Luie chatbots maken mensen dom

AI-deskilling paradox en waarom chatbots je dommer maken

Het klinkt als een slechte grap: de technologie die professionals productiever moet maken, maakt hen juist minder competent. Toch is dit precies wat wetenschappelijk onderzoek in 2025 aantoont. Artsen die drie maanden met AI-ondersteuning werken, detecteren aanzienlijk minder tumoren wanneer de technologie uitvalt. Kenniswerkers die voor dagelijkse taken op ChatGPT vertrouwen, vertonen een meetbaar verminderd kritisch denkvermogen. De belofte van kunstmatige intelligentie als versterker van menselijke capaciteiten slaat om in haar tegendeel.

De ironie is bijna te groot om te geloven. Er worden miljarden geïnvesteerd in AI-systemen die mensen slimmer, sneller en effectiever moeten maken. Microsoft, Google en OpenAI verkopen hun producten als hulpmiddelen die het menselijk potentieel vergroten. Wat ze niet vermelden, is dat hun systemen zijn geoptimaliseerd voor efficiëntie, niet voor kwaliteit. Het resultaat is een vicieuze cirkel waarin gebruikers steeds afhankelijker worden van technologie die hen geleidelijk minder capabel maakt.

Meetbaar competentieverlies bij medische professionals

Een studie gepubliceerd in The Lancet Gastroenterology & Hepatology onderzocht negentien ervaren endoscopisten in vier Poolse ziekenhuizen [1]. Deze artsen, elk met meer dan tweeduizend colonoscopieën op hun naam, kregen vanaf eind 2021 toegang tot AI-ondersteuning voor polypdetectie. De onderzoekers vergeleken hun prestaties bij procedures zonder AI, zowel vóór als na de introductie van de technologie.

De resultaten waren onthutsend. Het gemiddelde adenoomdetectiepercentage, een cruciale indicator voor kankerpreventie, daalde van 28,4 procent naar 22,4 procent wanneer artsen zonder AI werkten na maanden van AI-gebruik. Een relatieve daling van twintig procent in slechts drie maanden. Dr. Krzysztof Budzyń, hoofdonderzoeker, concludeerde dat routinematige blootstelling aan AI het vermogen van clinici om precancereuze afwijkingen zelfstandig te identificeren significant vermindert. Prof. Yuichi Mori van de Universiteit van Oslo wees op een fundamenteel methodologisch probleem: eerdere gerandomiseerde studies die AI-ondersteunde colonoscopie gunstig vergeleken met standaardprocedures, gebruikten mogelijk een controlegroep waarvan de vaardigheden al waren aangetast door blootstelling aan AI.

Dit fenomeen is geen abstracte theoretische zorg. Elk gemist adenoom verhoogt het risico op colorectale kanker, wereldwijd de derde meest voorkomende vorm van kanker. Eerdere meta-analyses toonden aan dat elke procentpuntstijging in het adenoomdetectiepercentage correleert met een daling van drie procent in het risico op intervalkanker. De daling van zes procentpunt die in de Poolse studie is gedocumenteerd, vertegenwoordigt dus een aanzienlijk verhoogd gezondheidsrisico voor patiënten die worden behandeld door AI-gewende artsen wanneer de technologie niet beschikbaar is.

Paradoxaal genoeg presteerden AI-ondersteunde procedures nog steeds beter dan de verslechterde niet-ondersteunde procedures, wat een perverse prikkel creëert om de technologie nooit meer uit te schakelen. De arts wordt gegijzeld door de afhankelijkheid die het hulpmiddel zelf heeft veroorzaakt. Dr. Omer Ahmad van University College London waarschuwde in een commentaar op de studie dat deze bevindingen het huidige enthousiasme voor snelle adoptie van AI-gebaseerde technologieën temperen en het belang onderstrepen van een zorgvuldige afweging van mogelijke onbedoelde gevolgen.

Waarom taalmodellen inherent lui zijn

De verklaring voor dit competentieverlies ligt deels in de manier waarop grote taalmodellen functioneren. Onderzoekers van OpenAI en Georgia Tech publiceerden een analyse die laat zien dat LLM’s worden beloond voor zelfverzekerd gokken in plaats van het uiten van onzekerheid [2]. De benchmarks die worden gebruikt om deze modellen te trainen en te evalueren, straffen eerlijke antwoorden zoals “ik weet het niet” net zo hard af als volledig foute antwoorden.

