English version; scroll down

Vroeger begon bijna elke carrière op de werkvloer. Je deed mee in het arbeidsproces: je timmerde, je leegde po’s, je vulde vakken of je poetste de ramen. En na verloop van tijd, als je het werk begreep, meer ervaring kreeg of goed kon regelen en organiseren, steeg je op de ervaringsladder. Het oude gildesysteem van leerling, gezel en uiteindelijk meester.

Met de invoering van het hoger beroepsonderwijs deed je als leerling nog wel stages, maar echt onderaan meedoen op de werkvloer werd moeilijker. En als je als afgestudeerde de organisatie binnenkwam, was die werkvloer eigenlijk al niet meer beschikbaar om praktische ervaring op te doen. Je was een zij-instromer die door je opleiding de basistraining kon overslaan. Enerzijds heel efficiënt, anderzijds een verarming van ervaringsopbouw en begrip voor de organisatie.

Van junior naar senior – en toen naar de machine

Vroeger werkten we ons op van junior naar senior naar leidend. Daarna stroomden we praktisch hoger geschoold zijdelings in. Nu geven we het juniorwerk zelfs aan de machine en beginnen we allemaal aan de kant van het organiseren en oordelen.

Het ging destijds niet primair om het leren dóén van het werk, maar om kalibratie. Een planner die nooit honderd ladingen heeft geladen en uitgeladen, weet niet dat elke levering anders kan zijn. Een casemanager die nooit honderd samenvattingen met de hand heeft geschreven, merkt niet dat de AI precies datgene heeft weggelaten wat ertoe deed. Want weten wat ertoe doet, leer je door die samenvattingen zelf te maken. Door fouten te maken die nog weinig kosten. Door te zien wat er gebeurt als je iets over het hoofd ziet.

Meesterschap is zien of iets deugt

Dat leerlingschap paste naadloos in de oude gildencultuur van leerling, gezel en meester. In die wereld bleven heel veel mensen hun hele leven gezel. Een prima volwassen beroep van uitvoering en vakmanschap. Meesterschap was geen automatisme, maar een zeldzaam bereik van uitzonderlijk vakmanschap.

En precies dat vakmanschap geldt nog steeds, ook in de wereld van AI. Meesterschap is niet het bezit van een tool, maar het vermogen om te zien of het resultaat deugt. Als de leerling – en wellicht zelfs de gezel – wordt vervangen door een AI-robot, heb je meesters nodig die moeten controleren of het resultaat klopt. De “human in the loop” is geen werkend controlemechanisme als de mens niet kan discrimineren. Als hij niet kan zien wat goed, middelmatig of echt slecht is.

Vertrouwen is trackrecord

Wanneer een medewerker of collega me een document stuurt, hangt de zorgvuldigheid waarmee ik het lees bijna volledig af van wie het stuurt. Heeft die persoon de afgelopen maand me al twee keer teleurgesteld, dan lees ik elke regel. Heeft die persoon me nog nooit teleurgesteld, dan lees ik de samenvatting en teken ik af.

Bijna alle systemen die we hebben gebouwd om kwaliteit vast te stellen – van diploma’s tot peer review – beoordelen bron en product tegelijk. Dat werkt omdat mensen consistent zijn met zichzelf. We kennen hun trackrecord, hun blinde vlekken, hun sterke kanten. We vertrouwen niet alleen op het stuk, maar ook op de maker. Dat is meesterschap. Maar dat moet je wel kunnen leren.

Bij een taalmodel valt dat hele fundament weg. In augustus zette een Deens bedrijf zijn AI-beoordelingstools uit, omdat identieke input keer op keer verschillende beoordelingen opleverde. En zelfs als een systeem stabiel lijkt, kan het de ene taak uitstekend uitvoeren en de volgende volledig laten ontsporen. Een nette samenvatting in de ochtend waarschuwt je niet voor de verzonnen bronvermelding in de middag. Er is geen trackrecord waarop je kunt leunen, geen persoonlijke consistentie die je houvast geeft.

