Wanneer AI ons sneller maakt, maar niet slimmer, en wat leiders moeten doen

Voor velen biedt AI de oplossing voor een breed scala aan zakelijke uitdagingen. Het kan helpen bij het schrijven van code, het verbeteren van workflowautomatisering en dienen als een analytics-assistent. Maar terwijl organisaties sneller bewegen, denken ze ook minder na. Dus het echte risico dat AI met zich meebrengt, is niet het vervangen van banen, maar het erosie van kennis.

Onderzoek heeft dit al bewezen. SBS Swiss Business School heeft ontdekt dat een toegenomen afhankelijkheid van AI gekoppeld is aan verminderde kritische denkvaardigheden.

Deze erosie heeft ernstige gevolgen, omdat de vaardigheden die menselijke oordeelsvorming waardevol maken, afnemen als teams zich verlaten op machine-uitvoer zonder te begrijpen hoe het werkt. Verzwakte redenering, onuitgedaagde aannamen en verslechterde modelgovernance zijn niet gelijk aan AI-efficiëntie, maar verhogen de bedrijfskwetsbaarheid.

Het misverstand over AI-competentie

Organisaties vieren snellere uitvoer als bewijs van een succesvolle AI-adoptie. Maar snelheid is een misleidende maatstaf. Wat veel teams AI-competentie noemen, wordt steeds vaker verward met prompt-fluency. Maar werknemers moeten in staat zijn om de antwoorden die ze krijgen te vertrouwen.

Als een uitvoer goed klinkt, gaan veel mensen ervan uit dat het correct is. Modelverificaties worden vergeten en aannamen worden niet getoetst. Het personeel begint dan te steunen op AI voor conclusies die vroeger redenering vereisten.

Een onderzoeksstudie uit 2025 ondersteunt deze patronen. Het vond “een significante negatieve correlatie tussen het frequente gebruik van AI-hulpmiddelen en kritische denkvaardigheden, bemiddeld door toegenomen cognitieve offloading.” En jongere deelnemers, die het meest comfortabel zijn met AI-interfaces, toonden lagere kritische denkvaardigheden dan oudere deelnemers.

Dit punt wordt ook ondersteund door bevindingen in The Economic Times, die ontdekte dat fundamentele AI-vaardigheden niet voortkomen uit het beheersen van prompts. Ze komen voort uit de menselijke vaardigheden die machine-uitvoer interpreteren, uitdagen en contextualiseren, en AI-vaardigheden komen voort uit kritische denkvaardigheden, analytische redenering, creatief probleemoplossen en emotionele intelligentie. Zonder deze worden gebruikers passieve consumenten van AI-inhoud in plaats van actieve beslissers.

Bezorgd makend is dat deze cognitieve offloading op het neurale niveau is waargenomen. The Economic Times rapporteerde over een studie van het MIT Media Lab en vond dat deelnemers die frequent ChatGPT gebruikten, een vermindering van geheugenspanning, lagere prestatiescores en verminderde hersenactiviteit vertoonden bij het proberen zonder AI-ondersteuning. Zoals de onderzoekers het stellen, “Deze gemakkelijkheid kwam met een cognitieve prijs.” De studenten die AI gebruikten, presteerden slechter “op alle niveaus: neuronaal, linguïstisch en scoren.”

Deze resultaten helpen verduidelijken wat AI-snelwegen ondermijnen. Ze verzwakken de cognitieve vaardigheden waar professionals elke dag op vertrouwen:

• Analytische redenering
• Hypothese-testen
• Debugging-instincten
• Domeinintuïtie

Dit recente onderzoek werpt eindelijk licht op de over het hoofd gezien nadelen van AI op menselijk niveau. En dit wordt een groter probleem in hoge-inzetbeslissingen, zoals risico, forecasting en resource-allocatie, die allemaal contextuele begrip vereisen. Hoe minder mensen de logica achter een modelontwerp begrijpen, hoe onzekerder besluitvorming wordt.

