AI belooft snelheid. Het cruciale punt is te begrijpen wat je precies versnelt. In een onderzoek dat in 2025 door Polytechnique Insights werd gepubliceerd, bleek dat degenen die ChatGPT gebruikten om een essay te schrijven 60% sneller waren, maar ook 32% minder cognitieve belasting ervoeren; bovendien kon 83% zich een zojuist geschreven passage niet herinneren, zo blijkt uit de analyse van Polytechnique Insights. Voor een bedrijf is dit geen academisch detail. Het is een operationeel signaal.
Wanneer een team AI gebruikt om rapporten, samenvattingen, voorspellingen of uitleg te genereren, kan de efficiëntie snel toenemen. Maar als het gebruik passief wordt, verdwijnt het cognitieve werk niet. Het verschuift. Mensen doen minder zelfstandig analysewerk, minder controlewerk en bouwen minder eigen argumentaties op. Het risico is niet dat we 'minder intelligent worden'. Het risico is dat we juist de vaardigheden verliezen die nodig zijn wanneer de automatische output dubbelzinnig, onvolledig of simpelweg fout is.
Daarom is het thema ‘verlies van kritisch denkvermogen door AI’ vooral van belang voor het MKB, data-analyseteams, de detailhandel, de financiële sector en operationele afdelingen. Het is niet nodig om AI op te geven. Het gaat erom workflows te ontwerpen waarin het menselijk oordeel een rol blijft spelen. Daar ligt het echte concurrentievoordeel.
De invoering van AI binnen een bedrijf wordt vaak voorgesteld als een puur verhaal over productiviteit: meer snelheid, minder handmatig werk, meer automatisering. Dat klopt maar gedeeltelijk. De belangrijkste vraag is een andere: als AI het denkwerk van het team overneemt, wat blijft er dan werkelijk over binnen de organisatie?
Voor een Italiaanse kmo is deze vraag belangrijker dan ze op het eerste gezicht lijkt. Rapportage, prognoses, classificatie, besluitvormingsondersteuning en samenvattende analyses zijn taken die steeds vaker aan generatieve systemen worden overgelaten. Op korte termijn lijkt het resultaat positief. Op middellange termijn kan er echter een minder zichtbare prijs aan verbonden zijn: het verlies van autonomie bij het begrijpen, toetsen en verdedigen van een beslissing.
Het themavan de ‘atrofie van kritisch denkvermogen door AI’ moet als volgt worden geïnterpreteerd: niet als een kruistocht tegen technologie, maar als een uitdaging op het gebied van organisatieontwerp. De meest volwassen bedrijven zijn niet de bedrijven die alles automatiseren, maar de bedrijven die nauwkeurig onderscheid maken tussen het gebruik van AI dat competenties versterkt en het gebruik van AI dat deze vervangt.
Een deel van het risico van AI komt niet voort uit spectaculaire fouten. Het komt voort uit processen die zo goed functioneren dat ze niet meer in twijfel worden getrokken.
De door AI veroorzaakte achteruitgang van het kritisch denkvermogen beschrijft precies dit: een selectieve verzwakking van vaardigheden die alleen sterk blijven als ze voortdurend worden geoefend. We hebben het hier niet over een algemene afname van intelligentie. We hebben het over zeer specifieke vaardigheden die cruciaal zijn voor management- en analytisch werk: hypothesen formuleren, alternatieve verklaringen vergelijken, inconsistenties opsporen en een conclusie verdedigen wanneer de gegevens onvolledig of dubbelzinnig zijn.
Voor een mkb-bedrijf is de relevante vraag niet of AI tijd bespaart. De relevante vraag is meer operationeel van aard: wordt de bespaarde tijd geïnvesteerd in een beter beoordelingsproces, of wordt dat beoordelingsproces helemaal overgeslagen?
