Ik ben geen softwareontwikkelaar.
Ik ben geen data scientist.
En ik ben ook niet degene die de nieuwste AI-modellen tot in de kleinste technische details begrijpt.
Ik ben projectleider.
Iemand die jarenlang heeft geprobeerd processen beter te maken, systemen met elkaar te laten samenwerken en ervoor te zorgen dat informatie op de juiste plaats terechtkomt.
Toen generatieve AI doorbrak, dacht ik zoals velen: “Dit gaat mijn manier van werken volledig veranderen.”
En dat klopt ook.
Maar waarschijnlijk niet op de manier waarop de meeste mensen denken.
AI kan veel. Ongelooflijk veel.
Ik heb de voorbije maanden intensief gewerkt met Claude, ChatGPT en andere AI-systemen.
Niet om wat leuke teksten te schrijven.
Wel om complexe vraagstukken uit te werken, analyses te maken en ideeën te structureren.
Wat me vooral opviel?
AI verwerkt in enkele minuten een hoeveelheid informatie waar een mens dagen of zelfs weken voor nodig heeft.
Dat is indrukwekkend.
Maar net daar ontstaat ook een misverstand.
Veel mensen denken dat AI een soort magische doos is.
Je stopt er wat documenten in, stelt een vraag en krijgt automatisch het perfecte antwoord.
Mijn ervaring is anders.
AI heeft richting nodig
AI is bijzonder goed in het herkennen van patronen.
Maar het weet niet automatisch welk patroon voor jouw situatie belangrijk is.
Dat betekent dat je voortdurend moet kunnen beoordelen:
- Klopt dit antwoord wel?
- Ontbreekt er context?
- Gebruikt het de juiste aannames?
- Kijkt het vanuit de juiste invalshoek?
En daar zit de uitdaging.
Niet in het gebruik van AI.
Maar in het begeleiden ervan.
Je hoeft geen developer te zijn…
…maar je moet wel leren denken als iemand die structuur brengt.
Ik ben technisch niet sterk onderlegd.
Soms ken ik de juiste terminologie niet.
Soms weet ik niet hoe een bepaalde technologie precies werkt.
Dat maakt het samenwerken met AI soms lastig.
Want als je zelf de juiste begrippen niet kent, is het ook moeilijk om AI de juiste richting uit te sturen.
Vaak begon ik met een vaag idee.
Na verschillende iteraties kwam ik uiteindelijk waar ik wilde zijn.
Niet omdat AI plots slimmer werd.
Maar omdat ik zelf beter begreep welke context ontbrak.
Welke informatie ik vergeten was mee te geven.
Welke aannames fout waren.
AI werd beter omdat mijn vragen beter werden.
Domeinkennis blijft het verschil maken
Wat me misschien nog het meest heeft verrast, is hoe belangrijk domeinkennis blijft.
AI beschikt over enorm veel algemene kennis.
Maar jouw organisatie… jouw processen… jouw klanten… jouw manier van werken… die kent AI niet.
Dat moet jij aanbrengen.
Pas wanneer je die context toevoegt, begint AI echt waarde te creëren.
En zelfs dan blijft menselijke controle noodzakelijk.
Want alleen iemand met ervaring voelt vaak intuïtief aan wanneer een antwoord “goed klinkt” maar eigenlijk niet klopt.
De kwaliteit van je data bepaalt de kwaliteit van je AI
Er bestaat een oude uitspraak in de IT-wereld:
Garbage in, garbage out.
Die is vandaag relevanter dan ooit.
Wanneer je AI laat werken met duidelijke, goed gestructureerde en actuele informatie, krijg je meestal verrassend goede resultaten.
Werk je daarentegen met documenten die verspreid staan over tientallen locaties… versies die elkaar tegenspreken… onduidelijke namen… of ontbrekende context… dan moet AI eerst zoeken naar de juiste informatie.
En net zoals een mens maakt het dan sneller verkeerde interpretaties.
Goede data is vandaag geen luxe meer.
Het is een voorwaarde om AI succesvol te gebruiken.
AI vervangt geen samenwerking
Wat me misschien nog het meeste heeft geleerd, is dat succesvolle AI-projecten zelden draaien om één persoon.
Het gaat over verschillende expertises samenbrengen.
- Businesskennis.
- Proceskennis.
- Technische kennis.
- Datakennis.
En de vaardigheid om AI telkens opnieuw bij te sturen.
Niet één grote prompt.
Maar tientallen kleine verbeteringen.
Iteratie na iteratie.
Tot het resultaat klopt.
AI maakt experts sterker
Soms hoor je dat AI iedereen expert zal maken.
Ik geloof eerder het omgekeerde.
AI maakt experts productiever.
Het versnelt denkwerk.
Het helpt verbanden leggen.
Het verwerkt enorme hoeveelheden informatie.
Maar het neemt de verantwoordelijkheid niet over.
Die blijft bij de mens.
En misschien is dat wel de belangrijkste les die ik de voorbije maanden geleerd heb.
Niet dat AI alles kan.
Maar dat goede resultaten nog altijd beginnen bij een duidelijk doel, kwalitatieve data en mensen die voldoende kennis hebben om AI uit te dagen wanneer het fout zit.
AI is geen magic box.
Het is een ongelooflijk krachtig hulpmiddel.
Maar zoals elk hulpmiddel wordt de kwaliteit van het resultaat uiteindelijk bepaald door degene die het gebruikt.
Wat zeggen gerenommeerde bronnen?
Je ervaring sluit opvallend goed aan bij wat grote onderzoeks- en technologieorganisaties vandaag publiceren.
Gartner stelt dat organisaties met succesvolle AI-initiatieven tot vier keer meer investeren in datafundamenten, governance en AI-vaardigheden dan organisaties die minder succesvolle resultaten behalen. Volgens Gartner draait succesvolle AI niet alleen om betere modellen, maar vooral om betrouwbare data en context.
IBM schrijft dat “AI slechts zo goed is als de data waarop het werkt”. Het bedrijf benadrukt dat slechte datakwaliteit één van de belangrijkste redenen is waarom AI-projecten mislukken en dat governance, representatieve data en menselijke controle essentieel zijn.
Het concept van “Human-in-the-Loop” krijgt steeds meer aandacht. Daarbij wordt AI niet gezien als een vervanger van menselijke expertise, maar als een hulpmiddel dat juist menselijke beoordeling en domeinkennis nodig heeft om betrouwbare beslissingen te nemen. Dat sluit vrijwel één-op-één aan bij jouw ervaring dat je AI voortdurend moet uitdagen, corrigeren en van context voorzien.