AI Automatiseert het Werk dat Experts Creëert

Wanneer bedrijven beslissen wat te automatiseren, meten ze meestal tijd, kosten, foutenpercentages en output. Ze meten zelden wat een taak de persoon die het uitvoert leert. Die weglating is belangrijk omdat veel taken die repetitief of inefficiënt lijken, ook deel uitmaken van het onzichtbare leerproces waarin mensen capabele professionals worden.

Een junior analist die een eerste model bouwt, een ontwikkelaar die een basisfout lokaliseert, een ondersteuningsagent die een gebruikelijke klacht afhandelt en een advocaat die een eerste onderzoeksnota voorbereidt, produceren allemaal werk. Ze leren ook hoe informatie samenhangt, welke details ertoe doen, waar fouten optreden en wanneer een vertrouwd patroon niet langer van toepassing is. Als AI de taak verwijdert zonder het leerproces te vervangen, kan de organisatie vandaag snelheid winnen, maar de expertise die ze later nodig heeft, verzwakken.

De werkgelegenheidsvraag is dus groter dan of AI de instroom van startende medewerkers zal verminderen. Leiders moeten vragen wat er gebeurt met de oefenrondes die onervaren medewerkers vroeger in capabele mensen veranderden die in staat waren om intelligente systemen te beoordelen, te corrigeren en te begeleiden.

Deskundigheid Wordt Opgebouwd Door Correctie

Deskundigheid wordt vaak omschreven als kennis, maar kennis alleen is niet genoeg. Ervaren mensen hebben genoeg gevallen meegemaakt om zwakke signalen te herkennen, ongebruikelijke combinaties op te merken en te begrijpen wanneer een standaardantwoord onveilig is. Die oordeelsvorming ontwikkelt zich door herhaalde cycli van werk uitvoeren, feedback ontvangen, fouten corrigeren en de gevolgen van beslissingen zien.

Veel junior taken zijn waardevol omdat ze die cycli creëren. Het opstellen van de eerste versie van een analyse dwingt iemand om te beslissen wat relevant is. Het schoonmaken van gegevens onthult hoe onvolmaakt echte informatie kan zijn. Het afhandelen van eenvoudige klantcases leert het normale patroon, dat later een afwijkend geval gemakkelijker te herkennen maakt. Het beoordelen van een expert zijn voltooide output creëert niet dezelfde diepgang, omdat de moeilijke keuzes al zijn gemaakt en verborgen.

AI kan deze cycli comprimeren. Een eerste concept arriveert voordat de medewerker het probleem heeft geformuleerd. Een code-assistent stelt de oplossing voor voordat de ontwikkelaar de fout heeft gelokaliseerd. Een onderzoeksinstrument vat de bewijzen samen voordat de analist de bronnen heeft vergeleken. De output kan beter en sneller zijn, maar de medewerker krijgt minder kansen om een intern model op te bouwen van waarom het correct is.

AI Kan het Leren Versnellen, maar het Ontwerp is Belangrijk

Het risico is niet onvermijdelijk. Een van de sterkste bewijzen voor generatieve AI op de werkplek toont aan dat het minder ervaren medewerkers kan helpen sneller te leren wanneer het als leidraad wordt gebruikt in plaats van als vervanging voor deelname.

Een NBER-onderzoek van 5.179 klantondersteuningsagenten vond dat toegang tot een generatieve AI-assistent de productiviteit met 14 procent verhoogde, met een verbetering van 34 procent onder beginners en minder vaardige werknemers. De onderzoekers vonden aanwijzingen dat het systeem hielp om de praktijken van sterkere agenten te verspreiden en nieuwe werknemers sneller naar beneden te brengen op de ervaringscurve.

Het ontwerp van dat werk is belangrijk. Agenten kregen suggesties tijdens echte klantgesprekken, maar ze moesten nog steeds de situatie interpreteren, kiezen hoe te reageren en het resultaat observeren. De leercurve bleef intact. AI voegde tijdige toegang tot expertpatronen toe zonder de medewerker volledig uit het beslissingsproces te verwijderen.

Dat is anders dan een workflow waarin het systeem de taak voltooit en de medewerker alleen een snelle goedkeuring aan het einde uitvoert. Wanneer mensen actief blijven in diagnose, keuze en gevolg, kan AI fungeren als coach. Wanneer ze worden teruggebracht tot het accepteren van gepolijste output, kan de technologie de korte-termijnproductie verhogen, maar minder doen voor de langetermijnvaardigheid.

Automatisering Bereikt de Taken die Menselijk Kapitaal Opbouwen

Het is gemakkelijk om aan te nemen dat AI alleen laaggeschoold, repetitief werk zal verwijderen. Huidig bewijs suggereert een meer ingewikkeld patroon.

