Met de invoering van het hoger beroepsonderwijs deed je als leerling nog wel stages, maar echt onderaan meedoen op de werkvloer werd moeilijker. En als je als afgestudeerde de organisatie binnenkwam, was die werkvloer eigenlijk al niet meer beschikbaar om praktische ervaring op te doen. Je was een zij-instromer die door je opleiding de basistraining kon overslaan. Enerzijds heel efficiënt, anderzijds een verarming van ervaringsopbouw en begrip voor de organisatie.

Van junior naar senior – en toen naar de machine

Vroeger werkten we ons op van junior naar senior naar leidend. Daarna stroomden we praktisch hoger geschoold zijdelings in. Nu geven we het juniorwerk zelfs aan de machine en beginnen we allemaal aan de kant van het organiseren en oordelen.

Het ging destijds niet primair om het leren dóén van het werk, maar om kalibratie. Een planner die nooit honderd ladingen heeft geladen en uitgeladen, weet niet dat elke levering anders kan zijn. Een casemanager die nooit honderd samenvattingen met de hand heeft geschreven, merkt niet dat de AI precies datgene heeft weggelaten wat ertoe deed. Want weten wat ertoe doet, leer je door die samenvattingen zelf te maken. Door fouten te maken die nog weinig kosten. Door te zien wat er gebeurt als je iets over het hoofd ziet.

Meesterschap is zien of iets deugt

Dat leerlingschap paste naadloos in de oude gildencultuur van leerling, gezel en meester. In die wereld bleven heel veel mensen hun hele leven gezel. Een prima volwassen beroep van uitvoering en vakmanschap. Meesterschap was geen automatisme, maar een zeldzaam bereik van uitzonderlijk vakmanschap.

En precies dat vakmanschap geldt nog steeds, ook in de wereld van AI. Meesterschap is niet het bezit van een tool, maar het vermogen om te zien of het resultaat deugt. Als de leerling – en wellicht zelfs de gezel – wordt vervangen door een AI-robot, heb je meesters nodig die moeten controleren of het resultaat klopt. De “human in the loop” is geen werkend controlemechanisme als de mens niet kan discrimineren. Als hij niet kan zien wat goed, middelmatig of echt slecht is.

Vertrouwen is trackrecord

Wanneer een medewerker of collega me een document stuurt, hangt de zorgvuldigheid waarmee ik het lees bijna volledig af van wie het stuurt. Heeft die persoon de afgelopen maand me al twee keer teleurgesteld, dan lees ik elke regel. Heeft die persoon me nog nooit teleurgesteld, dan lees ik de samenvatting en teken ik af.

Bijna alle systemen die we hebben gebouwd om kwaliteit vast te stellen – van diploma’s tot peer review – beoordelen bron en product tegelijk. Dat werkt omdat mensen consistent zijn met zichzelf. We kennen hun trackrecord, hun blinde vlekken, hun sterke kanten. We vertrouwen niet alleen op het stuk, maar ook op de maker. Dat is meesterschap. Maar dat moet je wel kunnen leren.

Bij een taalmodel valt dat hele fundament weg. In augustus zette een Deens bedrijf zijn AI-beoordelingstools uit, omdat identieke input keer op keer verschillende beoordelingen opleverde. En zelfs als een systeem stabiel lijkt, kan het de ene taak uitstekend uitvoeren en de volgende volledig laten ontsporen. Een nette samenvatting in de ochtend waarschuwt je niet voor de verzonnen bronvermelding in de middag. Er is geen trackrecord waarop je kunt leunen, geen persoonlijke consistentie die je houvast geeft.

Gelikt is niet hetzelfde als goed

Hier zit een valkuil die veel mensen nog steeds over het hoofd zien. Vroeger wisten monteurs: Duitse auto’s waren vaak perfect strak bedraad – en toch konden ze fout zijn. Franse auto’s zagen er rommelig uit, maar werkten vaak feilloos. Iets wat er gelikt uitziet, kan helemaal fout zijn. Een tekst met spelfouten kan juist de juiste inhoud hebben.

Precies dat zien we nu bij AI. De antwoorden zien er zo netjes, zo overtuigend, zo ‘af’ uit, dat we geneigd zijn ze te vertrouwen. Omdat het er zo mooi uitziet, zal het wel goed zijn. Maar uiterlijke perfectie is geen garantie voor inhoudelijke juistheid. Integendeel: de gladde vorm kan precies datgene verbergen wat ertoe doet.

AI is een kettingzaag, geen collega

AI is een gereedschap. En net als elk krachtig gereedschap vraagt het om vakmanschap. Geef een ervaren houthakker in plaats van een handzaag een kettingzaag en hij kapt nog steeds de juiste bomen – alleen sneller en met minder inspanning. Geef diezelfde kettingzaag aan iemand die nog nooit heeft geleerd welke bomen om moeten en welke moeten blijven staan en je krijgt verkeerde bomen, ongelukken en zelfs gewonden.

