Het artikel analyseert de 'automatiseringsparadox': het fenomeen waarbij steeds betere automatisering ervoor zorgt dat menselijke operators minder oefening krijgen, terwijl ze juist alleen de meest complexe en kritieke situaties overhouden. De auteur stelt dat generatieve AI de loopbaanladder van ingenieurs verstoort; omdat AI het 'vormende werk' van junioren overneemt, wordt de overgang van junior naar senior expertise geblokkeerd.
Mitchell trekt parallellen met de luchtvaart (zoals de crash van Air France-vlucht 447) en de kernenergiesector, waar men heeft geleerd dat bewuste inefficiëntie noodzakelijk is voor veiligheid. Hij stelt daarom de introductie van 'handmatige sluizen' (manual gates) voor: specifieke punten in een workflow waar AI bewust wordt uitgeschakeld zodat mensen hun kritieke vaardigheden kunnen uitoefenen en behouden.
De conclusie is dat organisaties kortetermijnwinsten moeten inruilen voor langetermijncapaciteit. Het investeren in de training van junior engineers is geen verspilling, maar een essentiële verzekeringspolis voor wanneer de automatisering onvermijdelijk faalt.
AI-efficiëntie kan ons de volgende generatie experts kosten
Door Richard Mitchell 02 september 2026
Richard Mitchell is een systeemingenieur en de oprichter en CEO van AuraSpark Technologies.
Iets meer dan een decennium geleden leidde ik het ontwerp van de besturingen voor een uniek, volledig digitaal controlesysteem voor een Amerikaanse kerncentrale. Op papier was het een prachtige machine—ontworpen om zichzelf aan te sturen zoals een modern passagiersvliegtuig dat doet, waarbij operators toezicht hielden op een systeem dat hen zelden nodig had. En we namen een beslissing die voor een efficiëntie-denker achteruitgaand leek: we lieten bewust handmatige stappen in sequenties staan die het systeem zelfstandig had kunnen uitvoeren.
We losten hiermee een specifiek probleem op. Een operator die alleen nog maar toezicht houdt op automatisering, houdt langzaam op een operator te zijn. De vaardigheden raken verloren; de mentale representatie van wat de centrale daadwerkelijk doet, wordt wazig. Dan komt de dag dat de automatisering de controle teruggeeft. Dat is altijd de slechtste dag, want automatisering stopt pas wanneer het in de war is of in problemen verkeert. Maar tegen die tijd zit er iemand in de stoel die de installatie in jaren niet echt heeft bediend. De handmatige stappen waren er om de mens up-to-date te houden. Het was bewust inefficiënt ontworpen.
Die centrale is uiteindelijk nooit gebouwd. Het project werd stopgezet vanwege politieke en economische redenen rondom kernenergie in dit land, redenen die niets met de techniek te maken hadden. Maar het ontwerpinstinct overleefde het project, en ik ben tot de overtuiging gekomen dat dit het meest nuttige idee is dat ik kan inbrengen in de discussie die momenteel elke bestuurskamer beheerst: wat gebeurt er met menselijke expertise wanneer AI het werk overneemt dat voorheen die expertise opbouwde?
AI verstoort de loopbaanladder van ingenieurs
De data zijn inmiddels moeilijk te negeren. Een werkdocument van de Harvard University, waarin ongeveer 65 miljoen werknemers bij meer dan 280.000 Amerikaanse bedrijven werden onderzocht, wees uit dat na de adoptie van generatieve AI de werkgelegenheid voor junioren in zes kwartalen met ongeveer 9 procent daalde ten opzichte van bedrijven die AI niet adopteerden, terwijl de werkgelegenheid voor senioren bleef groeien. Een analyse van Stanford van loonadministratiegegevens van ADP wijst in dezelfde richting: de jongste werknemers in beroepen die het meest blootstaan aan AI verloren na eind 2022 terrein, terwijl hun meer ervaren collega's hun positie behielden. De onderzoekers van Stanford stelden vast dat de verliezen zich concentreren waar AI het werk automatiseert; waar AI het werk enkel ondersteunt, blijft de werkgelegenheid voor junioren stabiel of stijgt deze zelfs.