Anthropics januari 2026 Economic Index vond dat de taken die door Claude werden behandeld, meer onderwijs vereisten dan het gemiddelde van de economie. In een experimentele schatting vonden de onderzoekers dat het verwijderen van die AI-dekkings taken uit beroepen een eerste-orde-deskillings effect op banen zou produceren, omdat veel van de gedekte taken hoger onderwijscomponenten van de rol vertegenwoordigden. Anthropic was voorzichtig om te zeggen dat dit geen voorspelling was, omdat beroepen kunnen evolueren en nieuwe taken kunnen verschijnen, maar de bevinding zou de manier waarop bedrijven denken over automatisering moeten veranderen.

Routine en ontwikkeling zijn geen tegenpolen. Het voorbereiden van een analyse kan routine worden voor een ervaren medewerker, terwijl het nog steeds essentiële oefening is voor een junior. Het opstellen van standaardcontracten, het opsporen van bekende fouten, het voorbereiden van prognoses en het controleren van klantgeschiedenis kan automatisch worden uitgevoerd, maar het stelt medewerkers ook bloot aan de structuur van het beroep.

Dit creëert een strategisch probleem. De gemakkelijkste taak om te automatiseren kan ook de taak zijn waarmee een nieuwe medewerker de context leert die nodig is om de moeilijke taak later aan te pakken.

De Verificatieparadox

Veel organisaties reageren door te zeggen dat mensen van productie naar verificatie zullen gaan. AI zal het werk genereren, terwijl mensen de nauwkeurigheid controleren, context toevoegen en verantwoordelijk blijven. Dit klinkt redelijk, maar het bevat een paradox: verificatie zelf vereist de expertise die het geautomatiseerde werk eerder hielp creëren.

Een Microsoft Research-studie (MSFT ) met 319 kenniswerkers en 936 voorbeelden van generatieve AI-gebruik vond dat een groter vertrouwen in AI werd geassocieerd met minder inspanning voor kritisch denken. De studie vond ook aanwijzingen dat het systeem kritisch denken naar verificatie, integratie en taakbeheer verplaatste. Deze activiteiten zijn waardevol, maar een persoon kan niet goed verifiëren zonder voldoende domeinkennis om te herkennen wat ontbreekt.

Een onervaren medewerker kan controleren of een antwoord duidelijk inconsistent of onondersteund is. Het is veel moeilijker om op te merken dat de analyse het verkeerde kader gebruikte, operationele beperkingen negeerde of een plausibele conclusie bereikte om de verkeerde reden. Gepolijste AI-output kan het ontbreken van begrip verhullen, omdat het er compleet uitziet voordat de medewerker de oordeelsvorming heeft ontwikkeld om het te onderzoeken.

Onderzoek naar de “jagged technological frontier” maakt het probleem concreter. In een experiment met 758 consultants waren AI-gebruikers 25,1 procent sneller en produceerden resultaten van meer dan 40 procent hogere kwaliteit binnen de technologiecapaciteitsgrens. Op een taak buiten die grens waren AI-gebruikers 19 procentpunten minder waarschijnlijk om de correcte oplossing te bereiken dan deelnemers die zonder AI werkten.

De kritieke capaciteit is dus niet simpelweg het gebruik van AI. Het is het herkennen wanneer het systeem buiten de grens van betrouwbare prestaties werkt. Die grens is zelden duidelijk en leren zien ervan vereist ervaring met zowel succesvolle als mislukte gevallen.

De Verborgen Opvolgrisico

De World Economic Forum’s Future of Jobs Report 2025 vond dat werkgevers verwachten dat 39 procent van de kernvaardigheden van werknemers zal veranderen tegen 2030. Het vond ook dat 63 procent van de werkgevers al een vaardigheidstekort ziet als een grote barrière voor transformatie, terwijl 77 procent van plan is om medewerkers bij te scholen en 41 procent verwacht de werkgelegenheid te verminderen als AI taken automatiseert.

Deze strategieën kunnen conflicteren als organisaties te veel van het werk verwijderen waardoor vaardigheden worden gevormd. Een bedrijf kan de instroom van junior medewerkers verminderen, zich verlaten op senior medewerkers om AI te begeleiden en nog steeds een sterke productiviteit rapporteren gedurende enkele jaren. De zwakte wordt later zichtbaar, wanneer ervaren mensen vertrekken, de vraag toeneemt of de organisatie medewerkers nodig heeft die in staat zijn om situaties aan te pakken die het systeem niet heeft gezien.

Senior experts kunnen ook een nieuwe operationele beperking worden. Als AI de volumewerk verhoogt, terwijl alleen een kleine groep moeilijke output kan verifiëren en corrigeren, besteden deze mensen meer tijd aan het controleren en corrigeren in plaats van lesgeven. Het bedrijf wint productiecapaciteit, maar concentreert oordeelsvorming in minder handen.

