{"id":86458,"date":"2025-11-12T10:16:21","date_gmt":"2025-11-12T10:16:21","guid":{"rendered":"https:\/\/hanstimmerman.me\/?p=86458"},"modified":"2025-11-27T11:08:35","modified_gmt":"2025-11-27T11:08:35","slug":"de-ai-kennisval-bezint-eer-ge-begint-met-massale-ontslagen","status":"publish","type":"post","link":"https:\/\/hanstimmerman.me\/en\/de-ai-kennisval-bezint-eer-ge-begint-met-massale-ontslagen\/","title":{"rendered":"De AI-kennisval: Bezint eer ge begint met massale ontslagen"},"content":{"rendered":"

English version: scroll down<\/em><\/span><\/p>\n

In eerdere blogs over AI-agents als de kantoorrobots van de 21e eeuw<\/a> en AI in de cockpit \u2013 wie heeft de controle?<\/a> <\/i>waarschuwde ik voor de risico\u2019s van te snelle automatisering zonder menselijke grip. Nu, in november 2025, zien we dat gevaar werkelijkheid worden. De recente golf ontslagen in de techsector wordt vaak verkocht als AI-gedreven effici\u00ebntie, maar cre\u00ebert een sluimerende catastrofe: verlies van kennis die organisaties nog niet kunnen missen<\/b>.<\/span><\/p>\n

De AWS-storing van 20 oktober is een scherp voorbeeld. Een lege DNS-record legde de US-EAST-1-regio ruim 15 uur plat. AI-systemen wisten het probleem niet te isoleren, terwijl ervaren engineers dat waarschijnlijk in korte tijd hadden opgelost. De kosten liepen op tot tientallen miljoenen euro\u2019s \u2013 schattingen vari\u00ebren van 34 miljoen dollar per uur tot een totaal van 581 miljoen. Het incident toont hoe kwetsbaar bedrijfsstructuren worden als expertise t\u00e9 snel verdwijnt. Wie te hard en te snel op AI leunt, snijdt zichzelf in de vingers. Ik heb dat helaas te vaak meegemaakt: zuinigheid versus zekerheid.\u00a0<\/strong><\/span><\/p>\n

De schaal van de ontslaggolf<\/b><\/span><\/h3>\n

Dit jaar hebben ruim zeshonderd techbedrijven wereldwijd honderduizenden banen geschrapt. Oktober spande de kroon met 153.074 ontslagen in de totale economie \u2013 een stijging van 175 procent ten opzichte van vorig jaar \u2013 waarvan 33.281 specifiek in tech. In november gaat de trend door: IBM kondigde duizenden ontslagen aan en SAS verliet China met 400 job cuts.<\/span><\/p>\n

Veel organisaties gebruiken AI-adoptie als rechtvaardiging. De focus ligt op OPEX-verlaging, terwijl het grotere gevaar wordt genegeerd: de groeiende CAPEX-kosten van AI-infrastructuur \u00e9n de vernietiging van onvervangbaar menselijk kapitaal. AI versnelt processen, maar mist nog de volwassenheid om complexe situaties zelfstandig te overzien. Ontslagen domein-experts komen niet vanzelf terug.\u00a0<\/span><\/span><\/p>\n

Zoals ik eerder schreef in De Digitale Trias Politica<\/a> draait het om balans: zowel soevereiniteit, autonomie als accountability vragen om menselijke controle. Zonder die controle ontstaat een blinde vlek waar AI niet voor kan compenseren. Het is immers geen menselijke intelligentie met gevoel, instinct en \u2018onderbuik-gevoel\u2019. AI zonder menselijke inbreng vraagt een (geprogrammeerde) precisie en flexibiliteit die het nog lang niet levert.<\/span><\/p>\n

Lessen uit de fabrieksautomatisering<\/b><\/span><\/h3>\n

Mijn ervaring met de automatisering van fabrieken laat precies zien wat er nu ook misgaat. In Komen de robots eindelijk thuis?<\/a> beschreef ik hoe we handmatig bestuurde machines vervingen door computergestuurde systemen. Dat gebeurde nooit in \u00e9\u00e9n klap. We begonnen klein, testten, bouwden kennis op en schaalden zorgvuldig op. Machine-programmeren en kwaliteitsbeheersing rond robotlijnen werden nieuwe vakgebieden. Automatisering vraagt nieuwe expertise en doorlooptijd.<\/span><\/p>\n

