De nieuwe menselijke vaardigheden in het AI-tijdperk

Waarom kennis goedkoper wordt, maar oordeel duurder

De juiste discussie?

Sinds taalmodellen voor iedereen beschikbaar zijn, gaat het publieke gesprek bijna uitsluitend over de verdwijnende banen: welke beroepen zijn “veilig”, welke functies worden overgenomen, welke sectoren worden geraakt. Begrijpelijke en reële vragen — maar ze zijn eigenlijk een afgeleide. Ze meten het symptoom, maar niet de onderliggende verschuiving.

De vraag die hieronder ligt, is namelijk: Welke menselijke vermogens worden schaarser, juist doordat machines beter worden? Want waarde volgt schaarste, niet nut — dat is de oude waarde-paradox: water is onmisbaar en goedkoop, een diamant nutteloos en duur. Wat overvloedig wordt, daalt in waarde, hoe nuttig ook; wat zeldzaam blijft, stijgt, hoe nutteloos ook.

Eeuwen waarin antwoorden schaars waren

Kennis was lang een vorm van macht. Wie de antwoorden had, liep voor: de priester kende de teksten, de professor de theorie, de specialist het dossier, de adviseur de markt. Dat was niet vreemd, want informatie was schaars. Wie wilde weten hoe een motor werkte of hoe een contract moest worden opgesteld, moest lezen, leren of een deskundige raadplegen — en dat kostte tijd, moeite en geld.

Datzelfde principe — waarde volgt schaarste — zien we door de hele geschiedenis heen. Telkens bepaalde een tekort wat waardevol was. Toen voedsel schaars was, draaide rijkdom om landbouwgrond. Toen industriële productie schaars was, om fabrieken. Toen informatie schaars was, om kennis en expertise. En telkens verschoof de waarde zodra het goed overvloedig werd. Zoals de stoommachine de spierkracht overnam en de computer de rekenkracht, zo neemt AI nu iets nieuws over: het routinematig produceren van antwoorden. Wat eeuwenlang schaars was — expertise, specialisten, consultants — wordt een nutsvoorziening: overal, altijd, vrijwel gratis. Niet omdat AI alles weet, maar omdat het antwoord zelf goedkoop is geworden.

De ‘bottleneck’ verschuift dus, maar waarheen?

Zodra iets goedkoop wordt, verschuift de waarde naar iets anders. De vraag is alleen: waarheen?

Eerder zocht ik dat antwoord in vertrouwen, aandacht en energie — de nieuwe schaarsten van een AI-gedreven wereld. Dat blijft weliswaar staan, maar er ligt een schaarste nóg een laag dieper. Vrijwel iedereen maakt op dit punt namelijk dezelfde, te ondiepe draai. In een wereld vol antwoorden, zegt men, wordt het stellen van de juiste vraag de sleutelvaardigheid. Dat klopt — maar eigenlijk moeten we het komen tot die ‘juiste vraag’ ook nog als een aparte stap zien… een eerdere stap dus.

Voordat iemand een juiste vraag kan stellen, is er iets aan voorafgegaan dat veel moeilijker te automatiseren valt. Er is eerst (1) waarneming: zien dát er iets speelt, soms nog vóórdat het een naam heeft. Er is (2) probleemdefinitie: het onderscheid tussen het probleem dat zich aandient en het probleem dat er werkelijk is. En er is (3) begripsvorming: weten wat we eigenlijk bedoelen, voordat we erover redeneren. Pas dáárna komt (4) de ‘juiste vraag’, en pas dáárna het antwoord.

Wat deze stappen, naast al het andere, kenmerkt, is een ‘houding’: Noem het bijvoorbeeld verwondering — de weigering om iets vanzelfsprekend te vinden. Zonder die houding neem je de aangeboden probleemdefinitie kritiekloos over en kijk je niet verder dan wat zich al aandient. De meeste mensen (en vrijwel elke handleiding over “prompten”) beginnen bij ‘de vraag’. Socrates vertrok meestal ook vanuit concrete ervaringen, opvattingen en voorbeelden van zijn gesprekspartner, maar hij onderzocht vervolgens de aannames daarachter. Hij beschouwde daarmee ‘de waarneming’. Daar zit het verschil. AI verhoogt niet primair de waarde van vraagvaardigheid, maar van álles wat aan de vraag voorafgaat. De vervolgstappen kan de machine inmiddels veelal overnemen. De eerdere (nog) niet want een model weet niet waar jij naar zou moeten kijken omdat het zelf nog geen echt begrip en geen eigen doelen heeft.

