AI verandert kenniswerk: van uitvoerder naar regisseur van data en agents
AI automatiseert steeds meer taken, maar betrouwbare data, vakkennis en menselijke controle bepalen of het resultaat ook bruikbaar en verantwoord is.
De nuttigste vraag is niet welke job AI volledig overneemt, maar welke taken veranderen en welke verantwoordelijkheid bij mensen blijft. Voor kenniswerk ontstaat een nieuw model: AI produceert en automatiseert, terwijl professionals doelen bepalen, data bewaken, uitzonderingen beoordelen en beslissingen verantwoorden.
Een job is meer dan een verzameling automatiseerbare taken
Generatieve AI kan teksten samenvatten, code voorstellen, gegevens classificeren en een analyse voorbereiden. Dat betekent nog niet dat een volledige functie verdwijnt. Volgens de ILO bevindt wereldwijd één op de vier werknemers zich in een beroep met enige blootstelling aan generatieve AI, maar is transformatie waarschijnlijker dan volledige vervanging. Een beroep combineert immers productie met context, overleg, uitzonderingen, verantwoordelijkheid en vertrouwen.
- Routinewerk kan sneller of grotendeels automatisch verlopen.
- Inhoudelijke keuzes en uitzonderingen blijven domeinkennis vragen.
- De impact verschilt sterk per taak, sector en kwaliteitseis.
De arbeidsmarkt wordt herschikt, niet eenvoudigweg kleiner
Het World Economic Forum verwacht tegen 2030 wereldwijd 170 miljoen nieuwe functies en 92 miljoen verdrongen functies door een combinatie van technologische, economische, demografische en ecologische veranderingen. Dat is geen voorspelling dat AI alleen netto 78 miljoen banen creëert. Het toont wel dat groei en afbouw tegelijk plaatsvinden: big-data-, AI- en softwareprofielen groeien snel, terwijl administratieve en andere sterk herhaalbare rollen onder druk staan.
- Automatisering verschuift werk tussen functies en sectoren.
- Nieuwe technologie creëert ook integratie-, controle- en beheertaken.
- Omscholing bepaalt mee wie van de productiviteitswinst profiteert.
Van chatbot naar agent: het verschil zit in de workflow
Een chatbot beantwoordt vooral een vraag. Een AI-agent kan een doel opsplitsen, hulpmiddelen gebruiken, databronnen raadplegen en meerdere stappen uitvoeren. Daardoor verschuift de mens van losse productie naar procesregie. De professional bepaalt wat een goed resultaat is, welke bronnen zijn toegestaan, wanneer de agent moet stoppen en welke handelingen altijd goedkeuring vragen.
- Leg doel, scope en acceptatiecriteria vooraf vast.
- Geef alleen toegang tot de minimaal benodigde gegevens en systemen.
- Bouw controlepunten in vóór onomkeerbare of externe acties.
AI maakt datakwaliteit zichtbaarder, niet minder belangrijk
Een overtuigend antwoord kan nog altijd op dubbele records, verouderde definities of een verkeerde koppeling steunen. Hoe krachtiger het model, hoe groter het risico dat slechte brondata professioneel verpakt worden. Een betrouwbare AI-workflow begint daarom bij dezelfde fundamenten als data engineering en Business Intelligence: herkomst, definities, datamodel, kwaliteitsregels, toegangsbeheer en actualiteit.
- Documenteer waar gegevens vandaan komen en wanneer ze zijn bijgewerkt.
- Maak definities van klanten, dossiers, locaties en KPI’s eenduidig.
- Meet ontbrekende waarden, dubbels, uitschieters en mislukte koppelingen.
Waarom GIS en locatie-intelligentie menselijke context vragen
Ruimtelijke analyses illustreren goed waarom AI niet zelfstandig gelijkstaat aan expertise. Een model kan een kaartlaag combineren of een query voorstellen, maar moet rekening houden met projecties, schaal, actualiteit, grenswijzigingen, ruimtelijke nauwkeurigheid en het verschil tussen nabijheid en causaliteit. Zonder die context kan een technisch correcte kaart toch een verkeerde beslissing ondersteunen.
- Controleer coördinatenstelsel, resolutie en geldigheidsperiode.
- Maak onzekerheid en ontbrekende dekking zichtbaar op de kaart.
