Wat menselijk blijft

01

Waarom dit, waarom nu

Een wijkverpleegkundige in Zeeland heeft dit najaar geen collega om haar dienst mee te delen. Een installateur in Zuidoost-Brabant zegt werk af omdat hij niemand kan vinden die het aankan. Een basisschool in Limburg zoekt al twee jaar een leerkracht. Dat is de Nederlandse arbeidsmarkt van 2026, en het UWV telde deze maand dat 87 van de 93 beroepsgroepen krap of zeer krap zijn.

Houd dat beeld even vast, want er is deze zomer iets gebeurd dat er rechtstreeks mee te maken heeft.

Op 10 augustus publiceerde investeringsmaatschappij a16z metingen van hoe goed AI-agents een gewone computer kunnen bedienen. Op de standaardtest daarvoor halen ze inmiddels 85 procent van de taken, tegen 42 procent een jaar eerder. Mensen die dezelfde taken doen halen ongeveer 72 procent. De machine is dus niet meer bezig het menselijke niveau te naderen. Op deze meting is ze eroverheen.

En tegelijk vindt geen enkele van die agents een oplossing voor de wijkverpleegkundige, de installateur of de school. Dat is geen toeval en het is ook geen troost. Het is de vorm van het hele probleem: AI wordt hard beter in precies het werk waar Nederland wél mensen voor heeft, en blijft slecht in precies het werk waar we ze niet voor kunnen vinden.

Dit dossier gaat over die scheidslijn. Niet over welke beroepen veilig zijn, want dat is de verkeerde eenheid, maar over welke menselijke vermogens hun waarde houden. Wij publiceerden er in juli een eerste versie van. Drie weken later maakten de cijfers van a16z een van de geruststellingen daarin onhoudbaar, en versterkte een onderzoek van Anthropic juist een ander argument. Allebei staan ze hierin, en het is daarom een herschrijving en geen bijwerking.

02

Inhoud

1. Voorbij de lijstjes

2. De grillige grens, en hoe ver hij deze zomer opschoof

3. Het sommetje achter de 85 procent

4. Wanneer een mens helpt, en wanneer hij schaadt

5. Wat het vaardighedenonderzoek laat zien

6. De vier die blijven

7. Stille kennis, en wie haar het hoogst inschat

8. Van maken naar beoordelen

9. Waar wij het mis kunnen hebben

10. Wat dit betekent op een krappe arbeidsmarkt

11. Verantwoording en bronnen

03

1. Voorbij de lijstjes

Typ "banen die AI niet kan overnemen" in een zoekbalk en je krijgt honderd stellige lijstjes. Verpleging, loodgieterswerk, therapie, de ambachten. Ze hebben niet echt ongelijk, en wij vinden ze ook niet het bruikbare antwoord.

Het probleem zit in de eenheid. Zulke lijstjes sorteren op beroep, terwijl wat er geautomatiseerd wordt de taak is. Een radioloog en een juridisch medewerker doen allebei werk dat voor een deel diep menselijk is en voor een deel een routineklus die een model in seconden doet. De vraag die wij zouden stellen is dus niet welke functietitel veilig is, maar welk vermogen zijn waarde blijft verdienen nu alles wat de vorm van tekst heeft goedkoop wordt.

Die herformulering is de hele reden dat wij dit schreven. Zodra je ophoudt functietitels te verdedigen en naar vermogens gaat kijken, wijst het bewijs een kant op die de meeste mensen niet verwachten. Niet naar het prestigieuze denkwerk dat de twintigste eeuw ons leerde waarderen, maar naar aanwezigheid, naar het oordeel dat nooit is opgeschreven, naar smaak, en naar het simpele feit dat iemand aanspreekbaar is op een beslissing.