N.B. Voor mijzelf is AI (ik gebruik voor opdrachten altijd meerdere (7) modellen tegelijk!) in de eerste plaats een discussiepartner, informatieverzamelaar, factchecker en hulpmiddel om belangen en perspectieven te verkennen. Pas daarna schrijf ik zelf de tekst. AI helpt bij nuanceren, aanscherpen of herformuleren, maar de regie, eindredactie en volledige verantwoordelijkheid blijven bij mij. Ik hanteer het motto: Het gaat niet om het gereedschap dat je gebruikt, maar om de tekst die je aflevert. Je moet scherp blijven, maar je mag je gereedschap zelf kiezen.

Twee vaardigheden?

Het eerste is: de vraag goéd stellen. Hoe formuleer je een opdracht zó — met context, doel, randvoorwaarden, expliciete aannames — dat de machine optimaal kan helpen? Dat is de praktische AI-vaardigheid.

Het tweede is: de júíste vraag stellen. Verdient dit probleem überhaupt aandacht? Is dit wel het echte probleem? Welke aanname zit erin verborgen, welk alternatief blijft buiten beeld? Dat is de oudere, meer filosofische vaardigheid. Wie deze vaardigheden niet vanzelf beheerst, kan een taalmodel wel inzetten om die stappen expliciet te maken en alternatieven naast elkaar te zetten — maar de waarneming zelf, en de keuze wat telt, blijven bij de vrager.

Dat loont de moeite, want het verschil is principieel. Een vlekkeloos beantwoorde verkeerde vraag is soms een dure vergissing: ze wekt de illusie van voortgang terwijl je je juist verder van de werkelijkheid verwijdert. En wie geen vragen stelt maar antwoorden consumeert, is geen auteur meer maar een consument van het plausibele — vloeiend, overtuigend, en soms volstrekt onwaar.

Welke vaardigheden nu moeten verbeteren

Daaruit volgt ook welke menselijke vermogens in waarde stijgen naarmate AI beter wordt in het produceren van antwoorden.

Waarnemen – de aandacht om op te merken wat ertoe doet voordat het door anderen is benoemd of door een algoritme wordt aangereikt. Veel belangrijke ontwikkelingen beginnen als een vaag ongemak, een patroon of een uitzondering die nog geen naam heeft.

Probleemdefinitie – de discipline om niet direct naar oplossingen te springen, maar eerst zorgvuldig vast te stellen wat het probleem werkelijk is. Een AI kan duizenden oplossingen genereren voor een verkeerd gedefinieerd probleem.

Conceptuele helderheid – weten wat we precies bedoelen met onze begrippen. Onduidelijke definities leiden vrijwel onvermijdelijk tot onduidelijke conclusies.

Vraagvaardigheid – pas nadat is waargenomen wat aandacht verdient, het probleem is afgebakend en de begrippen helder zijn, ontstaat de mogelijkheid om de juiste vraag te stellen. Goede antwoorden beginnen vrijwel altijd met goede vragen.

Kritisch denken – antwoorden niet beoordelen op overtuigingskracht, maar op onderbouwing. Controleren, vergelijken, bronnen toetsen en actief zoeken naar mogelijke weerleggingen in plaats van alleen bevestigingen.

Oordeelsvorming – kunnen afwegen welke waarden, belangen en risico’s zwaarder moeten wegen. Een model kan opties en scenario’s aandragen, maar niet bepalen wat wenselijk, rechtvaardig of legitiem is.

Verantwoordelijkheid nemen – bereid zijn om beslissingen te dragen en rekenschap af te leggen voor de gevolgen. Een algoritme kan adviseren; verantwoordelijkheid blijft menselijk.

Deze vaardigheden beschrijven samen het traject dat voorafgaat aan elk waardevol antwoord: eerst zien, dan begrijpen, vervolgens vragen stellen, toetsen, oordelen en uiteindelijk handelen. Juist daar ligt de menselijke meerwaarde.

