Typologie 4: De afhankelijke

(Lage sturing + oppervlakkig begrip)

De Afhankelijke bevindt zich in het kwadrant van lage sturing en oppervlakkig begrip. Het is de enige typologie die in beide sessies expliciet als onwenselijk naar voren komt. Tegelijk maken beide sessies duidelijk dat deze positie geen uitzonderlijk scenario vormt, maar een reëel risico binnen AI-geïntegreerde professionele praktijken.

De Afhankelijke combineert beperkte actieve AI-sturing met onvoldoende diepgaand domein- en procesbegrip. Daardoor ontstaat een situatie waarin professionals AI-output grotendeels volgen zonder voldoende richting te geven aan het proces en zonder de inhoudelijke kwaliteit of implicaties van die output grondig te kunnen beoordelen.

Wat kenmerkt de Afhankelijke?

De professional gebruikt AI voornamelijk via de standaardwerking van het systeem, met minimale prompting, beperkte context en weinig actieve aansturing van het proces. Output wordt grotendeels gevolgd zoals het systeem die genereert, met slechts beperkte bijsturing, verfijning of inhoudelijke tussenkomst.

Tegelijk ontbreekt voldoende diepgaand domein- en procesbegrip om de kwaliteit, betrouwbaarheid of professionele geschiktheid van die output correct te beoordelen. Daardoor ontstaat een situatie waarin AI niet alleen een hulpmiddel wordt, maar geleidelijk ook het denk- en beslissingsproces begint over te nemen.

Het fundamentele probleem van deze positie ligt niet uitsluitend in de output zelf, maar vooral in wat ontbreekt: inhoudelijk begrip, professioneel oordeel, bewuste sturing en verantwoordelijkheid voor het eindresultaat. De professional blijft sterk afhankelijk van het systeem om tot oplossingen, analyses of creatieve output te komen, zonder voldoende mogelijkheid om zelfstandig te reconstrueren waarom bepaalde resultaten correct of problematisch zijn.

Wat deze positie extra complex maakt, is dat ze vaak moeilijk zichtbaar blijft. AI-systemen kunnen overtuigende en professioneel ogende output genereren, zelfs wanneer gebruikers slechts beperkte expertise bezitten. Daardoor kan afhankelijkheid lange tijd verborgen blijven achter operationeel bruikbare resultaten.

Hoe verschijnt dit in beide sessies?

Binnen de TI-sessie wordt deze positie het meest expliciet zichtbaar in het fenomeen van “vibe coding”: personen zonder voldoende programmeerkennis die met behulp van AI applicaties ontwikkelen en aanbieden alsof ze professioneel onderbouwd zijn.

Deelnemers formuleren hierover duidelijke bezorgdheden. Hoewel AI snel werkende output kan produceren, ontbreekt vaak het onderliggende begrip dat nodig is om code veilig te onderhouden, architecturaal correct te structureren of problemen zelfstandig op te lossen. Verantwoordelijkheid voor kwaliteit en betrouwbaarheid wordt daardoor diffuus.

Tegelijk maakt de sessie duidelijk dat afhankelijkheid zich niet beperkt tot mensen buiten het vakgebied. Ook ervaren developers kunnen geleidelijk richting afhankelijk AI-gebruik evolueren wanneer AI-output onder invloed van tijdsdruk, efficiëntieoverwegingen of routine steeds minder kritisch wordt bevraagd, terwijl actieve sturing en onderliggende expertise afnemen.

Binnen de CMM-sessie verschijnt dezelfde logica minder expliciet, maar wel duidelijk herkenbaar in de bezorgdheid rond generieke content en “eenheidsworst”. Wanneer professionals AI-content gebruiken zonder duidelijke inhoudelijke richting of voldoende diepgaand begrip van doelgroep, context of positionering, ontstaat output die technisch overtuigend oogt maar inhoudelijk weinig onderscheidend of betekenisvol blijft.

Ook de toenemende overtuigingskracht van AI-output speelt hierbij een belangrijke rol. Omdat systemen steeds professioneler ogende teksten, beelden en campagnes produceren, groeit het risico dat output sneller geaccepteerd wordt zonder voldoende kritische analyse of actieve tussenkomst.

Waarom is dit een structureel risico?

Beide sessies maken duidelijk dat de Afhankelijke-positie niet uitzonderlijk is, maar voortkomt uit mechanismen die structureel aanwezig zijn binnen AI-geïntegreerde professionele contexten.

Een eerste mechanisme is de lage instapdrempel van AI-systemen. Met beperkte technische kennis of domeinexpertise kunnen gebruikers vandaag snel output genereren die professioneel oogt en operationeel bruikbaar lijkt. Daardoor ontstaat gemakkelijk de indruk dat diepgaand begrip minder noodzakelijk wordt.