Gelikt is niet hetzelfde als goed

Hier zit een valkuil die veel mensen nog steeds over het hoofd zien. Vroeger wisten monteurs: Duitse auto’s waren vaak perfect strak bedraad – en toch konden ze fout zijn. Franse auto’s zagen er rommelig uit, maar werkten vaak feilloos. Iets wat er gelikt uitziet, kan helemaal fout zijn. Een tekst met spelfouten kan juist de juiste inhoud hebben.

Precies dat zien we nu bij AI. De antwoorden zien er zo netjes, zo overtuigend, zo ‘af’ uit, dat we geneigd zijn ze te vertrouwen. Omdat het er zo mooi uitziet, zal het wel goed zijn. Maar uiterlijke perfectie is geen garantie voor inhoudelijke juistheid. Integendeel: de gladde vorm kan precies datgene verbergen wat ertoe doet.

AI is een kettingzaag, geen collega

AI is een gereedschap. En net als elk krachtig gereedschap vraagt het om vakmanschap. Geef een ervaren houthakker in plaats van een handzaag een kettingzaag en hij kapt nog steeds de juiste bomen – alleen sneller en met minder inspanning. Geef diezelfde kettingzaag aan iemand die nog nooit heeft geleerd welke bomen om moeten en welke moeten blijven staan en je krijgt verkeerde bomen, ongelukken en zelfs gewonden.

Precies dat zien we nu in organisaties. Management deelt massaal kettingzagen uit, maar vergeet dat de meeste mensen nog nooit echt hebben geleerd wat een goede boom is.

AI is geen autonome collega. Het is een assistent die je moet managen. En wie nog nooit leiding heeft gegeven – wie nog nooit goede instructies heeft geformuleerd, de uitvoering heeft gecontroleerd, heeft gecorrigeerd en écht heeft kunnen zien of iets goed of fout was – kan een AI-agent onmogelijk juist aansturen. De “human in the loop” is alleen zinvol als die human al kan discrimineren. Anders is het geen controle, maar schijnveiligheid. En discrimineren of iets goed of niet goed gaat, leer je in de praktijk en op de werkvloer.

De vuistregel voor delegeren

‘Laat AI de synthese doen en houd de mens voor het oordeel’, klinkt het vaak. Maar vraag een model om veertig consultatiereacties samen te vatten en als het de twaalf reacties weglaat die op één bepaald punt bezwaar maakten, ontdek je dat alleen door alle veertig zelf te lezen – precies het werk dat je delegeerde. Vraag het daarentegen om zaaknummers uit vierhonderd brieven te halen en je kunt in tien minuten twintig steekproeven controleren.

De vuistregel is eenvoudig: voordat je iets overdraagt, vraag je je af hoe je erachter zou komen als het mis is gegaan. Want AI is een domme uitvoerder die geen ervaring heeft en zichzelf niet kan beoordelen. Het is als ‘wij van WC-eend’.

Drie lessen uit eeuwen vakmanschap

De eeuwenlange ervaring van vakmanschap leert ons drie zaken. Ten eerste: vertrouwen in werk is altijd ook vertrouwen in een trackrecord geweest. En AI heeft dat trackrecord nooit opgebouwd.

Ten tweede: “human in the loop” is geen controlemechanisme als die mens niet kan discrimineren. Als de mens niet ‘op gevoel’ weet of iets goed of slecht is, is correctie nooit mogelijk.

Ten derde: het leerlingwerk dat we automatiseren, is precies het werk dat de oordeelskracht opbouwt waarop we nu als mens moeten vertrouwen. Die leerschool verdwijnt en we moeten straks ‘onopgeleid’ de AI-robots gaan aansturen. Die omissie kan ons ons straks heftig opbreken. 

Waar mogen we nog fouten maken?

Dat derde punt is dus het lastigste. Als mensen leren oordelen door goedkoop fouten te (mogen) maken, waar mogen ze dan nu nog fouten maken? Ik leerde in mijn studententijd organiseren en spreken in het openbaar. Als student mocht ik de fouten maken, ervan leren en daarna die ervaring meenemen in mijn carrière. In de oude gilden bleven velen na een leerlingschap gezel. Ze werden nooit meester, maar ze hadden wel de tijd en de ruimte om een goede vakman of vakvrouw te worden. Die ruimte lijkt nu te verdwijnen.