Naarmate AI beter wordt in het genereren van informatie, verschuift de schaarste namelijk naar een dieper niveau. Niet het antwoord wordt waardevoller, maar het vermogen om te bepalen welke vragen aandacht verdienen, welke aannames moeten worden onderzocht en welke conclusies werkelijk betekenis hebben. Uiteindelijk zal daarom niet degene met de krachtigste AI het verschil maken, maar degene die het scherpst waarneemt, het beste onderscheid maakt tussen schijn- en werkelijke problemen, en de wijsheid heeft om antwoorden op hun waarde te beoordelen.

De daad van betekenis

Onder al deze vermogens ligt dezelfde bodem. Waarnemen, probleemdefinitie en oordeel hebben iets gemeen: het zijn geen bewerkingen van informatie, maar acties rond betekenis. Een model herkent patronen en legt verbanden; betekenis ontstaat pas wanneer een mens zegt: dít is belangrijk, hier moeten we iets mee.

Het is de stap waarin vrijheid en verantwoordelijkheid het toneel betreden: kiezen wat telt is iets wat je doet — en waarvoor je instaat. Onder de vraag, en onder het oordeel, ligt die ene menselijke daad: niet méér weten, maar bepalen wat belángrijk is.

Welke vaardigheden zullen achterblijven

Sommige vaardigheden verdwijnen niet echt, maar verliezen hun schaarste — en daarmee hun waarde als onderscheidend vermogen. Het reproduceren van feiten, om te beginnen: veel van ons onderwijs is daar nog op ingericht, terwijl AI het vrijwel gratis doet. Routinematige analyse evenzeer: het standaardrapport, het standaardonderzoek, het standaardadvies. En procedurele kennis: weten waar iets staat, hoe een formulier werkt, welke regel geldt — nuttig, maar steeds minder onderscheidend. Het onderwijs zal hier vanuit zijn traditie behoudend op reageren; juist daarom moet deze verschuiving daar expliciet op de agenda.

Voor wie is dit goed nieuws

Het verhaal is dus niet voor iedereen even goed nieuws. “Oordeel wordt schaars en dus waardevol” klinkt geruststellend voor wie oordeel al kán ontwikkelen — wie scholing, tijd en ruimte heeft om te oefenen. Voor de baliemedewerker, de chauffeur of de junior wiens routinetaak als eerste wordt overgenomen, is precies hetzelfde verhaal een dreiging.

Het zou oneerlijk zijn te suggereren dat “ontwikkel je oordeel” voor iedereen een gelijke uitweg is. Waarnemen en oordelen zijn trainbaar — maar niet kosteloos, en niet voor iedereen even bereikbaar.

Probleemdefinitie is een machtsvraag

Veel maatschappelijke conflicten blijken achteraf geen strijd over oplossingen, maar over probleemdefinities. Wat is hier eigenlijk het probleem? Wie bepaalt dat? Welke aannames zitten erin verborgen?

Hoe vaak redeneren we niet naar oplossingen voor een probleem zoals wíj het benoemd hebben — totdat een denker of filosoof het in een ander kader plaatst, en daarmee onze hele manier van kijken verschuift en nieuwe inzichten opent? Onze aanvallen op ‘Brussel’ — vanuit financiën, politieke stabiliteit en dergelijke — zijn in de huiskamer populair, totdat iemand de probleemdefinitie kantelt: van Brussel als kostenpost naar Brussel als het enige niveau waarop grensoverschrijdende problemen bestuurbaar worden. Dat wil niet zeggen dat er niets te verwijten valt; wel dat met het kader ook de vraag verandert — en dat we ons oordeel dan ten minste moeten heroverwegen.

Hier ligt ook het risico dat we politieke vraagstukken ten onrechte als technische optimalisatieproblemen behandelen. Een AI kan een fraudedetectiesysteem eindeloos verfijnen, maar zij kan middelen alleen optimaliseren — geen doelen legitimeren en geen botsende waarden afwegen. Architectuur is beleid in code. Wie de probleemdefinitie aan de machine overlaat — of aan wie de machine bouwt — geeft de eigenlijke macht uit handen, nog voordat er één antwoord is gegeven.

De onverwachte terugkeer van de filosofie

Er dient zich een wending aan. De toekomst vraagt niet minder, maar meer filosofie. En meteen een nuance: dit is geen pleidooi voor meer filosofen, en zeker niet voor meer voetnoten, maar een pleidooi voor meer filosofische vaardigheden en juist niet bij filosofen alleen. De ingenieur die een systeem ontwerpt, de bestuurder die beleid maakt, de programmeur die een doelfunctie kiest, de arts die een AI-diagnose weegt: zij allen hebben die vaardigheden nu harder nodig dan ooit.

