Wanneer informatie waardeloos wordt: AI en de kenniseconomie

Inleiding

Stel je een rechtszaal voor waar een junior-advocaat in enkele seconden een volledige zaakgeschiedenis kan oproepen. Of een ziekenhuisafdeling waar de tablet van een behandelend arts onmiddellijk elke interactie, medicijninteractie en relevante studie scant. Stil, efficiënt. Angstaanjagend? Misschien.

Raoul Pal — medeoprichter en CEO van Real Vision en voormalig hoofd Europese verkoop voor hedgefondsen bij Goldman Sachs — deed een vergelijkbare prikkelende uitspraak in de podcast The Diary of a CEO: kunstmatige intelligentie is op weg om opgeslagen kennis in wezen waardeloos te maken. Hij ging verder door AI te bestempelen als de grootste uitvinding van de mensheid tot nu toe, met slechts het splijten van het atoom als rivaal in schaal. Die uitspraak trok aandacht, maar het meest opmerkelijke was zijn analyse van wat er gebeurt als kennis zijn schaarste verliest.

Waarom schaarste van kennis telt

Waarom is schaarste relevant? Omdat markten en beroepen eromheen zijn opgebouwd. Advocaten, specialisten, consultants en sommige artsen rekenen hoge tarieven omdat zij moeilijk toegankelijke informatie en patroonherkenning bezitten, ontwikkeld en verfijnd over jaren van praktijk. Deze expertise fungeert als een vorm van economisch schaars goed: wie het bezit, kan daar een premie voor vragen.

Wanneer grootschalige taalmodellen juridische precedenten kunnen ophalen, klinisch onderzoek synthetiseren of marktstatistieken in een fractie van de tijd kunnen samenvoegen, zakt de meerwaarde die enkel aan het bezit van feiten verbonden is. Dat betekent niet automatisch dat alle professionele waarde verdwijnt, maar de traditionele prijsvorming verandert ingrijpend.

Hoe AI routinekennis transformeert

Denk aan AI als een onuitputtelijke referentiebibliothecaris — maar een die menselijk klinkt en leert van je vragen. Tools zoals ChatGPT, Gemini en Claude kunnen samenvattingen produceren, medicijninteracties signaleren, juridische argumenten schetsen en bedrijfsresultaten analyseren in enkele momenten. Voor veel routinetaken winnen snelheid en beschikbaarheid het van de traditionele poortwachters van expertise.

Technisch gezien combineren moderne systemen meerdere technieken om informatie te leveren: grote taalmodellen (LLM's) voor natuurlijke taalverwerking, retrieval-augmented generation (RAG) om externe documenten te raadplegen, en specifieke kennisbanken met gevalideerde data. Deze combinatie vermindert de tijd en moeite die nodig zijn om feiten en context te vinden.

Voorbeelden van taken die geautomatiseerd worden

• Juridische analyse: zoeken naar bindende precedenten, samenvatten van vonnissen en opstellen van conceptdocumenten.
• Klinische ondersteuning: snel signaleren van contra-indicaties, bijwerkingen en relevante klinische trials.
• Marktonderzoek: aggregeren van financiële data, benchmarken en opstellen van overzichtsrapporten.
• Consultancy en due diligence: eerste ronde dataverwerking, risico-identificatie en rapportconcepten.

Voor veel organisaties geldt: als het antwoord alleen feitenverzameling vereist, zijn AI-gebaseerde workflows kostenefficiënter en sneller.

Wat mensen wél blijven betalen

Die conclusie heeft echter een belangrijke tegenkracht. Mensen betalen niet alleen voor data. Ze betalen voor oordeel onder druk, morele en juridische verantwoordelijkheid, en hands-on ervaring wanneer dingen misgaan. Er is een fundamenteel verschil tussen het ontvangen van een onderzoeksnota en het hebben van iemand die opstapt, documenten ondertekent en aansprakelijk is wanneer een besluit verkeerd uitpakt. Ervaring, toegepast oordeel en de bereidheid om aansprakelijkheid te accepteren zijn geen triviale eigenschappen.

Als informatie goedkoop wordt, wordt jouw onderscheidend vermogen oordeel, timing en verantwoordelijkheid.

De praktische verschuiving: van kennis naar uitvoering

De praktische verandering lijkt minder op technologische werkloosheid en meer op heroriëntatie van waarde. Kennisrepositories worden nutsvoorzieningen. Uitvoering en vertrouwen worden de schaarse goederen. Bedrijven die alleen informatie hamsteren zullen hun marges zien slinken. Zij die inzichten vertalen naar uitvoerbare beslissingen, afdwingbare processen en persoonlijke verantwoordelijkheid behouden — en mogelijk vergroten — hun waarde.