De causale verklaring is nog onderwerp van discussie. Onderzoekers van de New York Fed schrijven een groot deel van de stijging in de werkloosheid onder jonge afgestudeerden niet toe aan AI, maar aan werken op afstand. Zij beargumenteren dat bedrijven terughoudend zijn om onervaren mensen aan te nemen die ze niet op afstand kunnen trainen en begeleiden. Maar merk op wat deze verklaringen gemeen hebben. Of een model nu het vormende werk overneemt, of dat afstand de mentorschap rondom dat werk doorsnijdt, beide beschrijven hetzelfde kapotte mechanisme: het leertraject waardoor expertise overgaat van senior naar junior. In beide gevallen is "instapniveau" stilletjes veranderd in "drie jaar ervaring vereist".
Als je de ruis weglaat, houd je één bedrieglijk eenvoudig probleem over: je kunt geen senior engineer worden zonder eerst een junior engineer te zijn. Expertise wordt niet gedownload. Het wordt verdiend door mislukte builds, doodlopende debugging-sessies en die momenten van "waarom in godsnaam werkte dat?", waar een capabele AI de nieuwkomer nu graag voor spaart. Als je hen genoeg van die momenten bespaart, creëer je een generatie die een model op papier kan superviseren, maar nooit het instinct heeft ontwikkeld om te weten wanneer het model vol vertrouwen catastrofaal fout zit.
De meeste commentaren stoppen bij de diagnose, of zoeken naar beleidsoplossingen die het verlies van juniorbanen behandelen als een economisch probleem. Toch is het ook een technisch probleem, en veiligheidskritische sectoren hebben al decennia ervaring met het oplossen hiervan.
De lessen van de luchtvaart over de automatiseringsparadox
Mijn eigen carrière begon aan de frontlinie van automatisering. Mijn eerste baan na mijn studie was het verifiëren en valideren van de software in de digitale straalmotorcontroller die, sneller dan welke piloot ook, bepaalt hoe de motor van een gevechtsvliegtuig reageert. Al toen, eind jaren tachtig, was de centrale spanning zichtbaar: de machine presteert beter dan de mens in routinegevallen, maar de mens is het enige dat het vliegtuig nog scheidt van een ramp in de gevallen die de machine niet had voorzien. Deze spanning staat bekend als de automatiseringsparadox: steeds capabelere automatisering zorgt ervoor dat menselijke operators minder oefening krijgen, terwijl ze juist alleen de moeilijkste situaties overhouden.
De luchtvaart heeft herhaaldelijk en kostbaar geleerd wat er gebeurt wanneer menselijke vaardigheden wegkwijnen in dat gat. Het schoolvoorbeeld is Air France-vlucht 447, die in 2009 in de Atlantische Oceaan stortte. De directe oorzaak was triviaal. Bevroren snelheidssensoren voedden de autopilot met foutieve data, waarop deze deed waarvoor hij ontworpen was: hij schakelde uit en gaf de controle over het vliegtuig terug aan de bemanning. Wat volgde was geen hardwarefout, maar een competentiefout. Een herstelbare situatie werd onherstelbaar omdat de piloten, geconditioneerd door duizenden uren waarin ze de automatisering zagen vliegen, een aerodynamische overtrek op grote hoogte niet konden herkennen en het toestel niet handmatig konden uitsturen. Het vliegtuig werkte, maar de training die door de automatisering stilletjes was uitgehold, niet.
De reactie van de sector is instructief en is dezelfde stap die wij zetten in die kerncentrale. Men heeft de autopilot niet verwijderd, maar bewust handmatige oefening teruggebracht. In 2017 vaardigde de FAA (Federal Aviation Administration) Safety Alert for Operators 17007 uit, "Manual Flight Operations Proficiency", waarin werd verklaard dat "handmatig vliegen de basis is waarop andere technische vliegvaardigheden zijn gebouwd." De waarschuwing erkende formeel dat het verlies van vaardigheden op zichzelf een gevaar is. Sommige luchtvaartmaatschappijen pasten hun procedures aan om handmatig vliegen aan te moedigen tijdens zowel de initiële klim als de initiële daling onder gunstige omstandigheden. Hiermee ruilden ze bewust een fractie van de brandstofefficiëntie in om de ruwe vliegvaardigheden van de bemanning in stand te houden. Die ruil is precies het punt. Een perfect geoptimaliseerd systeem dat incompetente operators produceert, is helemaal niet geoptimaliseerd. Het heeft de foutmodus simpelweg verplaatst naar een plek waar de spreadsheet hem niet kan zien.
