AI vraagt om vaardigheidsonderhoud: voorkom dat menselijk oordeel uit het werk verdwijnt

AI kan werk versnellen en tegelijk beoordelingsvermogen verzwakken

Organisaties meten bij AI meestal tijdwinst, gebruik en output. Zij meten minder vaak of medewerkers het oordeel behouden dat nodig is om een AI-uitkomst te beoordelen. Een medewerker kan formeel verantwoordelijk blijven, terwijl het dagelijkse werk steeds minder gelegenheid geeft om zelfstandig te analyseren, uitzonderingen te herkennen en een AI-advies te verwerpen.

Nieuw onderzoek van IBM Institute for Business Value en Oxford Economics maakt deze spanning zichtbaar. IBM ondervroeg tussen april en juni 2026 1.500 HR-bestuurders en vergelijkbare leidinggevenden in 21 gebieden en 23 sectoren. Daarnaast werden 8.800 fulltime medewerkers in 28 landen bevraagd. Zestig procent van de medewerkers maakt zich zorgen dat AI vaardigheden aantast. Van deze groep zegt driekwart dat dit al bij ten minste één vaardigheid gebeurt.[1]

De percentages zijn zelfrapportages. Zij bewijzen niet dat AI overal aantoonbaar vaardigheden heeft verminderd. Zij laten wel een relevant verschil in waarneming zien. Eenenzeventig procent van de ondervraagde HR-leiders noemt het vermogen om AI-uitkomsten te superviseren, valideren en overrulen essentieel. Slechts 29 procent van de medewerkers rangschikt menselijk oordeel als belangrijk.[1]

Het probleem is daarom niet alleen een tekort aan AI-training. Het is ook een vraag van werkontwerp: welke menselijke denkhandelingen moeten in het dagelijkse proces aanwezig blijven om kwaliteit, verantwoordelijkheid en continuïteit te beschermen?

Een menselijke controleur zonder oefening is een papieren maatregel

Veel AI-beleid stelt dat een mens eindverantwoordelijk blijft. Verantwoordelijkheid zonder actuele vakbekwaamheid is echter zwak. Wie vooral AI-uitkomsten accepteert, oefent minder met probleemformulering, bronbeoordeling, uitzonderingsanalyse en zelfstandig beslissen. Juist die vaardigheden zijn nodig wanneer het systeem een aannemelijk maar onjuist antwoord geeft.

IBM rapporteert dat 43 procent van de medewerkers zegt dat de schuld bij hen terechtkomt wanneer iets met AI misgaat. Tegelijk denkt 41 procent van de HR-leiders dat medewerkers zich mogelijk niet veilig voelen om een AI-uitkomst ter discussie te stellen of te overrulen.[1] De medewerker draagt dan verantwoordelijkheid, maar kan onvoldoende tijd, mandaat of routine hebben om tegen het systeem in te gaan.

Een organisatie moet daarom meer doen dan een goedkeuringsknop toevoegen. Zij moet vastleggen welke signalen een medewerker controleert, hoeveel tijd daarvoor beschikbaar is, wanneer escalatie verplicht is en welke beslissing nooit uitsluitend op modeluitvoer mag rusten. De menselijke rol moet inhoudelijk zijn ontworpen.

Maak drie werkvormen expliciet

IBM onderscheidt mensgestuurde, AI-ondersteunde en AI-uitgevoerde workflows. Organisaties die deze rollen helder definiëren, rapporteren volgens het onderzoek 18 procent risicoreductie en 20 procent kwaliteitsverbetering.[1] Dit zijn associaties binnen IBM’s onderzoekssegmenten, geen bewijs dat het onderscheid overal automatisch hetzelfde effect veroorzaakt. De praktische logica is wel bruikbaar.

Bij mensgestuurd werk formuleert en neemt een medewerker het besluit. AI kan informatie ordenen, maar bepaalt niet de uitkomst. Dit past bij nieuwe situaties, hoge gevolgen en werk waarin professionele afweging doorslaggevend is.