04

2. De grillige grens, en hoe ver hij deze zomer opschoof

In 2023 deed een team van Harvard, Wharton, MIT en BCG wat wij nog altijd het schoonste experiment hierover vinden. Ze gaven 758 consultants van BCG realistische opdrachten, de helft met een goed model erbij en de helft zonder, en maten wat er gebeurde. Het onderzoek is in 2025 door vakgenoten beoordeeld en verschenen in Organization Science, wat ertoe doet, want het meeste dat over dit onderwerp rondgaat is dat nooit.

Binnen wat het model goed kon was het effect groot. De consultants met AI deden meer taken, werkten sneller, en leverden werk dat ongeveer 40 procent hoger werd beoordeeld. De zwakste presteerders wonnen het meest, dus het verschil tussen de beste en de rest werd kleiner.

Daar houdt het niet op, en de tweede helft is de helft die is blijven staan. Dezelfde onderzoekers hadden opdrachten verstopt die net buiten het kunnen van het model lagen, van buiten niet te onderscheiden van de rest. Daarop kwamen de consultants mét AI ongeveer 19 procentpunt vaker op het verkeerde antwoord uit dan hun collega's zonder. Het model had het vloeiend en zelfverzekerd mis, en de mensen gingen mee.

De onderzoekers noemden die vorm de grillige grens. AI is briljant in sommige taken en stilletjes hopeloos in andere die niet moeilijker lijken, en waar die grens loopt is onzichtbaar tenzij je het werk zelf kent.

En toen schoof hij. De cijfers uit de opening van dit dossier, 42 procent naar 85 in twaalf maanden, gaan over een test met echte taken in echte bureaubladprogramma's. Wie zijn gerustheid had gebouwd op "het kan de gereedschappen nog niet echt bedienen" heeft een ander argument nodig. De julieditie leunde meer op die geruststelling dan verantwoord was.

Ik ben achter dat menselijke percentage aan gegaan, want een menselijke ijklijn is het soort getal dat nog jaren wordt geciteerd nadat niemand zich meer herinnert hoe het tot stand kwam, en het doet het meeste werk in de vergelijking. Het komt uit dezelfde bron als het cijfer voor de agents, en ik heb het nergens onafhankelijk herhaald gevonden. Zulke ijklijnen zijn week: ze hangen ervan af of de mensen vakmensen waren of ingehuurde klikwerkers, of ze per taak of per uur betaald kregen, hoeveel tijd ze hadden, en of ze dingen mochten opzoeken. Ik zou die 13 punten verschil dus losjes vasthouden en de richting stevig. Een agent die in een jaar van 42 naar 85 gaat is geen meetfout, wat de mensen ook scoorden.

Er zijn twee redenen waarom dit de vraag niet beslecht, en allebei zijn ze interessanter dan de test zelf. De eerste is een rekensom. De tweede is wat a16z aantrof toen ze keken waaróm invoeringen alsnog mislukken, en dat bleek niet aan het kunnen te liggen. Het model is niet langer het knelpunt, schrijven ze; wat de afloop bepaalt is context, rechten, proceskennis, controle, opschaling naar een mens, en het opvangen van fouten. Het moeilijke is niet of een agent zich door een SAP-scherm kan klikken. Het is of hij begrijpt hoe dít bedrijf de dingen doet: het jargon van de gang, de voorkeursopmaak, wie je belt als het misgaat.

Dat is een systeem dat de test wint en struikelt over precies datgene wat hoofdstuk 7 stille kennis noemt. De grens verschoof. Hij schoof voorbij het deel dat we aan het meten waren, en stopte bij het deel dat we nooit hebben opgeschreven.

05

3. Het sommetje achter de 85 procent

Maak nu de rekensom die achter dat percentage verstopt zit, want het is het nuttigste stukje rekenwerk in dit dossier en het kost één regel.