We reiken kettingzagen uit aan mensen die nog nooit hebben geleerd welke bomen om moeten en we noemen dat vooruitgang. De vraag die blijft hangen, is daarom niet of AI goed of slecht is. De vraag is of we nog plekken overhouden waar mensen mogen oefenen in het enige wat écht telt: het vermogen op te bouwen om te zien of iets deugt. Om fouten te kunnen en mogen maken om ervan te leren. Om al struikelend in de praktijk steeds beter te leren lopen en springen. Steeds meer verantwoordelijkheid te kunnen dragen en anderen te kunnen aansturen.

Twee mogelijke toekomsten

Het praktische vakmanschap in ambacht en fabriek is door mechanisatie, industrialisatie en automatisering veelal verdwenen. En nu gaan AI-agents en AI-bots datzelfde doen in de wereld van kantoren en ambtelijke en praktische dienstverlening. 

Word je een mens met ‘onderdanige’ AI-hulpmiddelen om je eigen productiviteit te vergroten? Stuur je een team van AI-agents aan die voor jou werkzaamheden uitvoeren?

Of word je een menselijke bediende van een AI-systeem die jou vertelt wat te doen – een bediende die via een iPad wordt gestuurd om pakjes uit een automatisch magazijn te pakken?

Het eerste kan alleen als je hebt kunnen leren hoe je kunt sturen en aansturen. Het tweede wordt je als je die kans niet meer hebt gekregen omdat AI-robots het al veel beter deden voordat jij de kans kreeg . . .  

Photo by Vitaly Gariev

——————————-  Vertaald door ChatGPT   ————————————-

From Apprentice to Master – and What AI Does to That

Almost every career used to begin on the shop floor. You joined the work process: you hammered, emptied bedpans, stocked shelves or cleaned windows. And over time, once you understood the work, gained experience or proved skilled at organising and coordinating, you climbed the ladder of experience. The old guild system of apprentice, journeyman and, eventually, master.

With the arrival of higher professional education, students still did internships, but truly starting at the bottom on the shop floor became harder. And when you entered an organisation as a graduate, that shop floor was no longer really available for building practical experience. You were a lateral entrant who, thanks to your education, could skip the basic training. Efficient on the one hand, a impoverishment of experiential learning and organisational understanding on the other.

From Junior to Senior – and Then to the Machine

We used to work our way up from junior to senior to leadership roles. Later, practically higher-educated people entered sideways. Now we hand the junior work to the machine and start everyone on the side of organising and judging.

It was never primarily about learning to do the work, but about calibration. A planner who has never loaded and unloaded a hundred consignments does not know that every delivery can be different. A case manager who has never written a hundred summaries by hand will not notice that the AI has left out precisely the detail that mattered. Knowing what matters is something you learn by writing those summaries yourself. By making mistakes that still cost little. By seeing what happens when you overlook something.

Mastery Is Seeing Whether Something Holds Up

That apprenticeship fitted seamlessly into the old guild culture of apprentice, journeyman and master. In that world many people remained journeymen their entire lives. A perfectly respectable adult profession of execution and craftsmanship. Mastery was never automatic; it was a rare level of exceptional skill.

And that same craftsmanship still applies, including in the world of AI. Mastery is not ownership of a tool, but the ability to see whether the result is sound. When the apprentice – and perhaps even the journeyman – is replaced by an AI robot, you need masters who can check whether the outcome is correct. The “human in the loop” is not a working control mechanism if the human cannot discriminate: if he cannot tell what is good, mediocre or truly bad.

Trust Is Track Record

When a colleague or employee sends me a document, the care with which I read it depends almost entirely on who sent it. If that person has already disappointed me twice in the past month, I read every line. If they have never let me down, I read the summary and sign off.

Almost every system we have built to establish quality – from diplomas to peer review – judges source and product together. That works because people are consistent with themselves. We know their track record, their blind spots, their strengths. We trust not only the piece of work, but also its maker. That is mastery. But it is something you have to be able to learn.

