Stop te zeggen dat Computer Science doodgaat

Door Christine Julien

Elk afdelingshoofd computerwetenschappen (Computer Science, CS) die ik ken, voert een variant van hetzelfde gesprek—met een ouder tijdens de introductieweek, met een eindexamenstudent van de middelbare school tijdens een open dag, of met de collega tijdens de lunch die vraagt of het waar is. De koppen in het nieuws zeggen dat computerwetenschappen instorten. De data laat echter iets anders zien. Als we dit niet duidelijk maken aan studenten en hun families, hebben zij geen andere keuze dan beslissingen te nemen op basis van verkeerde informatie.

Omringd door literalisten

Een collega van mij—geen computerwetenschapper, maar iemand die er dagelijks mee samenwerkt—lachte me onlangs uit nadat ik iets wat zij zeiden iets te letterlijk nam.

"Ik ben omringd door literalisten," zeiden ze.

Ze bedoelden het als een grap. Ik nam het als een compliment. Het was niet de eerste keer dat ik een dergelijke uitwisseling had. De literaliteit die zij beschreven is geen persoonlijkheidskenmerk, maar een getrainde denkwijze—een gewoonte die het onderwijs in computerwetenschappen bewust cultiveert. Een computer doet alleen en exact wat je hem vertelt te doen. Niet ongeveer. Niet wat je bedoelde, maar wat je zei.

Computerwetenschappers leren om onvolledige vereisten te vertalen naar ondubbelzinnige instructies en om elke uitzondering (edge case) te voorzien. Door jaren van oefening ontwikkelen we een instinct voor exactheid.

Ik hou van coderen, net als de meeste van mijn collega's. De specifieke discipline die we liefhebben—met een leeg scherm beginnen en karakter voor karakter werkende code produceren vanuit eigen redenering—wordt minder centraal naarmate AI-codeassistenten beter worden. De redenering blijft van ons; het klassieke coderen is dat steeds minder. Het zou naïef zijn om te doen alsof dat anders is.

Maar het leren van computerwetenschappen gaat minder over de code die je produceert en meer over de denkstappen die je opbouwt. Het vanaf nul schrijven van code leert je in systemen te denken, te redeneren over oorzaak en gevolg, en om een volledige logische structuur in je hoofd vast te houden en deze te bevragen. Deze capaciteiten worden niet overbodig wanneer de tools veranderen.

De koppen versus de data

Wie de recente technologienieuws volgt, is ongetwijfeld gestuit op koppen als "Vaarwel, tech-banen van $165.000" en "Afgestudeerden temperen hun ambities in de zoektocht naar een eerste baan." De boodschap is duidelijk, en voor de student die overweegt om computerwetenschappen te studeren, is dit werkelijk beangstigend.

Ik deed daarom wat een CS-opleiding me automatisch heeft geleerd: ik keek naar de data, specifiek de gegevens van de Current Employment Statistics van het Amerikaanse Bureau of Labor Statistics (BLS). Tijdens de laatste dag van het semester voerde ik een oefening uit met mijn eerstejaars CS-studenten aan Virginia Tech. Ik begon met een grafiek die was gereproduceerd uit een veelgecirculeerde visualisatie—een grafiek die aan mij was getoond als rechtvaardiging om studenten te ontmoedigen CS te studeren. Geen titel, geen uitleg, alleen de grafiek. "Wat zien jullie?" vroeg ik hen.

Ze zagen wat de meeste mensen zien: de trend sinds 2022 gaat scherp naar beneden. Toen ik vroeg hoe dat hen deed voelen, kwamen woorden als "hopeloos" en "wanhoop".

Na een moment van stilte stak iemand zijn hand op. "Het lijkt erop dat de sector rond 2022 veel te veel mensen heeft aangenomen."

Een juiste observatie, maar die "klif" leek nog steeds dreigend. Ik vroeg de studenten om zorgvuldiger naar de grafiek te kijken. De y-as toonde de verandering in banen vergeleken met dezelfde maand een jaar eerder—een keuze die vrijwel garandeert dat er een dramatisch beeld ontstaat wanneer de groei afneemt na een boomperiode. Het is niet direct liegen, maar het is ontworpen om te alarmeren in plaats van te informeren.