Een oude fabrieksstructuur met 1.000 praktisch geschoolde medewerkers veranderde in een mix van 100 hooggeschoolde technici, programmeurs en machineleiders, aangevuld met een (resterend) klein deel handmatige productie voor uitzonderingen, storingen of onvolkomenheden. Ook het ontwerpen van een volledig geautomatiseerde fabriek en de daarin te produceren onderdelen bleek vak een zware technische opgave. We moesten nieuwe deskundigheid opbouwen in het product- en productie- ontwerpproces of die inhuren via gespecialiseerde bureaus.<\/span><\/p>\n

Automatiseren verandert je bedrijf<\/b><\/span><\/h3>\n

Automatisering dwong product- en productie-aanpassingen af. Onderdelen moesten maakbaarder worden voor robots: minder variaties en eenvoudiger assemblages. Dat leverde betere kwaliteit, hogere efficiency en kortere doorlooptijden op, maar vroeg veel ervaringstijd. Het maakte ge\u00efntegreerde MRP\/ERP systemen steeds noodzakelijker. Het leidde ook tot een verschuiving van OPEX naar CAPEX, met hogere investeringen maar wel de mogelijkheid sneller naar meerdere ploegen op te schalen. De flexibiliteit en productiviteit ging omhoog maar de technische kwetsbaarheid ook. \u00a0<\/span><\/span><\/p>\n

E\u00e9n les stond steeds centraal: automatisering werkt alleen als je eerst de expertise ontwikkelt voor jouw product, jouw proces en jouw klanten. Dat patroon herhaalt zich nu met AI als kantoorrobot. Diensten moeten eenvoudiger en consistenter worden zodat AI ze kan leveren, net zoals onderdelen maakbaarder werden voor robots. Dat vergt mensen die AI kunnen ontwerpen, integreren, testen en verfijnen. Die vaardigheid bestaat nog nauwelijks in de markt en is dus nauwelijks te huren of te kopen. Begin klein, bouw kennis op en schaal pas op wanneer het werkt. Iedereen die met AI start, glijdt al snel van de hype-curve af en ontdekt dat het niet zo makkelijk is als men dacht.\u00a0<\/span><\/span><\/p>\n

De hybride weg vooruit<\/b><\/span><\/h3>\n

Bezint eer ge begint. Een duurzame AI-transitie vraagt om een hybride aanpak waarin mens en machine samenwerken. De eerste stap is investeren in vaardigheden die AI werkbaar maken, bijvoorbeeld expertise in orchestration tools als Kubernetes of kennis van ethische AI-kaders onder de EU AI Act, die organisaties dwingt tot risk-assessments en kennisbehoud.<\/span><\/p>\n

Organisaties die AI willen integreren doen er goed aan pilotprojecten te starten zonder meteen kenniswerkers te lossen. Word eerst productiever dan nodig en schaal die \u2018over-productiviteit\u2019 later terug. Minder werven is ook vaak verstandiger dan massaal schrappen. Externe bureaus kunnen helpen bij het ontwerp van AI-gedreven diensten, net zoals ingenieursbureaus dat vroeger deden voor geautomatiseerde productielijnen. Ik zie steeds meer bedrijven die deze deskundigheid al bij anderen opbouwden, ook in mijn eigen beroepspraktijk. Vaak ook kon ik zeer ervaren, jong gepensioneerden met een beperkte inzet op jaarbasis aan ons binden. Fantastisch als het opeens een keer spaak loopt: verzilvering van de vergrijzing \ud83d\ude42<\/span><\/p>\n

Zorg daarnaast dat bestaande kennis niet wegvloeit, zeker niet abrupt. Omscholingsprogramma\u2019s maken teams AI-ready en helpen diensten aanpassen aan wat AI effici\u00ebnt kan leveren. Medewerkers kunnen vaak meer dan organisaties denken. AI is een nieuw productiviteitsinstrument waar mensen graag mee willen leren werken. Het is geen vervanger van menselijk inzicht. Bedrijven die hybride omarmen \u2013 zoals Google met interne AI-academies \u2013 zien zo 20 tot 30 procent productiviteitswinst zonder massale ontslagen. Zonder die aanpak riskeren organisaties niet alleen meer AWS-achtige storingen, maar ook een structurele verzwakking van hun innovatiekracht.<\/span><\/p>\n

