Het belang van schaapherders

Waarom werkt top-down zelden goed als het over AI gaat? Laten we er niet omheen draaien: niemand “snapt” AI, zelfs de ontwikkelaars ervan niet, laat staan directies die de hele route willen uitstippelen of denken in dranghekken. Zelf werk ik er sinds de doorbraak van ChatGPT & Co. dagelijks en intensief mee, resulterend in tig artikelen en posts en vooral zo praktisch mogelijke workshops en presentaties. En toch voel ook ik me niet AI-geletterd. Elke dag brengt verse inzichten, goudklompjes en teleurstellingen. En: kleine, grote en massieve veranderingen in de modellen zelf. AI is net als jijzelf bent: onkenbaar en altijd aan het groeien. Schaapherders geloven in een praktische aanpak. Zij geven ruimte aan de schapen en sturen alleen bij als ze afdwalen. Zij laten je in de klei lopen om uitgebreide ervaring op te doen. Niet voor niets zegt Paul Hofman, area lead Library and Open Science aan TU Eindhoven, ‘dat je een bepaalde kritische massa aan kennis moet opbouwen in je organisatie voordat dingen echt beginnen te lopen’ en dat ‘dat de remmende factor is voordat je toe bent aan het maken van echt beleid’. Tegelijkertijd blijft het natuurlijk belangrijk om risico’s te managen, zoals rond bias, privacy en IP, schaapherder of niet.

Taboe

Ook zonder schaapherders is er hoop; als de cultuur het toelaat. Guido Scheuerman, AI-lead bij provincie Zuid-Holland, zegt daarover: ‘Als er geen beleid is, hebben mensen natuurlijk ruimte om het een en ander te doen.’ Maar, voegt hij toe: dan moet je wel het informele netwerk benutten en de vinger aan de pols houden. Zodra iets risico’s met zich meebrengt, moet het formeel worden vastgelegd. En daarvoor zijn praktische handvatten nodig terwijl de AI-act zich daar niet zo makkelijk toe leent. ‘Een leuke uitdaging voor de komende maanden.’ Maar met AI-bezig zijn voordat er beleid is vastgesteld voelt vaak juist als dansen op de vulkaan. Tenslotte heeft de rijksoverheid generatieve AI onmiddellijk taboe verklaard. Ik vergeet die datum nooit: 11 december 2023. Met name rijksorganisaties zijn dan ook uiterst schuchter en schichtig als het over individueel gebruik gaat. Daarom ontbreken ze ook als gesprekspartner voor dit artikel. ‘Natuurlijk gebruiken wij het, nou ja, onder de radar dan’ hoorde ik regelmatig van de weinige dappere workshopdeelnemers uit die hoek. En een paar maanden later: ‘Nee, ik durf niet meer, het is nu zelfs verboden. Beleid? Geen idee wanneer dat komt.’ En zo lekken kennis en enthousiasme weer weg. Paul Hofman noemt AI een ‘driver of change in heel veel verschillende richtingen’ en ziet het spotten van de kansen en het oogsten van de voordelen hand in hand gaan met het opbouwen van de kennis. Maar dan moet dat wel gebeuren.

Waar is die kennis?

Pijnlijk onderwerp. In dat vorige leven dat ik noemde, afgerond door een burn-out, adviseerde ik overheden en bedrijven rond de inrichting van hun informatiedienst­verlening: top-down beleids- en organisatie­advies. Dus begin 2023 stapte ik, gefascineerd geraakt door de mogelijkheden van GenAI, als vanzelf weer in de vertrouwde helikopter om de impact op de informatieprofessie in kaart te brengen en er beleidsadviezen voor te ontwikkelen. Handig voor de professie, toch? Ik ging het gesprek aan, gewend aan goed geïnfor­meerde gesprekspartners. De enige reactie: AI? Wat ís dat? En we hebben toch Google? Daar schrok ik enorm van. Toen al was het immers duidelijk: het informatiedomein verandert mede door AI akelig snel. De rol van informatieprofessionals dus ook. En dat vergt nieuwe expertises. Zonder inzicht in wat AI eigenlijk is en doet, wordt het lastig en zelfs onmogelijk om mee te denken over die transformatie, laat staan om mede richting te geven. AI is tenslotte niets minder dan een compleet nieuwe manier om om te gaan met - jawel - ongestructureerde informatie. Was dat niet ons domein? Hadden we daar niet visies op en rollen in? Sindsdien is het mijn persoonlijke missie om informatieprofessionals breed kennis te laten maken met AI, vanuit hun eigen werkpraktijk. Niet top-down maar bottom-up. Dat betekent: experimenteren, oefenen, zelf ontdekken wat werkt. Met focus op de eigen individuele taken en cases. Niet “een presentatie” en “een video” of “een generieke tutorial”, maar ze stuk voor stuk kickstarten in de richting van AI-geletterdheid. Zoals Bianca de Waal, metadataspecialist bij bibliotheek UvA/HvA zegt: ‘Ik vind het belangrijk dat iedereen die met deze modellen gaat werken eerst een basistraining volgt.’ Precies. En dat beleid, dat komt een jaartje later wel. Zo hoopte ik toen. Helaas. Het vakgebied loopt ook nu nog steeds hopeloos achter bij de ontwikkelingen in het eigen domein. Natuurlijk zijn er vooroplopers met grote business cases zoals die van het onvolprezen Stadsarchief Amsterdam. Die zijn supergaaf om de ogen te openen voor mogelijkheden en de kunst af te kijken, maar per saldo brengen ze vaak vooral een nieuwe tool voor een specifiek werkproces. Geletterdheid vergt een veel grotere oprekking van hoogstpersoonlijke referentiekaders en vaardigheden.