Hier ligt de grens die er voor het bedrijf echt toe doet. Een financieel team dat AI gebruikt om gegevens op te schonen, categorieën te ordenen of notulen samen te vatten, schrapt daarmee taken met een lage cognitieve waarde. Een team dat AI vraagt om afwijkingen te interpreteren, risico’s in te schatten en een definitief besluit voor te stellen, draagt daarentegen juist het deel van het werk dat interne expertise opbouwt over aan de machine.
Het gaat dus niet om de vraag ‘wel of geen AI’. Het gaat om ondersteunend gebruik versus vervangend gebruik.
Dit verschil lijkt alleen op papier subtiel. In de praktijk verandert wat de organisatie zelfstandig kan doen.
Atrofie ontstaat niet doordat een team vaak de AI gebruikt. Het ontstaat wanneer het team stopt met het uitvoeren van de tussenliggende mentale stappen.
Als elke analyse al geordend, van commentaar voorzien en geprioriteerd wordt aangeleverd, ziet de persoon weliswaar het resultaat, maar oefent hij of zij minder in het proces dat tot dat resultaat leidt. Na verloop van tijd worden bepaalde handelingen die een oordeel betrouwbaar maken, minder geoefend: een probleem ontleden, signaal en ruis onderscheiden, tegenbewijzen zoeken, afwegingen maken tussen onvolmaakte opties.
Het risico zit hem dus niet in het automatische antwoord op zich. Het risico schuilt in een werkwijze waarbij het team gewend raakt om goedkeuringen te geven zonder de redenering daarachter te herzien.
De juiste vraag voor het management is simpel: wie is er binnen dit proces nog steeds genoodzaakt om een onafhankelijk oordeel te vormen alvorens de output goed te keuren?
Het passieve gebruik van AI heeft niet op alle vaardigheden dezelfde invloed. De vaardigheden die als eerste achteruitgaan, zijn die welke cognitieve inspanning vergen, dat wil zeggen langzaam, vergelijkend en controleerbaar denkwerk.
Het gaat er niet om AI af te schaffen. Het gaat erom te voorkomen dat juist dat deel van het werk wordt weggenomen waarin het team moet twijfelen, vergelijken en controleren.
Het meest relevante onderzoek van dit moment dient niet om de simplistische stelling te ondersteunen dat AI mensen ‘dommer maakt’. Het dient juist om een concreter risico te verduidelijken voor degenen die leiding geven aan mensen en processen: naarmate cognitieve automatisering toeneemt, heeft een deel van de gebruikers de neiging om niet alleen de uitvoering, maar ook de kwaliteitscontrole aan het systeem over te laten.
Een voorbeeld dat in dit debat vaak wordt aangehaald, is het artikel van Microsoft Research over de relatie tussen GenAI en kritisch denken, waarin wordt onderzocht hoe veelvuldig gebruik van generatieve tools gepaard gaat met een afname van kritisch denkvermogen bij bepaalde kennisintensieve activiteiten. Wat voor een manager interessant is, is niet de statistische formule op zich, maar het organisatorische mechanisme dat hieruit naar voren komt: hoe plausibeler het antwoord van het systeem is, hoe gemakkelijker het wordt om plausibiliteit voor betrouwbaarheid te houden.
Dit verandert de aard van de vereiste vaardigheden. De waarde ligt niet langer bij degene die sneller een resultaat levert, maar bij degene die de aannames, beperkingen en gebruiksvoorwaarden ervan kan toetsen. Voor het bedrijfsleven is er echter nog een ander, belangrijker punt. De invoering van AI kan op korte termijn de productiviteit verhogen, maar op middellange termijn het diagnostisch vermogen verminderen, als de workflow geen expliciete controlemomenten bevat.
Daarom gaat de meest zinvolle discussie niet alleen over de kracht van het model, maar ook over de schijn van redeneren in de wereld van de AI. Een overtuigende output kan op denken lijken. In veel gevallen is het echter slechts een goede taalkundige samenvatting van reeds bekende patronen.
