Wanneer je AI beter dichtlaat

Mijn snelste reflex is tegenwoordig: vraag openen, model erbij, antwoord lezen, bijschaven, door. Dat is vaak productief. Het heeft ook een prijs: ik begin minder vaak zelf.

Ik merk het bij SQL schrijven, bij een architectuurprobleem uitdenken en bij een analyse opbouwen zonder eerst om een draft te vragen. De vaardigheid is er nog, maar het aanzetten kost meer moeite dan vroeger.

Maakt AI je slechter in kritisch denken?

Er is een sterke samenhang, maar die bewijst geen oorzaak. Gerlich vond in 2025 bij 666 deelnemers een sterke negatieve correlatie tussen frequent AI-gebruik en kritisch denken: r = −0.68 (Societies, jaargang 15, nummer 1). Het verband loopt via cognitive offloading. Hoe vaker je het denkwerk uitbesteedt, hoe minder je de vaardigheid traint.

Cognitive offloading betekent dat je een denkstap buiten je hoofd legt: bij een rekenmachine, een zoekmachine of nu een taalmodel. Bij hoofdrekenen is dat zelden een probleem. Bij oordelen en redeneren wel, want die vaardigheid gebruik je elke werkdag.

Een correlatie van die omvang is hoog voor gedragsonderzoek. Hoe vaker mensen AI gebruikten, hoe lager ze gemiddeld scoorden op kritisch denken. De richting ligt daarmee niet vast: het kan ook zijn dat mensen die minder kritisch denken sneller naar AI grijpen.

Het is één studie. Ik herken het mechanisme wel bij mezelf, en dat is genoeg om het serieus te nemen. Het cijfer staat met bron op mijn pagina met AI-statistieken.

Waarom slijt kritisch denken?

Omdat je het onderhoudt door wrijving: zelf een eerste positie vormen, argumenten ordenen, losse informatie met elkaar verbinden. Sla je die wrijving standaard over, dan is de vaardigheid minder beschikbaar op het moment dat je haar nodig hebt.

Er zit een tweede effect onder. De tijd die AI bij mij vrijspeelt, gaat niet vanzelf naar nadenken of herstel. Ze gaat naar meer projecten. Wie niet bewust kiest waarvoor die tijd is, krijgt er vooral meer werk voor terug, en nog minder momenten om zelf iets uit te denken.

Wie loopt het meeste risico?

Waarschijnlijk de mensen die er op papier het meest van winnen. In een NBER-studie bij ongeveer 5.000 supportmedewerkers wonnen de minst ervaren medewerkers rond 35% productiviteit, tegen 14% gemiddeld. Dat is goed nieuws voor hun output. Het betekent ook dat juist zij de meeste denkstappen uitbesteden, terwijl ze de vaardigheid nog aan het opbouwen zijn.

Die koppeling is mijn eigen interpretatie; geen van beide studies meet haar direct. Voor een team is ze wel een reden om bij junioren anders te werken dan bij mensen die het vak al tien jaar doen.

Waarom worden betere tools een groter risico?

Omdat controleren minder lonend voelt naarmate het model vaker gelijk heeft. AI-agents draaien inmiddels 95 tot 99 procent van de tijd zonder fouten. Bij die score voelt elke controle als verspilde tijd, en toch moet iemand die ene fout nog herkennen. Dat vraagt precies de vaardigheid die door dat vertrouwen minder wordt getraind.

Gebruikers reageren op zo’n fout vaak met wantrouwen: krijgen ze er geen uitleg bij, dan gaan ze om de tool heen werken. De betere reactie is een mens die de fout ziet, snapt waarom het model zich vergiste en het corrigeert. Dat lukt alleen als die mens het vak zelf nog beheerst.

Wanneer haal je het model erbij?

Pas nadat je zelf een standpunt hebt. Wie eerst vraagt, dan leest en dan aanpast, bewerkt het standpunt van het model. Dat voelt als denken, maar de stap waarin je zelf positie kiest heb je overgeslagen.

Mijn volgorde:

1. Schrijf eerst je eigen antwoord.
2. Zet je aannames erbij.
3. Laat het model daarna aanvallen, verbeteren of aanvullen.

Zo blijft het model een sparringpartner die reageert op jouw redenering.

Maak no-AI-zones

Sommige stukken begin ik bewust zelf. Af en toe lees ik de paper in plaats van de samenvatting, schrijf ik een query zonder autocomplete of debug ik code zonder copiloot. Dat gaat trager, en dat is de bedoeling: zo blijft de spier onder spanning. Elke paper die ik laat samenvatten, is wrijving die ik ontwijk. Soms is dat de juiste keuze; ik wil haar alleen bewust maken.

Mijn vuistregel voor wat in zo’n zone hoort: alles waarover jij straks het oordeel moet geven. Een eerste versie van een standaardmail mag het model schrijven. De afweging of een project doorgaat, de opzet van een analyse en de diagnose van een fout begin ik zelf.

Wat betekent dit voor teams?

Meet naast snelheid ook of mensen zelf nog kunnen oordelen. In trainingen uit mijn vorige rol maten we of mensen sneller werden met AI. Of ze scherp bleven, maten we niet, en dat was een blinde vlek.

Wat ik teams nu aanraad:

• Laat bij een review eerst de eigen conclusie opschrijven, en leg pas daarna de AI-versie ernaast.
• Bouw in AI-toepassingen momenten in waarop een mens moet oordelen voordat het systeem verdergaat. Laat de toepassing haar bronnen tonen en zeggen wat ze niet weet, zodat controleren ook echt kan.
• Laat twee keer per jaar een gewone casus zonder AI uitwerken en bespreek de redenering, niet alleen de uitkomst. Dan zie je of het oordeel er nog is.
• Zorg voor kaders voordat de tools er zijn. Een beleid van één pagina op dag één voorkomt dat mensen ongemerkt privé-ChatGPT gebruiken voor werkdocumenten.

Meer over controlemomenten en adoptie staat in mijn memo over 35+ implementaties.

Wil je hier morgen mee beginnen, schrijf dan bij je volgende analyse eerst zelf de conclusie op, en open het model pas daarna.