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]

Eén ding is zeker: je kunt niet weten wat voor impact AI zal hebben op de economie, je werk of de manier waarop je je tijd doorbrengt. En dat is juist goed nieuws, want vandaag behandelen we hoe je je voorbereidt op een lange periode van onzekerheid.

Onzekerheid over AI is niet iets tijdelijks. Het is niet zo dat wanneer je meer data hebt, je ineens wel meer zekerheid hebt. Die komt namelijk niet. Zekerheid heb je eigenlijk nooit. AI maakt het alleen nog maar vreemder, omdat het behoort tot een klasse van verschijnselen die Nassim Taleb fat-tailed noemt, met een dikke staart in de verdeling: het scala aan mogelijke uitkomsten is zo groot en de extremen hebben zo onevenredig veel impact dat de gemiddelde uitkomst – de meest waarschijnlijke AI-scenario’s – bijna niets zegt over hoe te handelen afgezien van ‘doorgaan als gewoonlijk’.

Plannen voor een gemiddelde toekomst (wat normaal gesproken een goede vuistregel is) werkt hier niet. Een wereld waarin AI zichzelf tegen 2028 recursief verbetert staat mijlenver af van een wereld waarin AI tegen eind 2026 de economie laat instorten. De fout die we vaak maken met fat-tailed risico’s in de betekenis van Taleb is altijd dezelfde: we optimaliseren voor het gemiddelde scenario en worden vervolgens geruïneerd door de realiteit. Bekende voorbeelden van risico’s met een fat-tail zijn de financiële crisis van 2008 en de coronacrisis. Die waren al behoorlijk heftig, en toch heeft AI de allerdikste staart omdat bij AI per definitie alles tot de mogelijkheden behoort.

Daarom luidt de vraag: hoe bereid je je voor op iets onvoorspelbaars? Het antwoord is tweeledig. Ten eerste moet je weten waar je je vandaag op moet richten. Ten tweede moet je weten of je je morgen op iets anders moet richten. Zo simpel is het eigenlijk. Eens kijken hoe we dat concreet kunnen maken.

Talebs antwoord op fat-tailed risico’s is de halterstrategie. Je zet de extremen aan beide uiteinden en laat het midden leeg. Het ene uiteinde is ‘maximale veiligheid’: de zaken die waardevol zijn ongeacht wat er gebeurt – het tijdloze. Het andere uiteinde is ‘maximale blootstelling aan upside’: een lage inleg met een hoge potentiële vermenigvuldigingsfactor als een bepaalde toekomst zich voordoet – de tijdgebonden zaken. Het midden – matige inspanning, matig risico, matige beloning – is waar je sterft. Ga niet voor die middenweg.

Vertaal je dit naar de komende vijf jaar, dan zit het veilige uiteinde van de halter in diepgewortelde basisprincipes die altijd nuttig zijn, zelfs als AI-agents de hele beroepsbevolking zouden overnemen. Denk hierbij aan: Het schrijven van heldere teksten, redeneren over meerduidige problemen, overtuigen, vakkennis doorgronden, mensen aansturen, oordeelsvermogen en smaak inzetten, enz. Deze lijst is onvolledig. (Je kunt deze post invoeren in ChatGPT en het de lijst laten aanvullen op basis van wie je bent en wat je uit het leven wilt halen.) Vergeet niet dat de intensiteit van je focus irrelevant is als het doel waarop je je richt niet klopt.

Voor dit uiteinde van de halter bestaan geen shortcuts. Deze skills waren in 2005 net zo waardevol als in 1905, en dat zullen ze in 2105 nog steeds zijn, ongeacht wat er gebeurt met AI. De reden dat ik hier zeker van ben, is dat ze betrekking hebben op relaties tussen mensen. Onze wereld is gebouwd op een aantal principes – met de mens als middelpunt – die je met de juiste skills kunt beheersen. Deze skills vormen het fundament van beschaving. Maak ze je eigen.

Aan het andere uiteinde van de halter bevindt zich het intensieve AI-native experiment. Hier richt ik de meeste van mijn praktische gidsen op omdat ik ervan uitga dat je vanzelfsprekend werkt aan de dingen die ‘altijd belangrijk’ zijn. Ik wil daarbij benadrukken dat beide soorten skills onmisbaar zijn als je voorbereid wilt zijn op de komende vijf jaar.

Hoe dat intensieve AI-native experiment er dan uitziet? Denk daarbij aan het jezelf vertrouwd maken met basisconcepten en tools door er dagelijks mee te werken: bouw complexe workflows die je theoretische begrip uitdagen, publiceer dingen om feedback te verzamelen, en ontwikkel praktische intuïtie voor wat modellen wel en niet kunnen enz. Dit is je lot uit de loterij. Ze zijn goedkoop in aanschaf (qua tijd en instelling) en zeer waardevol als AI je vakgebied verandert.