Een proces draagt bij aan het versterken van de deskundigheid wanneer de AI een resultaat levert, maar de persoon nog steeds de aannames moet verwoorden, relevante uitzonderingen moet controleren, ten minste één alternatief moet vergelijken en de uiteindelijke keuze moet motiveren.
Een proces kost vaak veel tijd wanneer iemand het doorneemt, bijwerkt en goedkeurt.
Daar zit het verschil. Niet in het instrument, maar in de opzet van het werk.
Een goed opgezet MKB-bedrijf gebruikt AI om de kwaliteit van het oordeel te verbeteren, niet om het oordeel zelf overboord te gooien.
Voor een mkb-bedrijf is risico zelden een theoretisch probleem. Het komt tot uiting in een te overhaast genomen besluit, een prognose waar niemand kritische vragen bij stelt, of een dashboard dat het budget bepaalt zonder dat er echt wordt gesproken over uitzonderingen. De prijs die hiervoor betaald wordt, is niet alleen een enkele fout. Het is een geleidelijk verlies van het vermogen van het team om te begrijpen waarom een besluit juist, kwetsbaar of verkeerd is.
Het cruciale punt is dit: AI tast vaardigheden niet overal in gelijke mate aan. Ze versterkt ze wanneer ze de analyse versnelt en daarbij hypothesen, beperkingen en alternatieven zichtbaar houdt. Ze holt ze uit wanneer ze een kant-en-klare conclusie levert en het werk van de mens zich beperkt tot het goedkeuren, bijschaven en doorsturen ervan.
Een e-commerceverantwoordelijke ontvangt een verkoopprognose die door een AI-systeem is gegenereerd. Het eindcijfer lijkt in lijn te liggen met de recente trend en wordt daarom gebruikt voor het plannen van nabestellingen, promoties en de toewijzing van het mediabudget. Het probleem komt pas later aan het licht. Het model had een tijdelijke piek meegenomen die het gevolg was van een niet-herhaalbare campagne, of had de mix van kanalen, marges en de omloopsnelheid van bepaalde categorieën verkeerd geïnterpreteerd.
In dergelijke gevallen faalt het team niet door een gebrek aan voorbereiding. Het faalt omdat het proces meer waarde hecht aan de snelheid van goedkeuring dan aan de kwaliteit van de beoordeling.
De operationele gevolgen zijn onmiddellijk merkbaar:
Voor een grote onderneming zijn deze fouten op te vangen. Voor een mkb-bedrijf kunnen ze in één kwartaal al een negatieve invloed hebben op de kasstroom, de marge en het reactievermogen.
Op het gebied van financiële en risicorapportage ligt het probleem iets genuanceerder. Een analist gebruikt een door AI aangestuurd rapport om een nalevingscontrole of een risicosamenvatting op te stellen. Het document wijst op patronen, uitzonderingen en prioriteiten. De analist controleert snel de vorm, de woordkeuze en de schijnbare samenhang, en geeft het materiaal vervolgens door aan de verantwoordelijke.
Het risico betreft niet alleen de nauwkeurigheid van de gegevens. Het gaat om de hiërarchie van de aandacht. Als de output van het model al bepaalt wat relevant is, heeft de lezer de neiging om beter te letten op wat is gemarkeerd en minder op wat buiten beschouwing is gelaten. De duurste uitzonderingen zijn in veel processen juist die welke buiten het dominante patroon vallen.
Een analyse vanhet IE Center for Health and Well-being over de cognitieve effecten van AI wijst op een belangrijk punt voor de bedrijfswereld: veelvuldig gebruik van AI zonder context en toezicht kan het kritisch denken verminderen en de afhankelijkheid van cognitieve snelkoppelingen, zoals automatiseringsvertekening en passieve acceptatie van de output, vergroten. Daarom zijn bij processen met grote impact stappen nodig waarbij mensen grondig controleren, en interfaces die bronnen, betrouwbaarheidsniveaus en onzekere punten zichtbaar maken.
Als een systeem op een overzichtelijke manier redeneert, hoeft het team niet langer te zoeken naar wat er niet in staat.
