Deze prompt legt jou op de pijnbank. Durf jij het aan?

Ho, leuk dat je weer luistert naar de korte aflevering van AIToday Live. Mijn naam is Joop Snijder, CTO bij Aigency, en waar ik het vandaag over ga hebben, is dat je een onderwerp dat je overal leest in blogs, training op LinkedIn. En daar staat dan wees kritisch op AI output. Controleer wat eruit komt en check de bronnen. Vertrouw niet klakkeloos op wat een taalmodel schrijft, dat is hartstikke goed advies. Maar dit wordt altijd wel gekoppeld aan kritisch denken. Is dat wel kritisch denken of is dat gewoon nakijken? Ik laat me maar even scherp zijn. Dus output controleren is zorgvuldigheid. Kijk, je checkt of bronnen kloppen of het taalmodel niet hallucineert, of de feiten kloppen. En dat is toch review, dus nakijken. En ja, dat is hartstikke nodig. In een eerdere aflevering over AI-overproductie heb ik al eens aangegeven hoe lastig dat wordt als de hoeveelheid output groeit en de human in the loop steeds meer moet controleren. Maar kritisch denken zit wat mij betreft veel eerder in het proces voordat je begint. Heb je generatieve AI eigenlijk wel nodig voor deze taak. En wat win je ermee en minstens zo belangrijk, wat laat je achter. Want bij automatiseren verlies je ook iets. En dan bedoel ik niet meteen de grote zorgen over cognitieve vaardigheden. Ik bedoel eigenlijk iets subtielers. Soms verlies je namelijk flexibiliteit. Of je verliest het gelukkige toeval. Dus minder fouten door automatisering klinkt geweldig, maar het kan ook betekenen dat je minder verrast wordt en dat iets onverwachts je op een beter idee brengt. Die ene tikfout in de zoekterm die je bij een heel ander artikel bracht. Dat serendipity-effect verdwijnt als je alles stroomlijnt. En dat hoeft helemaal niet erg te zijn. Maar dit soort afwegingen is kritisch denken op zijn minst. Dus niet het afvinken van een checklist achteraf, maar vooral bewust nadenken over wat automatiseer je oplevert en wat het je kost. Maar er zijn in die zin andere manieren die ook helpen in kritisch denken. Daar wil ik er twee namelijk met je delen. En het eerste dat begon misschien meer als een soort van grapje, maar is inmiddels een gewoonte geworden. Ik geef mijn taalmodel bijna wekelijks een hele simpele prompt in het Engels, maar ik denk dat hij het in het Nederlands ook doet. Ik geef hem net in het Engels. Roast my chats from last week and challenge me where to do better. En meer niet. En wat je terugkrijgt is verrassend waardevol. Het taalmodel geeft niet alleen kritiek, maar doet ook suggesties voor verbetering. Sommige punten waren echte eye-openers. Dingen waar ik niet zelf aan had gedacht. En andere punten waren ronduit hilarisch. Ik kreeg bijvoorbeeld te horen deze wel grappig. Je besteedt serieuze tijd aan PDF-opmaak. Twee chats, twee. Gaan over het reverse-engineeren van een PDF-design. Inclusief superscript-referenties en kleurschema's. Dat is werk voor een designer of een stagiair. Oei. Ik was daar inderdaad mee bezig. Want ik wilde een stuk wat ik geschreven had mooi opgemaakt hebben. En ik ga een voorbeeld. En voordat je het weet ben je met van alles en nog wat bezig. Deze was eigenlijk wel terecht. En een andere die mij ook wel trof. Die ook heel terecht was, een kritische analyse op mijn Gartner-gebruik. Gartner is een analysebureau en daar kan je allerlei research vinden. Bedrijfsresearch over alles en nog wat. En het taalmodel zei daarover wat ik daar gedaan had. Wat zegt Gartner over de komende vijf jaar? Dat is een vraag die elke willekeurige consultant ook stelt. Luister, jij bent CTO bij Aigency. Je zou Gartner-data moeten challengen, niet consumeren. Pak nou eens die acht voorspellingen en schrijf een tegengeluid. Waar zit Gartner ernaast? Wat zie jij in