Waarom AI-agenten menselijke inzichten harder nodig hebben dan ooit
AI-agenten ontwikkelen zich razendsnel. Ze schrijven code, analyseren documenten, voeren complexe workflows uit en nemen steeds vaker zelfstandig beslissingen. Toch ligt volgens Geoffrey Litt van Notion de grootste uitdaging niet langer bij de technologie zelf. De echte bottleneck is het vermogen van mensen om te begrijpen wat AI precies doet.
Tijdens zijn presentatie stelt Litt dat organisaties vaak denken dat volledige autonomie het einddoel is. In werkelijkheid blijken de meeste agentische taken nog steeds afhankelijk van menselijke beoordeling, context en inzicht. Niet omdat AI tekortschiet, maar omdat succesvolle samenwerking tussen mens en machine vraagt om wederzijds begrip.
Volledige autonomie blijft voorlopig een uitzondering
De huidige generatie AI-agenten kan indrukwekkende taken uitvoeren, maar opereert zelden volledig zelfstandig. In veel bedrijfsprocessen moeten mensen nog steeds beoordelen of resultaten logisch zijn, aansluiten bij de bedrijfscontext of ethisch verantwoord zijn.
Volgens Litt ontstaat hierdoor een misvatting. Veel organisaties richten zich vooral op het controleren van de juistheid van AI-output. Maar alleen controleren is onvoldoende. Om AI echt effectief aan te sturen moeten gebruikers begrijpen hoe een agent tot bepaalde keuzes is gekomen.
Dat inzicht maakt het verschil tussen blind vertrouwen en doelgerichte samenwerking.
Begrijpen is belangrijker dan controleren
Traditioneel controleren medewerkers of een AI-oplossing het juiste antwoord heeft gegeven. Geoffrey Litt pleit voor een fundamenteel andere benadering.
De vraag zou niet alleen moeten zijn:
- Is het antwoord correct?
- Begrijp ik waarom de AI dit antwoord heeft gegeven?
- Kan ik de redenering volgen?
- Weet ik waar eventuele fouten kunnen ontstaan?
Pas wanneer gebruikers die vragen kunnen beantwoorden, ontstaat voldoende vertrouwen om AI-agenten steeds complexere taken toe te vertrouwen.
Leren van onderwijs en cognitieve wetenschap
Om dit probleem op te lossen kijkt Litt verrassend genoeg niet alleen naar AI, maar ook naar onderwijs en cognitieve psychologie.
Mensen leren immers niet door simpelweg antwoorden te bekijken. Ze ontwikkelen begrip door:
- stap voor stap redeneringen te volgen;
- feedback te ontvangen;
- actief vragen te stellen;
- verbanden te leggen;
- hun eigen mentale model voortdurend aan te passen.
Diezelfde principes kunnen volgens hem worden toegepast op AI-agenten. In plaats van een ondoorzichtige "black box" zouden AI-systemen hun denkproces inzichtelijk moeten maken, zodat gebruikers onderweg kunnen leren en bijsturen.
De mens blijft onderdeel van de feedbacklus
Het populaire idee van volledig autonome AI-agenten maakt langzaam plaats voor een realistischer model: de mens blijft onderdeel van de beslissingsketen.
Niet om voortdurend handmatig werk uit te voeren, maar om richting te geven, uitzonderingen te beoordelen en nieuwe kennis toe te voegen.
Juist deze samenwerking zorgt ervoor dat AI-systemen zich beter aanpassen aan veranderende situaties en bedrijfsdoelen.
In plaats van een controleur wordt de gebruiker steeds meer een coach voor de AI.
Begrip versnelt uiteindelijk juist de automatisering
Op het eerste gezicht lijkt het investeren in extra uitleg en inzicht de snelheid van AI te vertragen. Volgens Litt gebeurt juist het tegenovergestelde.
Wanneer gebruikers beter begrijpen hoe een AI-agent werkt:
- ontstaan minder fouten;
- wordt sneller vertrouwen opgebouwd;
- kunnen prompts eenvoudiger worden verbeterd;
- worden workflows sneller geoptimaliseerd;
- groeit de autonomie van de agent stap voor stap.
Begrip blijkt daarmee geen rem op innovatie, maar juist een versneller.
Praktische technieken om "in de lus" te blijven
Tijdens zijn presentatie deelt Geoffrey Litt verschillende praktische strategieën waarmee professionals effectief kunnen samenwerken met AI-agenten.
Hij adviseert gebruikers onder meer om regelmatig tussenresultaten te bekijken in plaats van alleen het eindresultaat te beoordelen. Daarnaast helpt het om AI te vragen zijn redenering uit te leggen, aannames expliciet te maken en complexe opdrachten op te delen in kleinere stappen.
Door voortdurend inzicht op te bouwen ontstaat een veel beter beeld van de sterke én zwakke punten van een AI-agent. Dat maakt gerichte verbetering eenvoudiger en voorkomt dat fouten zich ongemerkt opstapelen.
Van operator naar begeleider
De rol van medewerkers verandert hierdoor fundamenteel.
Waar werknemers vroeger vooral zelf taken uitvoerden, verschuift hun werk steeds meer naar het begeleiden van intelligente systemen. Zij bepalen de doelen, beoordelen uitzonderingen, verfijnen instructies en zorgen ervoor dat AI binnen de juiste context blijft functioneren.
Dat vraagt om nieuwe vaardigheden. Niet alleen technische kennis wordt belangrijker, maar vooral kritisch denken, analytisch vermogen en het kunnen interpreteren van AI-redeneringen.
De toekomst draait om samenwerking
Volgens Geoffrey Litt zal de volgende generatie AI-productiviteit niet ontstaan doordat mensen volledig uit het proces verdwijnen. Integendeel: organisaties die investeren in begrip, transparantie en effectieve samenwerking tussen mens en AI zullen uiteindelijk sneller innoveren dan bedrijven die uitsluitend inzetten op maximale automatisering.
De grootste bottleneck van de komende jaren is daarom niet de intelligentie van AI-modellen, maar het vermogen van mensen om die intelligentie werkelijk te begrijpen en doelgericht aan te sturen.
Conclusie
De hype rond autonome AI-agenten suggereert dat menselijke tussenkomst binnenkort overbodig wordt. Geoffrey Litt schetst echter een veel genuanceerder toekomstbeeld. Succesvolle AI draait niet alleen om krachtige modellen of geavanceerde automatisering, maar vooral om mensen die begrijpen hoe deze systemen denken en handelen.
Wie investeert in dat begrip, bouwt sneller vertrouwen op, maakt minder fouten en benut de mogelijkheden van AI veel effectiever. In het tijdperk van agentische AI wordt inzicht daarmee de belangrijkste productiviteitsfactor van allemaal.