Dit mechanisme heeft fundamentele gevolgen voor de output die gebruikers ontvangen. Een model dat altijd een antwoord geeft, ook als dat fout is, scoort hoger op standaardevaluaties dan een voorzichtiger systeem dat onzekerheid toegeeft. De onderzoekers beschrijven dit als een epidemie van overmoed. Taalmodellen bluffen systematisch omdat bluffen loont binnen hun trainingssysteem.

Voor gebruikers betekent dit dat AI-output bijna altijd zelfverzekerd klinkt, ongeacht de daadwerkelijke betrouwbaarheid. Een junior medewerker die om hulp vraagt bij een complexe analyse, krijgt een vloeiend geformuleerd antwoord dat alle kenmerken van expertise heeft, maar dat fundamenteel onjuist kan zijn. De oppervlakkige kwaliteit verbloemt de onderliggende beperkingen. Na herhaalde blootstelling aan deze schijnbaar competente output beginnen gebruikers hun eigen oordeel te wantrouwen.

De onderzoekers betogen dat dit probleem niet eenvoudig kan worden opgelost door nieuwe evaluaties toe te voegen. Ze pleiten ervoor om mainstream benchmarks aan te passen zodat ze betrouwbaarheidsdoelen meenemen. Modellen zouden expliciet moeten leren dat onzekere antwoorden in bepaalde situaties acceptabel en zelfs gewenst zijn. Zonder zulke hervormingen blijven hallucinaties een ingebouwd kenmerk van AI-systemen, ongeacht technische verbeteringen in architectuur of een afnemende trainingsschaal. De huidige innovatie in AI is fundamenteel gericht op het maximaliseren van schijnbare competentie, niet op het eerlijk communiceren van beperkingen.

Het Microsoft-onderzoek naar kritisch denken

Een studie uit 2025 van Microsoft Research en Carnegie Mellon University documenteerde dit effect onder 319 kenniswerkers [3]. De onderzoekers verzamelden 936 voorbeelden van AI-gebruik bij werktaken en analyseerden de relatie tussen vertrouwen in AI en kritisch denkvermogen. De resultaten bevestigden een verontrustend patroon: hoe meer vertrouwen medewerkers hadden in de capaciteiten van generatieve AI, hoe minder kritisch ze dachten over de output.

De ondervraagde kenniswerkers gebruikten generatieve AI minstens wekelijks en gaven 936 voorbeelden van hoe ze AI inzetten voor werk, variërend van het opzoeken van feiten tot het samenvatten van teksten. Ze pasten kritisch denken vooral toe bij het formuleren van duidelijke prompts, het verfijnen van vragen en het controleren van AI-output aan de hand van externe bronnen. Zes van de zeven genoemde onderzoekers zijn verbonden aan Microsoft Research, de onderzoeksdivisie van Microsoft die in 1991 is opgericht.

Ook het omgekeerde verband bleek te kloppen. Medewerkers met veel vertrouwen in hun eigen vaardigheden vertoonden juist sterker kritisch denken, ondanks de grotere cognitieve inspanning die dit vereiste. Het verschil zat niet in capaciteit, maar in de impact op gedrag. AI verminderde de gevoelde noodzaak om zelf te denken. Deelnemers gaven aan dat routinematige taken met weinig op het spel, zoals proeflezen of informatie verzamelen, vrijwel automatisch aan AI werden uitbesteed zonder verdere controle.

Onderzoekers ontdekten ook wat ze gemechaniseerde convergentie noemden. Gebruikers met toegang tot generatieve AI-tools produceerden voor dezelfde taak een minder diverse set uitkomsten dan gebruikers zonder AI. Dit suggereert dat AI niet alleen individuele vaardigheden schaadt, maar ook de collectieve diversiteit aan ideeën binnen organisaties verkleint. Wanneer iedereen dezelfde tools met vergelijkbare prompts gebruikt, convergeren de resultaten naar een gemiddelde dat originaliteit mist.