De klei: praktische toepassingen

Wat we nodig hebben is dat we rode wangen krijgen, rillingen over de rug, gefronste wenkbrauwen, dat we bedachtzaam knikken, high fives geven en vooral ook ‘ja, maar’ en ‘nee’ leren zeggen als het om AI gaat. Maar niet gebaseerd op onderbuikgevoelens en beperkte informatie, maar op grond van hoogstpersoonlijke hands-on ervaringen met tientallen toepassingen en gerichte praktijkcases. Blote voeten in de klei. Dan zie je dat er iets verandert in zo’n team. Men gaat zelf denken en experimenteren. Eerst is er aarzeling, verwarring, verrassing. Dan ontstaan enthousiaste discussies. Zo groeit er begrip voor de revolutie die gaande is en de impact ervan. Natuurlijk gebruikt men het daarna nog steeds om lange documenten terug te brengen tot de essentie of complexe teksten begrijpelijker te maken. En om research te doen. Dat spreekt voor zichzelf. Bij die bekende doeleinden zit de winst in meer bewuster en verantwoorder gebruik en toegenomen vertrouwen. Maar de lijst toepassingen die men daadwerkelijk gebruikt is zoveel groter en diverser. Genoemd worden bijvoorbeeld: modelleren, ordenen, jaarverslagen analyseren, projectplannen maken, workflows uitwerken. Of brieven schrijven in mijn eigen stijl. Heel populair onder gesprekspartners en deelnemers zijn ook sparren, advisering en brainstormen, pro’s en con’s afwegen en scenario’s ontwikkelen. Visualisering is ook in trek: powerpoints, diagrammen, tabellen, heatmaps uit spreadsheets. Iemand mailde me trots dat ze 10-25 minuten per keer bespaarde door AI keywords van rapporten te laten genereren. Of wat dacht je van metadateren op basis van vastgestelde lijsten of juridische documenten vergelijken? De vakgerichte toepassingen zijn bijna eindeloos. Mijn eigen checklist bevat er meer dan 70. Plus natuurlijk: aan AI vragen hoe je iets moet vragen. En dit is nog maar het begin van de AI-tsunami... Minstens zo belangrijk is de andere kant. Zo velen vinden met Bianca de Waal ‘de impact op het klimaat, de hoeveelheid niet diverse data en de kwaliteit van de data zorgelijk’. Bovendien weten we allemaal dat het nog vol zit met kinderziektes en keerzijdes. Sommige dingen lukken stomweg niet. Hoe meer je ermee werkt, hoe meer beperkingen je ontdekt. Ja, ik zucht wat af soms. En juist daarvan leer je dan weer: beter vragen, meer context geven, dieper graven, sparren, metavragen stellen. En: niet te snel naar AI grijpen maar juist eerst je eigen intenties goed helder krijgen. Altijd weer double- checken. Zorgen dat je met de goede AI werkt (niet met gratis versies, die geven een totaal verkeerd beeld). Nadrukkelijk zelf aan het stuur blijven. Of zoals Matthijs Waasdorp, benadrukt: ‘Ik schrijf al mijn notities zelf.’ Welke AI-gebruiker kan dat nog nazeggen?