Typologie 2: De bewaker
(Lage sturing + diepgaand begrip)
De Bewaker bevindt zich in het kwadrant van lage sturing en diepgaand begrip. Het is een positie waarin professionals wel beschikken over sterke domein- en proceskennis, maar AI-processen relatief beperkt actief aansturen. De Bewaker vertrouwt in eerste instantie sterk op de mogelijkheden van het systeem en grijpt vooral reactief in wanneer output onvoldoende aansluit bij de professionele bedoeling of wanneer problemen zichtbaar worden.
De positie maakt zichtbaar dat diepgaand begrip op zich niet automatisch leidt tot hoge sturing. Professionals kunnen inhoudelijk zeer sterk onderbouwd zijn, maar AI tegelijk relatief vrij laten functioneren tijdens het werkproces.
Wat kenmerkt de Bewaker?
De Bewaker gebruikt AI als een relatief autonoom werkmiddel binnen het proces. De professional beschikt wel over voldoende domein- en procesbegrip om output kritisch te beoordelen en problemen te detecteren, maar stuurt AI tijdens het proces amper of niet actief aan. De initiële instructie blijft beperkt en AI krijgt veel ruimte om zelf voorstellen, varianten of oplossingen te genereren. Actieve tussenkomst ontstaat vooral achteraf: wanneer output onvoldoende aansluit bij de professionele bedoeling, inconsistent blijkt of kwaliteitsproblemen veroorzaakt.
Deze positie verschilt daardoor fundamenteel van de Regisseur. Waar de Regisseur AI vooraf kadert, iteratief bijstuurt en bewust richting geeft, bewaakt de Bewaker vooral het eindresultaat. De kern van deze typologie ligt dus niet in actieve processturing, maar in reactieve kwaliteitscontrole vanuit voldoende professioneel begrip.
Het fundamentele verschil met de Afhankelijke ligt daarbij niet in de mate van actieve sturing, maar in het aanwezige begrip. De Bewaker beschikt wel degelijk over voldoende domein- en proceskennis om problemen te herkennen, fouten te analyseren en indien nodig gericht tussen te komen. Het onderliggende begrip blijft dus aanwezig, ook wanneer het niet voortdurend expliciet zichtbaar is in het dagelijkse handelen.
Tegelijk houdt deze positie ook duidelijke beperkingen in. Omdat AI relatief weinig expliciet gekaderd wordt aan het begin van het proces, verschuift een deel van de sturing naar correctie achteraf. Daardoor ontstaat het risico dat output pas later onvoldoende blijkt aan te sluiten bij de professionele bedoeling. Professionals verliezen dan vaak tijd aan bijkomende prompting, iteratieve correcties of manuele herwerking. Wat aanvankelijk efficiënt lijkt, kan daardoor evolueren naar een reactieve en tijdsintensieve manier van werken.
Hoe verschijnt dit in beide sessies?
Binnen de TI-sessie verschijnt de Bewaker vooral in de spanning tussen werkende AI-output en beperkt actieve sturing tijdens het ontwikkelproces. Deelnemers beschrijven hoe developers regelmatig code gebruiken die operationeel functioneert, maar waarvan de onderliggende logica niet altijd volledig expliciet wordt uitgediept tijdens het ontwikkelproces zelf. Problemen worden vaak pas zichtbaar wanneer systemen geïntegreerd, aangepast of gedebugd moeten worden.
Daardoor verschuift de rol van de developer gedeeltelijk van actieve opbouw naar reactieve analyse achteraf. De professional beschikt wel over voldoende begrip om problemen uiteindelijk te kunnen analyseren, maar de sturing van AI gebeurt onvoldoende expliciet in de vroege fases van het proces. Debugging wordt daardoor een soort stresstest die zichtbaar maakt of het onderliggende systeembegrip werkelijk aanwezig blijft.
De praktijkervaring van lector Niels Jacobs illustreert dit scherp. Hij beschrijft hoe een productieprobleem vlak voor een release ervoor zorgde dat automatisering plots onvoldoende bleek en alles terugviel op manuele controle en systeemkennis. In stabiele situaties lijkt AI veel werk over te nemen, maar zodra systemen afwijken of onverwachte problemen ontstaan, wordt diepgaand begrip opnieuw cruciaal.