Een tweede mechanisme betreft kenniserosie. Wanneer professionals bepaalde taken niet langer actief uitvoeren omdat AI ze overneemt, dreigt onderliggende expertise geleidelijk af te nemen. De Afhankelijke ontstaat dan niet plots, maar eerder als eindpunt van een langzaam proces waarbij kritisch denken, analysevaardigheden en conceptueel begrip steeds minder actief ingezet worden.

Een derde mechanisme is de overtuigingskracht van AI-output zelf. Naarmate AI-systemen vloeiender, geloofwaardiger en professioneler communiceren, wordt het moeilijker om oppervlakkig begrip of beperkte controle nog tijdig te herkennen. Professionals kunnen daardoor het gevoel krijgen dat ze kritisch en zelfstandig handelen, terwijl ze in werkelijkheid steeds afhankelijker worden van AI-output om beslissingen te nemen.

Dat maakt deze positie bijzonder moeilijk zichtbaar en dus ook moeilijk corrigeerbaar.

Relatie tot de andere typologieën

De Afhankelijke verschilt fundamenteel van de andere drie typologieën omdat zowel diepgaand begrip als actieve sturing beperkt aanwezig blijven.

Met de Bewaker deelt de Afhankelijke de relatief lage mate van actieve sturing. Het verschil ligt echter in het aanwezige begrip. Waar de Bewaker uiteindelijk nog beschikt over voldoende expertise om problemen inhoudelijk te analyseren en gericht tussen te komen, ontbreekt dat vermogen bij de Afhankelijke grotendeels.

Met de Uitvoerder deelt de Afhankelijke het risico op vertrouwen in AI-output, maar verschilt hij fundamenteel in de mate van actieve sturing. De Uitvoerder probeert AI wel actief richting te geven via prompting, workflowsturing en iteratieve bijsturing, maar die sturing steunt vaak vooral op intuïtie, ervaring en praktische routines eerder dan op diepgaand inhoudelijk begrip. Bij de Afhankelijke blijft zelfs die actieve regie beperkt aanwezig.

De Afhankelijke vormt daarmee het verste punt verwijderd van de Regisseur, waar diepgaand begrip en bewuste AI-sturing net samenkomen.

Implicaties voor het curriculum

De Afhankelijke-positie vormt het scenario dat curricula expliciet proberen te vermijden. Dat vraagt echter meer dan het aanleren van AI-tools of operationele AI-vaardigheden alleen.

Het curriculum moet actief inzetten op beide dimensies die in deze typologie ontbreken: diepgaand domein- en procesbegrip én bewuste AI-sturing.

Concreet betekent dit dat opleidingen leeromgevingen voorzien waarin studenten niet alleen AI leren gebruiken, maar ook zichtbaar moeten aantonen dat onderliggende kennis, professionele redeneringen en inhoudelijk begrip werkelijk aanwezig zijn. Net daar ligt volgens beide sessies een van de grootste onderwijsuitdagingen van AI-geïntegreerd leren.

Studenten kunnen vandaag dankzij AI opdrachten succesvol afronden, professioneel ogende output produceren en complexe taken uitvoeren zonder dat het onderliggende begrip noodzakelijk even sterk ontwikkeld is. Daardoor volstaat het beoordelen van eindproducten alleen steeds minder om professionele competenties betrouwbaar zichtbaar te maken.

Opleidingen ontwikkelen daarom best expliciet leeractiviteiten waarin studenten zelfstandig analyseren, keuzes verantwoorden, fouten reconstrueren en professioneel redeneren, ook wanneer AI actief gebruikt wordt binnen het leerproces. Niet omdat AI vermeden moet worden, maar omdat die onderliggende competenties noodzakelijk blijven om AI later verantwoord en autonoom te kunnen inzetten.

Daarnaast is het aangewezen dat opleidingen studenten ook bewust maken van het risico op geleidelijke afhankelijkheid, zelfs bij professionals die aanvankelijk functioneren als Regisseur. Beide sessies maken zichtbaar hoe kenniserosie, tijdsdruk en de toenemende overtuigingskracht van AI-output ertoe kunnen leiden dat actief redeneren, kritisch analyseren en bewuste sturing geleidelijk afnemen. Afhankelijkheid ontstaat daarbij niet noodzakelijk plots, maar vaak als een langzaam proces waarin professionals steeds meer vertrouwen op AI-output terwijl onderliggende expertise minder actief ingezet wordt.

Ownership ontstaat daarbij niet vanzelf. Het vraagt een doelgerichte didactische aanpak waarin verantwoordelijkheid, kritisch denken en bewuste sturing systematisch ontwikkeld worden naast technische of creatieve competenties. Vanuit dispositioneel perspectief betekent dit dat curricula niet alleen kennis en vaardigheden ontwikkelen, maar ook professionele disposities ontwikkelen die maken dat studenten hun professioneel oordeel, kritische reflectie en verantwoordelijkheid daadwerkelijk blijven inzetten, ook wanneer AI ogenschijnlijk betrouwbare of efficiënte oplossingen aanbiedt.