De onderzoekers waarschuwden dat deze gewoonte zich kan uitbreiden naar taken met hogere inzet. Cognitieve vaardigheden verschrompelen wanneer ze niet regelmatig worden gebruikt. Een professional die kritisch denken alleen activeert bij expliciete crisissituaties, verliest geleidelijk het vermogen om subtiele problemen te herkennen voordat ze escaleren. Het onderscheid tussen routine en belangrijk vervaagt wanneer passieve acceptatie de standaardmodus wordt.

De automatiseringsparadox uit 1983

Dit fenomeen is niet nieuw. In 1983 publiceerde cognitief psycholoog Lisanne Bainbridge haar invloedrijke artikel “Ironies of Automation” in het tijdschrift Automatica [4]. Ze beschreef hoe automatisering van industriële processen paradoxaal genoeg menselijke problemen verergert in plaats van ze op te lossen. Wanneer machines de meeste taken overnemen maar mensen verantwoordelijk blijven voor uitzonderingen en storingen, ontstaat een onmogelijke situatie. Haar artikel is sindsdien meer dan 2.300 keer geciteerd en blijft relevant voor actuele discussies over AI en werk.

Bainbridge identificeerde twee kernproblemen. Ten eerste verliezen operators hun vaardigheden door gebrek aan regelmatige oefening. “Het efficiënt ophalen van kennis uit het langetermijngeheugen is afhankelijk van de frequentie van gebruik,” schreef ze. Kennis die niet wordt toegepast, vervliegt. Ten tweede ontwikkelt dit type expertise zich alleen door gebruik en feedback over effectiviteit. Theoretische instructie zonder praktische toepassing resulteert in oppervlakkig begrip dat snel wordt vergeten.

“Het klassieke doel van automatisering is het vervangen van menselijke handmatige besturing, planning en probleemoplossing door automatische apparaten en computers,” schreef Bainbridge. Maar ze wees erop dat zelfs sterk geautomatiseerde systemen mensen nodig hebben voor toezicht, bijstelling, onderhoud, uitbreiding en verbetering. De paradoxale conclusie: geautomatiseerde systemen blijven mens-machinesystemen waarbij zowel technische als menselijke factoren ertoe doen. De ethiek van systeemontwerp vereist erkenning van deze fundamentele spanning.

De parallel met huidige AI-systemen is opvallend. Een piloot die jarenlang op de automatische piloot vliegt, verliest de handmatige vliegvaardigheden die cruciaal zijn wanneer systemen uitvallen. Een radioloog die dagelijks AI-suggesties volgt, verliest de patroonherkenning die nodig is wanneer AI een zeldzame afwijking mist. De technologie lost het probleem op waarvoor de mens oorspronkelijk was opgeleid, waarna de mens niet meer in staat is het probleem zonder de technologie op te lossen.

Structureel vaardigheidsverlies als systeemprobleem

Janet Frances Rafner, onderzoeker aan de Universiteit van Aarhus, plaatst dit fenomeen in een breder perspectief. “Als het ongecontroleerd blijft, kan deskilling de expertise van individuen en de capaciteit van organisaties uithollen,” stelt ze in een interview met Communications of the ACM [5]. Haar collega Jacob F. Sherson, directeur van het Center for Hybrid Intelligence, voegt toe dat “deskilling en de gevolgen daarvan pas met terugwerkende kracht zichtbaar zullen worden.” De effecten zijn cumulatief en vertraagd, waardoor vroege waarschuwingssignalen makkelijk over het hoofd worden gezien.

Recente academische literatuur typeert AI-geïnduceerd vaardigheidsverlies als een structureel probleem, niet als individueel falen. Onderzoekers introduceren het concept van capacity-hostile environments: omgevingen waarin AI-bemiddeling systematisch de ontwikkeling van menselijke capaciteiten belemmert. Dit gaat verder dan persoonlijke verantwoordelijkheid en raakt aan systemische AI-beperkingen. Wanneer de standaard werkomgeving voortdurend AI-ondersteuning aanbiedt, wordt het cultiveren van eigen expertise actief ontmoedigd door de context zelf. Organisaties die autonome agents inzetten, krijgen te maken met governance-uitdagingen omdat menselijk toezicht afneemt naast de beslissingsbevoegdheid.

