De paradox van overproductie in het AI-tijdperk

Hoi, leuk dat je weer luistert naar een korte aflevering van AIToday Live. Mijn naam, Joop Snijder, CTO bij Aigency. En we gaan het vandaag hebben over hoe AI overproductie ons overspoelt. Stel je voor, je staat vroeg op op een zaterdagochtend, de zon schijnt door de bomen. Je hebt een kettingzaag in je handen die net zo goed door hout snijdt als een warm mes door boter. En in een uurtje heb je meer gesneden dan je in jaren met handgereedschap voor elkaar zou krijgen. Je voelt je productief, krachtig, modern. Maar dan komt het moment van de waarheid. Je doet je gehoorbescherming af en je draait je om. Ja, en wat hoop je dan aan te treffen? Je partner met een stralende glimlach en een dampende kop koffie, toch? Maar wat zie je? Een gigantische berg afvalhout. Een berg die het hele weekend gaat kosten om op te ruimen. Dit beeld, zo treffend beschreven door Bouke Vlierhuis in zijn boek AI Survival Gids voor de B2B-marketeer, vat perfect samen waar we het vandaag over gaan praten. Hij noemt het het kettingzaag effect van AI. Het fenomeen dat AI tools ons in staat stellen om razendsnel content te produceren, maar ons achterlaten met een berg onbewerkt materiaal die niemand meer kan overzien. Want ja, meer is namelijk niet altijd beter. We meten succes tegenwoordig vaak aan de hoeveelheid die we produceren. Het aantal artikelen dat geproduceerd wordt, de regels code die geprogrammeerd wordt, de documenten die ontstaan. Het is een simpele metriek. Te simpel. Want hoe meer we produceren, hoe meer ruis we creëren. Het wordt steeds makkelijker om die documenten te genereren, code te laten schrijven, blogpost te produceren. Maar wat doen we eigenlijk met al die output? In de wetenschap zien ze dit probleem al ontstaan. Er worden namelijk zoveel onderzoekspapers gepubliceerd dat het niet meer bij te houden is. Wetenschappers verdrinken in publicaties. En het gevolg, in plaats van dat nieuwe ideeën sneller doorbreken, blijven ze juist vaker onopgemerkt. En de aandacht gaat naar de artikelen die al veel geciteerd worden, terwijl potentieel baanbrekende nieuwe inzichten ondergesneeuwd raken in de lawine van nieuwe publicaties. Dit kan dus ook gebeuren in jouw organisatie. Je kunt heel makkelijk, wat ik al zei, die blog schrijven. Maar wie leest die dan als ze massaal over ons worden uitgestort? We zijn terug bij het kettingzaageffect. De productie is razendsnel, maar het opruimen van de berg content wordt de onmogelijke taak. Terwijl ieder artikel over AI-gegenereerde content hetzelfde benadrukt. Namelijk, je moet als gebruiker goed de output controleren. De zogenaamde human in the loop. Maar wat gebeurt er als je zo onvoorstelbaar veel output krijgt dat het reviewen gelijk staat aan het beklimmen van de Mount Everest? En hier wordt het probleem echt zichtbaar. De troep van je kettingzaag kun je niet laten liggen. Die is namelijk te zichtbaar in je tuin. Maar hoe ruim je het minder zichtbare werk van AI weg? Wie gaat al die code reviewen? Wie checkt al die documenten? Wie leest al je blogpost? Uit onderzoek naar AI blijkt dat het veel minder competentie kost om AI-tools te gebruiken dan om ze grondig te begrijpen en fouten te herkennen. En helaas kunnen AI-fouten lang onopgemerkt blijven. Dus als AI ertoe leidt dat onderzoekers meer tijd besteden aan het uitvoeren of voortbouwen op foutief onderzoek, kan het de vooruitgang juist vertragen. En dit geldt ook voor het programmeren van code. Het is makkelijk om AI code te laten genereren, maar het vraagt veel meer expertise om te beoordelen of die code wel goed is. En je kunt niet zomaar 60 jaar ervaring wat de sector heeft opgedaan en de volwassenheid die ontstaan is zomaar overslaan. Die diepgaande kennis van wat goede code maakt, van architectuurprincipes en wat de valkuilen zijn waar je in kunt trappen, die bouw je alleen op door jaren van ervaring. En dan denk ik vooral bij bedrijfskritische applicaties kan dit alleen maar tot grote problemen leiden als we alleen maar focussen op productie. En dan hebben we ook nog te maken met dat aandacht is best wel een schaars goed. Want hier is best wel een pijnlijke paradox. Taalmodellen zijn geneigd om teksten langer te maken. Ze spugen zin naar zin uit met een soort van onuitputtelijke energie. En tegelijkertijd kunnen wij ons steeds minder lang concentreren. En we willen kort, snel, 140 tekens of op z'n minst TikTok lengte. Nou misschien een LinkedIn artikel, maar dat is het ongeveer wel toch? De spanning tussen AI