Dreigt artificiële intelligentie een generatie werknemers zonder ervaring te creëren? (column)

Artificiële intelligentie (AI) verandert niet alleen hoeveel mensen nodig zijn om een bepaalde taak uit te voeren. Ook de manier waarop werknemers hun vak leren, verandert. Door onderzoek, analyses en verslagen te automatiseren, winnen bedrijven tijd. Maar die automatisering kan ongemerkt ook een einde maken aan een leerproces waarop de opleiding van beginnende medewerkers tot nu toe steunde. De taken die binnen een beroep het minst gewaardeerd worden, zijn niet noodzakelijk de minst nuttige om het vak te leren.

Het probleem gaat verder dan de moeilijkheden die jongeren ondervinden om een baan te vinden. Zelfs wanneer ze aan de slag kunnen, rijst de vraag wat er van hun opleiding overblijft als een machine de taken uitvoert waaraan zij vroeger zelf zouden hebben meegewerkt. Een bedrijf kan meer produceren met minder menselijke tussenkomst. Dat betekent echter niet automatisch dat het ook de vaardigheden ontwikkelt die het over tien jaar nodig zal hebben. Een resultaat kunnen verkrijgen en de kwaliteit en relevantie ervan kunnen beoordelen, zijn immers twee verschillende vaardigheden, ook al lijken ze tot hetzelfde document te leiden.

Basistaken waren niet zomaar werk dat moest verdwijnen

Beginnende werknemers krijgen vaak repetitieve taken. Dossiers voorbereiden, informatie opzoeken, gegevens structureren of een eerste versie van een document schrijven: het zijn zelden de meest prestigieuze opdrachten binnen een team. Toch vervullen ze een minder zichtbare functie. Ze dwingen nieuwkomers om zich vertrouwd te maken met de details van hun werk, tegenstrijdigheden op te merken en geleidelijk het verschil te leren zien tussen een theoretisch correct antwoord en een antwoord dat bij de concrete situatie past.

Een jonge jurist die dossiers bestudeert, leert niet alleen wetteksten kennen. Hij leert ook herkennen welke elementen nader onderzoek verdienen. Een medewerker communicatie die persoverzichten samenstelt, leert gaandeweg belangrijke informatie te onderscheiden van mediageruis. In de informatica ontwikkelt het opsporen van een technisch probleem een inzicht dat niet altijd ontstaat door simpelweg een afgewerkte oplossing te lezen. Zulke ervaringen staan zelden in functieomschrijvingen, maar vormen wel de basis voor zelfstandigheid.

AI kan inmiddels een groot deel van die taken overnemen. Dat levert bedrijven voordelen op: ervaren medewerkers krijgen samenvattingen, voorbereidende analyses en voorstellen die meteen bruikbaar zijn. Maar wanneer beginners het voorbereidende werk niet langer zelf uitvoeren, wordt hun rol onduidelijker. Ze moeten dan bijvoorbeeld antwoorden controleren, terwijl ze nog onvoldoende praktijkervaring hebben om de minder voor de hand liggende fouten te herkennen. Om iets grondig te kunnen controleren, moet je immers vertrouwd zijn met de problemen waarmee automatisering je niet langer in contact brengt.

Het zou evenwel absurd zijn om vervelende taken kunstmatig in stand te houden alleen omdat ze vroeger deel uitmaakten van een functie. Niet elke taak was leerrijk en sommige opdrachten namen vooral tijd in beslag zonder bijzondere vaardigheden bij te brengen. Toch kon werk dat vanuit productiviteitsoogpunt weinig opleverde, waardevol zijn om de werking van een beroep te leren kennen. Bedrijven moeten daarom bepalen welke praktijkervaringen onmisbaar zijn en op een andere manier de opleidingsfunctie ervan behouden. Automatisering kan bijzonder nuttig zijn, zolang ook de leerkansen niet verdwijnen.

Goede prestaties bewijzen niet dat iemand een vaardigheid heeft verworven

Een studie die in oktober 2026 verscheen in Nature Human Behaviour werpt een interessant licht op die kwestie. In een experiment met 487 consultants die opdrachten rond datawetenschap uitvoerden, verbeterden de prestaties van deelnemers dankzij AI bij taken die hun gebruikelijke competenties overstegen. Toch stelden de onderzoekers geen vergelijkbare vooruitgang vast in hun technische kennis toen de deelnemers achteraf zonder AI werden getest. De technologie had hun uitvoeringsvermogen vergroot, maar toonde niet aan dat ze daardoor ook daadwerkelijk kennis hadden verworven.

Dat betekent niet dat AI het leerproces noodzakelijk belemmert. Een ander experiment, bij 673 informaticastudenten in Duitse onderwijsinstellingen, toont aan dat AI beginners toegang kan geven tot complexere opdrachten, ook wanneer die buiten hun opleiding vallen, zonder dat hun onmiddellijke begrip erop achteruitgaat. Die resultaten spreken elkaar niet noodzakelijk tegen: de doelgroepen en vaardigheden verschillen. Ze maken vooral duidelijk dat er een onderscheid bestaat tussen een opdracht met ondersteuning succesvol uitvoeren, de materie onmiddellijk begrijpen en later zelfstandig dezelfde redenering kunnen maken.

