Jouw AI-bewuste toekomst

#10.1Kritiek geven op AI

Je zal merken dat er maatschappelijk veel kritiek is op AI en generatieve AI, of dat juist de loftrompet wordt gestoken. In dit hoofdstuk en de vorige hoofdstukken hebben we al verschillende punten besproken. Kritiek geven op de ontwikkeling en het gebruik van generatieve AI is ‘gemakkelijk’: er is altijd wel een onderwerp te noemen waar AI een negatieve invloed heeft: op lerenden, mensen, het milieu, ongelijkheid in de wereld, uitbuiting, vergroten van polarisatie of opkomst fascisme. Maar het is tegelijkertijd ook ‘gemakkelijk’ om van AI alleen de positieve kanten te zien: verhogen van productiviteit, doorbraken in het doen van onderzoek, ongekende toegang tot informatie die op een begrijpelijk manier wordt gepresenteerd en meer.

Vanuit een academisch en geïnformeerd perspectief, moet je beiden kanten op zijn minst kennen. Het is juist een academische vaardigheid om het geheel te overzien en daar op een genuanceerde manier over te spreken en oordelen. Veelvoorkomende beperkingen of fouten in de discussie zijn gebaseerd op typische logicafouten, zoals deze:

• Incorrecte informatie, waarbij je informatie die je leest over generatieve AI direct voor waar aanneemt, terwijl je de bronnen niet controleert en mogelijk zelf niet begrijpt of verwart. (Wij hopen dat deze Companion hierbij helpt, zie ook het voorbeeld van paragraaf 9.4.4).
• Bevestigingsbias (confirmation bias), waarbij je selectief aandacht schenkt aan informatie of bewijs dat je bestaande overtuigingen ondersteunt en tegenstrijdige informatie negeert.
• Cherry picking, waarbij je opzettelijk alleen die gegevens of voorbeelden selecteert die je eigen standpunt ondersteunen, terwijl je het bredere bewijs dat dit standpunt zou kunnen compliceren of tegenspreken, negeert.
• Ad hominem-redeneringen, waarbij argumenten worden afgewezen op basis van het karakter van de persoon die ze naar voren brengt in plaats van op basis van de inhoud ervan.
• Valse dichotomieën, waarbij complexe kwesties worden teruggebracht tot twee tegengestelde opties, terwijl er meer genuanceerde standpunten bestaan.
• Overhaaste generalisaties, waarbij je brede conclusies trekt op basis van beperkte voorbeelden.
• Beroep op autoriteit, waarbij je beweringen accepteert simpelweg omdat een autoriteit ze onderschrijft, zonder het onderliggende bewijs te onderzoeken.
• Post hoc redenering, waarbij je aanneemt dat als de ene gebeurtenis de andere volgt, de eerste de tweede moet hebben veroorzaakt.

Deze fouten komen zo vaak voor, juist omdat ze intuïtief vaak correct aanvoelen en sociaal kunnen worden versterkt binnen groepen die dezelfde aannames delen.

Een interessant artikel in dit verband is geschreven door Barend Last en Jack Esselink (2025). Zij pleiten voor het onderscheiden van vijf niveaus van analyse rondom generatieve AI. Dat zijn vijf, vrij onafhankelijke kenmerken van AI die in discussies vaak worden verward of op één hoop worden gegooid, waardoor de hierboven genoemde logicafouten vaak voorkomen en discussies verzanden of gepolariseerd raken. Zij onderscheiden als kenmerken:

• Niveau 1: De techniek zelf - hoe LLM's werken en chatomgevingen (in de Companion hoofdstukken 2, 4 en 6)
• Niveau 2: Hoe de techniek ontwikkeld wordt - trainen en ‘bakken’ van LLM's (hoofdstukken 4 en 5)
• Niveau 3: Hoe AI gepresenteerd wordt - chatbots, antropomorfisme (hoofdstuk 5)
• Niveau 4: Hoe AI gebruikt wordt - waarvoor en hoe kun je het inzetten (hoofdstuk 2, 3, 7, 8 en 10)
• Niveau 5: De maatschappelijke inbedding - impact op leren, onderwijs, de maatschappij, het werk, het milieu etc. (hoofdstuk 1, 2, 6, 8, 9)

Op basis daarvan houden ze vaak geuite kritische argumenten tegen het licht, zoals:

• AI denkt niet echt, het is allemaal nep.
• Je kunt AI niet als bron gebruiken.
• AI geeft altijd ‘ongeveer’ antwoord en dat is niet goed genoeg.
• AI is slecht voor je brein.
• We leven in een ‘post-waarheid’ tijd door AI.
• Vroeger was alles beter.
• AI vernietigt de universiteit / de journalistiek / de democratie / het milieu.
• AI discrimineert en is bevooroordeeld.

