De bubbel die nooit stopt met groeien

Stel je een zeepbel voor. Alles wat AI zelfstandig kan, zit erin. Alles wat menselijke betrokkenheid vraagt, zit erbuiten.

Die bubbel groeit. Elke maand. Elke modelrelease. Taken die zes maanden geleden op de rand balanceerden, zitten nu comfortabel binnenin. Teksten schrijven, data analyseren, code genereren, afbeeldingen maken, vergaderingen samenvatten. Gisteren grensgebied, vandaag routinewerk voor een agent.

Maar hier wordt het interessant, en hier gaan de meeste analyses de mist in.

Het oppervlak van die bubbel, het contactvlak tussen mens en machine, groeit mee. Sterker nog: het groeit sneller dan de inhoud. Meer plekken waar je moet beslissen: laat ik dit over aan de agent, of niet? Klopt deze output, of niet? Past dit bij onze waarden, of niet?

Meer AI betekent niet minder menselijke betrokkenheid. Het betekent een ander soort betrokkenheid.

Van doen naar beslissen

Ik merk het in elke organisatie waar ik kom. De verwachting is: AI neemt werk over, dus mensen krijgen het rustiger. De realiteit is anders. Het uitvoerende werk verschuift, ja. Maar wat ervoor terugkomt is oordeelswerk. Continu kleine beslissingen nemen over wat de agent wel en niet mag doen. Kwaliteit beoordelen in plaats van produceren. Richting bepalen in plaats van stappen zetten.

Dat is een wezenlijk andere vaardigheid. En eerlijk gezegd eentje waar de meeste teams nog niet op zijn ingericht.

Ik zie het bij development teams. Ze gebruiken AI voor code generatie. Prima resultaten, snelle output. Maar de tijd die ze besparen op schrijven gaat volledig op aan reviewen, bijsturen en kalibreren. De totale werklast is niet gedaald. De aard ervan is verschoven.

En dat is niet erg. Maar je moet het wel zien aankomen. Want als je je team beoordeelt op uitvoersnelheid terwijl hun werk verschoven is naar beoordeling en bijsturing, meet je het verkeerde.

De vraag is niet meer: hoe snel lever je op? De vraag is: hoe goed kun je sturen?

De vaardigheid zonder eindpunt

Denk eens aan alle vaardigheden die we de afgelopen decennia “moesten leren” op de werkvloer. Lezen en schrijven. Rekenen. Computervaardigheden. Programmeren. Die hadden allemaal iets gemeen: een eindpunt. Je leerde het, je had het, klaar. Misschien wat bijscholen als er een nieuwe versie uitkwam, maar de kern bleef stabiel.

AI werkt anders.

Er is geen eindpunt. Wat je vandaag leert over de mogelijkheden en beperkingen van AI, is over zes maanden deels achterhaald. De grens verschuift continu. De tools veranderen. De best practices van vorig kwartaal zijn de antipatterns van dit kwartaal.

Dit maakt AI-vaardigheid wezenlijk anders dan alles wat we eerder op de werkvloer hebben geintroduceerd. Het is geen bestemming. Het is een continue kalibratie.

En dat heeft consequenties. Iemand die zes maanden niet heeft bijgehouden wat AI kan, staat letterlijk binnen die bubbel. Die doet werk dat een agent inmiddels beter, sneller en goedkoper kan. Niet omdat die persoon slecht is in het werk, maar omdat de grens is opgeschoven zonder dat ze het doorhadden.

Wat dit betekent voor kleinere organisaties

Voor grotere bedrijven is dit een uitdaging in verandermanagement. Voor kleinere organisaties is het iets anders, iets dat ik steeds vaker “leverage” noem.

Output schaalt niet meer mee met het aantal mensen. Een team van drie dat slim met AI werkt, kan de output leveren van een team van tien dat het niet doet. Dat is geen marketingpraatje. Ik zie het letterlijk gebeuren bij klanten.

Maar die leverage werkt twee kanten op. Als jouw concurrent met dezelfde teamgrootte drie keer zoveel output levert omdat ze AI beter inzetten, dan heb je een probleem dat niet wordt opgelost door harder te werken. Meer uren maken helpt niet als het probleem zit in hoe je je uren besteedt.

De organisaties die hier nu al mee bezig zijn, stellen zichzelf regelmatig dezelfde vraag: waar zit de bubbel nu? Wat is er de afgelopen maanden binnenin geschoven? Waar moeten wij ons oordeelsvermogen anders inzetten?

En misschien nog belangrijker: welke taken doen we nog steeds handmatig, puur uit gewoonte?

Dat is geen retorische vraag. Ik daag je uit om het deze week eens op te schrijven. Loop door je werkweek en markeer elke taak waar je denkt: dit zou een agent inmiddels kunnen. Je zult schrikken van de lijst.

Het begin van een reeks

Dit is het eerste deel van een serie over de transitie naar een AI-ondersteunde organisatie. In de komende delen ga ik dieper in op concrete stappen: van individueel prompten naar gedeelde kennisinfrastructuur, van ad-hoc gebruik naar gestructureerde delegatie.

Maar het begint hier. Met het besef dat de bubbel niet wacht. En dat de juiste reactie niet is om sneller te rennen, maar om anders te kijken naar wat je doet en waarom.

Wil je weten waar jouw organisatie staat in deze transitie? Neem contact op voor een vrijblijvend gesprek, of bekijk onze trainingen en workshops.