← Alle berichten

AI overal is AI nergens

Op deze pagina

Ik ben kapot. AI-browsers, Copilot-features overal, AI-notulisten, AI in mijn terminal, AI in mijn zoekmachine. Het put me uit. En het ergste? Het meeste helpt niet eens.

De huidige trend om AI in elk product te strooien helpt niemand. Het probleem is niet dat AI slecht is. Het probleem is dat je met “Copilots” op alles, met ingewikkelde nieuwe UX-patronen, tools moeilijker te begrijpen en te gebruiken maakt in plaats van makkelijker. En zonder kritische kennis van de tools die we gebruiken, krijg je een hoop mensen die maar wat aanrommelen en dingen niet goed begrijpen of gebruiken.

Competentie blijft ertoe doen

Microsoft lanceerde onlangs “vibe working” met Agent Mode in Excel1. De feature genereert complete spreadsheets en financiële modellen uit prompts in gewone taal, van leningcalculators tot winst-en-verliesrekeningen. Volgens de eigen benchmarks van Microsoft haalt het 57,2% nauwkeurigheid op de SpreadsheetBench-testset1.

Bedenk wat dat betekent. Financiële modellen die bijna de helft van de tijd fout zijn. Als je de Excel-kennis mist om te controleren wat er gegenereerd wordt, zie je de fouten niet.

Dit is niet hypothetisch. Bij het “London Whale”-incident van JPMorgan Chase in 2012 zat een risicomodel dat in Excel-spreadsheets was gebouwd, waarvoor data met de hand gekopieerd en geplakt moest worden2. Een operationele fout in de berekening, delen door de som in plaats van het gemiddelde, zorgde ervoor dat het model de transacties half zo riskant liet lijken als ze waren. Het resultaat: een verlies van $6,2 miljard en $920 miljoen aan boetes3.

Of neem het economiepaper van Reinhart en Rogoff, dat na de financiële crisis van 2008 het bezuinigingsbeleid in meerdere landen beïnvloedde4. Een simpele fout in een Excel-formule sloot vijf landen uit van de berekening en veranderde hun bevinding van een gemiddelde BBP-groei van 2,2% in een daling van -0,1%5. Die fout leverde de rechtvaardiging voor bezuinigingen die de werkloosheid in de eurozone boven de 10% duwden6.

Het patroon is duidelijk: als AI mensen helpt dingen te maken die ze niet begrijpen, kan het resultaat rampzalig zijn. Dat geldt net zo goed voor programmeren. Developers die AI-gegenereerde code accepteren zonder te snappen wat die doet, hoe die met edge cases omgaat of hoe snel die is, bouwen systemen die in een demo werken en in productie falen.

Wanneer AI wel werkt

AI kan buitengewoon nuttig zijn. De geslaagde toepassingen hebben dingen gemeen.

De duidelijkste voorbeelden komen uit medische beeldvorming, waar AI patiënten triageert door scans te herkennen die waarschijnlijk kritieke bevindingen bevatten. In één onderzoek markeerde een systeem dat intracraniale bloedingen op CT-scans van de hersenen detecteert 94 van de 347 routinegevallen als spoed, met 60 terechte treffers, en bracht het de rapportagetijd terug van 8,5 uur naar 19 minuten7.

Deze toepassingen werken omdat het probleem specifiek is. Niet “maak Excel beter”, maar “verkort de tijd die radiologen kwijt zijn aan de eerste beoordeling van een CT-scan”. De mens blijft erbij betrokken: de radioloog stelt de diagnose, de AI helpt met prioriteren. Succes is meetbaar. Het past in de bestaande werkwijze. En cruciaal: specialisten in medische beeldvorming bouwden deze systemen met diepgaande kennis van hun vakgebied.

Dit is degelijke engineering toegepast op AI. Zoek een specifieke bottleneck waar patroonherkenning echt helpt, bouw een systeem dat in de bestaande werkwijze past, houd mensen erbij betrokken en maak het effect meetbaar.