"Handmatige sluizen" kunnen technische vaardigheden behouden
Wanneer we de les uit de luchtvaart en het instinct uit de kernenergie naast elkaar leggen, wijzen ze naar één ontwerppatroon dat we nu nodig hebben in AI-ondersteund werk: de bewuste "handmatige sluis" (manual gate).
Een handmatige sluis is een punt in een workflow waar een mens de controle overneemt. Dit gebeurt niet omdat dat de snelste manier is om de taak te voltooien, en niet alleen als veiligheidsvergrendeling, maar specifiek om een vaardigheid uit te oefenen en te behouden die anders zou wegkwijnen. Het onderscheidende kenmerk is dat dit een bewuste keuze is. Je bepaalt als onderdeel van het ontwerp welke competenties je organisatie in mensen moet behouden, omdat dit de vaardigheden zijn die je nodig hebt op de "slechte dag". Vervolgens ontwerp je de nodige wrijving om deze vaardigheden warm te houden.
Stel je voor hoe dit zou werken bij een softwareteam dat voor het grootste deel van zijn code leunt op AI. Het team plaatst een handmatige sluis rond de vaardigheid die ze het minst kunnen missen: debugging. Wanneer er een defect optreedt in een kritieke module, moet de toegewezen engineer—bewust vaak een junior—eerst de fout reproduceren, deze herleiden tot de bronoorzaak en een geautomatiseerde test schrijven die de bug vastlegt, en dat allemaal met de AI-assistent uitgeschakeld. Pas nadat de engineer een diagnose heeft gesteld, wordt het model weer ingeschakeld om een oplossing voor te stellen, alternatieven te genereren en de codebase te scannen op soortgelijke bugs. De engineer vergelijkt vervolgens zijn eigen diagnose met die van het model. Wanneer de twee verschillen, werkt het ontwerp: het meningsverschil komt naar boven vóór de slechte dag, in plaats van tijdens die dag.
Deze aanpak herdefinieert de junior engineer volledig. De huidige reflex is om AI het instapwerk te laten doen omdat dit sneller en goedkoper is. Maar een deel van dat werk is geen overhead die geëlimineerd moet worden. Het is het trainingsapparaat voor je toekomstige senior personeel, en je zou het moeten beschermen zoals je elk ander stuk kritieke infrastructuur zou beschermen. Het is misschien niet efficiënt in dit kwartaal, maar het ontmantelen ervan is een stille hypotheek op je capaciteiten over tien jaar.
Waarom bedrijven junior ingenieurs moeten blijven opleiden
Niets hiervan is gratis, en dat te doen alsof zou een belediging zijn voor de mensen die de budgetten moeten goedkeuren. Een bewuste handmatige sluis is per definitie minder efficiënt op de korte termijn dan volledige automatisering. Junioren laten uitvoeren van vormend werk en het draaien van handmatige sequenties kost nu geld om later iets te beschermen.
Dat is een lastig verhaal in een markt die de meeste leiders beoordeelt op kwartaalresultaten. Een aangestelde executive die "onnodige" mensen behoudt die AI zou kunnen vervangen, krijgt daar van de raad van bestuur gehoor over lang voordat de vruchten van deze investering plukken. De rekensom werkt alleen voor iemand die is afgeschermd van die druk: een oprichter met controle, een privaat bedrijf, een instituut met een werkelijk lange horizon, of een toezichthouder die bereid is te eisen dat werknemers hun vaardigheden regelmatig aantonen, zoals piloten moeten doen. Dit betekent dat de organisaties die hun eigen expertise het meest waarschijnlijk zullen behouden, de organisaties zijn die structureel in staat zijn om kortetermijnmarges in te ruilen voor langetermijncapaciteit; iedereen anders zal een externe impuls nodig hebben.
