Onder de motorkap van AI: waar de echte vragen beginnen

Generatieve AI geeft antwoorden in seconden. Maar het interessante begint pas als je durft door te vragen.

Toen ik zelf statistische en voorspelmodellen bouwde, was er één onderdeel dat ik misschien nog wel interessanter vond dan de uiteindelijke uitkomst: spelen met variabelen.

Een variabele eruit halen. Een nieuwe toevoegen. Kijken wat er gebeurde met het model. Welke verbanden bleven overeind? Welke verdwenen? En waarom veranderde een effect ineens zodra je rekening hield met iets anders?

Dat was geen technisch kunstje. Het was een manier om grip te krijgen op de mechanismen achter de cijfers.

Data gaf nooit een volledig antwoord op hoe de wereld werkt. Maar door te experimenteren kon je er wel een klein stukje beter naar kijken. Je zag dat een verband soms minder vanzelfsprekend was dan je dacht. Of dat iets wat eerst heel belangrijk leek, nauwelijks nog betekenis had zodra je een andere factor meenam.

Juist dat proces maakte het interessant.

Antwoorden zijn toegankelijker geworden

Met generatieve AI is veel veranderd.

Je hoeft niet meer zelf een model te bouwen, tabellen door te ploegen of te begrijpen hoe je een analyse technisch opzet om een goede vraag te kunnen stellen. Je formuleert een vraag in gewone taal en krijgt binnen seconden een antwoord, een analyse, een samenvatting of een voorstel voor een aanpak.

Dat is een enorme stap vooruit. Veel meer mensen kunnen nu met complexe informatie werken, hypotheses verkennen en ideeën toetsen. De afstand tussen een vraag en een eerste inzicht is kleiner dan ooit.

Maar precies daar zit ook een risico.

De verleiding van een goed antwoord

Een goed geformuleerd antwoord voelt al snel als een eindpunt. Zeker wanneer het overtuigend is geschreven, logisch klinkt en netjes is opgebouwd.

Maar een overtuigend antwoord is niet hetzelfde als begrip.

De interessante vragen beginnen vaak pas daarna:

• Op welke aannames rust dit antwoord?
• Welke informatie is meegenomen en welke ontbreekt?
• Welke alternatieve verklaring is mogelijk?
• Wat zou er veranderen als de context net anders is?
• Welke onzekerheid zit er achter deze conclusie?
• Welke vraag hebben we eigenlijk niet gesteld?

Vroeger zag je die onzekerheid soms letterlijk terug in de output van een model: veranderende coëfficiënten, een effect dat verdween, een onverwachte interactie. Dat dwong je bijna om nieuwsgierig te blijven.

Bij AI is die tussenlaag vaak minder zichtbaar. De interface is prettig, snel en menselijk. Maar daardoor verdwijnt ook een deel van de frictie die ons helpt om kritisch te denken.

Onder de motorkap kijken

“Onder de motorkap kijken” betekent niet dat iedereen data scientist, statisticus of programmeur moet worden.

Het betekent wel dat we het antwoord niet als vanzelfsprekend eindstation moeten behandelen.

Vraag bijvoorbeeld eens:

• “Welke aannames doe je om tot dit advies te komen?”
• “Welke informatie zou dit antwoord wezenlijk kunnen veranderen?”
• “Bedenk drie redenen waarom deze conclusie onjuist of onvolledig kan zijn.”

Dat zijn geen technische vragen. Het zijn vragen die helpen om beter te denken.

Generatieve AI kan daarbij juist heel waardevol zijn. Niet alleen als antwoordmachine, maar als tegenspreker, hypothesemachine en hulpmiddel om blinde vlekken zichtbaar te maken.

De waarde van nieuwsgierigheid

De kracht van statistiek zat voor mij nooit alleen in voorspellen. Die zat in het oefenen van nieuwsgierigheid.

Een model was geen orakel. Het was een manier om een gesprek met de data te voeren. Je stelde een vraag, kreeg een aanwijzing terug, paste iets aan en ontdekte dat er weer nieuwe vragen ontstonden.

Die houding is misschien wel belangrijker geworden nu AI antwoorden zo moeiteloos produceert.

Gebruik AI dus gerust om sneller te werken, ideeën te ontwikkelen en complexe informatie toegankelijk te maken. Maar open af en toe bewust het luikje onder de motorkap.

Niet omdat daar altijd het antwoord ligt.

Maar omdat daar vaak de vraag ontstaat die er werkelijk toe doet.