die uitbreidt en menselijke aandacht die krimpt. Dat is ook wel een deel van het hart van het probleem. We produceren meer content dan ooit, maar hebben minder tijd om die content te consumeren. En daar komt bovenop dat een recent grootschalig onderzoek in Denemarken naar AI chatbots, zoals Copilot, die bevestigen deze paradox. Want ondanks de massale investeringen door bedrijven, de meeste werkgevers moedigen echt het gebruik aan. Nou, er zijn allemaal trainingen die je krijgt. In ieder geval zorgen dat er een hoge adoptie komt van de Copilot ChatGPT-achtige zaken. blijven de economische effecten, als je het wel beschouwt, best wel minimaal. Zij konden in ieder geval geen significante impact aantonen op inkomsten of gewerkte uren, dat die minder worden. Zelfs de bescheiden productiviteitswinsten van zo'n gemiddeld 3% tijdsbesparing vertalen zich niet naar tastbare voordelen. Maar misschien maken we hier namelijk ook wel dezelfde denkfout als eerdere generaties. Want we kunnen echt wel lessen halen uit het verleden. Het probleem van hoe we technologie inzetten, dat is eigenlijk helemaal geen nieuw probleem. Er is namelijk de econoom Robert Solow, die zei ooit, je ziet het computertijdperk overal, behalve in productiviteitsstatistieken. En dit was in de jaren 70, 80 van de vorige eeuw, toen computers razendsnel vooruit gingen, maar de productiviteitsgroei juist vertraagde. Dit fenomeen kreeg de naam productiviteitsparadox. Een soort gelijke discussie speelt zich nu af rond AI. Ondanks alle vooruitgang in AI-algoritmen zien we in veel economieën nog steeds een tamme productiviteitsgroei. En waarom? Omdat het tijd kost om workflows en organisaties te reorganiseren om het potentieel van nieuwe technologie volledig te benutten. Neem elektriciteit als voorbeeld. Eind 19e eeuw werden elektromotoren geïntroduceerd in fabrieken. En die eerste winsten waren ook klein. En waarom? Omdat fabrieken gewoon stoommachines inwisselden voor elektromotoren. En ze gebruikten de nieuwe technologie om oude processen sneller te maken. Pas toen fabrieken hun complete workflows opnieuw ontwierpen, steeg de productiviteit enorm. En we doen nu hetzelfde met AI. Adopteren, de Copilots, de ChatGPT's om bestaande processen te automatiseren. Ze plakken als het ware AI op oude werkprocessen. Maar als je niet heroverweegt hoe je werkt om juist die unieke krachten van AI te benutten. Ja dan blijven die winsten dus beperkt. AI kan enorm hoeveelheden data analyseren, kan razendsnel voorspellingen maken. Maar gebruik je die mogelijkheden als je gewoon sneller dezelfde documenten produceert. Of als je code genereert volgens oude patronen. Dus in die zin staan we echt wel voor een keuze. Dus laten we AI ons overweldigen met zijn productiviteit. Of leren we de technologie zo in te zetten dat het ons echt vooruit helpt. Het verschil zit hem in bewustwording en strategie. Net zoals een ervaren hovenier weet wanneer hij de kettingzaag wel en niet moet pakken. Moeten wij leren wanneer AI productiviteit zinvol is. en wanneer het gewoon meer lawaai creëert. En luister, de moraal van het verhaal is vandaag niet om te zeggen je moet altijd minder AI gebruiken. Zeker niet. Het helpt mij ook in mijn werk. Wat ik met deze aflevering juist wil laten zien is dat als je AI gebruikt, dit impact heeft. En meer dan alleen op de taak die je versnelt. Het is verstandig om breder te kijken naar wat je versnelt maar ook welk werk erover blijft. En het hoeft niet alleen jouw werk te zijn Als jij sneller schrijft, moet een collega dan sneller reviewen en kan dat? Als jij sneller code genereert, kun je een tempo dan nog bijhouden? De taak staat nooit los van een groter geheel en daar moeten we een antwoord op verzinnen. Ik denk dat het antwoord heel vaak ligt in het herontwerpen van je processen. Net zoals die fabrieken pas echt profiteerden van elektriciteit toen ze hun complete werkwijze aanpaste, Zullen wij pas echt productiever worden met AI als we onze workflows durven te heroverwegen? Niet gewoon AI erop plakken, maar processen opnieuw uitvinden met AI als uitgangspunt. Want uiteindelijk gaat het niet om hoeveel we kunnen maken, maar om wat we ermee kunnen bereiken. En zoals altijd bedenken, AI is niet de oplossing voor elk probleem, maar wel onmisbaar waar het past. Oh ja, en ben je marketeer? Kijk dan echt eens even naar het boekje van Bouke Vlierhuis. Geweldig om te lezen, brutaal eerlijk. En ik heb nog nooit zo ontzettend veel moeten lachen bij het lezen van een boek. Op een hele positieve manier.