De filosofie is het ene vak dat zich van oudsher heeft toegelegd op precies de stappen die nu schaars worden: begrippen analyseren, aannames blootleggen, perspectieven vergelijken, de vraag achter de vraag zoeken. Het zijn vier verschillende vaardigheden, geen synoniemen — en je leert ze niet door erover te lezen, maar door ze te doen.

En nu?

Het goede nieuws is dat het gewoontes zíjn, geen talenten: vermogens die je je eigen maakt door ze te oefenen — juist op het moment dat het goedkope antwoord je het sterkst verleidt om door te lopen.

Concreet betekent het dit. Voordat je een antwoord aanneemt, van een mens of een machine, vraag je wélke vraag het eigenlijk beantwoordt, wat het stilzwijgend aanneemt en wat het buiten beeld laat. Dat is misschien net wat lastiger als je denkt. Je gebruikt AI niet als orakel dat je gehoorzaamt, maar als sparringpartner die je tegenspreekt: laat het model bijvoorbeeld het tegendeel beargumenteren, toets elke bewering aan een bron. In het onderwijs verschuift de beloning van het juiste antwoord naar de scherpe vraag en de gefundeerde kritiek op een gegeven antwoord. En thuis, tegenover je kinderen, is de belangrijkste vraag niet ‘wat is het antwoord?’, maar ‘hoe weet je dat het klopt — en is dit wel het echte probleem?’.

Niets daarvan vereist een diploma filosofie. Het vereist de discipline om te vertragen op het ene moment waarop vertragen het moeilijkst is, namelijk wanneer er al een vlot, overtuigend antwoord op je scherm staat.

Een voorbehoud

Eén voorbehoud hoort hier expliciet. Dat, oordeel, betekenisgeving en verantwoordelijkheid menselijk blijven, is zelf ook een aanname — geen natuurwet. Als er werkelijk een algemene intelligentie (AGI) ontstaat (volgens de experts is ie er al sinds 2026, maar nog niet publiekelijk beschikbaar) die niet alleen middelen optimaliseert maar ook doelen weegt en betekenis lijkt te verlenen, dan verschuift ook deze grens opnieuw.

Maar twee dingen veranderen daardoor niet. Zolang deze systemen geen dragers van verantwoordelijkheid, blijft de vraag wie de gevolgen draagt een menselijke. En juist wanneer een machine ons op elk meetbaar vlak voorbijstreeft, wordt de vraag welke maatstaf telt — en wie die mag vaststellen — niet kleiner, maar groter.

Niet kennis, maar oordeel

Misschien is de grootste misvatting over (de huidige) kunstmatige intelligentie (taalmodellen) dat zij een revolutie in intelligentie is. Ze is vooral een revolutie in schaarste — en daarmee in wat waarde heeft. De geschiedenis van de wetenschap bevestigt dat: de grote doorbraken ontstonden zelden doordat iemand sneller antwoordde, maar doordat iemand anders kéék, en daarom een andere vraag stelde. Zulke trendbreuken — niet de extrapolatie van wat er al was, maar het nieuwe inzicht — zijn de echte sprongen in onze ontwikkeling. En juist daar ligt de ironie: AI is zelf zo’n trendbreuk, maar ze wérkt door extrapolatie — en in die hoedanigheid komt het nieuwe inzicht nog altijd van iemand die anders kijkt. De revolutie in intelligentie moet nog komen, als AI belichaamd wordt (robots) en daarmee zelf zintuigelijke ervaringen opdoet waardoor het onafhankelijk leert zonder externe trainers.

De AI-revolutie maakt zo vooral iets zichtbaar: welke menselijke vermogens werkelijk waarde toevoegen zodra antwoorden niets meer kosten — en hoeveel intellectuele nederigheid het vergt om te erkennen waar ons overzicht ophoudt. Tot nu toe behouden we niet kennis, maar oordeel als menselijke superioriteit. Niet antwoorden, maar probleemdefinitie. Niet overtuiging, maar toetsbaarheid. Niet intelligentie alleen, maar wijsheid.

Ik ben benieuwd naar het komende jaar…

Jeroen Teelen

5 juni 2026