We gaan iets nieuws proberen! Voortaan delen we op zaterdag artikelen van een van onze favoriete AI-auteurs: Alberto Romero van The Algorithmic Bridge. Zijn analyses laten altijd zien hoe je AI beter kunt inzetten, zonder te vergeten wat menselijk werk uniek maakt.

Alberto komt uit Spanje en schrijft in het Engels. Speciaal voor jullie vertalen we zijn greatest hits naar het Nederlands.

Wil je Alberto doordeweeks in het Engels lezen? Abonnees van AI Report krijgen 20% korting op een abonnement. Gebruik hiervoor de kortingscode.

En dan nu, over to Alberto:

[Originele versie in het Engels]

Als AI me iets heeft geleerd, dan is het wel dat ik de worsteling van werk moeten doen verkies boven die van geen werk hebben.

 We verlangen ernaar onszelf te bevrijden van ons werk totdat we daarin slagen. Dan verlangen we terug naar ons werk. AI heeft die paradox opgeheven: het heeft de worsteling om werk te doen weggenomen en zal die niet teruggeven, tenzij je de moeite neemt om af te stappen van de gewoontes die je momenteel aan het ontwikkelen bent. Je bent niet meer essentieel voor je werk, en weet niet hoe je je daartoe moet verhouden.

 En dus verschijnen tweets zoals hieronder dagelijks in mijn feed.

Dit gevoel is wijdverbreid geraakt onder softwareontwikkelaars en onder kenniswerkers in het algemeen. Werk is, net als al het andere, gewoon een eenarmige baggerbandiet geworden. Je trekt aan de hendel, krijgt iets voorgeschoteld en evalueert de situatie. Vervolgens trek je nogmaals aan de hendel. Enz. Je doet zelf niets meer. Je managet je taken, houdt er toezicht op, organiseert ze en zweeft erboven. Je bent niet volledig losgekoppeld maar ook niet echt betrokken.

 De enorme hoeveelheid werk die een AI-agent – of een zwerm agents – kan uitvoeren, voorkomt dat je zelf met de poten in de modder belandt. Je bent niet snel genoeg en kunt niet diep genoeg graven. En dus zweef je erboven. Je werk bestaat uit het aan elkaar rijgen van een absurd aantal beslissingen, de ene na de andere – waaronder de beslissing om beslissingen te delegeren. Maar dan zonder dat je nog voelt wat het betekent om werkelijk een besluit te nemen. Het aantal keuzes dat je maakt is intimiderend, maar de hoeveelheid is niet je probleem.

 Het probleem is dat je, als je je brood verdient als evaluator, niet het gevoel hebt dat je iets creëert, terwijl je hersenen dat wel willen. Wanneer je het werk zelf doet, vraag je je af: “Wat moet ik bouwen?” of “Hoe zijn deze elementen met elkaar verbonden?” Als je het werk evalueert, denk je: “Is dit wat ik wil?” “Voldoet dit aan de eisen?”

 Je bevindt je voortdurend in een cognitieve modus waarin je louter een door de AI voorgesteld mentaal model verwerkt. Je krijgt niet de kans om het zelf op te bouwen. Hoe kun je een hulpbron verbruiken die je niet aanvult?

 Die vraag staat centraal in de ervaringen van mensen met brain fog of brain fry. Hoe meer je deze managerrol aanneemt, hoe minder tijd je besteedt aan het aanscherpen van de kunst van het ‘begrijpen door te doen’, en hoe slechter je daardoor wordt in het managen zelf. Dat komt doordat je mentale modellen steeds verder afdwalen van de werkelijke aard van de taken die je moet managen.

 Om AI-agents te kunnen beheersen, moet je de optimale balans vinden. Wie alleen maar doet, blijft goed in het doen. Wie doet én managet, wordt goed in allebei. Wie alleen maar managet, wordt in geen van beide goed.

Iets soortgelijks is mij overkomen.