de praktijk bij je klanten dat die voorspelling nuanceert. Dat is content die past bij jouw positie. Dat was wel sterk. Daar ga ik ook echt daadwerkelijk iets mee doen. Dit is echt wel. Dit komt dan binnen. Waar je dan over denkt van precies het soort inzicht dat je zelf over het hoofd ziet omdat je er middenin zit. En dat bracht me bij het tweede voorbeeld. En dat gaat eigenlijk over deze podcast. Want we praten bij AIToday Live vaak over kritisch denken richting AI. Maar passen we het dan ook toe op ons eigen werk. We interviewen bijvoorbeeld elke week gasten en denken altijd dat we dat best goed doen. Maar denken dat je goed interviewt en het weten zijn twee verschillende dingen. Daarom heb ik de Conversation Coach gebouwd. Een AI-tool die onze interviews analyseert op twee niveaus. Aan de ene kant harde cijfers: het percentage open vragen. De duur van de intro, het aantal strategische stiltes. Ja, gewoon hele pure data. En aan de andere kant laat ik een taalmodel de zachter kant beoordelen. Hoe goed vragen wij door, voelt het gesprek als een echte dialoog of als een afgewerkte vragenlijst die we trouwens even niet hebben. Dat soort nuance kun je niet in een formule vangen, maar een taalmodel dat het hele transcript heeft gelezen, kan daar wel een onderbouwde oordeel over geven. Die combinatie bleek eigenlijk best waardevol. De harde cijfers houden je eerlijk. En de zachter scores geven je context waarom een gesprek wel of niet in mindere mate werkte. In ons geval zagen we dat de correlatie tussen interviewkwaliteit en luistercijfers. Die is gewoon heel sterk. Dus betere interviewen leidt daadwerkelijk tot meer luisteraars. En dat is een meetbaar resultaat: geen onderbuikgevoel. Op zich weet je heel gaaf dat je allemaal dit soort dingen kan doen. Maar ik kan me ook voorstellen dat je denkt: ja, maar dit is wel heel tegenstrijdig. Dus technologie inzetten om kritisch te denken over je eigen technologiegebruik. Het werkt wel. En je kunt het in die zin op drie manieren toepassen. De eerste is de meest laagdrempelige. Zoals ik al eerder zei. Je kan je chatsgeschiedenis openen en dan typ je die prompt in. 98 Roast my chats. 99 En challenge me where to do better. 100 Je krijgt daardoor ongezouten feedback op patronen die je zelf niet opmerkt. 101 Dus waar besteed je te veel tijd aan? 102 Waar stel je de verkeerde vragen? 103 Wat had je beter zelf kunnen nadenken in plaats van een taalmodel in te schakelen. 104 De tweede stap gaat verder. 105 Wat wij hebben gedaan voor de podcast, kan jij natuurlijk ook doen dat je data verzamelt over je eigen proces. 106 Niet om jezelf af te rekenen, maar juist om blinde vlekken zichtbaar te maken. 107 Wij deden dat met onze interviews. 108 Jij kan het doen met presentaties, e-mails, projectvoorstellen. 109 Net waar je best wel gewoon tijd en energie in steekt. 110 En ten derde, wees gewoon eerlijk voor jezelf wat je overneemt. 111 Want zal al deze feedback correct zijn, maar hopen we niet. 112 Precies daar begint het echt kritisch denken. 113 Het bij de keuze wat je overneemt van die voorstellen en wat niet. 114 Taalmodel zonder gevoel houd je een spiegel voor. 115 En wat jij met die reflectie doet aan jou. 116 Dus even afsluitend kritisch denken over AI gaat niet over het nakijken van output. 117 Het gaat over het bevragen van je eigen aannames, je patronen en je keuzes. 118 AI kan je daarbij helpen. 119 Niet door voor je te denken, maar door je te laten zien waar je zelf niet meer naar kijkt. 120 Dus bedenk altijd AI is niet de oplossing van elk probleem, onmisbaar waar het past. 121 Dankjewel weer voor het luisteren naar deze aflevering. 122 Vergeet je niet te abonneren via je favoriete podcast app of mis je geen aflevering. 123 Tot de volgende keer.