Managers kunnen het probleem herkennen voordat het een structureel probleem wordt. De meest nuttige signalen zijn niet van technische aard, maar hebben te maken met gedrag.
Hier speelt een belangrijk deel van het concurrentievermogen van het MKB. Een volwassen toepassing van AI bestaat niet uit het automatiseren van zoveel mogelijk stappen. Het gaat erom de stappen te scheiden waarbij de machine de analyse versnelt, van die waarbij de mens verantwoordelijk moet blijven voor twijfel, interpretatie en besluitvorming. Een nuttig referentiepunt op organisatorisch vlak is de bijdrage van ELECTE over het samenstellen van teams die floreren met door kunstmatige intelligentie versterkte workflows.
Effectieve risicobeperking begint bij een managementbeslissing. Het doel is niet om het aantal taken dat aan AI wordt toevertrouwd te vergroten, maar om de punten in het proces te beschermen waar het oordeel wordt gevormd. Bij kleine en middelgrote ondernemingen is het echte risico niet dat er te veel gebruik wordt gemaakt van AI. Het risico is dat AI in de verkeerde fasen wordt ingezet, waardoor bekwame mensen worden gereduceerd tot louter validatoren van output.
Een nuttige strategie maakt daarom onderscheid tussen twee zeer verschillende toepassingen. De eerste verhoogt de snelheid zonder dat dit ten koste gaat van de kwaliteit van het redeneren. De tweede vermindert de cognitieve belasting op korte termijn, maar verzwakt het vermogen van het team om dubbelzinnige gevallen, uitzonderingen en afwegingen te analyseren. Daarom is de juiste vraag niet: „Waar kunnen we automatiseren?“, maar: „In welke stappen verbetert automatisering het werk zonder dat dit ten koste gaat van de deskundigheid?“
Eerste pijler: beleid voor verantwoord gebruik
Een degelijk beleid legt duidelijke verantwoordelijkheden vast. Het moet aangeven welke beslissingen door AI kunnen worden ondersteund, welke een grondige herziening vereisen en welke helemaal niet mogen worden gedelegeerd. Het is ook raadzaam om minimale traceerbaarheidseisen vast te leggen: gebruikte aannames, ontbrekende gegevens, uitgevoerde controles en de naam van degene die de uiteindelijke beslissing neemt. Op die manier blijft de controle niet impliciet.
Tweede pijler: herontwerp van de workflows
Hier wordt bepaald of de AI het team versterkt of juist verzwakt. Een goed ontworpen workflow gebruikt het systeem om opties te genereren, afwijkingen te signaleren, scenario’s te simuleren en de oorspronkelijke aannames op de proef te stellen. Een slecht ontworpen workflow daarentegen vraagt direct om een kant-en-klare conclusie. Het operationele verschil is duidelijk: in het eerste geval moet de medewerker interpreteren; in het tweede geval hoeft hij alleen maar goed te keuren.
Derde pijler: op beoordeling gerichte opleiding
Het volstaat niet om mensen alleen te leren hoe ze het instrument moeten gebruiken. Het team moet worden getraind in het controleren van de geldigheidsvoorwaarden, de beperkingen van het model, tegenstrijdigheden met interne gegevens en alternatieve verklaringen. Voor juniorfuncties geldt dit des te meer. Een nuttige aanpak is het inbouwen van momenten van ontdekkend leren in de werkprocessen, waarbij de medewerker eerst zelfstandig tot een eerste interpretatie komt voordat hij of zij het systeem raadpleegt.
Vierde pijler: monitoring van het besluitvormingsgedrag
Productiviteitscijfers alleen zijn niet voldoende. Als een team sneller levert maar minder eigen hypothesen formuleert, is de verbetering slechts schijn. Managers zouden naar concrete indicatoren moeten kijken: het aantal besproken alternatieve scenario’s, de kwaliteit van de uitleg, de frequentie van gemotiveerde bezwaren tegen de AI-output en het vermogen om uitzonderingen zonder hulp te herkennen.
