Uw denken uitbesteden aan AI, en het zal u vervangen

De hoofd AI van Microsoft, Mustafa Suleyman, heeft onlangs een angstaanjagende voorspelling gedeeld: binnen de komende 12 tot 18 maanden, zal het merendeel van, of zelfs alle, kantoorwerk volledig geautomatiseerd zijn door kunstmatige intelligentie. Meneer Suleyman is niet de eerste die een dergelijke veronderstelling deelt (ja, ik heb het over Dario Amodei en zijn 5-jarige AI-vonnis aan de wereld), en zeker niet de laatste. Maar laat me een omstreden mening delen: AI, of het nu binnen 18 maanden of vijf jaar gebeurt, zal geen witte-boordenwerknemers kunnen vervangen. Maar als we stoppen met denken, zal het wel.

En ik zeg niet dat het niet in de meeste processen geïntegreerd zal worden, of dat het mensen niet kan helpen met hun workload. Dit gebeurt al. Maar het vervangen van menselijk denken, het elimineren van menselijke input, is één taak die AI niet aankan (tenzij wij als mensen onze beslissingsmotor vervangen door AI, natuurlijk).

Waarom menselijk denken niet en niet zou moeten worden uitbesteed

Er zijn drie specifieke redenen waarom ik telkens terugkom als iemand me vertelt dat AI iedereen gaat vervangen. Elk van deze redenen is iets wat menselijke hersenen van nature doen, en elk van deze redenen is iets wat AI, hoe geavanceerd ook, niet kan reproduceren.

AI kan geen context hebben zoals een menselijk brein

Wanneer iemand een oordeel velt, doet hij niet, zoals een taalmodel, alleen maar voorspellen van het volgende woord op basis van algemene waarschijnlijkheid. Hij put uit een volledig geheel van geleefde ervaringen die zijn gecodeerd in meerdere systemen tegelijk: onze persoonlijke herinneringen, onze geleerde gewoonten en de emotionele inzet van die momenten. Deze collectieve verleden tijd laat het brein constant gissen wat er daarna zal gebeuren, en het brein werkt zijn visie alleen bij als de realiteit het bewijst. Context, met andere woorden, is de ondergrond waarop elke perceptie is gebouwd.

Een groot taalmodel werkt anders. De gewichten van het model komen uit een eindig corpus van tekst waarop het ooit is getraind en waar het geen toegang meer tot heeft. Het heeft geen perceptielus, geen voorspelfout van een wereld waarin het moet leven. De “context” die voor het model beschikbaar is, is alles wat toevallig in het prompt-venster zit. Het heeft nooit eerder een kamer betreden. Dus wanneer we een oordeel vellen dat afhankelijk is van het kennen van wat normaal is hier, wat ervoor kwam en wat op het spel staat, lopen we voorspellingen tegen een levenslange gebonden ervaring – persoonlijk en van generaties die voor ons kwamen. Het model is patroonherkennend over tekstdatabases. Twee heel verschillende operaties, en geen schaalvergroting van contextvensters sluit de kloof.

Weten hoe de naam is, is niet hetzelfde als weten

Deze wijsheid komt van de Nobelprijswinnaar Richard Feynman (of van zijn vader, om precies te zijn). Hij geloofde dat het alleen maar onthouden van labels of definities niet hetzelfde is als kennis van het onderwerp. Echte kennis komt van ervaring en begrip.

Charlie Munger, een Amerikaanse zakenman en belegger, stelde een term voor voor dergelijk oppervlakkig leren — “Chauffeurkennis”. De anekdote achter deze term gaat over een echte chauffeur van de natuurkundige Max Planck, die zijn lezing over kwantummechanica zo vaak had gehoord dat hij het uit zijn hoofd had geleerd. Hij bood aan om het in plaats van Planck in München te geven, wat hij succesvol deed. Maar toen het om vragen van het publiek ging, kon hij het niet beantwoorden. En dat is het verschil tussen oppervlakkige “chauffeurkennis” en grondige, verdiende kennis door jaren van werk en worsteling.

Tegenwoordig zijn grote taalmodellen de meest geavanceerde chauffeurs die we ooit hebben gebouwd. Ze kunnen kwantummechanica reciteren, filosofie samenvatten, een contract opstellen en woorden rijmen. Maar iets wat ervaring vereist in plaats van patroonherkenning, zoals weten waarom een merkpositie die in één markt werkte, onvermijdelijk zal falen in de volgende, is uniek voor mensen en is wat werkelijk beslissingen drijft.