Geen enkele organisatie kan het leerproces automatiseren en vervolgens aannemen dat ze ervaring blijft kopen op de markt. Als veel bedrijven dezelfde strategie volgen, wordt het externe pool van ervaren talent uiteindelijk dunner en duurder.

Meet de Ontwikkelwaarde van Werk

Voordat een taak wordt geautomatiseerd, moeten bedrijven deze op twee dimensies evalueren. De eerste is de outputwaarde: hoe belangrijk, kostbaar en tijdsgevoelig is het resultaat? De tweede is de ontwikkelwaarde: welke capaciteit bouwt het uitvoeren van de taak op?

Taken met lage outputwaarde en lage ontwikkelwaarde zijn voor de hand liggende kandidaten voor volledige automatisering. Het opmaken van routine-documenten of het overdragen van informatie tussen systemen kan weinig leren na basisbekwaamheid.

Taken met hoge outputwaarde maar lage ontwikkelwaarde kunnen vaak worden geautomatiseerd met passende controle. De organisatie heeft nog steeds governance nodig omdat het resultaat ertoe doet, maar het behoud van het handmatige proces kan weinig bijdragen aan de groei van de medewerker.

De meest verwaarloosde categorie bevat taken met matige directe outputwaarde maar hoge ontwikkelwaarde. De eerste conceptversie van een junior medewerker is mogelijk niet commercieel belangrijk omdat een senior persoon het zal herschrijven, maar het produceren ervan creëert een waardevolle vergelijking tussen initiële redenering en expertfeedback. Het verwijderen van die stap bespaart tijd, maar verwijdert ook oefening.

Taken met zowel hoge outputwaarde als hoge ontwikkelwaarde moeten meestal worden aangevuld in plaats van volledig overgedragen. Medewerkers kunnen AI gebruiken voor onderzoek, opties en kritiek, maar ze moeten nog steeds verantwoordelijkheid houden voor het formuleren van het probleem, het uitleggen van het besluit en het leren van de uitkomst.

Bouw de Leerlaag Opzettelijk

Zodra ontwikkeltaken zijn geïdentificeerd, kunnen bedrijven deze herontwerpen in plaats van inefficiënte workflows ongewijzigd te behouden. Het doel is niet om medewerkers elke handmatige procedure uit het verleden te laten herhalen. Het is om de ervaringen die oordeelsvorming opbouwen, op een snellere, intentionele manier te herscheppen.

Een optie is om eerst te denken te behouden. Voordat ze een AI-aanbeveling zien, registreert de medewerker een initiële diagnose, prognose of beslissing. Het systeem kan dan een alternatief bieden, en de medewerker moet uitleggen waar de twee verschillen en welke aanpak ze zouden gebruiken.

Organisaties kunnen ook bibliotheken van AI-fouten, randgevallen en betwiste beslissingen opbouwen. Alleen het bekijken van succesvolle output leert medewerkers om het systeem te vertrouwen. Het bestuderen van waar het faalde, helpt hen de voorwaarden te herkennen die escalatie, extra bewijs of menselijke interventie vereisen.

Managers moeten evalueren of leren zich uitstrekt buiten het instrument. Kan de medewerker de redenering achter de eindoutput uitleggen? Kan hij de aannamen identificeren die het onjuist zouden maken? Kan hij zich aanpassen wanneer de context verandert of de AI niet beschikbaar is? Deze vragen onthullen meer over gereedheid dan het aantal prompts dat wordt gebruikt of taken die worden voltooid.

Het belangrijkste is dat junior medewerkers nog steeds echte verantwoordelijkheid nodig hebben. Simulaties en gestructureerde oefening helpen, maar deskundigheid hangt ook af van gevolgen, feedback en contact met echte complexiteit. AI moet die ervaringen veiliger en frequenter maken, niet volledig verwijderen.

De Werkgelegenheidsvoorsprong Komt van Snellere Deskundigheid

De sterkste organisaties zullen niet die zijn die het grootste aantal junior taken automatiseren. Ze zullen die zijn die laagwaardige inspanning verwijderen terwijl ze de ontwikkeling van mensen versnellen die AI verantwoordelijk kunnen gebruiken, uitdagen en begeleiden.

Dit vereist een bredere definitie van rendement op automatisering. Tijd bespaard en output gegenereerd zijn belangrijk, maar leiders moeten ook meten of de nieuwe workflow de toekomstige voorraad van oordeelsvorming van de organisatie versterkt of verzwakt. Een proces dat kosten vermindert terwijl het de expertisepijplijn schaadt, kan alleen efficiënt zijn op korte termijn.

Voordat ze het volgende automatiseringsproject goedkeuren, moeten leiders één extra vraag stellen: wat leerden mensen door dit werk te doen, en waar zal dat leren gebeuren nadat het werk is geautomatiseerd?

Het antwoord zal bepalen of AI alleen meer output produceert of helpt bij het produceren van de volgende generatie experts.