Een bedrijfsproces is een ketting. Elke stap moet kloppen, anders komt het proces niet af. Haalt een agent een willekeurige stap in 85 procent van de gevallen, dan komt een proces van vijf stappen in ongeveer 44 procent van de gevallen rond, en een proces van tien stappen in ongeveer 20 procent. Dezelfde agent, dezelfde testwinnende betrouwbaarheid, en vier van de vijf processen vallen ergens halverwege om. a16z zeggen het zelf onomwonden: 85 procent betekent nog altijd dat er 15 van de 100 misgingen, en back-officewerk wordt niet op een curve beoordeeld.

Daarom verdween de mens niet toen de test eenmaal gewonnen was. Iemand moet die vijftien eruit halen.

En dat is lastiger dan het klinkt, omdat de fouten zich ophopen op de plekken waar je niet meteen kunt zien of het goed ging. a16z geven het voorbeeld van een schadeclaim waarvan je de afloop pas dagen later hoort, bij een terugbelmoment. Een taak die luid mislukt is goedkoop. Een taak die stil mislukt en drie stappen verderop door een klant wordt ontdekt, is de dure soort, en dat is precies het soort dat een agent met het meeste zelfvertrouwen aflevert.

Dat leidt naar de zin uit dat stuk die als stelling van dit hele dossier zou kunnen dienen, en die uit een heel andere hoek kwam aanwaaien: het schaarse goed is niet langer de code schrijven, maar ervoor instaan.

Er hoort een kostenkant bij, en die is het waard om nuchter te noemen, want ze zet de druk waaronder al het andere staat. a16z schatten de draaikosten van zo'n agent op $6 à $8 per uur, in een bandbreedte van $3 tot $15, tegenover ongeveer $10 per uur voor uitbestede administratie in het buitenland en $30 tot $45 voor Amerikaans back-officewerk. Die verhouding is niet marginaal. Ze is beslissend voor het doen, en ze zegt niets over het instaan.

06

4. Wanneer een mens helpt, en wanneer hij schaadt

Er leeft een luie aanname dat AI gebruiken betekent dat je werk aan een machine geeft en wegloopt. De gebruikscijfers zeggen iets anders, al is dat beeld sinds juli verschoven en verdient het een datum.

Anthropic meet met zijn Economic Index hoe miljoenen echte gesprekken verlopen. In het rapport van januari 2026, over cijfers uit november 2025, steeg het aandeel gesprekken dat als samenwerking werd geclassificeerd met 5 procentpunt naar 52 procent, terwijl het aandeel dat als uitbesteding gold met 4 punten daalde naar 45. Het rapport van maart meldde opnieuw een lichte stijging van de samenwerkingskant, in zowel het consumentenproduct als het zakelijke verkeer. Het rapport van juni publiceert geen enkel samenvattend percentage meer. De eerlijke formulering is dus dat de samenwerkingskant drie meetperiodes op rij licht won, en dat er op dit moment geen actueel cijfer is. De julieditie presenteerde het novembercijfer alsof dat er wel was.

Onder dat gemiddelde zit een beweging die wij in juli misten. Het zakelijke verkeer via de programmeerkoppeling wordt juist gedomineerd door uitbesteding, en het aandeel gesprekken over administratief en ondersteunend werk steeg met 3 punten naar 13 procent. Consumenten die meer samenwerken en bedrijven die stilletjes de achterkant automatiseren gebeuren dus tegelijk, in dezelfde dataset. Welk cijfer je noemt hangt af van welke groep je bedoelde.

En dan de bevinding die wij voorleggen aan iedereen die "mens in de lus" als veiligheidsgarantie behandelt. Vaccaro, Almaatouq en Malone brachten in Nature Human Behaviour 106 experimenten samen, en gemiddeld genomen presteerden mens-en-machine samen slechter dan de beste van de twee alleen. Een mens naast de machine zetten hielp niet betrouwbaar. Soms schaadde het.

