AI gaat niet ten onder aan slechte output, maar aan organisaties die vasthouden aan lineair denken. De echte revolutie begint pas wanneer we AI gebruiken als motor voor leren, innoveren en impact maken.
In het Financieele Dagblad van 27 september jl. stelde Mathijs Bouman dat de AI-revolutie dreigt te stranden in “bureaubagger”: matige output die eindeloos gecorrigeerd moet worden en de productiviteit juist verlaagt. Het klinkt herkenbaar. Maar deze analyse mist de kern. Het probleem is niet de technologie, maar ons eigen denken.
Een ander paradigma
We behandelen kunstmatige intelligentie vaak als wondermiddel. Je voert een vraag in en verwacht een foutloos rapport terug. Wanneer dat tegenvalt, concluderen we dat AI teleurstelt. Maar dat is een misvatting. AI is geen toverstok, maar een leerpartner. Wie AI benadert als vervanger van denkwerk, krijgt teleurstellingen. Wie het ziet als hulpmiddel voor leren en verbeteren, creëert een vliegwiel voor vernieuwing.
Lineair denken, eerst input, dan direct perfect resultaat, werkt niet in een dynamische wereld. Werkelijke vooruitgang verloopt cyclisch: experimenteren, corrigeren, opnieuw proberen. Dat geldt voor elke innovatie, en des te meer voor AI.
Van output naar impact
Organisaties sturen vaak op deliverables: rapporten, presentaties, milestones. Maar of iets netjes is opgeleverd, zegt niets over de waarde voor klanten of medewerkers. AI versterkt die valkuil: in een oogwenk kunnen we bergen tekst of analyses produceren, zonder dat de kwaliteit of de relevantie stijgt.
De juiste vraag is dus niet: “Wat produceert AI?” maar: “Wat leren wij met AI, en welk verschil maakt dat?” Impact moet de nieuwe maatstaf zijn.
Voorbeelden uit de praktijk
Dat dit werkt, laten pioniers al zien:
- Gezondheidszorg: Een ziekenhuis koppelde radiologen en verpleegkundigen aan een AI-systeem dat scans analyseerde. In eerste instantie zat de output vol fouten. Door dagelijks feedback te geven en de algoritmes bij te sturen, daalde de foutmarge drastisch. Het resultaat: snellere diagnoses, minder werkdruk en meer vertrouwen van patiënten.
- Financiële sector: Een bank die AI inzet voor klantcommunicatie, ontdekte dat de eerste chatbots klanten vooral irriteerden. In plaats van op te geven, koos men voor cyclisch verbeteren: testen, feedback verzamelen, opnieuw trainen. De chatbot werd geen vervanger maar een assistent. Klanten kregen sneller antwoord en medewerkers konden zich richten op complexere vragen.
- Overheid: Bij vergunningaanvragen werd AI aanvankelijk gezien als risico. Wat als er fouten inslopen? Door te werken met korte verbetercycli en elke fout als leerpunt te gebruiken, ontstond een systeem dat niet alleen sneller werkt, maar ook transparanter is. Burgers zien nu sneller waar hun aanvraag staat, ambtenaren krijgen inzicht in knelpunten.
Het patroon is steeds hetzelfde: de waarde zit niet in de eerste output, maar in het leerproces dat volgt.
Exponentieel leren
Wie met AI werkt in cycli: plan, do, check, act, ontdekt al snel een exponentiële werking. Elke ronde levert niet alleen betere resultaten op, maar ook scherpere vragen, slimmere instructies en meer vertrouwen om risico’s te nemen. Het tempo van leren wordt de nieuwe concurrentiefactor.
Daarin schuilt de echte revolutie. Niet de rekenkracht van AI, maar de leer- en aanpassingskracht van organisaties bepaalt of technologie waarde toevoegt.
Leiderschap in een nieuw tijdperk
Dit vraagt om ander leiderschap. Niet langer alles controleren en afschermen, maar ruimte geven om te experimenteren, fouten te maken en daarvan te leren. Leiders die hun teams strategisch uitdagen AI actief te gebruiken, bouwen aan een cultuur van betrouwbaarheid, snelheid en innovatie.
De echte bottleneck is dan ook geen “bureaubagger”, maar een bestuur dat blijft vasthouden aan lineair denken. Organisaties die AI zien als leerpartner, ontwikkelen een vliegwiel waarin mens en machine elkaar versterken. Zij maken het verschil voor klanten, medewerkers en de samenleving.
Conclusie
De AI-revolutie gaat niet ten onder aan slechte output, maar aan onze eigen verwachtingen. Wie blijft wachten op het perfecte resultaat, raakt teleurgesteld. Wie AI omarmt als motor voor leren en verbeteren, creëert een organisatie die sneller en betrouwbaarder wordt – en daarmee toekomstbestendig.
De vraag is niet of AI bureaubagger oplevert. De vraag is of wij de moed hebben om voorbij lineair denken te gaan en de sprong te maken naar exponentieel leren.