Geen zin in data? Bijna een jaar later zou deel 2 alweer anders zijn

Toen ik Geen zin in data schreef, keek ik voor een belangrijk deel terug op ontwikkelingen die ik zelf jarenlang van dichtbij had meegemaakt. Van de eerste discussies over data-analyse en Auditing 3.0 tot process mining, governance en uiteindelijk de enorme aandacht voor kunstmatige intelligentie.

De rode draad was steeds ongeveer dezelfde. Technologie ontwikkelt zich snel en organisaties proberen daarop aan te haken, maar uiteindelijk blijft de vraag wat technologie werkelijk toevoegt aan een vak, een organisatie en de mensen die er werken.

Bijna een jaar later is die vraag alleen maar interessanter geworden. Niet omdat AI inmiddels massaal banen heeft overgenomen, maar omdat we in hoog tempo van experimenteren naar daadwerkelijk toepassen bewegen.

Van chatbot naar onderdeel van het proces

De eerste fase van generatieve AI was overzichtelijk. We stelden ChatGPT een vraag, kregen binnen enkele seconden een indrukwekkend antwoord en begonnen vervolgens te experimenteren met teksten schrijven, documenten samenvatten, analyses maken en code genereren.

Inmiddels verschuift de aandacht naar AI-systemen die niet alleen antwoorden geven, maar ook onderdelen van workflows kunnen uitvoeren. In professionele dienstverlening gebruikt inmiddels 40 procent van de organisaties generatieve AI, bijna een verdubbeling ten opzichte van een jaar eerder. Agentic AI wordt nog veel minder toegepast, maar meer dan de helft van de organisaties onderzoekt of plant toepassingen ervan.

Daarmee verschuift ook de discussie. De interessante vraag is steeds minder wat een taalmodel kan schrijven en steeds meer welke werkzaamheden we aan technologie kunnen toevertrouwen. Die ontwikkeling is inmiddels zichtbaar in vrijwel ieder kennisintensief beroep.

De advocaat

Neem de advocatuur, waar een belangrijk deel van het werk bestaat uit kennis verzamelen, documenten analyseren, jurisprudentie onderzoeken, argumentaties opbouwen en teksten produceren. Precies op die terreinen heeft generatieve AI zich razendsnel ontwikkeld.

Nederlandse advocatenkantoren gebruiken AI inmiddels voor juridisch onderzoek, contractanalyse, due diligence en het voorbereiden van documenten. Volgens onderzoek van Deloitte heeft 45 procent van de grotere Nederlandse advocatenkantoren inmiddels een gevorderd niveau van AI-adoptie bereikt.

Daarmee ontstaat ook een economische vraag. Wanneer een advocaat dankzij AI in twee uur werk kan doen waar vroeger zes uur voor nodig was, heeft dat onvermijdelijk gevolgen voor een sector waarin tijd jarenlang een belangrijke basis voor het verdienmodel is geweest.

Misschien is de vraag voor het vak zelf nog interessanter. Een jonge advocaat leerde traditioneel door dossiers door te nemen, jurisprudentie te zoeken en eerste versies van documenten te schrijven. Wanneer AI juist dat werk steeds beter kan uitvoeren, moeten kantoren opnieuw nadenken over de manier waarop toekomstige partners hun kennis en ervaring opbouwen.

De programmeur

In de ICT-sector gaat die ontwikkeling misschien nog sneller. AI schrijft code, analyseert bestaande software, zoekt fouten, maakt tests en kan zelfstandig wijzigingen voorstellen. Coding agents worden daarmee steeds meer onderdeel van softwareontwikkeling.

Dat hoeft niet te betekenen dat de programmeur verdwijnt. Wanneer software goedkoper en gemakkelijker te bouwen wordt, kan juist méér software worden ontwikkeld en kunnen ook mensen zonder traditionele programmeerachtergrond toepassingen bouwen.

De waarde van een goede ontwikkelaar kan daardoor verschuiven van het produceren van iedere regel code naar architectuur, veiligheid, kwaliteit en het beoordelen of door AI gegenereerde software daadwerkelijk doet wat ervan wordt verwacht. Hoe gemakkelijker het wordt om software te produceren, hoe belangrijker het daarmee kan worden om te begrijpen wat goede en betrouwbare software eigenlijk is.