Het patroon eronder is helder zodra wij het zagen. Was de mens echt beter in de taak, dan won het duo. Was de machine beter en ging de mens ertegenin, dan verloor het duo. Een beoordelaar die alles afstempelt wat het model produceert voegt niets toe behalve wachttijd. Een beoordelaar die een goed antwoord niet van een zelfverzekerd antwoord kan onderscheiden voegt risico toe. Diezelfde meta-analyse vond overigens dat duo's het meest wonnen bij taken waarin iets gemáákt moest worden, en terrein verloren bij taken waarin iets beslíst moest worden.

Toezicht houden is wat ons betreft een echt vak met een echte faalvorm, en het komt niet gratis bij de functietitel. De ongemakkelijke versie van dezelfde zin: een mens in de lus kan negatieve waarde toevoegen.

07

5. Wat het vaardighedenonderzoek laat zien

Zoom uit van losse taken naar hele vaardigheden en dezelfde vorm verschijnt. Het McKinsey Global Institute publiceerde in november 2025 een index die voor zo'n 6.800 vaardigheden scoort hoe blootgesteld ze de komende vijf jaar zijn aan automatisering.

Aan de lage kant staan leidinggeven, onderhandelen, coachen en communiceren: de vaardigheden die draaien op mensen lezen en verantwoordelijkheid dragen. Aan de hoge kant staan factureren, voorraadbeheer, gegevensinvoer en routinematig programmeren: de vaardigheden die draaien op informatie verwerken tot een vastomlijnde uitkomst.

De formulering van McKinsey zelf is voorzichtiger dan de meeste samenvattingen ervan. AI maakt de meeste menselijke vaardigheden niet overbodig, stellen ze, maar verandert wel hoe ze worden gebruikt, en onderhandelen, probleemoplossen en leidinggeven kunnen juist zwaarder gaan wegen naarmate mensen naast agents werken.

Die laatste bijzin verdient aandacht, want het is een uitspraak over richting en niet over overleven. Een vaardigheid kan laag scoren op blootstelling en toch in waarde dalen als het werk eromheen verdwijnt. En een vaardigheid kan hoog scoren en juist in waarde stijgen als wat er van over is het knelpunt wordt. Routinematig programmeren staat aan de blootgestelde kant van de curve, en de vraag naar mensen die code kunnen beoordelen is volgens hoofdstuk 3 eerder toe- dan afgenomen. Blootstelling meet hoeveel van een taak een machine kan doen. Ze meet niet wat er gebeurt met de prijs van het deel dat overblijft.

08

6. De vier die blijven

Trek de draden samen en er blijft een korte, specifieke lijst over. Vermogens, geen beroepen, en dat is precies waarom een installateur en een commissaris om dezelfde onderliggende reden duurzaam kunnen zijn.

Ze vallen in vier groepen.

Aanwezigheid. Werk waarbij een lichaam in een ruimte, of het vertrouwen van een ander mens, het product is. Zorg, therapie, de ambachten, het moeilijke gesprek.

Stil oordeel. De kennis die in ervaren vakmensen zit en nooit is opgeschreven, waardoor geen model erop getraind is.

Smaak en maken. Het vermogen om iets te bedenken, en om te weten wat goed is. Hier vond de meta-analyse de menselijke voorsprong het grootst.

Aanspreekbaarheid. Iemand die achter een beslissing gaat staan als het misgaat. Geen model kan dat, en niet vanwege een tekort aan kunnen: verantwoordelijkheid is een verhouding tussen mensen, en een model kan daar geen partij in zijn.

Alles wat in de onderzoeken standhoudt valt onder een van die vier. De vierde is sinds juli zwaarder gaan wegen, om de reden uit hoofdstuk 3: als het doen zeven dollar per uur kost en het instaan niet, dan houdt degene die kan instaan het waardevolle uiteinde vast.