Op de LinkedIn-pagina waar het artikel staat, kun je precies nalezen hoe ze deze kritiek beschouwen. Maar ook daar is weer kritiek op. Bijvoorbeeld dat het artikel als onderliggende aanname heeft dat mensen al voldoende kennis bezitten over deze niveaus, terwijl dat vaak niet zo is. En éénmaal wordt een retorische truc uitgehaald van de zogeheten stroman. Dat is een drogreden waarbij iemand het argument van de tegenstander vervormt, overdrijft of een karikatuur ervan maakt, en die karikatuur vervolgens aanvalt in plaats van het echte, originele standpunt. Bijvoorbeeld het argument dat men bang is voor verandering en daarom tegen AI is. Verder wordt bijvoorbeeld gesteld dat er geen sprake meer is van individuele keuze bij het gebruik van systemen (Niveau 4), als de maatschappelijke inbedding (Niveau 5) en de commerciële ontwerpkeuzes (Niveau 2 en 3) eenmaal een feit zijn en je wordt uitgesloten van een belangrijk deel van sociale interacties of nieuwsbronnen die andere perspectieven bieden.

#10.2Handelingsperspectief - omgaan met dilemma’s van AI

Als je alle hoofdstukken van deze Companion overziet, kan het je gaan duizelen. Generatieve AI biedt kansen, van snellere analyses tot bredere toegang tot kennis, maar dezelfde technologie hangt samen met grote problemen: milieubelasting, arbeidsuitbuiting bij datalabeling, concentratie van macht bij enkele techbedrijven en risico's voor privacy en democratie (zie hoofdstukken 6 en 9). Die spanning kan verlammend werken.

Hier helpt het begrip handelingsperspectief: je richt je aandacht en energie op datgene waar je zelf daadwerkelijk invloed op hebt, in plaats van op wat buiten je bereik ligt. Wat binnen je bereik ligt, zijn je eigen keuzes: wanneer je AI wel inzet en wanneer bewust niet, hoe je aandacht vraagt voor de data, of je je publiek uitspreekt voor of tegen het gebruik van AI en hoe eerlijk je bent over je gebruik.

Het milieuhoofdstuk laat goed zien hoe handelingsperspectief in de praktijk werkt, en ook hoe lastig het is. Masley (2025a) laat met vergelijkingen zien dat het milieueffect van je AI-gebruik in het niet valt bij keuzes als niet vliegen, de auto laten staan of minder vlees eten. Zijn advies is dus om je aandacht te richten op de keuzes met de meeste impact, en dat is een echte vorm van handelingsperspectief. Ritchie (2024) voegt daar de juiste houding aan toe: kijk nuchter naar de data, maar blijf betrokken, dus urgent en niet zelfgenoegzaam.

Tegelijk is er een spanning die je niet moet wegpoetsen. Maniates (2001) waarschuwt namelijk dat een sterke nadruk op individuele leefstijlkeuzes de aandacht kan afleiden van de structurele oplossingen, terwijl juist bedrijven en overheden aan de belangrijkste knoppen zitten. Handelingsperspectief betekent daarom niet kiezen tussen deze twee, maar beide vasthouden: benut de invloed die je zelf hebt op je eigen keuzes, en agendeer tegelijk de grotere vragen op de plekken waar ze thuishoren, zoals het beleid van je opleiding, van het bedrijf waar je werkt of via het pleiten voor overheidsmaatregelen.

Handelingsperspectief betekent dus niet dat alles jouw individuele verantwoordelijkheid is, en het is ook geen vlucht in kleine gebaren. Het is een manier om betrokken te blijven zonder je machteloos te voelen, door onderscheid te maken tussen wat je zelf kunt beïnvloeden, wat je samen met anderen kunt agenderen, en wat vooral om beleid en regelgeving vraagt. Dat onderscheid sluit aan bij het werk van Bandura (2006) die laat zien dat mensen niet alleen individueel invloed uitoefenen, maar ook via anderen en via collectief, gecoördineerd handelen. Op individueel niveau kun je duurzame gewoontes ontwikkelen en verantwoord met bronnen omgaan, maar daarnaast maak je deel uit van grotere verbanden waarin je stem meer gewicht krijgt: als student kun je meedenken over het AI-beleid van je opleiding, als toekomstig professional kun je binnen je vakgebied mede bepalen hoe AI verantwoord wordt ingezet, en als burger kun je deelnemen aan het maatschappelijke debat. Zo verschuift de vraag van "kan ik de wereld veranderen?" naar de bruikbaarder vraag: "wat is hier, in mijn situatie, mijn eerstvolgende verstandige stap, en welke problemen moet ik doorverwijzen naar het niveau waar ze thuishoren?"

#10.3Ethische zelfreflectie

De manier waarop je AI gebruikt, zegt iets over wie je bent en wie je wilt zijn. Juist omdat AI-technologie steeds meer verweven raakt met je studie, werk en dagelijks leven, is het belangrijk om stil te staan bij de ethische dimensie van je keuzes.

#10.4Toekomstperspectief

AI is continu in ontwikkeling en zal je vakgebied blijven beïnvloeden - of je nu werkt in de zorg, het onderwijs, de rechtspraak of de kunsten. Daarom is het belangrijk om jezelf aan te leren flexibel en kritisch mee te bewegen met die veranderingen. Niet door alles klakkeloos te volgen, maar door nieuwsgierig te blijven, ethisch na te denken, zo nodig zaken hoger in de hiërarchie te adresseren en te blijven leren.

Een persoonlijke roadmap helpt je koers te houden. Denk na over waar je naartoe wilt, wat je nodig hebt om daar te komen, en wees voorbereid op verandering. AI-geletterdheid is geen eindstation, maar een voortdurend proces dat start bij jouw eigen keuzes.