AI als kennisvampier

*Lees hier het eerste artikel uit deze serie: AI verzet begint niet bij het systeem, maar bij het mandaat.

*De meest onderschatte grondstof van AI is niet data in het algemeen, maar de kennis van mensen die ermee werken. AI is een IP-vampier.

Een ervaren medewerker opent een nieuwe AI analyse en ziet meteen wat er mist. Het is subtiel, het is iets kleins. Misschien maar een woord. Maar de medewerker spot het meteen, en corrigeert dat. De AI kijkt mee en leert.

Voor de organisatie heet dit adoptie en het is winst in termen van effectiviteit. Voor de leverancier heet het feedback. Voor het model is het trainingsmateriaal. Maar voor de medewerker gaat hetzelfde proces na verloop van tijd een andere betekenis krijgen. Iedere correctie maakt niet alleen de huidige applicatie beter, zij maakt ook de medewerker minder nodig. En daar moeten we het over hebben. Want van wie is de productiviteitswinst die ontstaat wanneer menselijke ervaring wordt omgezet in machinekapitaal?

Van arbeid naar kapitaal

In de economie wordt vaak onderscheid gemaakt tussen het deel van de opbrengst dat naar arbeid gaat en het deel dat naar kapitaal gaat. Lonen behoren tot de arbeidsinkomensquote. Rendement op machines, infrastructuur en eigendom behoort tot het kapitaalaandeel en dus van de organisatie. Dat klinkt als een klassieke verdelingsvraag, maar AI maakt haar actueel en veel complexer.

AI zorgt namelijk voor een merkwaardige omzetting van waarde. Kennis die jarenlang in mensen, teams en beroepspraktijken zat, kan worden vastgelegd in prompts, datasets, evaluaties, workflows en modellen. Wat gisteren nog menselijke ervaring was, verschijnt morgen als schaalbare technologie. En niet alleen bij jou, maar ook bij je concurrentie!

In een recente podcast van Dwarkesh met economen Alex Imas en Phil Trammell draaide de discussie om de vraag wat schaars blijft wanneer steeds meer productie kan worden geautomatiseerd. Misschien blijft menselijke aanwezigheid waardevol in mens-georiënteerde sectoren: zorg, onderwijs en dienstverlening. Sectoren waarin het ertoe doet dat een mens aanwezig is. Maar zelfs dan blijft de verdelingsvraag bestaan. Wie bezit de toenemende kennis in de AI-systemen die de rest van de taken uitvoeren? En welk deel van de gecreëerde waarde vloeit terug naar de mensen wier kennis die systemen mogelijk maakte? Welk deel gaat naar de organisatie? En zijn we er oké mee dat er ook waarde naar de AI founders terugvloeit?

Als medewerkers voorbeelden labelen, fouten corrigeren, uitzonderingen uitleggen en succesvolle werkwijzen vastleggen, dragen zij bij aan de opbouw van organisatorisch AI-kapitaal. Toch worden zij beloond alsof zij uitsluitend hun gewone werk uitvoeren. Sterker nog, door de afnemende waarde van hun kennis, lopen ze een reëel risico dat hun beloning zal afnemen. De extra waarde van hun correcties verdwijnt in het systeem. Het model wordt beter. De organisatie wordt productiever. De medewerker verliest functie-inhoud en compensatie.

AI is een kennisvampier.

De extractie van vakmanschap

Organisaties spreken graag over kennisborging. Dat klinkt verstandig. Ervaren medewerkers vertrekken, teams wisselen en cruciale informatie mag niet bij één persoon blijven. Dus leg je kennis vast. Maar zoals hierboven al besproken werd, kan AI-borging langzaam veranderen in kennisextractie.

Vakmanschap bestaat namelijk niet alleen uit feiten en antwoorden. Het bestaat ook uit twijfel, gevoel voor timing, instinct voor uitzonderingen en aanvoelen welke schade een formeel correct besluit kan veroorzaken. Veel van die kennis is impliciet, maar zij wordt kopieerbaar wanneer een professional een AI-uitkomst corrigeert.