 Ik gebruik AI ter ondersteuning van mijn research. AI is goed in het binnen enkele minuten verzamelen van veel materiaal uit betrouwbare bronnen. Dat is fantastisch, zonder AI zou dit letterlijk onmogelijk zijn. Maar dan realiseer ik me dat ik niet weet wat ik ermee aan moet: ik heb 500 pagina’s aan hoogwaardige informatie, maar ze zeggen me niets omdat ik geen band heb met het proces waarmee ik ze heb vergaard. Ik ben midden op de oceaan verdwaald. De researchresultaten blijken niet het doel te zijn van mijn research. Als ik zelf het internet afspeur naar bronnen, leg ik de verbanden die ik nodig heb. Als ik actief op zoek ben naar dingen, komen er ideeën bij me naar boven, niet als ik ze passief consumeer. Dat proces gaat verloren als ik het uitbesteed. De researchresultaten zijn voor mij alleen de moeite waard als ik ze zelf heb samengesteld.

 Deze ideeën zijn nog nooit zo relevant geweest. Ze zijn niet voorbehouden aan AI en ze zijn zeker niet nieuw – zoals altijd bij innovatie storten we ons er meteen op, maar nemen we zelden een stap terug om het geheel te overzien.

 In haar baanbrekende artikel Ironies of Automation uit 1983 merkte Lisanne Bainbridge op dat hoe meer je een proces automatiseert, hoe meer vaardigheid je als menselijke operator nodig hebt (voor uitzonderingsgevallen, toezicht, enz.), maar hoe minder je kunt oefenen. Google en Stack Overflow zorgen weliswaar voor een gedeeltelijke ontlasting, maar je moet het werk nog steeds zelf doen. Generatieve AI neemt je dat uit handen.

 Met AI komt het resultaat van je werk sneller tot stand, maar je eigen inbreng wordt steeds kleiner. Als je geluk hebt, is het product misschien wel beter, maar ben jij er daarentegen slechter van geworden. Als je alleen nog maar nadenkt over ‘wat’ en vergeet het ‘hoe’ te doen, weet je uiteindelijk niet meer ‘wat’ er in vredesnaam aan de hand is.

De oplossing is niet ingewikkeld, je moet er alleen bewust je mindset voor aanpassen.

 Om de voordelen van agentic AI te behouden – volledig terugkeren naar pen en papier is onrealistisch – zonder je menselijke skills op te geven, moet je afwisselen tussen een evaluerende en generatieve cognitie. Blijf dingen doen, ga die dingen ook managen en word beter in beide.

 Ik denk dat het concept van een ‘wenselijke moeilijkheid’ precies datgene is waarnaar je zou moeten streven. Het gaat niet om het maximaliseren van je evaluatieskills. Het gaat ook niet om het maximaliseren van je praktische skills. Het gaat om een uitgebalanceerde mix van beide, die afhangt van wie je bent, je skills, je functie, enz. Alleen jij kunt de juiste combinatie vinden.

 Mijn algemene advies luidt als volgt: wees niet bang om af te stappen van een volledige afhankelijkheid van agents, alleen maar omdat je collega’s en de sector je aansporen om je helemaal te storten op de ‘AI-managermodus’.

 Uiteindelijk zullen zij dit ook moeten doen, wat jou een belangrijk voordeel geeft als je nu al begint. Uiteindelijk zullen ze beseffen dat het een vergissing was. Een vergissing die voortkwam uit de wens om minder en sneller te werken. De juiste wens zou echter moeten zijn om beter te werken, wat zelden door een van beide wordt bereikt. In het AI-tijdperk vereist beter werk dat je die AI-skills verwerft zonder je menselijke skills te verliezen.

 Nu ik de situatie heb beschreven, zul je mijn onderstaande praktische advies beter begrijpen. Zeven dingen waarmee je nu moet stoppen om de beste ‘menselijke doener’ + ‘AI-manager’ te worden:

Niet elke taak die je aan een agent geeft is hetzelfde.