Het argument in één zin: bewuste inefficiëntie is geen verspilling. In veiligheidskritische techniek hebben we dit altijd gekend als een verzekering, en die sluiten we bewust af. Nu AI het werk overneemt waarin expertise wordt gesmeed, is de slimme zet niet om de automatisering te bestrijden. Het is om bewust de handen aan de controls te houden—zodat er, wanneer de automatisering faalt (wat uiteindelijk altijd gebeurt), nog steeds iemand in de stoel zit die weet hoe hij moet vliegen.
AI-efficiëntie kan ons de volgende generatie experts kosten
Door Richard Mitchell 02 september 2026
Richard Mitchell is een systeemingenieur en de oprichter en CEO van AuraSpark Technologies.
Iets meer dan een decennium geleden leidde ik het ontwerp van de besturingen voor een uniek, volledig digitaal controlesysteem voor een Amerikaanse kerncentrale. Op papier was het een prachtige machine—ontworpen om zichzelf aan te sturen zoals een modern passagiersvliegtuig dat doet, waarbij operators toezicht hielden op een systeem dat hen zelden nodig had. En we namen een beslissing die voor een efficiëntie-denker achteruitgaand leek: we lieten bewust handmatige stappen in sequenties staan die het systeem zelfstandig had kunnen uitvoeren.
We losten hiermee een specifiek probleem op. Een operator die alleen nog maar toezicht houdt op automatisering, houdt langzaam op een operator te zijn. De vaardigheden raken verloren; de mentale representatie van wat de centrale daadwerkelijk doet, wordt wazig. Dan komt de dag dat de automatisering de controle teruggeeft. Dat is altijd de slechtste dag, want automatisering stopt pas wanneer het in de war is of in problemen verkeert. Maar tegen die tijd zit er iemand in de stoel die de installatie in jaren niet echt heeft bediend. De handmatige stappen waren er om de mens up-to-date te houden. Het was bewust inefficiënt ontworpen.
Die centrale is uiteindelijk nooit gebouwd. Het project werd stopgezet vanwege politieke en economische redenen rondom kernenergie in dit land, redenen die niets met de techniek te maken hadden. Maar het ontwerpinstinct overleefde het project, en ik ben tot de overtuiging gekomen dat dit het meest nuttige idee is dat ik kan inbrengen in de discussie die momenteel elke bestuurskamer beheerst: wat gebeurt er met menselijke expertise wanneer AI het werk overneemt dat voorheen die expertise opbouwde?
AI verstoort de loopbaanladder van ingenieurs
De data zijn inmiddels moeilijk te negeren. Een werkdocument van de Harvard University, waarin ongeveer 65 miljoen werknemers bij meer dan 280.000 Amerikaanse bedrijven werden onderzocht, wees uit dat na de adoptie van generatieve AI de werkgelegenheid voor junioren in zes kwartalen met ongeveer 9 procent daalde ten opzichte van bedrijven die AI niet adopteerden, terwijl de werkgelegenheid voor senioren bleef groeien. Een analyse van Stanford van loonadministratiegegevens van ADP wijst in dezelfde richting: de jongste werknemers in beroepen die het meest blootstaan aan AI verloren na eind 2022 terrein, terwijl hun meer ervaren collega's hun positie behielden. De onderzoekers van Stanford stelden vast dat de verliezen zich concentreren waar AI het werk automatiseert; waar AI het werk enkel ondersteunt, blijft de werkgelegenheid voor junioren stabiel of stijgt deze zelfs.
De causale verklaring is nog onderwerp van discussie. Onderzoekers van de New York Fed schrijven een groot deel van de stijging in de werkloosheid onder jonge afgestudeerden niet toe aan AI, maar aan werken op afstand. Zij beargumenteren dat bedrijven terughoudend zijn om onervaren mensen aan te nemen die ze niet op afstand kunnen trainen en begeleiden. Maar merk op wat deze verklaringen gemeen hebben. Of een model nu het vormende werk overneemt, of dat afstand de mentorschap rondom dat werk doorsnijdt, beide beschrijven hetzelfde kapotte mechanisme: het leertraject waardoor expertise overgaat van senior naar junior. In beide gevallen is "instapniveau" stilletjes veranderd in "drie jaar ervaring vereist".