Dat is waarom die correcties (het proces, niet de inhoudelijke correctie) zo waardevol zijn. Zij laten zien waar de basisuitvoering van het werk tekortschiet. Een organisatie die door middel van een AI model al die correcties verzamelt, vraagt medewerkers feitelijk om hun eigen vervangbaarheid te vergroten.

In de meeste gevallen is dat overigens geen opzet van de organisatie. Het kan ontstaan uit tientallen rationele besluiten: meer feedback verzamelen, workflows standaardiseren, output meten en het model steeds verder integreren. Toch is er een wezenlijk risico dat de optelsom feitelijk neerkomt op onteigening. En dat levert weerstand op.

Niet omdat werknemers tegen kennisdeling zijn, maar omdat kennisdeling altijd onderdeel was van een wederkerige arbeidsrelatie.

De medewerker droeg ervaring over aan collega’s en nieuwe generaties, en ontving daarvoor erkenning, beloning en invloed. Wanneer diezelfde ervaring in een systeem verdwijnt dat eigendom is van de werkgever of leverancier, verandert de richting van die overdracht. Kennis stroomt nog wel van medewerker naar organisatie, maar dat is niet langer wederkerig. Het bestaande sociale contract wordt daarmee verbroken. Zie ook mijn essays over Rousseau en het AI convenant.

De reactie van schrijvers en acteurs

Recente stakingen van Amerikaanse schrijvers en acteurs maakten deze spanning zichtbaar. Voor schrijvers was de vraag niet alleen of AI goede scripts kan maken. Het ging erom of eerder menselijk werk als grondstof kon worden gebruikt voor die scripts. Het ging om de vraag of AI-output als bronmateriaal kon worden opgelegd en of producenten de rol van de schrijver konden herdefiniëren zonder nieuwe afspraken te maken met het schrijversgilde.

Voor acteurs ging het om hun stem, gezicht, beweging en digitale replica’s van hun acteerwerk. Een opname op de set vandaag kon morgen een potentieel productiemiddel voor de studio worden. De vakbonden maakten daarom expliciete toestemming, vergoeding en begrenzing van het gebruik onderdeel van nieuwe contracten.

Hun verzet was geen afwijzing van de technologie zelf, het was een weigering om persoonlijke en professionele identiteit kosteloos te laten omzetten in onbeperkt reproduceerbaar kapitaal.

Diezelfde logica zien we nu buiten Hollywood. Een journalist ziet zijn naam boven een AI-tekst. Een beveiligingsspecialist gebruikt scripts die later *as a service *worden aangeboden aan klanten. Een verpleegkundige registreert in een systeem welke patiëntsignalen er werkelijk toe doen.

Natuurlijk, de schaal verschilt. De impact eveneens. Maar de institutionele vraag is dezelfde: onder welk mandaat wordt menselijke kennis en IP omgezet in een asset dat ook ter vervanging van de medewerker zelf kan worden ingezet?

Wanneer kennisdeling stokt

Managers verwachten vaak dat medewerkers enthousiast zullen meewerken aan AI-transformatie. Dat is niet onredelijk, want AI kan saai werk verminderen en professionals tijd teruggeven. Maar medewerking zou moeten zijn gestoeld op wederkerigheid. Zodra werknemers vermoeden dat openheid hun eigen positie verzwakt, verandert hun gedrag. Ze stoppen met meewerken. Ze gaan gatekeepen. Zij leggen bijvoorbeeld minder uitzonderingen vast of corrigeren alleen wat nodig is om de taak af te ronden, niet wat nodig is om het systeem fundamenteel beter te maken.

Vanuit managementperspectief lijkt dat weerstand tegen innovatie. Vanuit werknemersperspectief is het rationele zelfbescherming. En dat is natuurlijk niet gek. Van een workforce die zich misleid voelt, kan niet worden verwacht dat ze enthousiaste medebouwers worden van de AI-organisatie die van ze steelt.

De gebroken leerlijn

Er is nog een tweede probleem. AI automatiseert vaak eerst het voorbereidende werk. Het werk van junior medewerkers: onderzoek, eerste versies, documentatie, analyse en routinecontrole. Dat lijkt efficiënt, maar juist via dat soort werk leren beginners het vak en ontstaat de routine en ervaring die steeds belangrijker wordt.

