English version: scroll down

Van logging naar digitale geneeskunde

Als systemen beginnen te leven

We meten alles. Echt alles. Maar als het misgaat, staan we nog steeds in het duister. Miljoenen microservices, elk met een piepkleine taak, houden samen een complex digitaal ecosysteem in leven. Ze draaien dag en nacht, onzichtbaar en onvermoeibaar. Wie ernaar kijkt, ziet techniek. Wie beter kijkt, ziet iets anders: gedrag. Samenhang. Een soort ademhaling. Net als in ons eigen lichaam. Daar werken duizenden processen tegelijk, zonder dat we er bewust bij stilstaan. Hartslag, ademhaling, spijsvertering, afweer — alles grijpt in elkaar, corrigeert zichzelf, zoekt balans. Totdat dat evenwicht plotseling verstoord raakt. Dan voelen we het: iets is niet meer in orde.

Tot het systeem uit balans raakt

Precies dat moment begint zich nu ook in onze digitale systemen te manifesteren. We hebben jarenlang keihard gewerkt om IT slimmer te maken. Microservices maakten systemen flexibel. De cloud maakte ze schaalbaar. En met AI-agents en grote taalmodellen legden we er een zenuwstelsel bovenop: systemen die niet alleen uitvoeren, maar ook waarnemen, reageren, optimaliseren en steeds vaker zelfstandig beslissingen nemen. Het werkte. Indrukwekkend goed zelfs. Tot het niet meer werkte.

De illusie van controle

Want in elk complex systeem ontstaat op een gegeven moment een soort duisternis. Afhankelijkheden stapelen zich op tot je ze niet meer kunt overzien. Kleine afwijkingen versterken elkaar, fouten verspreiden zich als een infectie. Ergens diep in het systeem ontstaat een verstoring waarvan niemand precies meer weet waar die begonnen is. We voelen dat er iets mis is. Maar wat precies? Dat blijft vaak gissen. Ironisch genoeg meten we inmiddels álles. Elke transactie, elke latency, elke foutmelding, elke resource-spike wordt vastgelegd. Onze systemen zitten vol sensoren. We hebben een digitale flight recorder gebouwd — een ICT black box die feilloos registreert wat er gebeurde. Maar zoals elke rampenonderzoeker weet: een black box vertelt je wat er is gebeurd. Hij vertelt je niet waarom. En al helemaal niet hoe je het had kunnen voorkomen.

Van meten naar begrijpen

We hebben bergen data, maar te weinig begrip. We kunnen ruis niet altijd van signaal onderscheiden. We herkennen geen beginnende “ziekte” voordat die escaleert. En als het misgaat, weten we vaak niet waar we precies moeten ingrijpen. Daarmee staan we op het punt waar meten overgaat in geneeskunde.

Een idee dat zijn tijd vooruit was

Deze gedachte is niet nieuw. Al in de jaren negentig probeerde een kleine groep visionairs grip te krijgen op de groeiende complexiteit van informatiesystemen. Als lid van een visitatiecommissie voor het technisch hoger onderwijs kwam ik in contact met Theo Lohman, gefascineerd door die groeiende complexiteit en de ‘collectieve intelligentie’ die daarmee ontstond. Later ontmoette ik ook Harm Rozie, die samen met hem het Collins-model verder ontwikkelde: een poging om orde te scheppen in chaos door betekenis centraal te stellen. Niet alleen data verzamelen, maar data begrijpen. Niet alleen systemen bouwen, maar kennis expliciet maken. Het verbinden van dode materie met levende materie. En visa versa. Een samenwerkingsmodel voor lerende netwerken. Een model dat zich richt op het first time right ontwerpen van complexe producten en processen. Een bepaalde kunst van samenwerken en co-creatie waarbij kennisontwikkeling en vooral kennisvastlegging de rode draad vormt. Zie ook mijn blog ‘Ethische ICT’ van tien jaar geleden. 