Dit verklaart waarom pogingen tot gedragsverandering op individueel niveau zelden slagen. Een medewerker die besluit minder op AI te vertrouwen, werkt tegen de stroom van deadlines, productiviteitsmetrics en collegiale normen in. De rationele keuze binnen het bestaande systeem is om AI-gebruik te maximaliseren. Het irrationele gevolg op lange termijn, competentieverlies, wordt door het systeem noch gemeten, noch gewaardeerd.

De cirkel van afhankelijkheid

Het patroon dat ontstaat, is verontrustend consistent. Een professional begint AI te gebruiken voor routinetaken en ervaart direct tijdsbesparing. De AI levert output die oppervlakkig competent lijkt, gebruiksvriendelijkheid is immers een ontwerpprioriteit. De professional accepteert deze output als startpunt en besteedt minder tijd aan zijn eigen analyse. Na herhaalde cycli neemt het vermogen om kwaliteit zelfstandig te beoordelen af. De professional wordt afhankelijk van hetzelfde systeem dat de afhankelijkheid heeft veroorzaakt.

Big Tech heeft weinig prikkels om dit probleem aan te pakken. Het productiviteitsverhaal, AI versterkt menselijke capaciteiten, staat centraal in hun marketing en waardering. Deskilling ondermijnt het argument voor verdere AI-adoptie. Langetermijngevolgen voor menselijk kapitaal passen niet in kwartaalrapporten. Microsoft investeert tachtig miljard dollar in AI-infrastructuur, terwijl de eigen onderzoekers waarschuwen voor cognitieve achteruitgang bij gebruikers van hun producten. Ondertussen herschikt AI in stilte de organisatorische besluitvorming voordat het leiderschap de verschuiving in zeggenschap opmerkt.

De situatie wordt verergerd door wat onderzoekers gemechaniseerde convergentie noemen. Wanneer meer professionals dezelfde AI-tools voor vergelijkbare taken gebruiken, worden de output steeds uniformer. Creativiteit en diversiteit in probleemoplossing nemen af. Een marketingteam dat collectief ChatGPT gebruikt voor brainstormsessies, produceert variaties op hetzelfde door AI gegenereerde concept in plaats van fundamenteel verschillende menselijke perspectieven.

Juridische en educatieve waarschuwingen

Het fenomeen beperkt zich niet tot de medische sector. Rechtenprofessoren van de Illinois Law School concludeerden dat studenten die chatbots en andere vormen van generatieve AI gebruikten, vatbaarder waren voor kritieke fouten [5]. “Zonder de juiste controles en waarborgen kan deze technologie leiden tot wijdverbreid vaardigheidsverlies,” waarschuwden ze. De studenten van vandaag worden de advocaten, rechters en wetgevers van morgen.

In het onderwijs laat onderzoek paradoxale effecten van AI-bijles zien. Studenten die AI gebruikten voor wiskundeoefeningen, presteerden beter tijdens oefensessies maar slechter tijdens toetsen. De directe hulp belemmerde de diepere leerprocessen die nodig zijn voor blijvende kennisverwerving. Neurologisch onderzoek bevestigt dat het schrijven van een essay met je eigen brein een fundamenteel ander activeringspatroon oplevert dan het gebruik van ChatGPT, met als resultaat een dieper begrip.

De implicaties voor professionele training zijn verstrekkend. Hoe train je een arts om diagnoses te stellen wanneer AI-systemen de diagnose al hebben gesteld voordat de arts de patiënt ziet? Hoe ontwikkel je juridisch inzicht wanneer AI precedenten sneller analyseert dan welke student dan ook kan lezen? De traditionele leercyclus van proberen, fouten maken en corrigeren wordt verstoord wanneer AI de foutmarge wegneemt door het antwoord vooraf te geven.

Wat dit betekent voor jouw expertise

De vraag is niet of AI vaardigheidsverlies veroorzaakt, maar hoe snel en hoe diep. De huidige generatie senior professionals is opgeleid in een pre-AI-omgeving en draagt expertise die AI niet kan repliceren. Maar junioren die nu de arbeidsmarkt instromen, leren hun vak in een omgeving waarin AI-ondersteuning de norm is. Over tien jaar zal de collectieve expertise in veel beroepsvelden fundamenteel anders zijn gestructureerd, mogelijk minder robuust.