Bij AI-ondersteund werk maakt het systeem een analyse of voorstel. Een medewerker controleert cruciale aannames en uitzonderingen, beschikt over broninformatie en kan werkelijk afwijken. Alleen bevestigen dat een scherm is bekeken, is geen inhoudelijke controle.

Bij AI-uitgevoerd werk handelt het systeem binnen vooraf begrensde regels. Dat past bij herhaalbare taken met omkeerbare gevolgen. Steekproeven, foutgrenzen en een terugvalprocedure blijven nodig. Als uitzonderingen toenemen, moet menselijke behandeling weer mogelijk zijn.

Deze indeling maakt zichtbaar waar vaardigheden actief moeten blijven en waar automatisering verantwoord kan toenemen.

Introduceer een vaardigheidsbehoudregister

Een traditioneel opleidingsplan registreert welke cursus iemand heeft gevolgd. Dat is onvoldoende voor werk waarin AI voortdurend meedenkt of handelt. Een vaardigheidsbehoudregister beschrijft per kritisch proces welke menselijke capaciteit aantoonbaar aanwezig moet blijven.

Leg vijf zaken vast: de beslissing waarvoor de organisatie verantwoordelijk blijft, de menselijke redenering die nodig is om de uitkomst te beoordelen, de signalen die op een fout wijzen, de frequentie waarmee medewerkers zelfstandig moeten oefenen en het bewijs dat de vaardigheid nog functioneert.

Dat bewijs hoeft geen theoretisch examen te zijn. Een praktijksimulatie kan geschikter zijn. Laat een medewerker bijvoorbeeld een onvolledige bronset herkennen, een onjuist AI-advies corrigeren of een afwijkende klant- of productsituatie zelfstandig oplossen. Meet niet alleen de uitkomst, maar ook de gebruikte argumenten en bronnen.

Zo wordt “menselijk toezicht” een controleerbare ontwerpkeuze. De organisatie maakt zichtbaar welke kennis mag worden ondersteund, maar niet volledig mag verdwijnen.

Kies het organisatiemodel op basis van werk en leren

De International Labour Organization beschrijft in een op 15 september gepubliceerde studie drie organisatiemodellen voor AI bij Chinese ondernemingen. Sommige organisaties werken met een centraal specialistenteam. Andere bouwen AI-expertise in bedrijfsonderdelen in. Kleinere ondernemingen laten toepassingen vaker organisch van onderaf ontstaan. De studie combineert interviews met 21 ondernemingen en een enquête onder 1.591 professionals.[2]

De studie is contextgebonden en geen universeel recept. Centrale teams zijn geschikt voor schaarse expertise en gemeenschappelijke voorzieningen. Inbedding in bedrijfsonderdelen is sterker wanneer diepe proceskennis nodig is. Gecontroleerde bottom-upontwikkeling kan lokale ontdekking ondersteunen, mits bevoegdheden en evaluatiegrenzen duidelijk zijn.

Voor vaardigheidsbehoud is de verbinding tussen specialisten en vakprofessionals cruciaal. Een centraal team kan een model testen, maar ziet niet iedere procesuitzondering. Een bedrijfsonderdeel kent die uitzonderingen, maar mist mogelijk technische meetdiscipline. Organiseer daarom vaste terugkoppeling: medewerkers leggen afwijkingen vast, specialisten analyseren patronen en de proceseigenaar past werkregels, training of automatisering aan.

Meet ook het onzichtbare werk rond AI

Tijdwinst is zichtbaar. Controlewerk, foutcorrectie en uitzonderingsafhandeling zijn dat minder. IBM meldt dat 80 procent van de ondervraagde HR-leiders denkt dat AI onzichtbaar werk creëert, zoals aanbevelingen valideren, fouten herstellen en context toevoegen. Tweeënveertig procent van de medewerkers zegt dat AI hun werk vergroot of dat dit extra werk niet wordt erkend.[1]

Een zuivere businesscase telt daarom niet alleen de minuten die een eerste concept bespaart. Zij telt ook de tijd voor controle, correctie, escalatie en herstel. Anders lijkt het proces efficiënter terwijl werk slechts naar een minder zichtbare controlelaag verschuift.