 Sommige taken zijn puur uitvoerend, zoals opmaakwerk, het schrijven van standaardteksten en routinematige herhalingen. Je verliest niets door routinematige taken te automatiseren. Maar sommige taken lijken op uitvoerend werk, terwijl het in werkelijkheid verkapt denkwerk is.

 Mijn researchproces levert niet alleen bronnen op – dat is eigenlijk een mooi neveneffect van het feit dat ik vertrouwd ben geraakt met het materiaal! Als ik dat helemaal aan een agent zou overlaten, zou ik tien keer zoveel informatie krijgen in ruil voor nul begrip.

 De vraag die je in dit soort situaties moet stellen is niet “kan AI dit sneller?” – ja, dat kan het, dat kan het altijd – maar “Als AI dit voor mij doet, tast dat dan mijn mentale evaluatiemodel aan?”

Als je iets wat een chatbot of agent je voorlegt aanpast of afwijst omdat het ‘niet goed voelt’, en je je plotseling zonder duidelijke reden moe voelt, is dat een eerste waarschuwing.

 Het betekent dat je beoordelingsvermogen vertroebelt: het probeert je iets duidelijk te maken, maar je bewuste brein kan het niet langer concreet onder woorden brengen. Ofwel heb je al 8 uur intensief zitten werken, of je bent te afhankelijk geworden van AI-agents die dingen voor je uitvoeren.

 Het zal je verbazen hoe snel dit gebeurt, en gelukkig ook, hoe snel het kan worden teruggedraaid.

 Op het moment dat je je weer bezighoudt met praktisch werk, zul je eerst een beetje weerstand voelen – je hersenen houden er niet van om dingen te doen – en daarna een diep gevoel van opluchting en rust – het verdrijft de mist die ontstaat wanneer je iets probeert te managen waarvan je niet weet hoe dat moet.

Een agent is het verleidelijkst aan het begin van een project, wanneer een leeg scherm het pijnlijkst is.

 Zodra je de eerste drie alinea’s hebt geschreven, is de vierde een fluitje van een cent. Als je last krijgt van een blokkade, is het heel makkelijk om je tot Codex of Claude Code te wenden en te vragen: “Kijk naar mijn codebase en stel verbeteringen voor.”

 Je trekt aan de hendel, krijgt iets voorgeschoteld en reageert erop. Vervolgens zorgt de willekeurige beloning ervoor dat je dopamine omhoog schiet, zie daar: de eenarmige baggerbandiet.

 De vroege fase – wanneer je uitzoekt wat je moet doen, wat met wat verband houdt, wat het doel is, wat de beperkingen zijn – is wanneer jouw generatieve cognitie zijn werk doet.

 Dat is de fase waarin je de architectuur van het geheel bouwt. Zodra het mentale model staat en jij het verder invult, is het prima om gebruik te maken van een agent (dat is eigenlijk noodzakelijk als je concurrerend wilt blijven).

Het is een natuurlijke neiging om de oplossing te standaardiseren. Je legt twee permanente sporen aan: dingen die de agent doet en dingen die jij doet. Dat is toch wat optimalisatie inhoudt? Een opsplitsing van je werk.

 Maar eigenlijk is dat de snelste manier van achteruitgang, want de taken die je niet meer doet, kun je ook niet meer evalueren. Wissel in plaats daarvan af: laat AI alleen routinematige taken uitvoeren, de rest doe je soms handmatig, soms helpt de AI en soms voert de agent ze uit.

 Zo werkten schaakgrootmeesters ook met AI. Ze werkten in een team samen met de AI’s, maar zonder zich te specialiseren, want anders zouden ze uiteindelijk niet meer zelfstandig kunnen schaken.

 ‘Beiden doen beide’ is beter dan ‘ieder doet elk’, zelfs ten koste van efficiëntie op korte termijn. In het AI-tijdperk verslaat een generalist telkens weer de specialist.