De creatieve sector

In de creatieve sector wordt de confrontatie met AI op een heel andere manier zichtbaar. Teksten, foto’s, illustraties, muziek en video’s kunnen inmiddels in seconden worden gegenereerd, waardoor iets wat jarenlang relatief schaars was plotseling vrijwel onbeperkt beschikbaar komt: content.

Dat kan tegelijkertijd een nieuwe vorm van schaarste creëren. Als iedereen binnen enkele minuten een technisch goede afbeelding, commercial, tekst of muziekstuk kan produceren, wordt niet alleen het produceren zelf, maar juist het bedenken, selecteren en herkennen van iets onderscheidends belangrijker.

Creativiteit verdwijnt daarmee niet noodzakelijk door AI, maar de economische waarde ervan kan wel verschuiven. Authenticiteit, smaak, een herkenbare stijl en het vermogen om iets te maken wat mensen daadwerkelijk raakt, kunnen belangrijker worden naarmate gemiddelde content goedkoper en overvloediger wordt.

Daar komen bovendien vragen bij over auteursrecht, trainingsdata, identiteit en eigenaarschap. Naarmate mens en machine intensiever samenwerken, wordt het steeds lastiger om vast te stellen wie of wat uiteindelijk de maker is.

De dokter

In de zorg ligt de situatie opnieuw anders, omdat een fout niet alleen geld of tijd kan kosten, maar directe gevolgen kan hebben voor een patiënt.

AI kan medische beelden analyseren, administratieve werkzaamheden verminderen, informatie uit patiëntendossiers structureren en artsen ondersteunen bij diagnostiek en behandeling. De ontwikkeling gaat inmiddels zo snel dat toezichthouders moeten nadenken over de manier waarop generatieve AI-systemen als medische hulpmiddelen moeten worden beoordeeld.

Juist hier wordt zichtbaar waarom technologische capaciteit niet hetzelfde is als professionele verantwoordelijkheid. Een patiënt wil niet alleen weten wat statistisch gezien de meest waarschijnlijke diagnose is, maar ook dat iemand zijn situatie begrijpt, onzekerheden afweegt, verantwoordelijkheid neemt en kan uitleggen waarom een bepaalde behandeling wordt voorgesteld.

De zorg wordt daarmee een interessante test voor de verhouding tussen menselijke en kunstmatige intelligentie. Hoe beter AI wordt in medische kennis en patroonherkenning, hoe belangrijker het wordt om te bepalen welke onderdelen van goede zorg we aan technologie kunnen overlaten en waar menselijk oordeel noodzakelijk blijft.

De accountant

Ook binnen de accountancy is dezelfde beweging zichtbaar. AI kan dossiers doorzoeken, documenten vergelijken, eerste analyses maken, code schrijven en afwijkingen identificeren. In combinatie met data-analyse kan een accountant daardoor grotere populaties onderzoeken en sneller bepalen waar risico’s en uitzonderingen zitten.

De toegevoegde waarde van de accountant kan daardoor verder verschuiven. Wanneer technologie steeds meer voorbereidend en routinematig werk uitvoert, worden kennis van de onderneming, professioneel-kritische oordeelsvorming en het vermogen om bewijs te beoordelen juist belangrijker.

Mijn bezwaar tegen de term AI-auditing blijft daarom overeind. AI kan een krachtig hulpmiddel zijn binnen een audit, maar uiteindelijk moet iemand begrijpen welk bewijs is verkregen, welke onzekerheden bestaan en waarom een conclusie gerechtvaardigd is. Technologie kan delen van het werk overnemen zonder daarmee ook de professionele verantwoordelijkheid over te nemen.

Verschillende sectoren, opvallend dezelfde vragen

Wanneer we deze sectoren naast elkaar zetten, vallen vooral de overeenkomsten op. De advocaat hoeft mogelijk minder zelf te zoeken, de programmeur minder zelf te coderen, de creatieve professional hoeft niet meer iedere pixel zelf te produceren, de arts kan informatie sneller laten analyseren en de accountant hoeft minder documenten handmatig door te nemen.

