Op LinkedIn duikt geregeld een uitspraak op die aan Pippi Langkous wordt toegeschreven: ‘Ik heb het nog nooit gedaan, dus ik denk dat ik het wel kan.’ De toeschrijving klopt niet, en de aantrekkingskracht van de zin is begrijpelijk. Hij geeft toestemming om ergens gewoon aan te beginnen zonder je eerst af te vragen of je er voldoende ervaring voor hebt.
Dat is vaak een gezonde houding. Veel dingen leer je nu eenmaal door ze te doen. Er zit alleen een verschil tussen iets voor het eerst proberen en kunnen beoordelen hoe goed je eerste poging werkelijk is. Het probleem met beginners is niet dat ze fouten maken. Het is dat ze nog niet altijd kunnen zien welke fouten ze maken.
Een goed resultaat ziet er tegenwoordig snel goed uit
AI maakt dat verschil belangrijker. Een opdracht aan het systeem kan binnen enkele seconden een tekst, logo, illustratie of zelfs een complete merkidentiteit opleveren. Het resultaat oogt vaak voldoende afgewerkt om serieus genomen te worden. Typografie staat netjes, zinnen lopen, kleuren passen bij elkaar en een presentatie ziet eruit alsof er behoorlijk wat werk in zit.
Juist die afwerking kan misleidend zijn. Wie het vak niet beheerst, ziet immers vooral wat er vóór hem ligt. De afgewezen richtingen, verkeerde keuzes en mislukte pogingen waarmee een ervaren maker zijn uiteindelijke resultaat heeft leren onderscheiden, zijn er niet bij.
Bij traditioneel vakmanschap ontstaat kwaliteit doordat je op een gegeven moment iets goeds maakt en ondertussen steeds beter leert herkennen wat níét goed is. Dat onderscheid zie je niet aan het aantal varianten dat een systeem voor je kan genereren.
Oordeelsvermogen heeft een geschiedenis
In gesprekken over vakmanschap duikt geregeld de 10.000-urenfilosofie op. Of daar werkelijk een bepaald aantal uren voor nodig is, vind ik minder interessant dan de gedachte erachter. Goed oordeel ontstaat door herhaling.
Je maakt iets, ontdekt dat het niet werkt, probeert iets anders en krijgt commentaar van iemand die verder is dan jij. De volgende keer herken je een deel van het probleem eerder. Na jaren zijn duizenden van zulke ervaringen in je hoofd opgeslagen en gebruik je ze zonder ze allemaal bewust te hoeven oproepen.
Dat is wat een referentiekader doet. Je vergelijkt een nieuw resultaat voortdurend met alles wat je eerder hebt gezien, geprobeerd, afgewezen en goedgekeurd. Wie iets voor het eerst doet, heeft veel minder materiaal om mee te vergelijken. Je kunt een resultaat mooi, overtuigend of professioneel vinden, terwijl dat oordeel nog nauwelijks is getest tegen alternatieven en ervaring.
De expert heeft meer gezien
Het programma Kunst en Kitsch laat dat verschil mooi zien. Iemand komt binnen met een schilderij dat jarenlang op zolder heeft gestaan, vaak vergezeld van een familieverhaal en de overtuiging dat er iets bijzonders aan de hand kan zijn. Een expert kijkt ernaar en ziet soms vrijwel onmiddellijk kenmerken die voor de eigenaar volledig onzichtbaar waren.
Dat komt doordat de expert duizenden andere objecten heeft gezien en weet welke details ertoe doen. Materiaal, techniek, herkomst, slijtage, stijl en allerlei kleine afwijkingen worden vergeleken met een enorme hoeveelheid eerdere voorbeelden.
Voor een leek kunnen een meesterwerk en een goede kopie overtuigend op elkaar lijken. Voor iemand die jarenlang heeft leren kijken, kunnen de verschillen direct zichtbaar zijn. De eigenaar en de expert kijken naar hetzelfde object met een ander referentiekader.
AI verkort de weg naar de productie
Dat verschil wordt relevant nu gereedschap steeds meer technische drempels wegneemt. Je hoeft geen ervaren vormgever meer te zijn om een verzorgd beeld te produceren en geen professioneel schrijver om een soepel lopende tekst te genereren. Ook voor muziek, video, fotografie en software schuift de ondergrens van wat je zonder vakopleiding kunt maken snel omhoog.
Dat is op veel manieren positief. Mensen kunnen ideeën uitwerken die vroeger afhankelijk waren van tijd, geld of specialistische kennis. Makers kunnen sneller variëren en professionals kunnen delen van het uitvoerende werk versnellen.
De kortere weg naar productie is alleen niet automatisch een kortere weg naar expertise. Als het resultaat meteen netjes oogt, kan zelfs het tegenovergestelde gebeuren. De noodzaak om fouten te herkennen wordt kleiner, terwijl juist het maken en corrigeren van die fouten jarenlang een belangrijk onderdeel van het leerproces was.
Enthousiasme en expertise zijn verschillende dingen
Iedereen mag natuurlijk schrijven, ontwerpen, fotograferen, ondernemen of schilderen. Het plezier om iets nieuws te proberen heeft geen professionele legitimatie nodig. Het wordt anders zodra iemand zich op basis daarvan als specialist presenteert.
Een professional verkoopt namelijk het vermogen om iets te produceren en daarnaast het vermogen om keuzes te maken, risico’s te herkennen, kwaliteit te beoordelen en te weten wanneer een ogenschijnlijk goede oplossing toch niet voldoet.
Daarom is enthousiasme geen vervanging voor expertise. Iemand kan buitengewoon gemotiveerd zijn en met AI werk produceren dat er indrukwekkend uitziet, terwijl het referentiekader om de zwakke plekken ervan te herkennen nog ontbreekt.
Dat is geen bezwaar tegen beginners. Iedere expert is er ooit een geweest. Het is wel een reden om onderscheid te blijven maken tussen kunnen produceren en kunnen beoordelen wat je produceert.
Juist beoordelen wordt belangrijker
Naarmate AI betere output maakt, verschuift een deel van het vakmanschap daarom naar selectie en beoordeling. Welke van twintig voorstellen is werkelijk sterk? Wat oogt alleen goed en wat houdt ook inhoudelijk stand? Waar maakt het systeem een keuze die niet bij het merk, de doelgroep of de situatie past?
Voor dat werk heb je precies het oordeelsvermogen nodig dat technologie niet automatisch met de output meelevert.
Daarmee maakt AI vakmanschap niet overbodig. Het verandert de plek waar dat vakmanschap zichtbaar wordt. Productie die vroeger veel technische beheersing vroeg, kan toegankelijker worden, terwijl het vermogen om onderscheid te maken juist belangrijker wordt.
AI democratiseert productie. Oordeelsvermogen moet je nog steeds opbouwen.