 Op deze manier kun jij zien wat de agent over het hoofd ziet en kan de agent zien wat jij over het hoofd ziet. Dat is precies hoe de vermaarde wiskundige Terence Tao momenteel AI inzet.

 AI is inderdaad bovenmenselijk geworden in schaken en zal dat uiteindelijk ook worden in wiskunde, maar het is moeilijker te voorspellen wanneer dat zal gebeuren bij standaardkenniswerk. Voor nu moet je onthouden dat permanente delegatie permanent verlies van skills betekent.

Met een agent kun je twintig opties evalueren in plaats van er één uit te werken. Dit is een veelvoorkomende valkuil: ons brein is zo geprogrammeerd dat we ons productief en tevreden voelen als we met zoveel mogelijk dingen bezig zijn, omdat het brein het managen van een project associeert met eraan werken.

 AI-agents ontkoppelen deze twee dingen: je kunt veel dingen starten en veel processen en taken managen die je niet naar meer output of betere resultaten leiden. Je besteedt je volledige cognitieve budget aan selectie en mogelijkheden in plaats van aan opbouw en concrete resultaten.

 Uiteindelijk stort je gevoel voor de ruimte van mogelijkheden in tot wat de agent je ook maar laat zien. Je verliest het vermogen om alternatieven te bedenken die de AI niet voorstelt. En je verliest het vermogen om één ding af te maken.

 Je twijfelt voortdurend of je moet kiezen tussen het zekere en het onzekere.

 Beperk de output; beperkingen zijn creativiteit. Dwing jezelf om enkele van de opties zelf te bedenken. Dwing jezelf om één ding af te maken in plaats van elke mogelijkheid te overwegen.

Het begint met een tweede agent om de eerste te controleren. Dan komt er een derde om de tweede te controleren. En zo verder tot in het oneindige. Want als je één agent kunt maken om een andere te controleren, waarom zou je het daar dan bij laten? Zet een leidende agent in om een controleur in te schakelen die de schrijver controleert, en breid de samenvatter uit om de researcher te comprimeren.

 Dit voelt misschien alsof je een zwerm krachtige AI’s hebt die je synchroon laat dansen op het ritme van je dirigeerstokje, maar het zijn eigenlijk lagen blackbox-verificaties die afwegingen verzamelen gemaakt door tools die vreselijk slecht zijn in het maken van afwegingen.

 Dit is de ultieme valkuil van de evaluator: je automatiseert de evaluatie van de evaluatie van de evaluatie. Je zweeft boven het zwevende. Human in the loop? Je bevindt je zo ver buiten de loop dat je de loop niet eens meer kunt zien. De loop is nog slechts een stipje voor je. En daarom gebeurt alles zonder jouw inbreng, zonder jouw toezicht, zonder dat je er iets van leert, en zonder de mogelijkheid om een post-mortemonderzoek uit te voeren.

 Op dit moment drijft het mentale model niet bij je weg – er is gewoon helemaal geen mentaal model meer over. Je kunt niet eens het schema van de agents die jouw werk doen onthouden, laat staan de taken zelf.

Je reactie op deze post is waarschijnlijk: “Ja, ik herken mezelf hierin, maar ik los het later wel op.” Los het nu op. Met deze houding doe je precies hetzelfde als wanneer je zegt: “Ik laat een agent dit nu opknappen en leer het echt goed als ik tijd heb.”

 Dat doe je niet. Je weet dondersgoed dat je dat niet doet.

 Als je al je tijd kunt besteden aan agents die namens jou dingen doen, brengt elke seconde die je besteedt aan ‘leren’ in je hoofd enorme gemiste kansen met zich mee, omdat je in plaats daarvan meer agents zou kunnen inzetten en die zou kunnen vragen om meer ideeën te bedenken voor meer projecten.

 Oh mijn god, er is zoveel te doen en maar zo weinig tijd!!!

 Herpak jezelf en maak wat tijd vrij voor jezelf.

Alberto Romero, 25 mei 2026