Wat bedrijven anders moeten doen

• Verpakket kennis in concrete besluiten: lever niet enkel een rapport, maar een uitvoeringsplan met mijlpalen en garantstellingen.
• Maak aansprakelijkheid en verantwoordelijkheid meetbaar: wie ondertekent en waarom, welke verzekeringen en nalevingsmaatregelen zijn aanwezig?
• Investeer in procesbeheersing: zorg dat beslissingen reproduceerbaar en auditbaar zijn.

Dergelijke veranderingen vergen investeringen in personele vaardigheden, procesontwerp en vaak ook in technologische integratie zodat AI-uitvoer gecontroleerd en integreerbaar is in bestaande workflows.

Wat dit betekent voor professionals

Waar laat dit professionals? Aanpassing. Leer samenwerken met AI als een samenwerkingspartner in plaats van een rivaal. Investeer in reputatiekapitaal. Verscherp vaardigheden die machines moeilijk na kunnen bootsen: complex ethisch redeneren, interpersoonlijke onderhandelingen en end-to-end stewardship (volledige projectverantwoordelijkheid van start tot finish). Degene die dat doen, zullen de golf berijden. Degene die niet aanpassen, zullen zien hoe klanten kiezen voor snellere, goedkopere, machine-ondersteunde alternatieven.

Concrete vaardigheden om te ontwikkelen

• Gevalideerd professioneel oordeel: leer AI-antwoorden kritisch te beoordelen en te valideren.
• Communicatie en overtuigingskracht: advies geven vereist het overtuigen van stakeholders, niet alleen het presenteren van data.
• Risicomanagement en aansprakelijkheid: juridisch begrip van verantwoordelijkheid en bijbehorende verzekeringen.
• Technologische geletterdheid: begrijpen hoe LLM's werken, wat hun beperkingen zijn (bijv. hallucinations), en hoe RAG-systemen informatie integreren.

Strategieën voor organisaties

Organisaties kunnen verschillende routes volgen om hun waarde te behouden of te vergroten in een wereld met wijdverbreide AI-ondersteuning:

1. Versterk de product-markt fit door executie

Focus op het leveren van eindresultaten — implementatie, monitoring en optimale afronding — in plaats van alleen analyses. Bijvoorbeeld: een adviesbureau dat naast strategierapporten ook een implementatieteam en succesgebaseerde vergoedingen aanbiedt.

2. Bouw vertrouwen en aansprakelijkheid in

Certificeringen, verzekeringen en transparante besluitlogging vergroten klantvertrouwen. Audit trails die aangeven hoe AI-antwoorden zijn gemaakt en gecontroleerd, worden waardevol in sectoren met hoge aansprakelijkheid.

3. Differentiatie door specialisatie en ethiek

Diepere specialisatie in niches waar contextueel en ethisch oordeel cruciaal blijft — zoals complexe fusies, zeldzame medische gevallen of gevoelige juridische situaties — creëert weerstand tegen commoditisering.

Technische nuances en beperkingen van AI

Om verstandig te handelen, is begrip van technische beperkingen van AI essentieel. Grote taalmodellen zijn krachtig, maar niet onfeilbaar:

• Hallucinaties: LLM's kunnen soms onjuiste of verzonnen feiten presenteren.
• Verouderde of partiële data: modellen zijn zo goed als hun trainings- en kentekensets en externe bronnen.
• Gebrek aan contextuele verantwoordelijkheid: een model kan een advies genereren, maar kan niet wettelijk of ethisch tekengesteld aansprakelijk worden gehouden zoals een mens dat kan.

Daarom is verificatie, menselijke inbreng en governance cruciaal. Technieken zoals RAG (waarbij documenten realtime worden opgehaald) en fine-tuning op gevalideerde datasets verminderen risico's, maar elimineren ze niet.

Operationele maatregelen om risico's te beperken

• Datasourcenormen: gebruik gevalideerde, actuele databronnen en onderhoud metadata over herkomst.
• Verificatie-werkstromen: implementeer menselijke-in-de-lus (human-in-the-loop) stappen voor kritieke beslissingen.
• Transparantie en explainability: documenteer hoe conclusies zijn bereikt en welke bronnen werden gebruikt.