Vervolgens liet ik mijn studenten dezelfde data op een andere manier zien: als totale werkgelegenheid in plaats van de jaar-op-jaar verandering. De klif verdween. Wat overbleef was een lijn die groeide van ongeveer 900.000 banen in 1990 naar een piek van net over de vier miljoen in 2023—niet 2022, zoals de eerste grafiek deed vermoeden. De piek op de eerste grafiek was een illusie, gecreëerd door de keuze van wat er gemeten werd.

Maar het verhaal stopt daar niet. De dataset achter beide grafieken telt banen bij werkgevers in de tech-sector. Een tweede dataset van het Bureau of Labor Statistics vraagt echter niet waar mensen werken, maar wat ze doen. Deze enquête onder werkgevers uit alle sectoren van de economie telt hoeveel werknemers computer- en wiskundig werk verrichten, ongeacht de branche van de werkgever. Een softwareontwikkelaar bij een ziekenhuis, een data scientist bij een bank of een netwerkingenieur bij een autofabrikant verschijnen allemaal in deze dataset, maar niet in de eerste. Omgekeerd: een receptionist, conciërge of HR-medewerker bij een techbedrijf zit wel in de eerste dataset, maar niet in de tweede.

Ik liet mijn studenten nog een grafiek zien—alleen de lijn, zonder getallen op de y-as—en stelde een simpele vraag: denken jullie dat deze lijn boven of onder de zwarte lijn van de vorige grafiek ligt? De meeste studenten gisten "onder", vanuit de intuïtieve aanname dat de meeste CS-banen bij techbedrijven zijn.

Hun gok was onjuist. Het gat tussen wat mensen aannemen en wat de data laat zien, is precies het soort ding waar een CS-opleiding je op traint om te ontdekken. Beroepen in computerwetenschappen en wiskunde hielden net over de twee miljoen mensen in dienst in 1997. In 2024 was dat aantal gestegen naar 5,2 miljoen, en dit getal is nauwelijks bewogen tijdens de recente ontslagen in de techsector.

Waarom dit verschil? Omdat de ontslagen plaatsvonden bij werkgevers in de tech-sector, maar de werknemers zelf niet verdwenen. Ze verhuisden. Naar finance. Naar de gezondheidszorg. Naar de overheid. Naar elke sector van de economie die op software draait—oftewel: elke sector van de economie.

Het tekort aan aanbod waar niemand over praat

Mijn studenten namen de cijfers over de banen tot zich, maar ik zag de volgende zorg ontstaan: de angst dat een markt met miljoenen banen ook miljoenen afgestudeerden heeft die met elkaar concurreren. Ik voegde een datapunt toe uit een derde federale dataset: het aantal mensen van werkende leeftijd in de beroepsbevolking met een graad in computerwetenschappen. In 2024 was dat ongeveer 2,8 miljoen.

Het aantal banen was echter 5,2 miljoen.

Dat gat—CS-banen die worden ingevuld door mensen zonder CS-diploma—is hardnekkig. Het vakgebied is nooit beperkt geweest door certificaten of diploma's. De behoefte aan getrainde mensen is altijd groter geweest dan het aanbod van mensen met een CS-diploma.

Dit betekent niet dat de markt niet is verschoven. Dat is hij wel. De instaprol die voorheen voornamelijk bestond uit het schrijven van eenvoudige code onder nauw toezicht, verandert echt, mede omdat AI-tools steeds beter worden in precies die taak.

Maar deze verschuiving vereist mensen die met AI kunnen werken om deze taken te voltooien; mensen die een probleem kunnen ontleden voordat er überhaupt code wordt geschreven, en die niet alleen een programma maar ook een dataset, een model of een set aannames kunnen debuggen. Dat soort denken—de productieve literaliteit van de CS-training—is overdraagbaar naar elk domein dat technologie raakt. Het is de echte analytische fundering; het kenmerk van de persoon die het probleem diep genoeg begrijpt om te weten of het antwoord van de AI correct is.

Wat Computer Science werkelijk leert

Tegen het einde van de les lieten we de data los en stelde ik mijn studenten een andere vraag: als AI over twee jaar nog krachtiger is (dat zal het zijn), als instap-codering geautomatiseerd is en teams kleiner worden (dat zullen ze worden), waar moet een ideale CS-afgestudeerde zich dan op focussen?