Wie niet eerst honderd dossiers heeft doorgeworsteld, herkent het honderd-en-eerste incomplete dossier namelijk niet. Wie nooit een eerste versie van een rapport heeft geschreven, leert niet herkennen wanneer een -op zichzelf overtuigend geformuleerde- tekst inhoudelijk tekortschiet. En wie nooit fouten heeft gemaakt onder begeleiding, kan later geen verantwoordelijkheid dragen voor complexe beslissingen.

Ervaring doet er toe.

De conclusie is dat wanneer AI de onderste sporten van de ladder wegzaagt, de organisatie misschien op korte termijn productiever wordt, maar op lange termijn onbekwamer zal worden. Zij oogst het vakmanschap van de huidige generatie, zonder het leermodel te bewaren waarlangs de volgende generatie datzelfde vakmanschap kan ontwikkelen.

Een covenant over kennis

Daarom moet een AI-covenant ook een kenniscontract zijn. Het moet duidelijk maken welke bijdragen worden vastgelegd, wie toegang krijgt tot de opgebouwde kennis en wat er mee gebeurt. Medewerkers moeten weten wanneer zij gewoon hun werk doen en wanneer zij feitelijk een systeem trainen.

Daar horen ook afspraken over opbrengst bij. Dat kan via tijdswinst die werkelijk aan medewerkers terugvalt, opleidingsbudgetten, winstdeling, functieontwikkeling of andere vormen van gedeeld voordeel. Niet iedere prompt hoeft apart te worden vergoed. Maar een structurele verschuiving van arbeid naar kapitaal kan niet geloofwaardig worden gelegitimeerd als alleen de eigenaar van het kapitaal profiteert.

Ook de organisatorische leerlijn moet beschermd worden. Organisaties moeten vastleggen welke taken bewust menselijk blijven zodat zij kunnen worden gebruikt om de volgende generatie senioren op te leiden. AI mag beginners ondersteunen, maar mag niet alle oefenruimte wegnemen. Efficiëntie zonder reproductie van vakmanschap is interen op institutioneel vermogen!

Ten slotte moet er een grens zijn aan gebruik van die kennis tegen de medewerker zelf. Kennis die wordt geoogst om een proces veiliger of beter te maken, mag niet stilzwijgend gebruikt worden als bewijs dat de medewerker die dat proces uitvoerde kan verdwijnen. Als dat wel het doel is, moet de organisatie dat vooraf zeggen en transparant onderhandelen over transitie, scholing en verdeling.

De echte adoptievraag

De belangrijkste vraag in organisaties lijkt momenteel te zijn: hoe krijgen we medewerkers zover dat zij AI (goed) gaan gebruiken? Dat is niet de juiste vraag. Althans: niet de eerste vraag. De eerste vraag hoort te zijn: welke afspraak maakt het voor medewerkers acceptabel en legitiem om hun beste kennis met het systeem te delen?

Zonder antwoord ontstaat een giftige paradox: hoe beter de werknemer meewerkt, hoe beter het systeem wordt. Hoe beter het systeem wordt, hoe onzekerder de positie van de werknemer wordt. Wie die paradox negeert, plant gelijk een zaadje van wantrouwen in het hart van de gewenste adoptie.

In tegenstelling tot wat veel managers lijken te denken, zijn mensen prima bereid technologie te omarmen. Zij zijn bereid daarmee processen te verbeteren. Zij zijn vaak zelfs bereid hun functie ingrijpend te veranderen. Maar weinig mensen zullen vrijwillig meewerken aan een systeem dat hun kennis en ervaring afvang en in ruil daarvoor beloning, positie en zeggenschap inperkt.

De toekomst van AI op de werkvloer hangt daarom niet alleen af van modelkeuze of adoptie of leveranciersselectie. Zij hangt af van de vraag of organisaties een nieuwe vorm van wederkerigheid kunnen afspreken met hun medewerkers. Een nieuw sociaal contract.

Bronnen en verder lezen

Dwarkesh Podcast - Alex Imas and Phil Trammell: What remains scarce after AGI?

Writers Guild of America - Artificial intelligence: know your rights

SAG-AFTRA - Artificial intelligence resources

OECD - The impact of AI on the workplace: evidence from case studies

---

Dit artikel verscheen oorspronkelijk in The IC Institute op Substack.