Conclusie: van disruptie naar duurzame balans<\/b><\/span><\/h3>\n

De ontslaggolf van 2025 is een wake-up call. AI biedt enorme potentie, maar te snelle vervanging van mensen leidt tot een kennisval en vergroot het risico op grote storingen. De lessen uit fabrieksautomatisering zijn vandaag relevanter dan ooit: bouw stap voor stap, ontwikkel expertise, pas processen aan en cre\u00eber hybride teams.<\/span><\/p>\n

Kennis komt te voet en gaat te paard. Dat vraagt om zorgvuldigheid en strategisch geduld.<\/b><\/span><\/h3>\n

Wat zijn jullie ervaringen intussen met AI-transities in jullie organisatie? Deel ze in de comments. Misschien ligt daar de inspiratie voor de volgende blog in deze serie.<\/span><\/p>\n

Photo by Ron Lach<\/a><\/p>\n

\u2014\u2014\u2014\u2014\u2014\u2014Written and translated with Grok en ChatGPT, my new blog-buddies \u2014\u2014\u2014\u2014\u2014\u2014<\/span><\/p>\n

The AI Knowledge Trap: Think Twice Before Triggering Mass Layoffs<\/b><\/span><\/h2>\n

In my earlier blogs about AI agents as the office robots of the 21st century and AI in the Cockpit: Who Is in Control?<\/i> I warned about the risks of rapid automation without human oversight. Now, in November 2025, that danger is becoming real. The recent wave of tech layoffs is presented as AI-driven efficiency, yet it creates a slow-moving catastrophe: the loss of knowledge that organizations cannot afford to lose.<\/span><\/p>\n

The AWS outage on October 20 illustrates this clearly. A single empty DNS record took the entire US-EAST-1 region offline for more than 15 hours. AI systems failed to isolate the issue, while experienced engineers would likely have fixed it quickly. The costs ran into tens of millions of euros, with estimates ranging from 34 million dollars per hour to a total of 581 million. The incident shows how vulnerable organizations become when expertise disappears too quickly. Companies that lean too hard and too fast on AI end up hurting themselves.<\/span><\/p>\n

The Scale of the Layoff Wave<\/b><\/span><\/h3>\n

This year, 619 tech companies worldwide have eliminated 180,595 jobs. October was the peak, with 153,074 layoffs across the economy, a rise of 175 percent compared to last year, including 33,281 in tech. The trend continued in November, with IBM announcing thousands of cuts and SAS exiting China with 400 job losses.<\/span><\/p>\n

Many organizations justify these cuts as part of AI adoption. The focus is on lowering OPEX, while the real danger is overlooked: rising CAPEX requirements for AI infrastructure and the destruction of irreplaceable human capital. AI can accelerate processes, but it lacks the maturity to understand complex situations on its own. Domain experts who are laid off do not return automatically.<\/span><\/p>\n

As I wrote in The Digital Separation of Powers<\/i>, it is about balance. Sovereignty, autonomy and accountability require human control. Without that control, a blind spot emerges that AI cannot fill. AI without human input demands a level of precision and flexibility it does not yet possess.<\/span><\/p>\n

Lessons from Factory Automation<\/b><\/span><\/h3>\n

My experience in factory automation shows exactly what is going wrong today. In Are the Robots Finally Coming Home?<\/i>I described how manual machines were replaced by computer-controlled systems. This never happened overnight. We started small, tested, built expertise and scaled only when ready. Machine programming and robot-line quality control became new professional fields. Automation requires new skills and time to develop them.<\/span><\/p>\n

A traditional factory staffed with 1,000 low-skilled workers eventually shifted to a mix of 100 highly skilled technicians, programmers and machine leads, supported by a small part of manual production for exceptions, disturbances or imperfections. Designing a fully automated plant also proved to be a demanding technical challenge. We had to build new expertise in product design or bring in specialized engineering firms.<\/span><\/p>\n

Automation Changes Your Business<\/b><\/span><\/h3>\n

Automation forced product adjustments. Parts needed to be easier for robots to handle, with fewer variations and simpler assemblies. This improved quality, increased efficiency and shortened lead times, but required significant experience to achieve. It also marked a shift from OPEX to CAPEX, with higher upfront investments but more flexibility to scale up to multiple shifts.<\/span><\/p>\n

One lesson dominated every stage: automation only succeeds when you first build the expertise needed for your products, your processes and your customers. That same pattern is now playing out with AI as the new office robot. Services must become simpler and more consistent so AI can deliver them. This requires people who can design, integrate, test and refine AI systems. That skill set barely exists in the market. Start small, build knowledge and scale only when the approach works.<\/span><\/p>\n