Het pleidooi voor AI overal

Om eerlijk te zijn, er zijn argumenten voor brede uitrol van AI. Recente enquêtes laten zien dat werknemers die generatieve AI gebruiken 5,4% van hun werkuren besparen7. Economische prognoses schatten dat AI het BBP tegen 2035 met 1,5% verhoogt8. Onderzoeken vonden dat AI-tools de prestaties gemiddeld met 66% verbeteren, met de grootste winst voor minder ervaren gebruikers9.

De theoretische voordelen zijn netwerkeffecten (meer gebruikers verbeteren de modellen), democratisering van vaardigheden (minder ervaren werknemers helpen) en ontdekking door te experimenteren (je weet niet wat werkt als je het niet probeert).

Maar mikken op een willekeurig percentage meer “productiviteit” is in de kern een misser. Je kunt je organisatie niet gewoon “AI native” of “AI first” verklaren en daar echte resultaten van verwachten. AI kan onmogelijk de ins en outs kennen van jouw bedrijf, dat volledig is gebouwd op menselijk gedrag, communicatie, relaties, netwerken en inzichten.

Uitgebreider onderzoek naar een brede groep werknemers en taken vond dat AI-chatbots ondanks zware investeringen een bescheiden effect hadden en slechts 2,8% van de werkuren bespaarden10. Belangrijker nog: twee derde van die bespaarde tijd ging naar activiteiten die geen waarde toevoegen10. De productiviteitswinst leidde zelden tot hogere lonen.

Je moet diep begrijpen hoe je medewerkers echt werken voordat je met AI begint. Geen grove streken over “productiviteit”, maar specifieke werkprocessen waar je verbetering kunt nastreven, meten of die standhoudt en dan itereren. Als het werkt, kies je het volgende laaghangende fruit. Dat is engineering. De rest is toneel.

Het argument van “democratisering” heeft een donkere kant. Ja, productiviteitswinst voor minder ervaren werknemers klinkt aantrekkelijk. Maar leren ze er eigenlijk iets van? Waarschijnlijk niet. Ze ontwikkelen geen diep begrip van het menselijk gedrag, de communicatie, de relaties, de netwerken en de inzichten waarin jouw bedrijf en je klanten opereren. Als je de kloof tussen ervaren en onervaren werknemers dicht door de behoefte aan basiskennis te verkleinen, help je mensen geen expertise op te bouwen. Je maakt ze afhankelijk van systemen die hallucineren en fouten maken. Microsoft kreeg zoveel feedback dat Copilot opdringerig is, dat het een uitknop moest toevoegen11. Gebruikers merken het als “hulp” hun vermogen om effectief te werken ondermijnt.

Wat er echt moet gebeuren

Dit is het grappige: deze gerichte AI-systemen bestaan al jaren. Kwaliteitscontrole op productielijnen gebruikt computer vision en machine learning al sinds ruim voor de huidige AI-hype12. Systemen voor creditcardfraude gebruiken al tientallen jaren machine learning om verdachte transacties in realtime te herkennen13. Dit zijn geen nieuwe toepassingen. Het zijn bewezen systemen die werken omdat ze specifieke, goed afgebakende problemen oplossen.

Informatie en API’s zijn niet ordelijk genoeg om bruikbaar te zijn, tenzij ze gebouwd zijn met echte gebruiksscenario’s van mensen in gedachten. AI kan een slechte informatiearchitectuur niet aanvullen. Het kan besluitvorming ondersteunen en beslissingen beïnvloeden, maar het menselijke element moet erbij blijven: bepalen hoe systemen moeten werken, begrijpen wat de concurrentievoor- en nadelen zijn, weten wanneer uitvoer fout is.

De bedrijven die met AI succesvol worden, zijn niet de bedrijven die het overal tegenaan gooien. Het zijn de bedrijven die een specifieke sector diep begrijpen en een belangrijke bottleneck aanwijzen, gerichte oplossingen bouwen voor precies dat probleem, AI inzetten waar onduidelijkheid niet volledig stoort, systemen leesbaar houden (je ziet wat de AI doet en grijpt in wanneer nodig) en de bijdrage van de AI meetbaar en verbeterbaar maken.

AI kan een gat heel goed vullen waar patroonherkenning of het omgaan met onduidelijkheid waarde oplevert. Maar het gaat er niet om gebruikers chatbots of ingewikkelde nieuwe werkwijzen door de strot te duwen. Het gaat erom bestaande processen aan te vullen waar dat zinvol is.