Precies dat zien we nu in organisaties. Management deelt massaal kettingzagen uit, maar vergeet dat de meeste mensen nog nooit echt hebben geleerd wat een goede boom is.

AI is geen autonome collega. Het is een assistent die je moet managen. En wie nog nooit leiding heeft gegeven – wie nog nooit goede instructies heeft geformuleerd, de uitvoering heeft gecontroleerd, heeft gecorrigeerd en écht heeft kunnen zien of iets goed of fout was – kan een AI-agent onmogelijk juist aansturen. De “human in the loop” is alleen zinvol als die human al kan discrimineren. Anders is het geen controle, maar schijnveiligheid. En discrimineren of iets goed of niet goed gaat, leer je in de praktijk en op de werkvloer.

De vuistregel voor delegeren

‘Laat AI de synthese doen en houd de mens voor het oordeel’, klinkt het vaak. Maar vraag een model om veertig consultatiereacties samen te vatten en als het de twaalf reacties weglaat die op één bepaald punt bezwaar maakten, ontdek je dat alleen door alle veertig zelf te lezen – precies het werk dat je delegeerde. Vraag het daarentegen om zaaknummers uit vierhonderd brieven te halen en je kunt in tien minuten twintig steekproeven controleren.

De vuistregel is eenvoudig: voordat je iets overdraagt, vraag je je af hoe je erachter zou komen als het mis is gegaan. Want AI is een domme uitvoerder die geen ervaring heeft en zichzelf niet kan beoordelen. Het is als ‘wij van WC-eend’.

Drie lessen uit eeuwen vakmanschap

De eeuwenlange ervaring van vakmanschap leert ons drie zaken. Ten eerste: vertrouwen in werk is altijd ook vertrouwen in een trackrecord geweest. En AI heeft dat trackrecord nooit opgebouwd.

Ten tweede: “human in the loop” is geen controlemechanisme als die mens niet kan discrimineren. Als de mens niet ‘op gevoel’ weet of iets goed of slecht is, is correctie nooit mogelijk.

Ten derde: het leerlingwerk dat we automatiseren, is precies het werk dat de oordeelskracht opbouwt waarop we nu als mens moeten vertrouwen. Die leerschool verdwijnt en we moeten straks ‘onopgeleid’ de AI-robots gaan aansturen. Die omissie kan ons ons straks heftig opbreken.

Waar mogen we nog fouten maken?

Dat derde punt is dus het lastigste. Als mensen leren oordelen door goedkoop fouten te (mogen) maken, waar mogen ze dan nu nog fouten maken? Ik leerde in mijn studententijd organiseren en spreken in het openbaar. Als student mocht ik de fouten maken, ervan leren en daarna die ervaring meenemen in mijn carrière. In de oude gilden bleven velen na een leerlingschap gezel. Ze werden nooit meester, maar ze hadden wel de tijd en de ruimte om een goede vakman of vakvrouw te worden. Die ruimte lijkt nu te verdwijnen.

We reiken kettingzagen uit aan mensen die nog nooit hebben geleerd welke bomen om moeten en we noemen dat vooruitgang. De vraag die blijft hangen, is daarom niet of AI goed of slecht is. De vraag is of we nog plekken overhouden waar mensen mogen oefenen in het enige wat écht telt: het vermogen op te bouwen om te zien of iets deugt. Om fouten te kunnen en mogen maken om ervan te leren. Om al struikelend in de praktijk steeds beter te leren lopen en springen. Steeds meer verantwoordelijkheid te kunnen dragen en anderen te kunnen aansturen.

Twee mogelijke toekomsten

Het praktische vakmanschap in ambacht en fabriek is door mechanisatie, industrialisatie en automatisering veelal verdwenen. En nu gaan AI-agents en AI-bots datzelfde doen in de wereld van kantoren en ambtelijke en praktische dienstverlening.

Word je een mens met ‘onderdanige’ AI-hulpmiddelen om je eigen productiviteit te vergroten? Stuur je een team van AI-agents aan die voor jou werkzaamheden uitvoeren?

Of word je een menselijke bediende van een AI-systeem die jou vertelt wat te doen – een bediende die via een iPad wordt gestuurd om pakjes uit een automatisch magazijn te pakken?

Het eerste kan alleen als je hebt kunnen leren hoe je kunt sturen en aansturen. Het tweede wordt je als je die kans niet meer hebt gekregen omdat AI-robots het al veel beter deden voordat jij de kans kreeg . . .  

Door: Hans Timmerman (foto)