Van datakwaliteit naar kennisverval: hoe AI-organisaties slimmer én dommer kan maken
Kunstmatige intelligentie maakt organisaties productiever en helpt medewerkers sneller analyses uit te voeren, rapportages op te stellen en complexe vraagstukken te doorgronden. Tegelijkertijd ontstaat een risico dat nog relatief weinig aandacht krijgt: kennisverval. Wat gebeurt er wanneer medewerkers steeds vaker vertrouwen op AI en steeds minder zelf analyseren, redeneren en leren?
Dit artikel verkent waarom kennisbehoud een nieuw governance-vraagstuk wordt en hoe organisaties kunnen voorkomen dat AI niet alleen efficiëntie oplevert, maar ook leidt tot het langzaam verdwijnen van cruciale expertise.
De afgelopen tien jaar hebben organisaties miljarden geïnvesteerd in data, analytics en kunstmatige intelligentie. Eerst draaide de discussie om datakwaliteit, vervolgens om dashboards en voorspellende modellen en tegenwoordig lijkt vrijwel iedere strategische agenda te worden gedomineerd door generatieve AI.
De belofte is verleidelijk: hogere productiviteit, snellere besluitvorming en directe toegang tot vrijwel onbeperkte kennis. Die belofte is voor een belangrijk deel terecht. AI kan medewerkers ondersteunen bij analyses, rapportages, programmeren, samenvatten en het voorbereiden van complexe besluiten. De productiviteitswinst die hierdoor ontstaat, is op veel plekken al zichtbaar.
Toch ontstaat tegelijkertijd een risico dat veel minder aandacht krijgt en dat op de langere termijn mogelijk een veel grotere impact heeft dan een incidentele hallucinerende chatbot of een onjuiste AI-gegenereerde analyse.
Het risico is dat organisaties langzaam hun eigen kennis verliezen.
Waarom kennisverval een nieuw organisatierisico is
Harvard Business Review beschrijft dit fenomeen als een vorm van ‘workslop’: professioneel ogend werk dat grotendeels door AI is geproduceerd, maar waarvan de inhoud steeds minder kritisch wordt beoordeeld. De term is interessant, maar de onderliggende ontwikkeling is nog veel fundamenteler.
Naarmate medewerkers steeds vaker vertrouwen op AI om te schrijven, te analyseren, te programmeren en zelfs te redeneren, ontstaat het gevaar dat zij steeds minder zelf leren, steeds minder begrijpen en steeds minder in staat zijn om zelfstandig conclusies te trekken.Dat klinkt misschien als een theoretisch risico, maar in de praktijk zien we de eerste signalen al.
Steeds vaker worden managementrapportages gebruikt waarvan nog maar een beperkt aantal medewerkers begrijpt hoe de KPI’s precies worden berekend. Dashboards bevatten businesslogica die ooit zorgvuldig is ontworpen, maar waarvan de onderliggende aannames nauwelijks nog worden gedocumenteerd. Besluiten worden genomen op basis van AI-samenvattingen, terwijl niemand meer de tijd neemt om de broninformatie volledig te bestuderen.
Wanneer vervolgens de laatste medewerker die het proces echt begrijpt de organisatie verlaat, ontstaat er een probleem dat met geen enkele nieuwe AI-tool kan worden opgelost.
Een organisatie kan immers data verliezen en deze opnieuw opbouwen. Een organisatie kan software vervangen en processen opnieuw inrichten. Het opnieuw opbouwen van verloren kennis is echter een veel complexer en langduriger proces.
Juist daarom is kennisverval misschien wel het meest onderschatte risico van het AI-tijdperk.
AI maakt organisaties slimmer én kwetsbaarder
Het is bovendien een fascinerende ontwikkeling. AI maakt organisaties namelijk tegelijkertijd slimmer en dommer. Slimmer, omdat medewerkers sneller toegang krijgen tot informatie en omdat routinematig denkwerk steeds efficiënter kan worden uitgevoerd. Dommer, omdat de onderliggende kennis, ervaring en professionele oordeelsvorming langzaam kunnen afnemen wanneer mensen niet langer zelf analyseren, schrijven en nadenken.
Voor accountants, controllers, data professionals en bestuurders zou dit een belangrijk nieuw governance-vraagstuk moeten zijn. Want wat gebeurt er wanneer niemand meer kan uitleggen waarom een algoritme een bepaalde uitkomst produceert? Wat gebeurt er wanneer de berekening van een kritische KPI alleen nog bestaat in een prompt die ergens op een laptop is opgeslagen? Wat gebeurt er wanneer een organisatie wel beschikt over enorme hoeveelheden data, maar steeds minder mensen heeft die die data nog echt begrijpen?
Dan ontstaat niet alleen een technologisch risico, maar een strategisch risico.
Van datakwaliteit naar kenniskwaliteit
Misschien moeten we daarom onze definitie van datakwaliteit verbreden. Datakwaliteit gaat immers niet alleen over volledige, juiste en tijdige gegevens. Datakwaliteit gaat uiteindelijk ook over het behoud van de kennis die nodig is om die gegevens te interpreteren, te beoordelen en te vertalen naar verstandige besluiten.
Data governance draait ook om menselijk begrip
De volgende fase van data governance zal daarom niet uitsluitend draaien om AI-modellen, dataplatformen en nieuwe technologie. De volgende fase zal draaien om de vraag hoe organisaties hun collectieve kennis, professionele oordeelsvorming en menselijk begrip kunnen behouden in een wereld waarin steeds meer denkwerk door machines wordt ondersteund.
De organisaties die de komende jaren succesvol zullen zijn, zijn waarschijnlijk niet de organisaties die de meeste AI implementeren of de meeste licenties aanschaffen. De echte winnaars zijn de organisaties die begrijpen dat kunstmatige intelligentie alleen waarde creëert wanneer zij wordt gecombineerd met menselijke intelligentie, kritisch denken en een stevig kennisfundament.
Misschien is de grootste uitdaging van AI dan ook niet dat machines steeds beter leren denken als mensen.
Misschien is de grootste uitdaging dat mensen niet mogen vergeten hoe zij zelf moeten blijven denken.
Bronnen: Harvard Business Review en The Next Web, juni 2026.