Het gevaar schuilt in het midden waar je je op een passieve manier kennis eigen maakt. Je leest bijvoorbeeld artikelen over AI, zoals dit, maar gaat er vervolgens niet mee aan de slag. Je kijkt naar het journaal en raakt daarvan in paniek. Je bent op de hoogte van de aankondigingen en alle gedoe in de industrie, maar weet geen bal van de technologie. Met deze grotendeels passieve houding heb je misschien het gevoel dat je met je tijd meegaat, maar leer je praktisch niets. Ga je zo door, dan sta je er straks tragisch onbeschermd voor. Je kunt ook in het gevaarlijke midden eindigen als je je tijdloze skills als nutteloos gaat beschouwen in het AI-tijdperk. Hierdoor verlies je je smaak en oordeelsvermogen, je vakkennis of algehele cognitieve vermogen. Doe dat dus niet.

In de praktijk staat de halter voor een verdeling van je tijd. Besteed een deel van je tijd aan skills die elk scenario kunnen doorstaan (maximale veiligheid, tijdloos). Besteed een ander deel van je tijd aan het stoeien met AI-tools op manieren die overdreven aanvoelen ten opzichte van wat je baan nu vereist (maximale blootstelling aan upside, tijdgebonden). Besteed geen tijd aan het comfortabele midden waar je net genoeg leert om een vage mening te vormen. Zoals Taleb je kan vertellen, vergroot comfort bij een fat-tailed risico de kans om verpletterd te worden door de dikke staart.

De halterstrategie geeft aan wat je vandaag moet doen, en dat is fijn. Maar wat doe je met de informatie die dagelijks op je afkomt? Hoe kun je je aanpak bijstellen als de toekomst concreet begint te worden? Hoe kun je het tijdloze zwaarder laten wegen als de AI-bubbel barst? Hoe kun je AI-zaken zwaarder laten wegen als vacatures beginnen te vragen om praktijkervaring met agents? Dat is wat de halterstrategie mist: Ze zegt niet wanneer je moet herbalanceren. Daarvoor heb je een ander hulpmiddel nodig.

Tijdens de Koude Oorlog ontwikkelden militaire strategen van onderzoeksbureau RAND de scenarioplanningsmethode ter voorbereiding op onvoorspelbare toekomstscenario’s. De methode bestaat eruit een paar intern consistente scenario’s te construeren – niet per se bestcase- en worstcasevarianten, maar wel structureel verschillende werelden, zodat je je strategie kunt aanpassen op basis van meetbare veranderingen – en vervolgens na te gaan welke van je investeringen in die werelden renderen en welke afhangen van het scenario.

Ik geef je een voorbeeld met drie AI-scenario’s:

De vraag die je zou moeten stellen is: wat zou je tegen 2028-2030 gedaan moeten hebben om voor alle drie de scenario’s een goede uitgangspositie te verwerven? Hier komt de halterstrategie samen met de planningsstrategie. Het halteruiteinde met basisprincipes doorstaat elk scenario – helder denken en schrijven, vakinhoudelijk oordeel, enz. blijven waardevol, of AI nu alles overwint, vastloopt of ergens daartussenin uitkomt. Het AI-gerichte uiteinde van de halter levert heel veel op in scenario A, matig in scenario C, en kost je tijd in scenario B. Het midden – passief kennis eigen maken – is in geen enkel scenario een gunstige optie.

Het doel van planning is niet voorspellen; je hoeft niet de juiste toekomst te kiezen (dat kun je niet en als het je wel zou lukken, is het puur geluk). Wat je wilt is je reactietijd verkorten zodra je ontdekt in welke toekomst je je bevindt. Iemand die deze drie scenario’s heeft doordacht, zal ze sneller herkennen.

Om dit goed te doen, heb je concrete indicatoren nodig die verraden welke toekomst werkelijkheid wordt. Kies er vier of vijf en controleer ze elk kwartaal. Benchmarks voor modelcapaciteit, AI-budgetten van bedrijven, tendensen in berichtgeving enz., om het even wat goed past bij jouw situatie. Ik geef je een onvolledige lijst omdat de helft van het werk bestaat uit bepalen welke indicatoren voor jou werken. Als ik je een standaardrecept geef, begrijp je niet waarom het belangrijk is om het exact te volgen. Het doel is om ervoor te zorgen dat je je tijdsverdeling tussen de uiteinden van de halter kunt herbalanceren voordat de omstandigheden je daartoe dwingen.

Als signalen volgend jaar bijvoorbeeld wijzen naar scenario B – capaciteitsbenchmarks stagneren, bedrijven korten op AI-budgetten, het enthousiasme van je baas neemt af – heb je geen zes maanden nodig om die signalen te interpreteren. Je past je halter aan en kent minder gewicht toe aan het AI-uiteinde en meer aan dat met de basisprincipes. Naarmate de tijd verstrijkt, veranderen de scenario’s die aannemelijk lijken en dat geldt ook voor je dagelijkse voorbereiding.

Samengevat: je gebruikt de halterstrategie om te beslissen waarop je je vandaag wilt richten – dat geeft je een uitgangspositie – en je gebruikt de scenarioplanningsstrategie om te beslissen of je je morgen op iets anders moet richten – dat geeft richting. Tezamen geven ze je een traject waarmee je je kunt voorbereiden op een onzekere toekomst.

Alberto Romero, 8 juni 2026