Als je de ruis weglaat, houd je één bedrieglijk eenvoudig probleem over: je kunt geen senior engineer worden zonder eerst een junior engineer te zijn. Expertise wordt niet gedownload. Het wordt verdiend door mislukte builds, doodlopende debugging-sessies en die momenten van "waarom in godsnaam werkte dat?", waar een capabele AI de nieuwkomer nu graag voor spaart. Als je hen genoeg van die momenten bespaart, creëer je een generatie die een model op papier kan superviseren, maar nooit het instinct heeft ontwikkeld om te weten wanneer het model vol vertrouwen catastrofaal fout zit.
De meeste commentaren stoppen bij de diagnose, of zoeken naar beleidsoplossingen die het verlies van juniorbanen behandelen als een economisch probleem. Toch is het ook een technisch probleem, en veiligheidskritische sectoren hebben al decennia ervaring met het oplossen hiervan.
De lessen van de luchtvaart over de automatiseringsparadox
Mijn eigen carrière begon aan de frontlinie van automatisering. Mijn eerste baan na mijn studie was het verifiëren en valideren van de software in de digitale straalmotorcontroller die, sneller dan welke piloot ook, bepaalt hoe de motor van een gevechtsvliegtuig reageert. Al toen, eind jaren tachtig, was de centrale spanning zichtbaar: de machine presteert beter dan de mens in routinegevallen, maar de mens is het enige dat het vliegtuig nog scheidt van een ramp in de gevallen die de machine niet had voorzien. Deze spanning staat bekend als de automatiseringsparadox: steeds capabelere automatisering zorgt ervoor dat menselijke operators minder oefening krijgen, terwijl ze juist alleen de moeilijkste situaties overhouden.
De luchtvaart heeft herhaaldelijk en kostbaar geleerd wat er gebeurt wanneer menselijke vaardigheden wegkwijnen in dat gat. Het schoolvoorbeeld is Air France-vlucht 447, die in 2009 in de Atlantische Oceaan stortte. De directe oorzaak was triviaal. Bevroren snelheidssensoren voedden de autopilot met foutieve data, waarop deze deed waarvoor hij ontworpen was: hij schakelde uit en gaf de controle over het vliegtuig terug aan de bemanning. Wat volgde was geen hardwarefout, maar een competentiefout. Een herstelbare situatie werd onherstelbaar omdat de piloten, geconditioneerd door duizenden uren waarin ze de automatisering zagen vliegen, een aerodynamische overtrek op grote hoogte niet konden herkennen en het toestel niet handmatig konden uitsturen. Het vliegtuig werkte, maar de training die door de automatisering stilletjes was uitgehold, niet.
De reactie van de sector is instructief en is dezelfde stap die wij zetten in die kerncentrale. Men heeft de autopilot niet verwijderd, maar bewust handmatige oefening teruggebracht. In 2017 vaardigde de FAA (Federal Aviation Administration) Safety Alert for Operators 17007 uit, "Manual Flight Operations Proficiency", waarin werd verklaard dat "handmatig vliegen de basis is waarop andere technische vliegvaardigheden zijn gebouwd." De waarschuwing erkende formeel dat het verlies van vaardigheden op zichzelf een gevaar is. Sommige luchtvaartmaatschappijen pasten hun procedures aan om handmatig vliegen aan te moedigen tijdens zowel de initiële klim als de initiële daling onder gunstige omstandigheden. Hiermee ruilden ze bewust een fractie van de brandstofefficiëntie in om de ruwe vliegvaardigheden van de bemanning in stand te houden. Die ruil is precies het punt. Een perfect geoptimaliseerd systeem dat incompetente operators produceert, is helemaal niet geoptimaliseerd. Het heeft de foutmodus simpelweg verplaatst naar een plek waar de spreadsheet hem niet kan zien.