De aanpak van alles tegen de muur gooien en kijken wat blijft plakken is onverstandig. Het levert half afgemaakte features op zonder echte functie, en uiteindelijk slechte uitkomsten voor gebruikers. Erger nog, het besmet het AI-label zelf. Als gebruikers steeds kapotte AI-features tegenkomen, houden ze op AI te vertrouwen, ook waar het echt zou helpen.

Zoek een specifieke bottleneck en los die op

Ik wil niet elke AI-oplossing afkraken. Sommige worden briljant in heel specifieke dingen. Maar die worden gebouwd door mensen die een sector diep begrijpen en een echte bottleneck hebben gevonden die AI kan oplossen.

Huidige AI-systemen kunnen in medische contexten nog steeds geen klinische data meenemen of vergelijken met eerdere beeldvorming14. Ze werken geïsoleerd en kunnen niet naadloos worden ingepast in multidisciplinaire zorg14. Ze hallucineren, genereren verkeerde antwoorden en geven misleidende informatie, met percentages tussen 3% en 10%15. Dit zijn geen problemen die je oplost door overal uit te rollen en het beste te hopen.

De echte kans voor AI zit niet in alomtegenwoordigheid. Hij zit in precisie. Hij zit in precies begrijpen waar deze systemen waarde toevoegen en implementaties bouwen die specifiek zijn voor een probleem, leesbaar in hun werking, ingebed in bestaande werkprocessen, gemeten op echt effect en ontworpen met menselijk toezicht.

Als je AI overal neerzet, maak je het minder waardevol op de plekken waar het echt zou kunnen helpen. Je leert gebruikers AI-uitvoer te wantrouwen en je creëert een landschap waarin nuttige toepassingen overstemd worden door AI-washing.

AI kan een omslag betekenen als het goed gedaan wordt. Maar “goed gedaan” betekent gerichte, gemeten en geïntegreerde oplossingen, gebouwd door mensen die zowel de technologie als het vakgebied begrijpen. Geen copilots die op elk product worden geschroefd, of ze nu zinvol zijn of niet.

Pas als we deze gerichte systemen helder gedefinieerd hebben en ze werken, en alleen dan, zien we misschien een ontwikkeling richting de alomtegenwoordigheid waar iedereen achteraan rent. Maar zover zijn we nog niet. Lang niet.

Bronnen

Footnotes

  1. Microsoft 365 Blog. (2025, September 29). Vibe working: Introducing Agent Mode and Office Agent in Microsoft 365 Copilot. ↩ ↩2

  2. JPMorgan Chase & Co. (2013, January 16). Report of JPMorgan Chase & Co. Management Task Force Regarding 2012 CIO Losses. Yale Program on Financial Stability. ↩

  3. Wikipedia. (2025). 2012 JPMorgan Chase trading loss. ↩

  4. Wikipedia. (2025). Growth in a Time of Debt. ↩

  5. Bloomberg. (2013, April 18). FAQ: Reinhart, Rogoff, and the Excel Error That Changed History. ↩

  6. Clinical applications of artificial intelligence in radiology. PMC. https://pmc.ncbi.nlm.nih.gov/articles/PMC10546456/ ↩

  7. St. Louis Fed. (2025, February 27). The Impact of Generative AI on Work Productivity. ↩ ↩2

  8. Penn Wharton Budget Model. (2025). The Projected Impact of Generative AI on Future Productivity Growth. ↩

  9. Nielsen Norman Group. (2024, January 30). AI Improves Employee Productivity by 66%. ↩

  10. Computerworld. (2025, June 2). AI chatbots deliver minimal productivity gains, study finds. ↩ ↩2

  11. Microsoft Q&A. (2025). How do I stop the annoying copilot thing popping up on Excel, Word, and everywhere else it’s not wanted? ↩

  12. IBM. (2025). How is AI being used in Manufacturing. ↩

  13. IBM. (2025). AI Fraud Detection in Banking. ↩

  14. ScienceDirect. (2024, October 20). AI in radiology: From promise to practice − A guide to effective integration. ↩ ↩2

  15. Shelf. (2024, November 13). How to Prevent Microsoft Copilot Hallucinations. ↩