Maar het begrijpen waarom een merkpositie die in één markt werkte, onvermijdelijk zal falen in de volgende, kan niet worden verkregen door eenvoudige patroonherkenning. Ervaring is uniek voor mensen en is wat werkelijk beslissingen drijft.

Toch is het belangrijkste verschil tussen ons en AI niet gegevensverwerking, maar eigendom

De mogelijkheid van mensen (of tenminste sommigen van ons) om verantwoordelijkheid te nemen voor acties, de gevolgen te eigenen, de schaamte, te leren van fouten en alles te doen om te voorkomen dat de situatie opnieuw gebeurt, en dus om niet opnieuw de pijn van een andere mislukking te voelen — dit is wat ons denken en onze besluitvorming zo uniek verschillend maakt van kunstmatige intelligentie.

AI voelt geen schaamte. Of schuld. Het verliest geen slaap over een beslissing die verkeerd uitpakte. Het draagt de herinnering aan een deal die het verloor, een aanbeveling die het deed en die niet werkte, een strategie die het verdedigde in een bestuursvergadering en die langzaam waarde vernietigde twee jaar later, niet met zich mee. Het model geeft een antwoord, het antwoord blijkt verkeerd te zijn en het model gaat door naar de volgende prompt alsof er niets was gebeurd (omdat er voor hen niets is gebeurd). Er is geen interne kostenpost voor het verkeerd zijn, en dus is er geen druk om het de volgende keer goed te doen — iets wat mensen ertoe aanzet om te evolueren en te verbeteren.

Tien jaar geleden werkte ik in venture capital, waar ik vroege startups analyseerde, en we keken naar autonome rijdeals. Zelfs toen waren robo-taxi-prototypes statistisch veiliger dan menselijke bestuurders. De technologie werkte. Het werkt nog steeds in 2026. Dus waarom zijn onze steden nog niet overspoeld met zelfrijdende auto’s? Omdat de verantwoordelijkheid van een autonome voertuig niet duidelijk genoeg is. Wanneer er een ongeval gebeurt, weet het juridische systeem echt niet wie de schuld moet krijgen — de persoon die de schakelaar omzette, de fabrikant of de software-ontwikkelaar. Totdat die vraag een antwoord heeft, zitten we vast. De technologie is vooruitgelopen op het verantwoordelijkheidskader dat er zou moeten zijn om het op te nemen.

Hoe niet uw verstand (en baan) te verliezen in de tijd van AI

Terwijl ik echt geloof dat AI menselijk denken niet kan vervangen, kan ik ook zien dat mensen voor de verleiding vallen om een shortcut naar de resultaten te nemen. Voor het eerst in de geschiedenis hebt u geen brein nodig om een antwoord te krijgen. U hoeft alleen maar een vraag te typen. De wrijving die ons vroeger dwong om na te denken, is weggenomen, en dat klinkt geweldig, totdat u beseft dat de wrijving het punt was. Het was de manier waarop het brein werd gebouwd in de eerste plaats.

En hier komt de vraag naar de baan ook weer in. AI zal geen witte-boordenwerknemers als categorie vervangen. Maar het zal de specifieke mensen vervangen die al hun denken hebben uitbesteed aan AI. Als u uw oordeel, context en eigendom ruilt voor snelle antwoorden uit een chatvenster, houdt u op met het zijn van de persoon die iets bijdraagt. Op dat punt heeft uw werkgever u niet echt nodig. Ze kunnen rechtstreeks met het model praten.

Dus het behouden van uw baan in de tijd van AI en het behouden van uw verstand in de tijd van AI komen neer op dezelfde vraag. En hieronder vindt u vier gewoonten die u moet aanpakken.

AI moet de nieuwsgierigheid vergroten

Het effect van AI op uw brein hangt volledig af van hoe u het gebruikt. Als u nieuwsgierig bent en bereid bent om te graven, wordt AI de beste leercompagnon die iemand ooit heeft gehad. Beter dan Wikipedia, beter dan enig boek, omdat het hetzelfde idee op vijf verschillende manieren kan uitleggen totdat er één is die werkt, en u kan volgen naar elke konijnenhol die u wilt. Of u kan het model vragen om u te helpen informatie beter te onthouden — zoals door gespreide herhaling te oefenen totdat u het concept echt begrijpt.