Binnen de CMM-sessie verschijnt dezelfde logica in een creatievere context. Deelnemers beschrijven hoe AI gebruikt wordt voor brainstorms, variantenontwikkeling en snelle contentgeneratie, waarbij systemen relatief vrij output mogen genereren voordat actief geselecteerd of bijgestuurd wordt.
Tegelijk benoemen deelnemers expliciet het risico op oppervlakkigheid en “eenheidsworst” wanneer AI-output onvoldoende expliciet richting krijgt vanuit een duidelijke inhoudelijke visie. Ook hier ontstaat dus een spanning waarbij professionals inhoudelijk wel beschikken over expertise, maar AI aanvankelijk relatief vrij laten functioneren waardoor kwaliteitsproblemen of inhoudelijke afwijkingen pas later zichtbaar worden.
Wat maakt deze positie bijzonder complex?
De Bewaker stelt hoge eisen aan latent begrip: kennis en vaardigheden die niet voortdurend actief worden ingezet, maar wel permanent beschikbaar moeten blijven.
Dat vormt zowel cognitief als didactisch een uitdaging. Wie langdurig vertrouwt op AI-ondersteuning zonder zelf actief te blijven analyseren, structureren of expliciet richting te geven, loopt het risico dat cruciale expertise geleidelijk minder actief wordt ingezet. Net op momenten van afwijking of systeemfalen blijkt echter hoe noodzakelijk dat onderliggende begrip blijft.
Daarnaast creëert lage sturing vaak een reactieve werkdynamiek. Problemen worden niet altijd vooraf voorkomen via duidelijke kadering of gerichte aansturing, maar verschijnen pas later in het proces wanneer output onvoldoende aansluit bij de bedoeling. Professionals moeten dan alsnog intensief corrigeren, herprompten of manueel herwerken. Dat maakt deze positie minder efficiënt dan ze op het eerste gezicht lijkt.
De Bewaker vereist daarom niet alleen diepgaand begrip, maar ook een sterk ontwikkeld vermogen om te herkennen wanneer actievere sturing noodzakelijk wordt.
Relatie tot de andere typologieën
De Bewaker en de Regisseur delen hetzelfde diepgaand begrip, maar verschillen fundamenteel in de mate van actieve sturing.
Waar de Regisseur AI vooraf expliciet kadert via doelen, context, instructies en kwaliteitscriteria, laat de Bewaker AI aanvankelijk relatief vrij functioneren en grijpt vooral reactief in wanneer afwijkingen zichtbaar worden. Daardoor ontstaat bij de Bewaker vaker een iteratief correctieproces achteraf, terwijl de Regisseur meer probeert te sturen aan het begin van het proces.
De grens tussen de Bewaker en de Afhankelijke is bovendien niet altijd onmiddellijk zichtbaar. Beide sturen relatief beperkt actief bij tijdens het dagelijkse proces. Het fundamentele verschil ligt echter in het aanwezige begrip. Wanneer systemen ontsporen of output onvoldoende blijkt, beschikt de Bewaker wel over het vermogen om problemen inhoudelijk te analyseren en gericht tussen te komen. Bij de Afhankelijke ontbreekt dat vermogen grotendeels.
Implicaties voor het curriculum
De Bewaker-positie heeft belangrijke implicaties voor curriculumontwikkeling. Beide sessies maken duidelijk dat diepgaand begrip alleen onvoldoende is wanneer studenten onvoldoende leren hoe ze AI-systemen actief en expliciet kunnen aansturen.
Opleidingen moeten studenten daarom niet alleen leren analyseren, beoordelen en begrijpen, maar ook leren hoe voorafgaande kadering en doelgerichte AI-sturing de kwaliteit van processen beïnvloeden.
Daarnaast moeten leeromgevingen studenten expliciet confronteren met situaties waarin AI-output onvoldoende aansluit bij de professionele bedoeling. Juist die momenten maken zichtbaar hoeveel tijd en complexiteit ontstaat wanneer actieve sturing te laat gebeurt en correctie pas reactief plaatsvindt.
Binnen TI kan dit gaan over debugging, integratieproblemen of slecht onderhoudbare AI-gegenereerde code. Binnen CMM gaat het eerder over generieke output, inhoudelijke oppervlakkigheid of creatieve output die onvoldoende aansluit bij context, doelgroep of merkidentiteit.
Net die situaties maken zichtbaar dat diepgaand begrip noodzakelijk blijft, maar tegelijk niet volstaat zonder voldoende actieve sturing van AI-processen.