Structuur aanbrengen in rollen, processen en informatie, zodat complexiteit hanteerbaar werd. Een collectief geheugen — e-memory — waarin kennis niet verloren ging, maar juist groeide en zich verbond. Het was een prachtig, krachtig idee. Misschien wel té krachtig. Te abstract. Te vroeg. De technologie was er nog niet rijp voor, de urgentie werd nog niet gevoeld, en de praktijk liep er nog niet tegenaan. Het bleef hangen als een mooi concept waar mensen respect voor hadden, maar waar bijna niemand écht mee aan de slag ging. Een samenwerkingsmodel voor lerende netwerken. Een model dat zich richt op het first time right ontwerpen van complexe producten en processen. Een bepaalde kunst van samenwerken en co-creatie waarbij kennisontwikkeling en vooral kennisvastlegging de rode draad vormt.

Waarom het nu wél kan

Achteraf is dat niet zo vreemd. De wereld waarvoor dat model bedoeld was, bestond toen nog nauwelijks. Vandaag de dag is die wereld er wél. En hoe. Onze systemen zijn vele malen complexer, genereren continu data en veranderen voortdurend. Met AI kunnen we ineens betekenis uit die bergen data halen, verbanden zien en patronen herkennen die vroeger verborgen bleven. Wat toen theorie was, wordt nu tastbare praktijk. En daarmee verschuift de centrale vraag. Niet langer: Hoe begrijpen we deze systemen? Maar: Hoe houden we ze gezond?

Systemen hebben zorg nodig

Dat is een wezenlijk ander perspectief. Begrijpen is één ding. Gezond houden is iets anders. Het vraagt om diagnostiek, om behandeling, om preventie. Het vraagt om het vermogen om niet alleen achteraf te analyseren, maar tijdens het proces bij te sturen. Om niet alleen fouten op te lossen, maar systemen robuuster en veerkrachtiger te maken. We moeten stoppen met kijken naar IT als een verzameling componenten. We moeten het gaan zien als een levend systeem. Iets dat in balans kan zijn, maar ook uit balans kan raken. Iets dat zorg nodig heeft, onderhoud, en soms een stevig ingrijpen van buitenaf.

Van smart naar healthy

Dat is de verschuiving waar we nu middenin zitten. Van Smart Systems naar Healthy Systems. De afgelopen decennia draaiden om slimmer, sneller, efficiënter, autonomer. De volgende fase gaat niet over nog slimmer worden. Die gaat over gezonder worden. Systemen die hun eigen toestand kunnen voelen. Die vroege afwijkingen herkennen voordat ze escaleren. Die zichzelf kunnen herstellen waar mogelijk, en die precies weten wanneer ze menselijke hulp nodig hebben. Systemen die niet alleen functioneren, maar zelfstandig in balans blijven.

De digitale dokter

En in die overgang ontstaat een nieuwe rol. Niet de pure developer, niet de klassieke operator, maar iemand — of iets — die ertussenin staat. Iemand die naar het geheel kijkt. Die patronen en samenhang ziet. Die symptomen herkent, diagnoses stelt en de juiste interventies uitvoert. De digitale dokter. Misschien is dit geen revolutie, maar gewoon een logisch en onvermijdelijk vervolg. Een idee dat al lang in de lucht hing, maar pas nu kan landen omdat alle puzzelstukjes er eindelijk zijn: de data, de intelligentie, de complexiteit en de groeiende noodzaak.

De tijd is rijp

Sommige ideeën hebben tijd nodig. Ze ontstaan, worden herkend, maar vallen nog niet op hun plek. Totdat de wereld er klaar voor is. Dit lijkt zo’n moment. We hebben de black box al. Nu moeten we leren wat we ermee doen. Van registreren naar begrijpen. Van begrijpen naar behandelen. Van behandelen naar voorkomen.

Daar begint de digitale geneeskunde.

Photo by Negative Space

————————- Translated by ChatGPT  ———————-

“The Black Box Knows Everything. Except What’s Wrong.”

From Logging to Digital Medicine

When Systems Begin to Live

We measure everything. Really, everything. Yet when things go wrong, we are still left in the dark. Millions of microservices, each performing a tiny task, collectively keep a complex digital ecosystem alive. They run day and night, invisible and tireless. To the casual observer, it’s just technology. Look closer, and you see something else: behavior. Coherence. A kind of breathing. Just like in our own bodies, where thousands of processes run simultaneously without conscious thought—heartbeat, respiration, digestion, immune response—all interacting, self-correcting, seeking balance. Until that balance suddenly falters. Then we feel it: something is no longer right.