Voeg vier indicatoren toe aan het operationele dashboard: het percentage AI-uitkomsten dat inhoudelijk wordt aangepast, het aantal overrides, de tijd voor uitzonderingsafhandeling en de fouten die pas na menselijke controle zijn ontdekt. Deze cijfers laten zien waar het systeem ondersteunt en waar menselijk vakmanschap de kwaliteitsgrens vormt.

Bestuur personeelskeuzes met scenario’s

The Conference Board beschrijft vier mogelijke arbeidsmarktpaden: geleidelijke ondersteuning, geconcentreerde productiviteitswinst, brede verdringing en ongelijkmatige verstoring. De organisatie benadrukt dat brede effecten op werkgelegenheid en lonen nog beperkt en moeilijk meetbaar zijn.[3]

Voor een onderneming betekent dit dat één stellige personeelsprognose onvoldoende is. Werk met plausibele scenario’s en vooraf gekozen signalen, zoals een stijgend aantal taken zonder menselijke correctie, een toenemende behoefte aan uitzonderingskennis, kwaliteitsproblemen bij nieuwe medewerkers of een afnemende capaciteit om bij storing handmatig te werken.

Koppel aan elk signaal een beperkte en omkeerbare maatregel. Breid gerichte opleiding uit, pas taakverdeling aan, organiseer tijdelijke dubbele bezetting of stel verdere automatisering uit. Zo blijft de organisatie leren terwijl technologie en werk veranderen.

Een uitvoerbaar plan voor negentig dagen

Selecteer in de eerste dertig dagen drie processen waarin AI invloed heeft op beslissingen, klantcontact of operationele kwaliteit. Classificeer ieder proces als mensgestuurd, AI-ondersteund of AI-uitgevoerd. Benoem per proces de vaardigheid die behouden moet blijven en wie bevoegd is om een AI-uitkomst te verwerpen.

Ontwerp in dag 31 tot en met 60 een korte praktijksimulatie per proces. Gebruik realistische uitzonderingen en laat medewerkers uitleggen waarom zij een advies accepteren, aanpassen of afwijzen. Registreer tevens het onzichtbare werk: validatie, correctie en escalatie.

Bespreek in dag 61 tot en met 90 de uitkomsten met de proceseigenaar, HR en de technische verantwoordelijke. Verander waar nodig de workflow, training of automatiseringsgrens. Leg één of twee vroege signalen vast die bepalen wanneer het proces opnieuw wordt beoordeeld.

Behoud de capaciteit om AI tegen te spreken

Volwassen AI vraagt om een precieze verdeling van taken, bevoegdheden en leerervaringen. Een organisatie die meer aan AI overdraagt, moet tegelijk bepalen welk menselijk oordeel zij niet wil verliezen.

Edgar van Lent ziet vaardigheidsonderhoud daarom als onderdeel van AI-implementatie. Niet als extra training naast het project, maar als ontwerpcriterium in het werk zelf. Medewerkers moeten de gelegenheid, informatie en bevoegdheid houden om een systeem te corrigeren wanneer dat nodig is.

Dat remt automatisering niet. Het voorkomt dat een organisatie pas tijdens een fout, storing of uitzonderingssituatie ontdekt dat de formele controleur zijn praktische beoordelingsvermogen niet meer heeft kunnen oefenen.

Bronnen

Edgar van Lent is AI-specialist en strategisch adviseur. Hij helpt organisaties AI praktisch in te voeren met aandacht voor bedrijfswaarde, werkontwerp, beheersing en menselijke verantwoordelijkheid.