds minder zelf oefenen in het werk dat nodig is om goed te kunnen oordelen. Dan automatiseren we precies het werk waarmee mensen vroeger leerden het geautomatiseerde werk te beoordelen. Daarmee kan efficiëntiewinst op korte termijn omslaan in verlies van professionele weerbaarheid op langere termijn.
Het omgekeerde is ook mogelijk. Organisaties kunnen bestaande werkwijzen zo sterk beschermen dat professionals te weinig leren omgaan met nieuwe technologie. Dan behouden we het vakmanschap van gisteren, maar ontwikkelen we onvoldoende het vakmanschap van morgen.
Waarschijnlijk zien we vooral een mengvorm: AI-gebruik groeit sneller dan organisaties hun leerpraktijken aanpassen. Sommige professionals ontwikkelen nieuwe werkwijzen, anderen nauwelijks. Professionele ontwikkeling wordt dan eerder toevallig dan bewust georganiseerd.
Productiewaarde en ontwikkelwaarde
Daarmee komen we op een wat mij betreft cruciaal aandachtspunt bij de ontwikkeling en implementatie van AI. Wanneer we bepalen welke taken AI kan overnemen, zouden we niet alleen moeten vragen of automatisering mogelijk of efficiënt is. We moeten ook kijken naar de leerwaarde van het werk.
Een taak kan weinig toegevoegde productiewaarde meer hebben wanneer een mens haar zelf uitvoert, omdat AI hetzelfde sneller of goedkoper kan, maar tegelijk een hoge ontwikkelwaarde hebben omdat mensen juist door die taak leren waarnemen, redeneren en oordelen.
Dat betekent dat beginners en experts niet noodzakelijk dezelfde AI-ondersteuning nodig hebben. Een ervaren professional kan een deel van het werk probleemloos aan AI overlaten omdat de onderliggende expertise al aanwezig is. Voor iemand die het vak nog leert, kan precies diezelfde taak essentieel zijn om die expertise überhaupt te ontwikkelen.
We zouden AI ook zo kunnen ontwerpen dat het gebruikers helpt te leren, bijvoorbeeld door eerst te vragen wat iemand zelf denkt, alternatieven te laten vergelijken, fouten te laten verklaren of aannames expliciet te maken.
De ontwerpvraag wordt dan breder: niet alleen hoe AI het werk sneller of beter kan uitvoeren, maar ook hoe we het werk met AI zo inrichten dat mensen zich professioneel blijven ontwikkelen.
Van opleidingsvraag naar ontwerpvraag
Organisaties zullen daarom explicieter moeten bepalen welke professionele vermogens zij willen behouden en ontwikkelen. Niet omdat alles wat professionals vroeger deden waardevol was. Veel routinematig werk kan waarschijnlijk verdwijnen zonder dat daarmee wezenlijke professionele vermogens verloren gaan. Maar dat kunnen we niet simpelweg uit het routinematige karakter van het werk afleiden.
Daarmee verandert ook de manier waarop we naar een leven lang ontwikkelen kijken. Tot nu toe redeneren we vaak lineair: technologie verandert, daardoor verandert het werk en vervolgens moeten mensen nieuwe vaardigheden leren.
Vanuit Engels ziet die dynamiek er anders uit. Technologie verandert het werk, het veranderde werk verandert hoe mensen leren, dat verandert hun professionele vermogens en die veranderde vermogens bepalen weer wat mensen samen met technologie kunnen doen. Het is geen lineair proces, maar een voortdurende wisselwerking.
Precies daarin komen Merleau-Ponty en Engels bij elkaar. Merleau-Ponty laat zien hoe technologie onderdeel kan worden van ons professionele kunnen. Engels laat zien dat de praktijk waarin wij dat kunnen ontwikkelen en uitoefenen ons op haar beurt vormt.
AI is daarom niet alleen een instrument dat professionals gebruiken. Het wordt steeds meer onderdeel van de omgeving waarin professionals worden gevormd.
De belangrijkste vraag is dan misschien niet welke vaardigheden mensen straks nodig hebben. Die formulering suggereert nog steeds dat de toekomst eerst ontstaat en dat wij mensen daar vervolgens voor moeten toerusten. Interessanter is welke professionele vermogens we willen ontwikkelen en behouden en hoe we het werk met AI zo inrichten dat die ontwikkeling mogelijk blijft.
De hand van Engels werd gevormd door het werk dat zij verrichtte. De vraag voor onze tijd is wat er met ons professionele denken gebeurt wanneer AI steeds meer deelneemt aan het werk waardoor dat denken wordt gevormd. Dat is uiteindelijk niet alleen een opleidingsvraag. Het is een ontwerpvraag over werk, technologie en organisaties. En daarmee ook een leiderschapsvraag.