Het meest delicate punt betreft degenen die nog bezig zijn hun eigen werkwijze te ontwikkelen. Bij een ervaren professional past AI zich meestal in op reeds gevormde cognitieve structuren. Bij een junior kan AI die ruimte innemen nog voordat de persoonlijke werkwijze zich heeft gevestigd.
Dit verandert de manier waarop een kmo onboarding, begeleiding en beoordeling zou moeten organiseren. Als de nieuwe medewerker AI gebruikt om te snel kant-en-klare antwoorden te geven, ziet de manager weliswaar een hoge uitvoeringssnelheid, maar verliest hij het inzicht in het onderliggende denkproces. Dit is niet alleen een opleidingsrisico, maar ook een operationeel risico. Na enkele maanden kan het team te maken krijgen met mensen die in standaardcontexten acceptabele resultaten leveren, maar moeite hebben zodra het probleem afwijkt van het standaardpatroon.
Om dit risico te beperken, is het raadzaam eenvoudige en controleerbare regels in te voeren:
Een volwassen organisatie kijkt niet alleen naar hoe snel een junior zijn werk aflevert. Ze kijkt of hij vaardigheden opbouwt die ook van pas blijven komen wanneer de automatische output onjuist, onvolledig of misleidend is.
De kwaliteit van een AI-workflow hangt af van een ontwerpkeuze: wordt het systeem gebruikt om een definitief antwoord te genereren, of om de kwaliteit van het menselijk oordeel te verbeteren? Voor een mkb-bedrijf is dit onderscheid belangrijker dan de gekozen tool, omdat het bepaalt of het team meer expertise opbouwt of juist afhankelijk wordt.
In het debat over AI is het operationele aspect vaak het minst begrepen punt. Het risico komt niet voort uit automatisering op zich. Het ontstaat op het moment dat iemand ophoudt met het formuleren van hypothesen, het afwegen van alternatieven en het toetsen van aannames, omdat het systeem de conclusie al heeft geformuleerd. De bijdrage van ANSI over de relatie tussen AI en kritisch denken wijst juist op dit cruciale punt: het effect van AI hangt af van de manier waarop het in het besluitvormingsproces wordt ingezet.
Daarom is de relevante categorie voor een goed ontwerp van de processtromen niet ‘AI aanwezig’ of ‘AI afwezig’. Het is ‘ondersteunend gebruik’ versus ‘vervangend gebruik’.
| Activiteiten | Risicovolle workflow (vervangend gebruik) | Versterkende workflow (begeleid gebruik) |
|---|---|---|
| Marketinganalyse | De AI stelt het eindrapport van de campagne op en de marketeer controleert alleen de toon en de vorm | AI signaleert afwijkingen, onverwachte clusters en mogelijke hypothesen. De marketeer controleert, interpreteert en trekt conclusies |
| Prognose voor de toeleveringsketen | Het systeem genereert een voorstel voor een herschikking dat klaar is voor goedkeuring | Het systeem simuleert verschillende scenario's. De verantwoordelijke vergelijkt kosten, beperkingen en de kans op voorraadtekorten |
| Managementrapportage | De AI stelt een samenvatting op voor het management | De AI stelt een concept op waarin aannames en onduidelijke punten worden toegelicht. De manager bevestigt, corrigeert of verwerpt dit |
| Operationele probleemoplossing | De gebruiker vraagt om de beste oplossing | De gebruiker vraagt om opties, afwegingen, uitzonderingen en controles die moeten worden uitgevoerd voordat een beslissing wordt genomen |
Het verschil lijkt klein. Wat de bevoegdheden betreft, is dat echter niet zo.