Ze zeiden niet: "Meer programmeertalen leren." Ze zeiden:

• Begrijp de fundamenten.
• Denk op het niveau van systemen.
• Weet hoe je moet debuggen.
• Denk kritisch.
• Werk samen.

Nog veelzeggender waren de zaken waarin zij suggereerden te stoppen met over-investeren: stop met obsessief focussen op gedetailleerde syntaxis en mechanica, stop met het overmatige vertrouwen op AI, en cultiveer scepsis—ten opzichte van AI-outputs, data, koppen in het nieuws en zelfs je eigen eerste instincten.

Dit zijn eerstejaarsstudenten, één semester in hun studie. Ze hadden al intuïtief een centrale spanning in ons vakgebied doorgrond: de tools zullen blijven veranderen, dus het denken onder de tools is wat het meest ertoe doet. Dat denken heeft een naam—eigenlijk twee namen: scepsis en onderscheidingsvermogen (discernment).

Scepsis is de houding: je accepteert de output niet zomaar omdat deze vloeiend en zelfverzekerd klinkt. Onderscheidingsvermogen is de moeilijkere vaardigheid: weten welk deel juist is, welk deel onjuist is en waarom, zodra je getwijfeld hebt. Elke CS-student leert dit door testen en debuggen—besluiten een test te schrijven is scepsis; uitzoeken waarom een resultaat faalde is onderscheidingsvermogen.

Je kunt geen vage code versturen. Je kunt een datastructuur niet benaderen. Je kunt niet debuggen op basis van een "gevoel". Het vakgebied is in de kern een training in literaliteit, en die strengheid verandert niet alleen hoe je over computerprogramma's denkt, maar over alles.

Een vakgebied in radicaal spannende verandering

Computerwetenschappen beleeft een werkelijk transformerend moment. Maar transformatie is niet hetzelfde als instorting. De "tech-cessie" van 2022–23—echt en pijnlijk voor de mensen die het meemaakten—lijkt, afgaand op de data over beroepen, een fenomeen te zijn geweest van werkgevers in de techsector, niet van CS-werknemers. Het werk is simpelweg verplaatst, en die nieuwe plek is nu overal.

De miljoenen CS-medewerkers die al buiten gespecialiseerde techbedrijven werken, vormen de voorhoede van een patroon dat zal aanhouden. De vraag voor een potentiële student is niet of CS-vaardigheden waardevol zullen zijn; de data is daar onambigu over. De vraag is welk type CS-training je voorbereid op een wereld waarin de tools continu veranderen.

Dit is wat ik mijn studenten vertelde:

• Gebruik AI als een instrument, niet als kruk.
• Word echt goed in iets—niet in alles, maar in íéts.
• Leer hoe je met anderen samenwerkt: leg je denkproces uit, stel goede vragen en communiceer duidelijk en vaak.
• Bouw dingen die je aan mensen kunt laten zien.
• Wees de persoon die het probleem dat opgelost moet worden echt begrijpt, en niet alleen de tools die gebruikt worden om het op te lossen.
• Let op waar technologie samenkomt met iets anders.

Denk aan de CS-professional die data-gestuurde initiatieven leidt om dakloosheid aan te pakken—het bouwen van systemen om complexe, evoluerende patronen van een bevolking in crisis te volgen en te analyseren. Of degene die navigeert op het snijvlak van openbaar beleid, zorg-IT en de uitwisseling van geestelijke gezondheidsinformatie, waarbij vertaald wordt tussen de technische realiteit van datasystemen en de beleidsbeslissingen die bepalen hoe zorg wordt geleverd. Geen van beiden schrijft elke dag code. Beiden doen werk dat alleen mogelijk is wanneer CS samenkomt met iets anders.

Als je oppervlakkig naar de koppen kijkt, zou je kunnen denken dat de opties voor een CS-afgestudeerde krimpen. Als je ze leest zoals een CS-opleiding je leert alles te lezen—met scepsis en daarna onderscheidingsvermogen—zie je misschien juist dat die opties simpelweg veranderen, en dat computerwetenschappen precies de discipline is die je leert om dat verschil te zien.