En hier maken wij het aanwezigheidsargument smaller dan de geruststellende versie. "AI kan geen fysiek werk doen" is de verkeerde reden en die veroudert slecht, want robotica gaat hard en een flink deel van wat een monteur doet wordt op termijn technisch haalbaar. Het duurzame deel is smaller en vreemder dan handigheid. Het is dat de mens bij een hele klasse werk niet zozeer een dienst uitvoert als wel de dienst ís. Een bange patiënt die wordt gerustgesteld door een apparaat dat kalm klinkt, is niet gerustgesteld in de zin die telt. Een onderhandeling die namens jou wordt gevoerd door iets dat niet aan zijn woord te houden is, is een andere transactie. Aanwezigheid verzet zich tegen automatisering niet omdat de bewegingen moeilijk na te doen zijn, maar omdat de waarde nooit in de bewegingen zat.

09

7. Stille kennis, en wie haar het hoogst inschat

Er is een diepere reden waarom sommige deskundigheid zich aan automatisering onttrekt, en die is bijna mechanisch. Deze modellen leren van wat is opgeschreven. Stille kennis is per definitie nooit op papier gezet. Het is het oordeel dat een chirurg over tienduizend ingrepen opbouwt, het gevoel van een monteur voor een motor die net iets verkeerd klinkt, de inschatting die een onderhandelaar van een kamer maakt. Ze wordt overgedragen door meelopen en herhalen, dus er is geen tekstverzameling om op te trainen.

Tot deze zomer steunde dat argument op redenering en niet op meting. Het Economic Index-rapport van juni, gebaseerd op enquêtes tussen half mei en begin juni naast de gebruikslogboeken, levert een meting, en het is een aardige. Werkenden met vijftien jaar ervaring of meer schatten dat AI ongeveer 10 procentpunt mínder van hun taken aankan dan werkenden in hun eerste jaar over die van hen schatten.

Twee lezingen concurreren en wij houden ze allebei open. De vriendelijke: ervaren vakmensen hebben gelijk, ze hebben oordeelsvermogen opgebouwd dat echt niet automatiseert, en ze zien dat van binnenuit. De onvriendelijke: senioren overschatten hun eigen onvervangbaarheid, wat een volstrekt alledaagse bevinding over mensen zou zijn. Anthropic neigt naar de eerste, en de invoeringscijfers van a16z wijzen dezelfde kant op, want wat die invoeringen brak was bedrijfsspecifieke proceskennis en geen redeneervermogen. Twee onafhankelijke bronnen die naar hetzelfde ongeschreven spul wijzen is geen bewijs. Het is wel beter bewijs dan dit argument in juli had.

Een AI-onderzoeker vatte de arbeidskant hiervan in december 2025 scherp samen in de podcast van Dwarkesh Patel: menselijke arbeid is waardevol juist omdát ze niet goedkoop is om op te leiden. De vaardigheden die iemand tien jaar kostten en die je niet in een opdracht kunt overdragen, blijven schaars. De omkering is dat hoe meer AI de opgeschreven kennis tot bulkgoed maakt, hoe meer de ongeschreven soort waard wordt.

10

8. Van maken naar beoordelen

Als er één verschuiving uit dit alles mee moet, dan is het een verschuiving in wat een waardevol mens dóét.

Voor het grootste deel van de kenniseconomie betekende waarde: het antwoord produceren. De analyse, het concept, de code, het plan. AI is daar erg goed in en wordt er per maand goedkoper in. De schaarse vaardigheid ligt een trap hoger, bij het beoordelen van antwoorden: weten welk antwoord klopt, welk antwoord zelfverzekerd fout is, en welke vraag het waard was om te stellen.

Wat sinds juli nieuw is, is dat dit niet langer onze gevolgtrekking uit een stapel onderzoek is. Het is wat mensen in de praktijk rapporteren wanneer hun invoeringen mislukken, opgeschreven door partijen die geld op de uitkomst hebben staan. Dat a16z uitkomen bij "instaan is het schaarse goed" is een sterkere toets van dit idee dan instemming uit dezelfde hoek zou zijn geweest.