Een marketinganalist die van de AI een bijna voltooid rapport ontvangt, werkt sneller, maar traint het onderdeel dat op de lange termijn waarde creëert nauwelijks: namelijk het achterhalen of een daling in de conversie te wijten is aan targeting, creativiteit, seizoensinvloeden of de kwaliteit van de leads. Als hij de AI daarentegen gebruikt om afwijkende patronen, te isoleren segmenten en ontbrekende gegevens aan het licht te brengen, wordt het systeem een versneller van de analyse, en geen vervanging voor het eigen denkwerk.
Hetzelfde geldt voor de toeleveringsketen. Een manager die een aannemelijk maar ondoorzichtig voorstel voor een nieuwe bestelling goedkeurt, loopt het risico te laat te ontdekken dat in het model geen rekening is gehouden met een reële beperking, zoals een onstabiele doorlooptijd of een aanstaande commerciële actie. Een goed ontworpen workflow maakt gebruik van AI om scenario’s te genereren, niet om de beslissing definitief te maken. Menselijk werk richt zich op prioriteiten, uitzonderingen en operationele risico’s.
Hier komt een managementcriterium naar voren waarover weinig wordt gesproken. Een goede workflow verkort niet alleen de uitvoeringstijd. Hij houdt ook zichtbaar waar het oordeel ontstaat.
Drie principes helpen bij het opzetten van dit soort processen:
Voor teams die willen groeien zonder AI tot een cognitieve snelkoppeling te maken, loont het de moeite om terug te grijpen naar de principesvan het leren door ontdekking. Toegepast op bedrijfsworkflows betekent dit dat interacties zo moeten worden ontworpen dat het systeem het scala aan vragen en controles juist verbreedt, in plaats van het te vroeg af te sluiten.
Nu we zover zijn, is de koers duidelijk. Je hoeft niet te kiezen tussen productiviteit en denkvermogen. Je moet een systeem ontwerpen waarin productiviteit je innerlijke oordeelsvermogen niet stilletjes ondermijnt.
Breng in kaart bij welke taken het team te snel taken delegeert
Bekijk rapporten, prognoses, samenvattingen en classificaties. Vraag jezelf af waar de AI al het definitieve antwoord geeft en waar ze het denkproces nog ondersteunt.
Classificeer workflows op basis van hun invloed op de besluitvorming
Activiteiten met een grote impact moeten worden voorzien van een expliciete menselijke controle, een vergelijking met interne benchmarks en een overzicht van de aannames.
Herformuleer de prompts en verzoeken v
. In plaats van te vragen „geef me de conclusie”, vraag je „toon me drie hypothesen”, „signaleer afwijkingen”, „geef aan wat er ontbreekt”, „stel alternatieve scenario’s voor”.
Leer het team om uit te leggen waarom
Elk belangrijk resultaat moet mondeling kunnen worden verdedigd door degene die het presenteert. Als dat niet gebeurt, creëert het proces afhankelijkheid.
Bescherm het traject van de juniorprofielen
Voor de jongsten moet AI op een meer gestructureerde manier worden ingezet. Minder directe vervanging, meer begeleide oefeningen op het gebied van toetsing, vergelijking en argumentatie.
Beloon gerechtvaardigde twijfel
Als een organisatie alleen snelheid en oplevering beloont, zal het team AI gebruiken om het werk af te ronden. Als ook de kwaliteit van de interpretatie wordt beloond, zal dat tot heel ander gedrag leiden.
Een bedrijf dat AI op de juiste manier inzet, creëert geen afhankelijkheid. Het zorgt ervoor dat mensen beter, sneller en met meer context kunnen redeneren. Dat is het verschil tussen kwetsbare automatisering en een duurzaam concurrentievoordeel.
Als je AI wilt gebruiken om besluitvorming te versnellen zonder in te boeten aan transparantie en analytisch vermogen, kun je ontdekken hoe ELECTE, een door AI aangestuurd data-analyseplatform voor het MKB, teams helpt om ruwe data om te zetten in begrijpelijke, verifieerbare en bruikbare inzichten. Voor wie wil groeien zonder het oordeel aan de machine over te laten, is dit een goed startpunt.
.svg)
.svg)
.svg)