Dat verschil wordt duidelijk wanneer zich een onverwacht probleem voordoet. Een werknemer kan met behulp van AI een werkend computerprogramma of een overtuigende analyse afleveren. Maar kan hij ook uitleggen waarom voor de ene hypothese en niet voor de andere werd gekozen? Kan hij een misleidende bron herkennen of zijn beslissing tegenover een klant verdedigen? Dat beoordelingsvermogen groeit door ervaring, bijsturing en professionele uitwisseling. Een reeks foutloze eindproducten bewijst op zichzelf niet dat iemand die vaardigheden beheerst.

Bedrijven dreigen de vooruitgang van beginnende medewerkers dan ook te beoordelen op basis van resultaten waarvan de kwaliteit grotendeels afhangt van het gebruikte systeem. Sommige werknemers zullen bijzonder zelfstandig lijken, terwijl ze de reflexen die daarvoor nodig zijn nog niet hebben ontwikkeld. Anderen zullen wel degelijk vooruitgang boeken door de antwoorden van AI kritisch te bevragen en de voorstellen ervan af te toetsen aan hun eigen redenering. Het probleem ontstaat wanneer bedrijven verwarren wat een werknemer met AI kan produceren met wat hij daadwerkelijk leert.

Bedrijven dreigen de experts te missen die ze zelf niet hebben opgeleid

Op korte termijn kan de organisatie bijzonder efficiënt functioneren. Ervaren medewerkers beschikken over nieuwe hulpmiddelen, deadlines worden korter en kleinere teams kunnen een aanzienlijke hoeveelheid werk verzetten. De moeilijkheden kunnen pas enkele jaren later zichtbaar worden, wanneer nieuwe verantwoordelijkheden moeten worden toevertrouwd aan medewerkers die nooit de situaties hebben meegemaakt die vroeger als leerrijk werden beschouwd. De expertise waarmee werknemers vandaag geautomatiseerde antwoorden controleren, is vaak opgebouwd tijdens een leerproces dat plaatsvond voordat die technologieën algemeen beschikbaar waren.

Dat geldt vooral voor beroepen waarin ervaring moeilijk in vaste regels te vatten is: omgaan met een moeilijke commerciële relatie, een subtiel signaal interpreteren, anticiperen op een publieke reactie of een detail ontdekken dat de betekenis van een dossier verandert. Een digitale assistent kan bij dergelijke beslissingen helpen, maar vervangt niet automatisch de momenten waarop iemand fouten maakt, correcties krijgt en begrijpt waarom een ervaren collega anders te werk zou zijn gegaan. Kennisoverdracht hangt ook af van gedeelde praktijkervaring, niet alleen van toegang tot informatie.

Het probleem heeft bovendien een collectieve dimensie. Elk bedrijf kan er voordeel bij hebben om minder taken aan beginners toe te vertrouwen, in de veronderstelling dat het later ervaren professionals kan aanwerven. Maar als veel werkgevers op die manier redeneren, rijst de vraag wie die specialisten nog zal opleiden. Grote organisaties kunnen gestructureerde opleidingstrajecten financieren. Kmo's hebben vaak minder tijd om begeleiding en mentorschap te organiseren. Toch zullen ook zij behoefte hebben aan leidinggevenden die zelfstandig beslissingen kunnen nemen, fouten kunnen corrigeren en verantwoordelijkheid durven dragen, zonder blindelings door AI gegenereerde antwoorden goed te keuren.

Het is nog te vroeg om te stellen dat een volledige generatie zonder praktijkervaring zal blijven. De beschikbare onderzoeken brengen veranderingen en risico's in kaart, maar geven geen definitief uitsluitsel over de gevolgen. Ze vestigen wel de aandacht op een aspect dat moeilijk in productiviteitscijfers te vatten is: het vermogen van organisaties om hun expertise op peil te houden en nieuwe vaardigheden te ontwikkelen. Bedrijven moeten zich afvragen waar hun toekomstige experts het vak nog zullen leren. Die vraag is van belang voor hun werking op lange termijn en gaat veel verder dan het beheer van hun personeelsbestand.

Opleiding vernieuwen zonder de voordelen van AI op te geven

De oplossing bestaat er niet in om AI-assistenten van beginnende werknemers weg te houden. Ze kunnen methodes toelichten, toegang bieden tot complexere opdrachten en onmiddellijk feedback geven. Maar iedereen zomaar laten leren via toevallige gesprekken met software komt neer op een verwarring tussen toegang tot informatie en het daadwerkelijk verwerven van vaardigheden.

Een beginnende medewerker zou bijvoorbeeld eerst zelf een diagnose kunnen voorbereiden, die vervolgens vergelijken met de analyse van AI en zijn keuzes verdedigen tegenover een ervaren collega. Zo kan de technologie het denkproces verdiepen zonder het over te nemen.