Hoe meer je automatiseert, hoe meer mensen je nodig hebt

Dan Shipper, oprichter van techuitgever Every, publiceerde vorige week een essay met een tegendraadse claim: hoe meer je automatiseert met AI, hoe meer hoogwaardig menselijk werk er ontstaat. Zijn bedrijf automatiseerde alles wat het kon met agents als Claude Code en groeide intussen van vier naar dertig mensen. De AI Daily Brief van NLW besteedde er een hele aflevering aan. De kern: AI maakt standaardwerk gratis, en juist daardoor verschuift de waarde naar twee menselijke rollen die geen model kan overnemen, de framer en de reviewer. Voor wie nu agents uitrolt zit daar een concrete opdracht in.

Waarom automatiseren meer werk oplevert

Het patroon dat Shipper beschrijft gaat in tegen de verwachting. De logica erachter is simpel. AI is getraind op alles wat mensen al hebben gemaakt en vastgelegd: code, teksten, supporttickets, ontwerpen. Alles wat expliciet genoeg is om op te trainen, wordt daarmee spotgoedkoop te reproduceren. Een pull request openen, een nieuwsbrief schrijven, een dashboard bouwen, het kostte vroeger schaarse expertise en kan nu bijna iedereen.

Dat leidt tot een explosie van output. Mensen uit operations schrijven ineens code, marketeers maken video-thumbnails, collega's zonder schrijfachtergrond leveren eerste teksten aan. En precies daar ontstaat het probleem: als iedereen hetzelfde model met dezelfde standaardinstellingen gebruikt, gaat alle output op elkaar lijken. Shipper noemt dat slop, zichtbare eenvormigheid in grote hoeveelheden.

Zodra alles op elkaar lijkt, wordt het werk dat eruit springt schaars en waardevol. En dat werk komt van een mens. Een model kent alleen werk dat al gedaan is. Het weet niet wat deze klant, deze codebase of dit moment nu nodig heeft. Dat is de paradox: goedkoper expertwerk vervangt experts niet, het creëert meer situaties waarin menselijk oordeel nodig is. Operations die code aanlevert, heeft engineers nodig om die te beoordelen, en marketeers die thumbnails maken, hebben ontwerpers nodig om ze scherp te krijgen.

Dit is dezelfde beweging die we eerder beschreven toen techbedrijf Whoop zeshonderd mensen aannam terwijl concurrenten duizenden schrapten. Waarom snijden in je team de verkeerde reactie is op AI-productiviteit. De tijd die vrijkomt, gaat naar werk dat voorheen niet haalbaar was.

De framer en de reviewer

De twee rollen die overblijven, zijn de framer en de reviewer. De framer bepaalt het kader voordat de agent begint: de strategische context, de echte beperkingen, de commerciële bedoeling. Een model heeft geen idee wat in jouw situatie telt als een correcte beslissing, wat als gevoelige data, of wat als een acceptabel risico. Iemand moet dat vastleggen. De reviewer beoordeelt achteraf: klopt de output, waar zit de fout, en wat maakt dit werk uniek genoeg om boven de standaard uit te komen.

Samen vormen ze wat in de praktijk de human sandwich is gaan heten: een mens zet het kader, de AI doet het middenwerk, een mens beoordeelt en bouwt verder. De aflevering van de AI Daily Brief hieronder werkt dat model verder uit.

Persoonlijke agents en agents voor de hele organisatie

Een van de interessantste lessen uit deze experimenten gaat over de vraag voor wie een agent eigenlijk werkt. De eerste reflex is een agent per persoon: iedereen krijgt een digitale versie van zichzelf. Maar persoonlijke agents verouderen snel zodra degene die ermee werkt het onderhoud laat versloffen, en elke verbetering moet je dan bij elke agent apart doorvoeren. Een gedeelde agent voor een heel team kost dat onderhoud één keer, en de kennis blijft behouden als iemand vertrekt. We zagen in onze eigen test van vijf persoonlijke AI-agents hetzelfde patroon: het onderhoud is fors en schaalt slecht.

Bij Dubbel.ai geloven we dat het geen of-of is. Persoonlijke productiviteit telt: AI die het werk van één medewerker sneller en beter maakt, levert direct waarde op. De grootste sprong zit in agents die een heel proces dragen in plaats van één persoon. Kijk waar het werk van verschillende mensen elkaar overlapt, en leg daar een gedeelde agent neer: voor de offerteflow, voor de redactie, voor de rapportages die meerdere teams raken. Dat is het verschil tussen een handig hulpje voor een individu en een agentic workflow die de organisatie als geheel verder brengt.

Wat dit betekent voor jouw organisatie

De cijfers van Gartner laten zien dat de paniek over massaontslagen voorbarig lijkt. Vanaf 2028 tot 2029 zal AI volgens hun analyse meer banen creëren dan vernietigen. Tegelijk worden er elk jaar ruim 32 miljoen banen ingrijpend veranderd: dagelijks evolueren 150.000 banen via bijscholing en moeten 70.000 worden herschreven. Gartner spreekt zelf niet van een apocalyps maar van jarenlange chaos. Dat sluit aan op de dubbele beweging die we eerder zagen op de arbeidsmarkt: bedrijven schrappen en breiden tegelijk uit.

Voor een directie die regie wil houden, zitten hier drie concrete opdrachten in. De eerste: beleg de framer-rol expliciet. Iemand moet op papier verantwoordelijk zijn voor de kaders waarbinnen jullie AI-systemen werken, en die kaders periodiek herzien. Doe je dat niet, dan bezit iedereen een stukje en niemand het geheel. In gereguleerde sectoren is dat kader bovendien deels een juridisch artefact: wat telt als een correcte beslissing of als een meldingsplichtig incident, wordt mede bepaald door wetgeving als de AVG en de AI Act. Dat kun je niet overlaten aan een model dat op gisteren is getraind.

De tweede: reken het onderhoud mee in je business case. De licentie is de kleinste kostenpost. Het echte geld gaat zitten in het relevant houden van het systeem terwijl het werk eronder verschuift. Een review-agent die je in januari inzet op een bepaalde codebase, is in december een ander systeem als die codebase intussen is veranderd. Iemand moet het kader opnieuw stellen. Dat is een begrotingsregel, geen vrijwilliger.

De derde: investeer in de reviewer. Hoe meer output je agents produceren, hoe groter de behoefte aan mensen die kunnen beoordelen, verifiëren en er iets eigens aan toevoegen. Dit raakt direct aan de manier waarop je content of beslissingen tot stand laat komen. We schreven eerder over hoe je AI inzet voor werk dat wél boven de eenheidsworst uitkomt, met de mens consequent aan het stuur.

De winst van AI zit zelden in de regel "minder fte's" van je business case. Hij zit in de regels die je eerder niet had: beslissingen per week die je niet nam, projecten die je niet aandurfde. Achter elk daarvan staat iemand die het kader bepaalt, en die rol is niet te vervangen door een model dat op het verleden is getraind.

Heb je of denk je aan agents in productie en is nog niet helder wie bij jullie de kaders bepaalt? Plan een kennismaking in, we denken graag mee over hoe je die rol belegt voordat de markt of de toezichthouder het voor je doet.