Waarom zwakke menselijke vaardigheden in de lus enterprise-niveau risico’s creëren

De nieuwe competentie-kloof verzwakt governance

Naarmate AI-adoptie wijdverspreid wordt, ontstaat er een kloof in veel organisaties. Aan de ene kant zijn er de inspecteurs, die vragen kunnen stellen, uitdagen, interpreteren en verfijnen. Aan de andere kant zijn er de operators die resultaten voor waar aannemen en verder gaan.

Deze splitsing is belangrijker dan de meeste leiders beseffen. Governance is afhankelijk van teams die een model kunnen ondervragen, niet alleen de antwoorden. Wanneer minder mensen begrijpen hoe een systeem werkt, kunnen kleine verschuivingen onopgemerkt blijven, zoals vroege tekenen van modeldrift en veranderingen in gegevenskwaliteit.

Wanneer teams AI-uitvoer accepteren zonder ze te betwisten, verplaatsen kleine fouten zich stroomafwaarts en accumuleren snel. Overmatige afhankelijkheid wordt een enkel punt van falen. Dit roept de vraag op, wat gebeurt er als een organisatie oordeel sneller uitbesteedt dan begrip opbouwt?

Deze governance-kloof beperkt ook innovatie. Teams die AI niet kunnen ondervragen, kunnen prompts niet verfijnen of herkennen wanneer een inzicht nieuw en origineel is. Innovatie wordt gecentraliseerd rond een kleinere groep experts, waardoor de organisatie minder in staat is om aan te passen.

Innovatie stagneert als menselijke nieuwsgierigheid afneemt

AI kan veel taken versnellen en automatiseren, maar het kan de menselijke instincten om vragen te stellen en verder te gaan dan voor de hand liggende antwoorden niet vervangen. Toch is deze inherent menselijke instinct afnemend. Dit wordt agency-decay genoemd. Een vierfasen-progressie in hoe mensen denken uitbesteden aan machines:

1. Experimentatie: Uit nieuwsgierigheid en gemak beginnen mensen met het uitbesteden van kleine taken aan AI. Het is empowerment en efficiënt.
2. Integratie: AI wordt onderdeel van dagelijkse taken. Mensen hebben nog steeds onderliggende vaardigheden, maar voelen zich enigszins ongemakkelijk bij het werken met ondersteuning.
3. Afhankelijkheid: AI begint complexe beslissingen te nemen. Gebruikers worden zelfvoldaan en cognitieve vaardigheden beginnen te atrofiëren, vaak onopgemerkt.
4. Verslaving: Ook bekend als gekozen blindheid. Mensen kunnen niet effectief functioneren zonder AI, maar blijven overtuigd van hun eigen autonomie.

Deze progressie is belangrijk omdat AI de mogelijkheid om te herkennen wanneer we kennis missen en om nieuwe oplossingen voor nieuwe problemen te bedenken, ondermijnt. Deze hogere-orde vaardigheden vereisen constante oefening. Toch maakt AI-gemak het gemakkelijk om ze te negeren.

Organisaties worden dan efficiënt, maar niet creatief. Onderzoek en ontwikkeling zijn afhankelijk van menselijke nieuwsgierigheid en scepticisme, die beide afnemen als uitvoer onuitgedaagd blijft. Dit verlies van nieuwsgierigheid en agency is een strategisch risico.

Verlies van tacit kennis maakt de organisatie broos

In gezonde, functionele teams, stroomt expertise horizontaal door peer-to-peer-verbindingen en verticaal van senior naar junior. Maar als werknemers vragen doorspelen aan AI in plaats van aan mensen, verzwakken deze mentorloopjes. Junioren stoppen met leren van en absorberen van expertoordeelsbeslissingen, en senioren stoppen geleidelijk met het documenteren van kennis omdat AI routinegaten vult.

Na verloop van tijd holt de kernkennis leeg. Maar dit risico duurt even om zichtbaar te worden, dus bedrijven lijken productief, maar hun fundament wordt broos. Wanneer een model faalt of anomalieën optreden, hebben teams geen diepe domeinkennis meer om met vertrouwen te reageren.