With a language model that entire foundation disappears. In August a Danish company switched off its AI assessment tools because identical input produced different judgements time after time. And even when a system appears stable, it can perform one task excellently and completely go off the rails on the next. A neat summary in the morning does not warn you about the fabricated source reference in the afternoon. There is no track record to lean on, no personal consistency that gives you a foothold.

Polished Is Not the Same as Good

Here lies a trap that many people still overlook. Mechanics used to know: German cars were often perfectly and tightly wired – and yet they could be wrong. French cars looked messy, but often worked flawlessly. Something that looks polished can be completely wrong. A text full of spelling mistakes can still contain the correct content.

Exactly the same happens with AI. The answers look so neat, so convincing, so finished that we are inclined to trust them. Because it looks so good, it must be right. But external perfection is no guarantee of substantive accuracy. On the contrary: the smooth form can hide precisely what matters.

AI Is a Chainsaw, Not a Colleague

AI is a tool. And like any powerful tool, it demands craftsmanship. Give an experienced lumberjack a chainsaw instead of a handsaw and he will still fell the right trees – only faster and with less effort. Give that same chainsaw to someone who has never learned which trees should come down and which should stay, and you get the wrong trees, injuries and accidents.

That is precisely what we see in organisations today. Management hands out chainsaws on a massive scale, yet forgets that most people have never truly learned what a good tree looks like.

AI is not an autonomous colleague. It is an assistant you have to manage. And anyone who has never led – who has never formulated clear instructions, checked the execution, corrected someone and genuinely been able to see whether something was right or wrong – cannot properly direct an AI agent. The “human in the loop” is only meaningful if that human can already discriminate. Otherwise it is not control, but the illusion of safety. And the ability to judge whether something is good or not is learned in practice, on the shop floor.

The Rule of Thumb for Delegation

“Let AI do the synthesis and keep the human for the judgement,” people often say. But ask a model to summarise forty consultation responses, and if it omits the twelve that objected on one particular point, you only discover that by reading all forty yourself – exactly the work you delegated. Ask it instead to extract case numbers from four hundred letters, and you can check twenty samples in ten minutes.

The rule of thumb is simple: before you hand something over, ask yourself how you would find out if it had gone wrong. Because AI is a dumb executor that has no experience and cannot judge itself. It is the classic “we of WC-Eend.”

Three Lessons from Centuries of Craftsmanship

Centuries of craftsmanship teach us three things. First: trust in work has always also been trust in a track record. And AI has never built that track record. Second: “human in the loop” is not a control mechanism if the human cannot discriminate. If the person does not know “by feel” whether something is good or bad, correction is never possible. Third: the apprentice work we are automating is precisely the work that builds the judgement we now have to rely on as humans. That school of learning is disappearing, and we are left to direct the AI robots “untrained.”

Where Are We Still Allowed to Make Mistakes?

That third point is the hardest. If people learn to judge by making cheap mistakes, where are they still allowed to make mistakes? I learned to organise and speak in public during my student years. As a student I was allowed to make the mistakes, learn from them and later take that experience into my career. In the old guilds many remained journeymen after their apprenticeship. They never became masters, but they had the time and space to become good craftsmen or craftswomen. That space now seems to be vanishing.

We hand out chainsaws to people who have never learned which trees should come down, and we call it progress. The question that remains is therefore not whether AI is good or bad. The question is whether we still leave places where people can practise the only thing that truly counts: building the ability to see whether something holds up. To be allowed to make mistakes and learn from them. To learn, by stumbling in practice, to walk and jump ever better. To carry increasing responsibility and to direct others.

Two Possible Futures

Practical craftsmanship in trades and factories has largely disappeared through mechanisation, industrialisation and automation. And now AI agents and AI bots are doing the same in the world of offices and administrative and practical services.

Do you become a human with “subordinate” AI tools to increase your own productivity? Do you direct a team of AI agents that perform work for you? Or do you become a human servant of an AI system that tells you what to do – a servant directed via an iPad to pick packages from an automated warehouse?

The first is only possible if you have been able to learn how to steer and direct. The second is what you become when you no longer had that chance because AI robots simply did it much better.