Juridische en ethische consequenties

Een kernvraag blijft: wie is aansprakelijk als een AI-ondersteunde beslissing faalt? Huidige wet- en regelgeving bevindt zich in ontwikkeling, en verschillende jurisdicties bieden uiteenlopende antwoorden. Professionals en firma's die kiezen voor AI-integratie moeten rekening houden met:

• Naleving van privacywetgeving (bijv. AVG/GDPR in Europa).
• Aansprakelijkheidsverplichtingen en beroepsethiek.
• Transparantie richting cliënten over het gebruik van AI en de beperkingen daarvan.

Het integreren van AI zonder duidelijke verantwoording vergroot juridische risico's. Daarom worden contractuele clausules, aansprakelijkheidsverzekeringen en expliciete toestemming van cliënten steeds belangrijker.

Economische perspectieven en marktstructuur

Op macro-economisch niveau verandert de prijsstelling binnen de kenniseconomie. Waar informatie schaars was, kon een monopolistische of oligopolistische prijszetting ontstaan door expertiseconcentratie. Wanneer AI routinematige toegang tot kennis democratiseert, verandert de aard van concurrentie:

• Prijsdruk op basale onderzoeks- en dataverzamelingsdiensten.
• Premium voor diensten die risico, uitvoering en persoonlijk aansprakelijkheid combineren.
• Marktverplaatsing richting aanbieders die end-to-end oplossingen bieden.

De verschuiving doet denken aan eerdere technologische transformaties: automatisering maakte bepaalde administratieve functies minder waardevol, maar creëerde tegelijkertijd nieuwe rollen rond toezicht, integratie en procesoptimalisatie.

Oefeningen en voorbeelden in de praktijk

Enkele hypothetische casussen tonen hoe de verschuiving eruit kan zien:

Casus A — Advocatuur

Een advocatenkantoor gebruikt AI om precedenten en conceptdocumenten te genereren. Klanten merken snellere levertijden en lagere kosten voor standaardzaken. Voor complexe, precedenten-sensitive geschillen blijft het kantoor concurrerend door senior partners in te zetten die strategische beslissingen nemen, ondertekenen en procesrisico dragen. Het kantoor biedt nu ook een garantie-achtige service met betalingsvoorwaarden gekoppeld aan procesuitkomsten.

Casus B — Gezondheidszorg

Een ziekenhuis implementeert AI-ondersteunde diagnostiek voor veelvoorkomende gevallen. Artsen gebruiken AI als triagetool en voor het signaleren van medicijninteracties. Bij complexe of zeldzame aandoeningen blijft de behandelend specialist centraal staan en accepteert deze aansprakelijkheid voor behandelbeslissingen, ondersteund door multidisciplinaire overleggen en geverifieerde evidence-bases.

Aanbevelingen voor professionals

Voor individuen en teams die waarde willen behouden of vergroten in dit veranderende landschap, volgen praktische aanbevelingen:

• Adopteer AI-tools strategisch: integreer waar ze tijd besparen en fouten verminderen, maar behoud menselijke eindverantwoordelijkheid.
• Investeer in reputatie en klantrelaties: personalisatie en vertrouwen worden onderscheidende factoren.
• Ontwikkel nieuwe verdienmodellen: succesgebaseerde vergoedingen, abonnementen voor doorlopende uitvoering, en verzekerde dienstverlening.
• Blijf leren: volg cursussen over AI-governance, data-ethiek en modelbeoordeling.

Conclusie

Raoul Pal’s uitspraak is een provocatie die een essentiële vraag afdwingt die professionals en organisaties niet langer kunnen uitstellen: wanneer data een grondstof wordt, wat ga je verkopen? De meest waarschijnlijke uitkomst is niet het einde van professionele waarde, maar een verschuiving van waarde van informatie naar uitvoering, vertrouwen en aansprakelijkheid.

Bedrijven en professionals die AI als katalysator gebruiken — en die hun diensten herontwerpen rond verantwoordelijkheid, procesintegriteit en menselijke oordeelsvorming — zullen het beste gepositioneerd zijn in de nieuwe kenniseconomie. Zij die vasthouden aan het hamsteren van informatie als kernproduct, lopen het risico op commoditisering en margedruk.

De uitdaging is duidelijk en praktisch: integreer AI, maar ontwerp je diensten zo dat menselijke expertise, ethisch oordeel en verifieerbare verantwoordelijkheid het verschil maken. Dat is waar de toekomst van de professionele dienstverlening om draait.