Een casestudy van een accountantskantoor, gepubliceerd in The Vicious Circles of Skill Erosion, vond dat langetermijnafhankelijkheid van cognitieve automatisering een aanzienlijke daling van menselijke expertise veroorzaakt. Naarmate werknemers geautomatiseerde functies meer vertrouwden, verzwakten hun bewustzijn van hun activiteiten, vaardigheidsbehoud en uitvoerbewaking. De onderzoekers merken op dat deze vaardigheidsvermindering onopgemerkt blijft door werknemers en managers, waardoor teams onvoorbereid zijn als systemen falen.

Wat leiders moeten doen om diepte te herstellen en overmatige afhankelijkheid te voorkomen

Bedrijven kunnen de adoptie van AI niet vertragen, maar ze kunnen de menselijke oordeelsvorming van hun werknemers versterken, waardoor AI betrouwbaarder wordt. Dat begint met het herdefiniëren van AI-competentie in de hele organisatie, omdat prompt-fluency niet hetzelfde is als vaardigheid. Echte capaciteit omvat het begrijpen van een modelredenering en weten wanneer machine-uitvoer moet worden overschreven.

Om dit te begrijpen, hebben werknemers training nodig over hoe het model context vereenvoudigt, hoe drift optreedt in het dagelijks werk en het verschil tussen een vertrouwenwekkende uitvoer en een goed onderbouwde. Zodra deze basis is gelegd, kunnen leiders kritische denkvaardigheden in dagelijkse workflows opbouwen door verificatiecontroles te normaliseren, zoals:

• Welke aanname doet dit model?
• Wat zou deze uitvoer onjuist maken?
• Komt dit in strijd met iets wat we uit ervaring weten?

Deze kritische analyse neemt slechts een paar minuten in beslag, maar tegenwoordig de cognitieve offloading-crisis, waardoor werknemers en AI-modeluitvoer in toom worden gehouden.

De beste manier voor bedrijven om hun werknemers te trainen is op echte systemen. Te vaak richt training zich op ideale scenario’s. Maar bedrijven hebben geen ideale scenario’s; ze hebben systemen waarin gegevens onvolledig zijn, context ambigu is en menselijke oordeelsvorming ertoe doet.

Bijvoorbeeld, als een logistiek bedrijf zijn routeringsteam alleen had getraind op schone datasets waar AI perfect werkte, zouden de werknemers enorm onvoorbereid zijn. In de praktijk kunnen weersverstoringen AI-modellen ertoe brengen onjuiste instructies te produceren. Als werknemers nooit hadden gezien hoe het systeem zich gedraagt in onzekere omstandigheden, zouden ze de vroege tekenen van drift of weten wanneer in te grijpen niet herkennen. In dit geval is het probleem niet het model, maar de onvoldoende training. Het is essentieel om werknemers te trainen op de AI die ze hebben, inclusief driftscenario’s, ambigue uitvoer, partiële gegevens en fouten. Dat is waar menselijke capaciteit wordt opgebouwd.

Om ervoor te zorgen dat de training praktisch is, moeten zakelijke leiders menselijke capaciteit meten, niet alleen systeemresultaten. Organisaties volgen meestal modelnauwkeurigheid of kostenbesparingsmetrieken, maar zelden het gedrag dat sterke menselijke toezicht aangeeft. Documenteren werknemers waarom ze een modeluitvoer vertrouwen? Escaleren ze ongebruikelijke resultaten? Deze waarneembare acties laten zien of redenering sterker wordt of afneemt. Wanneer leiders mensen erkennen en belonen die prompts verbeteren door diepe redenering of geldige twijfels over AI-uitvoer aan te kaarten, versterken ze de gewoonten die AI-implementatie robuust maken.

AI zal blijven versnellen. Dat deel is niet ter discussie. De vraag is of teams de vaardigheden behouden om AI te betwisten, te corrigeren en om te leiden als dingen misgaan. Daar zal het verschil zichtbaar worden. De organisaties die nu in menselijke oordeelsvorming investeren, zullen degenen zijn die echte waarde uit AI halen, niet broze efficiëntie. Iedereen anders bouwt op zand.