Voor iemand die niet nieuwsgierig is, doet AI het tegenovergestelde. Het neemt het denken over dat ze zelf hadden moeten doen. Ze krijgen de output zonder de inspanning, en de inspanning was het punt. Na verloop van tijd atrofieert die spier. Na de industriële revolutie, toen machines fysieke arbeid minder prevalent maakten, bouwden we sportscholen om onze lichamen te geven wat ze nodig hadden om uit te dagen en te onderhouden. En dat is wat we uiteindelijk nodig zullen hebben: mentale sportscholen om onze hersenen fit te houden.

In 2025 voerde het MIT Media Lab een onderzoek uit waarbij 54 deelnemers essays schreven over vier maanden, verdeeld in drie groepen: ChatGPT, zoekmachine en alleen het brein. Terwijl ze aan het schrijven waren, volgde de electroencefalogram hun hersenactiviteit. Aan het einde van het onderzoek bleek de ChatGPT-groep consistent de laagste neurale connectiviteit te vertonen en produceerde het essays die leraren “zonder ziel” noemden. De groep die alleen met hun brein werkte, had de sterkste hersenactiviteit gedurende het hele proces.

Maar het meest veelzeggende deel kwam in de laatste sessie, toen de onderzoekers de groepen verwisselden. De mensen die alleen met hun brein hadden gewerkt, presteerden het beste toen ze ChatGPT kregen. Ze hadden eerst de denkspier opgebouwd en gebruikten vervolgens AI om er bovenop te bouwen. De andere groep kon niet inhalen, omdat ze het deel hadden overgeslagen waar de spier werd opgebouwd.

Leren is een werkwoord, dus het kan niet passief zijn

Om leren te laten werken, moet theorie worden gecombineerd met praktijk. Over een idee lezen is één vorm van input; iets met dat idee doen is een andere. Tappen, antwoorden, toepassen, iets verkeerd doen en opnieuw proberen — deze activiteiten trekken andere delen van uw brein aan dan passieve consumptie, en ze houden u gefocust op het materiaal.

Socrates was hier al duizenden jaren geleden achter: hij gaf zijn studenten nooit gewoon het antwoord, maar dwong hen om het eerst zelf te produceren (vaak een verkeerd antwoord), en pas daarna corrigeerde hij het. En ik zelf heb de voordelen van deze filosofie ervaren als wiskundestudent: we kregen alleen de helft van de credits voor het onthouden van een theorie, terwijl de andere helft vereiste dat we het bewezen. Deze focus op fundamenteel begrip is wat ons in staat stelde om de concepten beter te onthouden en toe te passen.

Een onderwerp onderwijzen brengt uw kennis naar een hoger niveau, maakt het moeilijker om in de valkuil van de illusie van competentie te vallen, en biedt een beter begrip van het onderwerp. Wanneer u een idee duidelijk en meerdere keren op verschillende manieren moet uitleggen, is er geen manier waarop u het zelf niet begrijpt en onthoudt. Richard Feynman merkte terecht op: “Als u het niet eenvoudig kunt uitleggen, begrijpt u het niet.”

De cijfers ondersteunen dit alles. In veiligheidstrainingstudies behaalden actieve leerlingen93,5% van de informatie, vergeleken met79% voor passieve leerlingen (Engageli, 2025). De bredere Learning Pyramid van de National Training Laboratories in Bethel, Maine, toont hetzelfde patroon op elk niveau:

Gegevens zonder betrouwbare bronnen zijn roddel

Ja, mensen zouden de antwoorden die ze van AI krijgen moeten betwisten. Ze zouden om bronnen moeten vragen, en wanneer er geen bronnen zijn, zouden ze sceptisch moeten zijn.

Maar er is een groter probleem achter al dit, en dat is het feit dat het valideren van de output van AI steeds moeilijker wordt. Modellen citeren bronnen die niet bestaan, ze parafraseren echte bronnen op manieren die de betekenis verdraaien, ze mengen accurate informatie met verzonnen informatie in dezelfde alinea, en er is geen duidelijke manier om te weten wat wat is.