The Hybrid Path Forward<\/b><\/span><\/h3>\n

Think twice before you begin. A sustainable AI transition requires a hybrid approach where humans and machines work together. The first step is to invest in skills that make AI usable, such as orchestration tools like Kubernetes or ethical AI frameworks under the EU AI Act, which requires risk assessments and knowledge preservation.<\/span><\/p>\n

Organizations that want to adopt AI should launch pilot projects without immediately letting go of knowledge workers. Become more productive first and adjust staffing to the market later. Hiring less is often a smarter alternative to cutting deep. External experts can help design AI-driven services, similar to how engineering firms supported automated production lines in the past. Many companies are already building that expertise elsewhere, which I also see in my own professional practice.<\/span><\/p>\n

Protect the knowledge you already have and avoid sudden loss. Reskilling programs make teams AI-ready and help adapt services to what AI can deliver effectively. Employees can often do more than organizations expect. AI is a new productivity tool that people are willing to learn. It is not a replacement for human judgment.<\/span><\/p>\n

Companies that adopt a hybrid model, such as Google with its internal AI academies, see productivity gains of 20 to 30 percent without mass layoffs. Without that approach, organizations risk more AWS-style outages and a long-term decline in innovative capacity.<\/span><\/p>\n

Conclusion: From Disruption to Sustainable Balance<\/b><\/span><\/h3>\n

The layoff wave of 2025 is a wake-up call. AI offers enormous potential, yet rapid replacement of people leads to a knowledge trap and increases the risk of major failures. The lessons from factory automation are more relevant than ever: build step by step, develop expertise, adapt processes and create hybrid teams.<\/span><\/p>\n

Knowledge arrives slowly and leaves quickly. It demands care and strategic patience.<\/span><\/p>\n

What are your experiences with AI transitions in your organization? Share them in the comments. They may inspire the next blog in this series.<\/span><\/p>","protected":false},"excerpt":{"rendered":"

The layoff wave of 2025 is a wake-up call. AI offers enormous potential, yet rapid replacement of people leads to a knowledge trap and increases the risk of major failures. The lessons from factory automation are more relevant than ever: build step by step, develop expertise, adapt processes and create hybrid teams.<\/p>\n

Knowledge arrives slowly and leaves quickly. It demands care and strategic patience.<\/p>","protected":false},"author":3,"featured_media":86461,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[293,71,75],"tags":[854,855,856,857,858,859,109,860,119,861,613,862,631,695,770,773,851,852,853],"class_list":["post-86458","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-artificial-intelligence","category-digital-economy","category-innovation","tag-hybride-ai","tag-fabrieksautomatisering","tag-automation","tag-techlayoffs","tag-aitransition","tag-knowledgeworkers","tag-innovation","tag-hybridwork","tag-ai","tag-cloudoutage","tag-aistrategy","tag-aws","tag-digitaltransformation","tag-futureofwork","tag-productivity","tag-leadership","tag-ai-ontslagen-2025","tag-kennisverlies-it","tag-aws-storing"],"jetpack_featured_media_url":"https:\/\/i0.wp.com\/hanstimmerman.me\/wp-content\/uploads\/2025\/11\/pexels-ron-lach-9830817-e1762876744954.jpg?fit=7967%2C4583&ssl=1","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/hanstimmerman.me\/en\/wp-json\/wp\/v2\/posts\/86458","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/hanstimmerman.me\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/hanstimmerman.me\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/hanstimmerman.me\/en\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/hanstimmerman.me\/en\/wp-json\/wp\/v2\/comments?post=86458"}],"version-history":[{"count":10,"href":"https:\/\/hanstimmerman.me\/en\/wp-json\/wp\/v2\/posts\/86458\/revisions"}],"predecessor-version":[{"id":86518,"href":"https:\/\/hanstimmerman.me\/en\/wp-json\/wp\/v2\/posts\/86458\/revisions\/86518"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/hanstimmerman.me\/en\/wp-json\/wp\/v2\/media\/86461"}],"wp:attachment":[{"href":"https:\/\/hanstimmerman.me\/en\/wp-json\/wp\/v2\/media?parent=86458"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/hanstimmerman.me\/en\/wp-json\/wp\/v2\/categories?post=86458"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/hanstimmerman.me\/en\/wp-json\/wp\/v2\/tags?post=86458"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}