Waarom AI ons slimmer maakt, maar niet wijzer
Generatieve AI maakt medewerkers op individueel niveau productiever maar wat minder bekend is, is dat AI tegelijk iets fundamenteels aantast: het vermogen van mensen om correct in te schatten hoe goed ze zelf presteren. Recent onderzoek toont aan dat AI het klassieke Dunning–Kruger-effect niet versterkt, maar uitvlakt. En precies dat roept nieuwe, ongemakkelijke vragen op voor HR.
Van zelfoverschatting naar collectieve zelfzekerheid
Het Dunning–Kruger-effect is een bekend psychologisch patroon: mensen die minder goed presteren, overschatten hun eigen kunnen, terwijl sterkere presteerders doorgaans kritischer zijn voor zichzelf. Voor HR is dat geen louter theoretisch concept. Het verklaart waarom sommige medewerkers feedback nodig hebben, waarom leerbehoeften niet altijd spontaan zichtbaar zijn en waarom zelfinschatting niet altijd samenvalt met competentie.
Nieuw onderzoek naar AI-ondersteund werken laat nu iets opvallends zien. Wanneer mensen complexe redeneertaken uitvoeren met behulp van AI, stijgt hun objectieve prestatie. Maar tegelijk overschatten ze systematisch hun eigen bijdrage. Niet alleen de zwakkere presteerders, maar iedereen. Het klassieke verschil tussen “ik weet niet dat ik het niet weet” en “ik weet dat ik het wel weet” verdwijnt.
AI zorgt dus niet voor beter zelfinzicht, maar voor gelijkgetrokken zelfzekerheid.
Betere output, minder zelfkennis
In het onderzoek werkten honderden deelnemers met AI bij het oplossen van logische redeneertaken. Zulke taken meten geen kennis, maar denkvaardigheden zoals analyseren, argumenten beoordelen en conclusies trekken; allemaal vaardigheden die sterk lijken op cognitief kenniswerk in organisaties.
De resultaten zijn dubbel. Met AI:
- presteren mensen beter,
- maar schatten ze hun prestaties gemiddeld een stuk te hoog in,
- en zijn ze minder goed in staat om correcte van foutieve antwoorden van elkaar te onderscheiden.
Met andere woorden: AI verhoogt de output, maar verstoort het interne kompas dat mensen normaal gebruiken om hun eigen kwaliteit te beoordelen.
De paradox van AI-geletterdheid
Nog opvallender is dat meer AI-kennis dit probleem niet oplost. Integendeel. Deelnemers met een hogere AI-geletterdheid bleken vaak zelfverzekerder, maar tegelijk minder accuraat in hun zelfinschatting. Kennis leidt hier niet tot nuance, maar tot schijnzekerheid.
Voor HR is dit een belangrijk signaal. AI-trainingen die focussen op tools, prompts en efficiënt gebruik zijn nuttig, maar onvoldoende. Zonder aandacht voor kritisch denken en reflectie kan AI-gebruik net leiden tot overschatting en overafhankelijkheid.
Waarom dit geen goed nieuws is voor HR
Het Dunning–Kruger-effect maakt verschillen zichtbaar. Het helpt HR om te begrijpen waar ondersteuning, feedback of ontwikkeling nodig is. Als AI dat effect uitvlakt, ontstaat een nieuw risico: schijncompetentie.
Medewerkers leveren betere resultaten, maar:
- weten minder goed wat ze zelf beheersen,
- nemen minder feedback op,
- en voelen minder nood aan verdere ontwikkeling.
Voor performance management, learning & development en talentontwikkeling is dat een fundamentele uitdaging. Hogere prestaties betekenen niet automatisch hogere competentie.
Wat kan HR hiermee doen?
De boodschap is niet dat AI moet worden afgeremd, maar dat het anders moet worden ingebed.
Een paar aandachtspunten:
- Maak reflectie expliciet: laat medewerkers benoemen wat hun eigen redenering was en waar AI heeft geholpen.
- Train metacognitie: leer mensen niet alleen hoe ze AI gebruiken, maar ook hoe ze hun eigen beslissingen evalueren.
- Herbekijk evaluatiegesprekken: vraag niet enkel naar resultaten, maar ook naar het denkproces en het AI-gebruik.
- Normaliseer twijfel en controle: kritisch herbekijken van AI-output moet deel worden van professioneel gedrag.
AI maakt mensen misschien slimmer in wat ze doen, maar niet automatisch wijzer over zichzelf. Wie AI inzet zonder aandacht voor zelfinzicht, loopt het risico op een organisatie vol zelfzekere medewerkers die minder leren dan ze denken.