Dit is geen pleidooi om technologie te weigeren. AI biedt reële en aantoonbare voordelen voor productiviteit en toegankelijkheid. Het punt is dat deze voordelen niet gratis zijn. De prijs wordt betaald in geleidelijk competentieverlies dat alleen zichtbaar wordt wanneer de technologie uitvalt of niet beschikbaar is. Een professional die dit begrijpt, kan bewuste keuzes maken over wanneer hij op AI vertrouwt en wanneer niet.

Matt Beane, hoogleraar aan de University of California Santa Barbara, merkt op dat senior ingenieurs en programmeurs vaak sneller en beter werk leveren met AI omdat het hun bestaande productiviteit versnelt. Maar dezelfde systemen kunnen jongere werknemers benadelen die profiteren van samenwerking met menselijke experts. De technologie maakt onderscheid tussen mensen die iets al kunnen en mensen die het nog moeten leren.

Behandel AI als assistent, niet als autoriteit. Controleer output actief en bewust, niet passief. Onderhoud vaardigheden die je niet dagelijks gebruikt. De professionals die over tien jaar nog relevant zijn, zijn degenen die hun zelfstandige denkvermogen hebben behouden terwijl ze technologie strategisch inzetten. De rest wordt vervangen door goedkopere arbeidskrachten die dezelfde standaard automatiseringsprompts gebruiken.

Gerelateerde signalen – ondersteunend bewijs en oplossingen

Dit hoeksteen-signaal wordt onderbouwd door deze vijf subsignalen die dieper ingaan op specifieke verschijningsvormen en oplossingen:

• Maakt AI je brein lui? Cognitieve afhankelijkheid – Het neurologische mechanisme van afhankelijkheid en hoe cognitieve uitbesteding mentale vaardigheden laat verschrompelen.

• Jouw AI-assistent manipuleert je brein – De vijf psychologische manipulatietechnieken (dopaminelussen, intermitterende bekrachtiging, synthetische empathie) die vaardigheidsverlies versnellen.

• De mentale impact van AI-chatvrienden – Emotionele afhankelijkheidspatronen die professioneel vaardigheidsverlies weerspiegelen en versterken door sociale isolatie.

• AI-afhankelijkheid: bouw een persoonlijk gebruiksplan – Praktische kaders (tijdsblokken, no-go-zones, zelfchecks) om zelfstandig oordeel te behouden terwijl je AI strategisch gebruikt.

• AI-chatbots uitgelegd: wat ze zijn en hoe je ze kunt gebruiken – Educatieve basis: hoe LLM’s werken, hun beperkingen, en patronen voor verantwoorde integratie.

Referenties

[1] Budzyń K, Romańczyk M, Kitala D, et al. Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study. Lancet Gastroenterol Hepatol. 2025;10(10):896-903. Available from: https://www.thelancet.com/journals/langas/article/PIIS2468-1253(25)00133-5/abstract

[2] Kalai AT, Nachum O, Zhang E, Vempala SS. Why Do Language Models Hallucinate? OpenAI Scientists Say LLMs Rewarded For Being Too Cocky. arXiv preprint. 2025. Available from: https://theaiinsider.tech/2025/09/06/why-do-language-models-hallucinate-openai-scientists-say-llms-rewarded-for-being-too-cocky/

[3] Lee HP, Sarkar A, Tankelevitch L, et al. The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI ‘25 Proceedings. 2025. Available from: https://www.microsoft.com/en-us/research/publication/the-impact-of-generative-ai-on-critical-thinking-self-reported-reductions-in-cognitive-effort-and-confidence-effects-from-a-survey-of-knowledge-workers/

[4] Bainbridge L. Ironies of automation. Automatica. 1983;19(6):775-779. Available from: https://www.sciencedirect.com/science/article/abs/pii/0005109883900468

[5] Samuel S. The AI Deskilling Paradox. Communications of the ACM. November 2025. Available from: https://cacm.acm.org/news/the-ai-deskilling-paradox/