- Laat domeinexperts betekenis geven aan gevonden patronen.
De developer schrijft minder blind, maar controleert meer
AI kan boilerplate, tests en documentatie versnellen. De schaarse vaardigheid verschuift daardoor van zoveel mogelijk regels code produceren naar het systeem als geheel begrijpen. Requirements, architectuur, beveiliging, databronnen, foutafhandeling en onderhoudbaarheid worden belangrijker. Wie gegenereerde code niet kan beoordelen, automatiseert vooral onbekende risico’s.
- Behandel AI-code als een voorstel, niet als bewijs van correctheid.
- Test gedrag, beveiliging en foutscenario’s onafhankelijk.
- Bewaar beslissingen en bronwijzigingen in versiebeheer.
De analist wordt bewaker van betekenis
Een dashboard laten genereren wordt eenvoudiger; bepalen welk cijfer betrouwbaar en relevant is niet. BI- en dataspecialisten moeten definities vastleggen, vergelijkingen verantwoorden en onzekerheid uitleggen. Een grafiek is pas waardevol wanneer duidelijk is welke beslissing ermee wordt ondersteund en welke conclusie de data niet toelaten.
- Koppel iedere KPI aan een definitie, bron en eigenaar.
- Scheid observatie, interpretatie en aanbeveling.
- Toon controles en uitzonderingen naast het eindcijfer.
AI-geletterdheid is inmiddels ook organisatiebeleid
AI leren gebruiken gaat verder dan prompts schrijven. Medewerkers moeten begrijpen welke systemen ze gebruiken, welke gegevens erin mogen, welke fouten mogelijk zijn en wanneer menselijke controle nodig is. De Europese AI Act verplicht aanbieders en gebruikers van AI-systemen maatregelen te nemen die AI-geletterdheid ondersteunen, afgestemd op kennis, ervaring en gebruikscontext. Dat vraagt geen magisch certificaat, maar wel aantoonbare afspraken en passende opleiding.
- Inventariseer welke AI-tools en gegevensstromen in gebruik zijn.
- Maak regels voor privacy, broncontrole en vertrouwelijke informatie.
- Train per rol: een marketeer, developer en beheerder lopen andere risico’s.
Een praktische invoeringsvolgorde voor KMO’s en organisaties
Begin niet met een autonome agent die meteen alle systemen mag aanpassen. Kies één afgebakend proces met meetbare winst en een herstelbare uitkomst. Bouw eerst inzicht in de gegevens en fouten op, automatiseer daarna de voorspelbare stappen en vergroot pas vervolgens de autonomie. Zo ontstaat bewijs in plaats van een demonstratie die alleen onder ideale omstandigheden werkt.
- Selecteer een terugkerende taak met duidelijke invoer en output.
- Meet eerst doorlooptijd, foutpercentage en uitzonderingen.
- Start met adviesmodus en menselijke goedkeuring.
- Log bronnen, acties, versies en correcties.
- Schaal alleen op wanneer kwaliteit en beheer aantoonbaar stabiel zijn.
De echte voorsprong is een betrouwbaar samenspel
Het IMF schat dat ongeveer 40% van de wereldwijde werkgelegenheid aan AI is blootgesteld, maar blootstelling kan zowel vervanging als productiviteitswinst betekenen. De toekomst draait daarom niet om mens tegen machine. Organisaties bouwen voordeel op wanneer ze AI combineren met betrouwbare data, vakkennis, heldere processen en controleerbare besluitvorming. De professional van de toekomst is niet alleen uitvoerder of promptschrijver, maar ontwerper en bewaker van dat samenspel.
- AI versnelt productie.
- Data bepaalt waarop het systeem steunt.
- Domeinkennis bepaalt wat het resultaat betekent.
- Menselijke controle bepaalt of handelen verantwoord is.
Bronnen
- The Future of Jobs Report 2025 — Jobs outlook — World Economic Forum
- Generative AI and jobs: A 2025 update — International Labour Organization
- Gen-AI: Artificial Intelligence and the Future of Work — International Monetary Fund
- AI talent, skills and literacy — European Commission
Arnout Verhoeve
GIS-deskundige, data engineer en webdeveloper met meer dan vijftien jaar ervaring in geodata, databanken en webtechnologie.
Lees het profiel →