Dit is de discipline van zien, begrijpen en doen, gericht op je eigen rol. Zie waar de grens voor jouw werk echt loopt, taak voor taak, en werk dat beeld bij, want hoofdstuk 2 is wat er gebeurt als je dat niet doet. Begrijp waar jouw oordeel de machine verslaat en waar de neiging om erin te grijpen alleen trots is. En richt je werkdag dan zo in dat je orkestreert en controleert in plaats van met de hand produceert, met de menselijke bijdrage precies daar waar de machine zwak is.

De mensen bij wie dit goed gaat vechten niet tegen het gereedschap. Ze zijn geklommen naar het deel van het werk waar het niet bij kan.

11

9. Waar wij het mis kunnen hebben

Een dossier dat alleen maar geruststelt is oneerlijk, en dit heeft vier tegenwichten, waarvan er één ingaat tegen ons eigen zusterdossier.

De grens beweegt, en hoofdstuk 2 is het bewijs. Taken die in 2023 veilig buiten de grens lagen liggen er nu binnen. Een test die agents een jaar geleden met dertig punten verloren, winnen ze nu met dertien. Duurzaamheid is betrekkelijk en tijdelijk. Elk vermogen dat in hoofdstuk 6 als blijvend staat, hoort jaarlijks opnieuw getoetst te worden, en dit dossier heeft binnen een jaar ergens ongelijk.

De paniek over de arbeidsmarkt loopt mogelijk voor op het bewijs. Het Budget Lab van Yale vergeleek beroepen die veel en weinig aan AI zijn blootgesteld en vond geen duidelijke aanwijzing voor een effect van AI op de arbeidsmarkt, en geen meetbare stijging van de werkloosheid onder sterk blootgestelde werkenden sinds ChatGPT verscheen. Ik kreeg het volledige stuk niet open en steun op de gepubliceerde samenvatting, dus de details houd ik losjes vast. Meerdere andere overzichten komen op vergelijkbare nul- of bescheiden uitkomsten uit. Dat is een echte rem op het verdringingsverhaal, ook op delen van ons eigen dossier over startersbanen, en het hoort daarom hier en niet in een voetnoot.

Wie het dichtst bij het gereedschap zit maakt zich het minst zorgen, en dat is voor iedereen ongemakkelijk. Anthropic rapporteert dat de deelnemers die het meeste werk uitbesteedden aan Claude het optimistischst waren over hun beloning, hun baanzekerheid en hun vooruitzichten, en dat de zelf ingeschatte kans op baanverlies rond de 10 procent uitkwam, iets onder het Amerikaanse jaarlijkse verlooppercentage van ongeveer 13. Er zijn minstens twee lezingen. Zware gebruikers zien misschien echte aanvulling die niet-gebruikers niet zien. Of zware gebruikers zijn geselecteerd op enthousiasme en slecht geplaatst om hun eigen blootstelling te beoordelen. De enquête kan die twee niet uit elkaar halen, en wij ook niet.

De onderste sport blijft de zwakke plek. De zorgen over jonge werkenden zitten in dezelfde cijfers, en startersfuncties in kenniswerk zijn precies de plek waar stil oordeel werd opgebouwd. Verdwijnen die sporten, dan heeft het ervaren oordeel van de toekomst niets om uit te groeien. Dat argument overleeft de toets van het Budget Lab, want een nuleffect op het totaal gaat prima samen met een scherp effect op de samenstelling.

De eerlijke positie houdt het hoopvolle en het harde bij elkaar. Een specifieke set vermogens is echt duurzaam, en dat is grond om op te staan. De lijn die haar afbakent beweegt, ongelijkmatig en vaak sneller dan comfortabel is, en op duurzame grond staan betekent meebewegen.