When the System Falls Out of Balance

That moment is now emerging in our digital systems as well. For years, we worked tirelessly to make IT smarter. Microservices made systems flexible. The cloud made them scalable. And with AI agents and large language models, we added a nervous system: systems that not only execute, but also perceive, respond, optimize, and increasingly make autonomous decisions. It worked. Impressively so. Until it didn’t.

The Illusion of Control

In every complex system, a kind of darkness eventually emerges. Dependencies accumulate until they become unmanageable. Minor deviations amplify each other; errors spread like infection. Deep inside, a disruption occurs, the origin of which no one fully knows. We sense that something is wrong. But what exactly? That often remains a guess. Ironically, we now measure everything. Every transaction, every latency, every error, every resource spike is logged. Our systems are full of sensors. We have built a digital flight recorder—a black box that flawlessly records what happened. But as every accident investigator knows: a black box tells you what happened, not why. And certainly not how it could have been prevented.

From Measuring to Understanding

We have mountains of data but too little understanding. Noise and signal often blur. Early signs of “disease” go unrecognized until escalation. And when things fail, we rarely know where to intervene. We are approaching the point where measurement transforms into medicine.

An Idea Ahead of Its Time

This concept is not new. As early as the 1990s, a small group of visionaries sought to grasp the growing complexity of information systems. As a member of an accreditation committee for higher technical education, I met Theo Lohman, fascinated by this increasing complexity and the “collective intelligence” it produced. Later, I also met Harm Rozie, who worked with him to further develop the Collins model: an attempt to bring order to chaos by placing meaning at the center. Not just collecting data, but understanding it. Not just building systems, but making knowledge explicit. Connecting inert matter with living matter—and vice versa. A collaborative model for learning networks. A model designed to support first-time-right design of complex products and processes. A certain art of collaboration and co-creation, where knowledge development—and above all, knowledge preservation—was central.

See also my blog Ethical IT from ten years ago. Structure was introduced in roles, processes, and information to make complexity manageable. A collective memory—an e-memory—where knowledge was not lost but instead grew and connected. It was a beautiful, powerful idea. Perhaps too powerful. Too abstract. Too early. The technology wasn’t ready, the urgency wasn’t felt, and practice hadn’t yet encountered it. It remained a concept that commanded respect but saw little real-world application.

Why It Can Work Now

Looking back, that’s unsurprising. The world for which the model was intended barely existed then. Today, that world does exist—and how. Our systems are far more complex, continuously generating data, constantly changing. AI now allows us to extract meaning from these mountains of data, to see connections and patterns once hidden. What was theory then is tangible practice now. And with that, the central question shifts. No longer: How do we understand these systems? But: How do we keep them healthy?

Systems Require Care

This is a fundamentally different perspective. Understanding is one thing. Keeping systems healthy is another. It requires diagnostics, treatment, prevention. It requires the ability to intervene in real time, not just analyze retrospectively. Not merely to fix errors, but to make systems more robust and resilient. We must stop seeing IT as a collection of components. We must see it as a living system. Something that can be in balance, yet fall out of it. Something that needs care, maintenance, and sometimes decisive external intervention.

From Smart to Healthy

This is the shift we are now in: from Smart Systems to Healthy Systems. Past decades were about being faster, smarter, more efficient, more autonomous. The next phase is not about getting smarter—it’s about getting healthier. Systems that can sense their own state. Detect early deviations before escalation. Self-heal when possible, and know exactly when human intervention is needed. Systems that do not merely function but autonomously maintain balance.

The Digital Doctor

And in this transition, a new role emerges. Not the pure developer, not the classic operator, but someone—or something—in between. Someone who sees the whole, recognizes patterns, diagnoses, and applies the right interventions. The digital doctor. Perhaps not a revolution, but a logical, inevitable evolution. An idea long in the air, only now possible because all pieces are in place: data, intelligence, complexity, and rising necessity.

The Time Is Right

Some ideas need time. They emerge, are recognized, yet don’t fit—until the world is ready. This seems to be one of those moments. We have the black box. Now we must learn what to do with it. From logging to understanding. From understanding to treatment. From treatment to prevention.

This is where digital medicine begins.