"Handmatige sluizen" kunnen technische vaardigheden behouden
Wanneer we de les uit de luchtvaart en het instinct uit de kernenergie naast elkaar leggen, wijzen ze naar één ontwerppatroon dat we nu nodig hebben in AI-ondersteund werk: de bewuste "handmatige sluis" (manual gate).
Een handmatige sluis is een punt in een workflow waar een mens de controle overneemt. Dit gebeurt niet omdat dat de snelste manier is om de taak te voltooien, en niet alleen als veiligheidsvergrendeling, maar specifiek om een vaardigheid uit te oefenen en te behouden die anders zou wegkwijnen. Het onderscheidende kenmerk is dat dit een bewuste keuze is. Je bepaalt als onderdeel van het ontwerp welke competenties je organisatie in mensen moet behouden, omdat dit de vaardigheden zijn die je nodig hebt op de "slechte dag". Vervolgens ontwerp je de nodige wrijving om deze vaardigheden warm te houden.
Stel je voor hoe dit zou werken bij een softwareteam dat voor het grootste deel van zijn code leunt op AI. Het team plaatst een handmatige sluis rond de vaardigheid die ze het minst kunnen missen: debugging. Wanneer er een defect optreedt in een kritieke module, moet de toegewezen engineer—bewust vaak een junior—eerst de fout reproduceren, deze herleiden tot de bronoorzaak en een geautomatiseerde test schrijven die de bug vastlegt, en dat allemaal met de AI-assistent uitgeschakeld. Pas nadat de engineer een diagnose heeft gesteld, wordt het model weer ingeschakeld om een oplossing voor te stellen, alternatieven te genereren en de codebase te scannen op soortgelijke bugs. De engineer vergelijkt vervolgens zijn eigen diagnose met die van het model. Wanneer de twee verschillen, werkt het ontwerp: het meningsverschil komt naar boven vóór de slechte dag, in plaats van tijdens die dag.
Deze aanpak herdefinieert de junior engineer volledig. De huidige reflex is om AI het instapwerk te laten doen omdat dit sneller en goedkoper is. Maar een deel van dat werk is geen overhead die geëlimineerd moet worden. Het is het trainingsapparaat voor je toekomstige senior personeel, en je zou het moeten beschermen zoals je elk ander stuk kritieke infrastructuur zou beschermen. Het is misschien niet efficiënt in dit kwartaal, maar het ontmantelen ervan is een stille hypotheek op je capaciteiten over tien jaar.
Waarom bedrijven junior ingenieurs moeten blijven opleiden
Niets hiervan is gratis, en dat te doen alsof zou een belediging zijn voor de mensen die de budgetten moeten goedkeuren. Een bewuste handmatige sluis is per definitie minder efficiënt op de korte termijn dan volledige automatisering. Junioren laten uitvoeren van vormend werk en het draaien van handmatige sequenties kost nu geld om later iets te beschermen.
Dat is een lastig verhaal in een markt die de meeste leiders beoordeelt op kwartaalresultaten. Een aangestelde executive die "onnodige" mensen behoudt die AI zou kunnen vervangen, krijgt daar van de raad van bestuur gehoor over lang voordat de vruchten van deze investering plukken. De rekensom werkt alleen voor iemand die is afgeschermd van die druk: een oprichter met controle, een privaat bedrijf, een instituut met een werkelijk lange horizon, of een toezichthouder die bereid is te eisen dat werknemers hun vaardigheden regelmatig aantonen, zoals piloten moeten doen. Dit betekent dat de organisaties die hun eigen expertise het meest waarschijnlijk zullen behouden, de organisaties zijn die structureel in staat zijn om kortetermijnmarges in te ruilen voor langetermijncapaciteit; iedereen anders zal een externe impuls nodig hebben.
Het argument in één zin: bewuste inefficiëntie is geen verspilling. In veiligheidskritische techniek hebben we dit altijd gekend als een verzekering, en die sluiten we bewust af. Nu AI het werk overneemt waarin expertise wordt gesmeed, is de slimme zet niet om de automatisering te bestrijden. Het is om bewust de handen aan de controls te houden—zodat er, wanneer de automatisering faalt (wat uiteindelijk altijd gebeurt), nog steeds iemand in de stoel zit die weet hoe hij moet vliegen.
Groetjes,