12

10. Wat dit betekent op een krappe arbeidsmarkt

Hier komt de wijkverpleegkundige uit de opening terug, want wij zien dit verhaal in Nederland anders uitvallen dan in de Amerikaanse stukken waar het meeste onderzoek vandaan komt.

Daar is de leidende vraag verdringing: neemt de machine mijn baan af. Hier is de leidende vraag al tien jaar het omgekeerde, namelijk waar we de mensen vandaan halen. Het UWV telde in augustus dat 87 van de 93 beroepsgroepen krap of zeer krap zijn, met de zwaarste tekorten in zorg, techniek, installatie, ICT en onderwijs, en de verwachting is dat die krapte tot 2030 aanhoudt. Er staan ongeveer 93 vacatures tegenover elke 100 werklozen.

Leg die twee lijsten naast elkaar en wij zien iets ongemakkelijks. De vier vermogens uit hoofdstuk 6 vallen bijna precies samen met de sectoren die we niet bemensd krijgen. Aanwezigheid is de zorg. Stil oordeel is de installateur. Aanspreekbaarheid is het onderwijs en het toezicht. Ondertussen wordt AI het hardst beter in administratief en ondersteunend kantoorwerk, en dat is nu juist het deel van de Nederlandse arbeidsmarkt waar het minst nijpend een tekort is.

Daarom lezen wij de Nederlandse opgave anders dan de Amerikaanse. Het gaat er hier minder om mensen te beschermen tegen de machine, en meer om mensen vrij te spelen voor werk dat blijft liggen. Het UWV wijst er bovendien op dat voor 70 procent van onze tekortberoepen elders in Europa juist een overschot bestaat, wat een herinnering is dat automatisering niet de enige knop is en waarschijnlijk niet de snelste.

Vier gewoontes die wij zouden aanhouden, en de vierde is nieuw sinds dit kwartaal.

Wij zouden functies rond oordeel en aanwezigheid ontwerpen in plaats van rond doorloop. De eenheid van herontwerp is de taak en niet de functietitel, om dezelfde reden als in hoofdstuk 1.

Wij zouden investeren in de stille, meelopend geleerde vaardigheden die je niet kunt opdragen, en bescherm de startersfuncties waar ze worden geleerd, ook als het dit kwartaal goedkoper lijkt om ze weg te automatiseren. Dit is de plek waar een kortetermijnbeslissing langdurige structurele schade aanricht, en ze wordt bijna altijd genomen door iemand die weg is voordat de schade zichtbaar wordt.

Wij zouden mensen het werkelijk nieuwe vak van toezicht houden leren: hoe je een goed antwoord van een zelfverzekerd antwoord onderscheidt, taak voor taak. Dat is te onderwijzen, het wordt vrijwel nergens onderwezen, en volgens hoofdstuk 4 is het alternatief een beoordelaar die risico toevoegt.

En wij zouden bij de business case het instaan meetellen en niet alleen het doen. Haalt een automatisering tien uur productie weg en voegt ze zes uur controle toe, dan is dat het echte getal, en dat getal beslist of het project rendeert. Vraag daarbij specifiek wat er gebeurt als een stap stil misgaat, en wie daar dan achter komt.

De beweging: richt het werk zo in dat mensen hun tijd besteden aan aanwezigheid, smaak, stil oordeel en aanspreekbaarheid, de vier dingen waar AI niet overheen kan spoelen, en laat de machine de productie eronder dragen. En controleer elk jaar of het er nog vier zijn.

13

11. Verantwoording en bronnen

Dit dossier steunt op webonderzoek en een persoonlijk archief van meer dan 15.000 bronnen. Onderstaande tabel geeft per claim het vertrouwen en de voorbehouden. Grafieken houden Engelse labels, ook in deze editie.

De ingekaderde figuur is de eigen grafiek van het McKinsey Global Institute, in het bijschrift vermeld. Grafieken met het label "BFF" zijn van ons, getekend uit de bronnen die eronder staan.