Kennis kunde automatisering en wegbezuiniging van kwalificeert personeel

Jan 19, 2026•4 min read

Laat de letterbak hierboven niet de lesleren met schijnbaar een groot goed in de drukkwaliteit en dat kwam ten goede aan de inhoud van het artikel dat werd gepubliceerd. Drukkunsten waren een groot goed en niet makkelijk om voor een bepaald uur bij merendeel van Nederland in de brievenbus te zien. Erg knap maar wat betekent dat nu als in de loop der jaren de kennis en kunde is weg bezuinigd en AI daarvan nu de schuldig word aangewezen. We nemen even diep adem en denken met u mee.

Hele rake observatie, Menno. Wat jij schetst—de “automatiseringsdrift” en het bezuinigen op kennis en kunde—bestaat al veel langer dan deze AI‑golf. AI legt die keuzes hooguit pijnlijker bloot (en versnelt ze soms), maar is zelden de primaire oorzaak. Twee gedachten en een concreet werkprotocol dat je meteen in ADPA/ECS kunt toepassen:

1) Kennis- en kundeverlies ≠ AI‑probleem (maar AI vergroot de zichtbaarheid)

De-skilling is oud: uitbesteding, standaardisatie en tool‑lock‑in hebben decennia lang tacit knowledge “uit het team gedrukt”.
AI maakt het meetbaar: doordat je nu semantisch kunt spiegelen, drift kunt detecteren en “expected vs actual” outputs kunt vergelijken (zoals jullie template QA/quality gates), zie je sneller waar de expertise verdunt.
De remedie is organisatorisch: capability mapping, kennisretentie‑KPI’s, ontwerpkeuzes (human‑in‑the‑loop, traceability), en expliciete “re‑internalisatie” momenten.

2) “Even stil zijn” is soms de beste stap

Ik herken je punt: het kan verstandig zijn om niet direct te reageren, eerst te ademhalen, formuleren, en pas daarna terug te komen met een samenhangende reactie—zeker als er meerdere AI‑perspectieven naast elkaar moeten worden gezet. Goed beleid > snelle repliek.

3) Multi‑AI “debate & reconcile”: een praktisch protocol

Als je verschillende AI‑providers dezelfde vraag stelt, laat ze niet alleen antwoorden—laat ze met elkaar in dialoog en tegen elkaars bewijs aan duwen. Hieronder een lichtgewicht maar stevig operational playbook dat past bij ADPA/ECS en jullie quality‑gate aanpak:

A. Vraagformulering & context

Decompose de hoofdvraag in 3–5 subvragen (feiten, aannames, keuzes, risico’s, borging).
Contextblok meesturen: doel, constraints, definities, bronhiërarchie (ECS‑autoriteitslagen), en welke templates/verwachtingswaarden gelden (expected entities, audit-thresholds).

B. Parallelle consultatie (multi‑model)

Stel identieke prompts aan 2–3 AI‑providers. Vraag expliciet om:
- Kernclaim(s) + onderbouwing
- Alternatieven + waarom verworpen
- Onzekerheden + welke data ontbreekt
- Verifieerbare referenties (met voorkeur voor primaire bronnen)

C. Debate-fase (kritisch kruisverhoor)

Round 1 – Cross‑critique: laat Model A de claim van Model B bekritiseren op bewijs, aannames, scope-creep en omissies (en vice versa).
Round 2 – Steelman: elk model moet de sterkste versie van de tegenpartij reconstrueren.
Round 3 – Rebuttal: kort en gefocust: “wat blijft overeind na steelmanning?”

Tip: beperk elke ronde tot 5–8 bullets; afdwingen van evidence tags (bijv. [R1]=primaire bron, [R2]=secundaire analyse) voorkomt vrijblijvende retoriek.

D. Reconcile-fase (synthese met trace)

Consensusmatrix: per subvraag: (✔ eens) / (✖ oneens) / (△ onzeker).
Besluitregels (ECS‑stijl):
1. Primair bewijs > secundair > opinie
2. Recente context > verouderde context
3. Domein‑autoriteit > algemene bron
4. Kosten van fouttype A vs. B (asymmetrisch risico)
Dissent bewaren: noteer de best‑verdedigde minderheidspositie en de voorwaarden waaronder die alsnog dominant kan worden (trigger‑criteria).

E. Kwaliteit & drift‑bewaking (haakt in op ADPA)

Expected vs Actual: vergelijk syntheseresultaten met jullie template‑verwachtingen (entity counts, key entities).
Audit-score: zakt score onder drempel → quality‑gate reset (zoals jullie al doen): terug naar “revalidate + manual review”, template updaten, opnieuw draaien.
Feedback‑lus: promt‑ en bronwijzigingen versioneren (micro/minor/major) zodat je herhaalbaarheid + trend hebt.

F. Governance & rollen

Curator (jij/je team): stelt de vraag, bewaakt context, kiest bronnenhiërarchie.
Critic (AI‑agentrol): formaliseert tegenargumenten en onzekerheid.
Scribe: produceert de consensusmatrix, verwijzingen en besluitlog (wordt artefact in ADPA).

4) Snelle checklist (copypaste‑baar)

Doel & scope helder (in <100 woorden)
Subvragen (3–5)
Bronhiërarchie (primaire > secundaire; domein > generiek)
Parallelle runs (≥2 modellen, identieke prompts)
Cross‑critique → Steelman → Rebuttal
Consensusmatrix + dissent
Audit-score & quality‑gate
Versioneer (prompt, bronnen, uitkomst)
Besluit + triggers voor herziening

5) Hoe ik je hierin praktisch kan helpen (nu)

Stilte‑modus met afspraak: ik neem “even adem”, draai een interne multi‑perspectief analyse (self‑consistency + adversarial prompts), en kom terug met:
- Consensusmatrix
- Dissent‑samenvatting
- Besluit + risicoanalyse
- Actielijst voor ADPA/ECS (incl. template‑updates)
Of: jij laat dezelfde vraag extern door 2–3 providers lopen; ik reconcile de uitkomsten volgens het protocol hierboven en maak er een versioneerbaar artefact van (geschikt voor jullie quality gates).

6) Wat dit voorkomt

Schijnzekerheid: je ziet waar modellen echt van mening verschillen.
Kenniserosie: bronnen en redeneringen blijven traceable en worden in templates verankerd.
Besluit‑spijt: dissent + triggers zorgen dat je later gecontroleerd kunt bijsturen.

Als je wilt, pak ik nu jouw oorspronkelijke punt/vraag en behandel ik ’m op deze manier. Wil je dat ik (a) eerst even “stilte‑modus” neem en later terugkom met een gestructureerde synthese, of (b) direct hier in de chat een korte consensusmatrix + dissent opstel op basis van meerdere perspectieven?