Bovendien is steeds meer van het internet zelf AI-gegenereerd, wat betekent dat modellen nu leren van de output van andere modellen. De oorspronkelijke door mensen geschreven bronnen worden begraven onder alles wat automatisch bovenop hen is gegenereerd.

Daarom denk ik dat betrouwbare kennis nog steeds van mensen moet komen. Als we het model niet volledig kunnen vertrouwen, en we de bronnen achter het model niet volledig kunnen vertrouwen, dan is menselijke ervaring het enige waar we nog op kunnen vertrouwen.

Zoals Tony Robbins ooit zei: “Als u succesvol wilt zijn, vindt u iemand die de resultaten heeft behaald die u wilt en kopieert u wat ze doen, en u zult dezelfde resultaten behalen.” Iemand die het ding dat ze onderwijzen echt heeft gedaan, heeft jaren van werk en worsteling doorstaan, heeft zijn kennis opgebouwd met echte consequenties — dat is de soort bron die standhoudt.

Zonder context ontbreken de details

Een andere gewoonte die helpt bij het leren met AI is om de verleiding te weerstaan om rechtstreeks naar uw specifieke vraag te springen. De meeste mensen, wanneer ze iets willen weten, typen de exacte smalle vraag in een chatbot en nemen het antwoord voor waar aan. Het probleem is dat ze het hele achtergrondverhaal missen waarin het antwoord zit. Een specifiek stukje informatie los van zijn context is gemakkelijk te misinterpreteren.

Ik ben een geschiedenisliefhebber, dus laat me een voorbeeld uit de geschiedenis geven. De Gettysburg Address is een korte toespraak die Lincoln in 1863 gaf op de site van een van de bloedigste veldslagen van de Amerikaanse Burgeroorlog. Stel dat u een essay over dit onderwerp moet schrijven. U vraagt AI om een analyse en krijgt een nette opsomming van de woorden, de structuur en de retorische apparaten.

Maar kunt u dat essay echt schrijven zonder iets te weten over de Burgeroorlog zelf? Waarschijnlijk niet. U zou niet begrijpen waarom deze specifieke slag ertoe deed, of waarom een toespraak die op die grond werd gegeven zo veel gewicht in de schaal legde. U zou de politieke spanning achter bijna elke zin niet zien, omdat de zinnen voor u alleen maar mooie frasen over een triest evenement zouden zijn.

Zonder de context van de Burgeroorlog leest de toespraak als een korte lijkrede. Met die context leest u een keerpunt in hoe een natie zichzelf begreep. En dat is de soort nuances die AI u alleen maar kan geven als u al genoeg weet om ernaar te vragen.

Hetzelfde principe geldt voor bijna alles waarvoor u AI zou kunnen gebruiken. Begin breed. Krijg het algemene beeld. Ga dan naar de details. Die zullen iets betekenen zodra ze een context hebben om in te landen.

Conclusie: AI is een instrument, en instrumenten hebben handen nodig

Elke grote technologische sprong in de menselijke geschiedenis heeft dezelfde paniek veroorzaakt. Rekenmachines zouden ons doen vergeten hoe we rekenen. Het internet zou ons doen vergeten hoe we denken. Zoekmachines zouden ons geheugen doden. En toch zijn we hier, nog steeds rekenend, nog steeds denkend, nog steeds onthoudend, alleen met betere instrumenten in onze handen.

AI is de volgende in die rij, en waarschijnlijk de krachtigste die we ooit hebben gebouwd. Het kan schrijven, samenvatten, analyseren, opstellen, vertalen, programmeren en al dit alles sneller doen dan wij. Maar het wil niets. Het kan zich geen zorgen maken over het resultaat. Het kan niet leven met de consequenties van verkeerd zijn. Die delen van het werk behoren nog steeds tot ons, en ze zijn de delen die bepalen of het werk uiteindelijk goed is.

De mensen die in de komende tien jaar zullen floreren, zijn degenen die nieuwsgierig blijven, degenen die betere vragen blijven stellen en degenen die AI gebruiken om sneller te leren en dieper na te denken, in plaats van het te gebruiken om het denken helemaal over te slaan. Zij zullen degenen zijn die iets bijdragen wat geen enkel model kan repliceren: oordeel, context en de bereidheid om een beslissing te nemen.

Dus, nee, AI zal u niet vervangen of uw baan doen verliezen. Maar de versie van uzelf die is opgehouden met denken, zal dat wel.