Hun beroepen verdwijnen daarmee niet automatisch, maar de aard van het werk kan wel veranderen. Een deel van de toegevoegde waarde verschuift mogelijk van produceren naar beoordelen, van zoeken naar selecteren en van uitvoeren naar verantwoordelijkheid nemen.

Daar zou een denkbeeldig tweede deel van Geen zin in data  voor een belangrijk deel over gaan.

Hoe wordt de starter straks expert?

Aan die ontwikkeling zit namelijk een ongemakkelijke consequentie. Vrijwel ieder kennisberoep heeft jarenlang ongeveer hetzelfde opleidingsmodel gebruikt. Een starter begint met relatief eenvoudig werk, maakt fouten, krijgt feedback en bouwt daardoor langzaam de kennis en ervaring op die nodig zijn om later complexe beslissingen te kunnen nemen.

Juist dat relatief eenvoudige werk blijkt bijzonder geschikt voor AI.

Wanneer AI het eerste contract opstelt, de eerste code schrijft, een dossier samenvat, een medische brief voorbereidt of een eerste financiële analyse maakt, ontstaat de vraag hoe een jonge professional nog leert waarom een antwoord klopt en wanneer het juist niet klopt.

Dat kan uiteindelijk een groter vraagstuk worden dan het voorspellen van het aantal banen dat AI gaat kosten. Organisaties moeten niet alleen nadenken over de manier waarop AI ervaren professionals productiever maakt, maar ook over hoe zij ervoor zorgen dat de volgende generatie de kennis en ervaring ontwikkelt die nodig zijn om het werk van AI later kritisch te kunnen beoordelen.

Meten we eigenlijk wat AI oplevert?

Uiteindelijk komen we daarmee opnieuw bij data terecht. Ondanks alle investeringen en verwachtingen meet volgens onderzoek van Thomson Reuters slechts 18 procent van de organisaties in professionele dienstverlening daadwerkelijk de return on investment van AI.

Dat is opmerkelijk, omdat we tegelijkertijd spreken over een technologie die advocatuur, accountancy, ICT, zorg en creatieve beroepen fundamenteel zou kunnen veranderen. Veel organisaties kunnen echter nog nauwelijks aantonen hoeveel tijd daadwerkelijk wordt bespaard, of de kwaliteit verbetert, hoeveel fouten worden voorkomen en wat klanten, cliënten of patiënten uiteindelijk van de technologie merken.

Juist in het AI-tijdperk hebben we daarom misschien méér behoefte aan data. Niet om nog meer dashboards te maken, maar om onderscheid te kunnen maken tussen technologische belofte en aantoonbare vooruitgang.

Geen zin in data – Deel 2

Als ik vandaag de inhoudsopgave van een denkbeeldig tweede deel zou moeten maken, zou het geen boek over één sector worden. Het zou gaan over de advocaat die met AI samenwerkt, de programmeur die steeds minder zelf hoeft te programmeren, de creatieve professional die moet concurreren met een bijna oneindige hoeveelheid synthetische content, de arts die algoritmen naast zijn eigen oordeel krijgt en de accountant die steeds grotere delen van zijn controleproces technologisch kan ondersteunen.

Het zou ook gaan over organisaties die hun workflows opnieuw moeten ontwerpen, over verdienmodellen die veranderen, over verantwoordelijkheid wanneer AI zelfstandiger handelt en over de vraag hoe mensen expertise blijven ontwikkelen wanneer machines juist een deel van het werk overnemen waarmee we die expertise jarenlang hebben opgebouwd.

Bijna een jaar na Geen zin in data  is voor mij daarom niet de belangrijkste constatering dat AI alweer veel beter is geworden. Interessanter is dat in totaal verschillende sectoren langzaam dezelfde fundamentele vraag zichtbaar wordt: als technologie steeds meer van ons werk kan doen, welk deel van ons vak willen en moeten we dan zelf blijven beheersen?

Voorlopig zijn er geen concrete plannen voor een tweede deel, maar als ik kijk naar wat er in minder dan een jaar is veranderd, zou het aan onderwerpen in ieder geval niet ontbreken.