Hoe krijg je betere antwoorden van AI?

De meeste mensen gebruiken AI-tools als een orakel. Ze stellen een vraag, krijgen een antwoord, en volgen dat op. Dat klinkt efficiënt, maar het is precies waar het misgaat. Een betere aanpak is verrassend simpel: vraag niet wat je moet doen, maar vraag om de afwegingen.

Het verschil in een voorbeeld

Stel, je overweegt om je klantenservice deels te automatiseren met een AI-chatbot. De intuïtieve vraag aan een AI-tool is: "Moeten wij een AI-chatbot inzetten voor onze klantenservice?" Het antwoord klinkt dan stellig: "Ja, dat bespaart tijd en geld, want..." Je volgt het advies, en loopt drie maanden later tegen klachten aan over onpersoonlijke service die de AI niet voorzag, omdat die jouw klantrelaties niet kent.

Vraag je in plaats daarvan om de afwegingen, dan krijg je iets heel anders. Een chatbot schaalt makkelijk en verlaagt de kosten per interactie, maar complexe vragen blijven liggen. Een hybride model met AI-triage en menselijke afhandeling is flexibeler, maar kost meer om in te richten. Volledige menselijke service behoudt de persoonlijke band, maar schaalt niet mee bij groei. Ineens heb je de informatie om zelf te beslissen op basis van wat jouw situatie vraagt.

Waarom dit werkt

Het principe is breder dan klantenservice. AI-modellen zijn getraind op patronen. Wanneer je vraagt "wat moet ik doen?", optimaliseert het model voor het meest waarschijnlijke antwoord. Dat is niet hetzelfde als het beste antwoord voor jouw situatie. Het model kent je organisatie niet, je budget niet, je teamsamenstelling niet, je klantverwachtingen niet.

Door te vragen om afwegingen verschuift de dynamiek. De AI wordt een analist die opties uiteenzet, in plaats van een adviseur die een oordeel velt. Jij houdt de regie over de beslissing. En dat is precies waar het verschil zit tussen AI die productief maakt en AI die "workslop" genereert: output die er goed uitziet maar niet aansluit bij wat je nodig hebt.

In de praktijk

Deze aanpak werkt overal waar je AI inzet voor keuzes:

Bij strategische besluiten. Niet: "Moeten wij investeren in AI voor onze offertes?" Maar: "Wat zijn de afwegingen tussen AI-ondersteunde offertes, een gestandaardiseerd templateproces en de huidige manier van werken, qua snelheid, kwaliteit en kosten?"

Bij contentbeslissingen. Niet: "Moet ik dit artikel als blogpost of als nieuwsbrief publiceren?" Maar: "Wat zijn de voor- en nadelen van dit verhaal als blogpost versus nieuwsbrief, qua bereik, levensduur en leadgeneratie?"

Bij organisatievraagstukken. Niet: "Moeten wij een AI-coördinator aanstellen?" Maar: "Wat zijn de afwegingen tussen een dedicated AI-coördinator, een verdeelde verantwoordelijkheid over afdelingshoofden, en een extern adviseur?"

Het onderliggende principe

Wat deze aanpak zo effectief maakt, is dat het de kennisasymmetrie herstelt. De AI weet meer over het onderwerp dan jij, maar jij weet meer over je eigen context. Door afwegingen te vragen combineer je het beste van beide: de breedte van het model met de diepte van je eigen situatie.

Dit sluit aan bij hoe je AI slim inzet zonder de menselijke regie te verliezen. Het model levert de bouwstenen, jij bouwt het huis.

Wat betekent dit voor jou?

Probeer het deze week. Neem een beslissing waar je team voor staat en stel de AI-tool niet de vraag "wat moeten we doen?", maar "wat zijn de afwegingen tussen optie A, B en C?" Je zult merken dat de output bruikbaarder is, dat de discussie in je team scherper wordt, en dat de uiteindelijke beslissing beter onderbouwd is.

Het verschil tussen AI als vervanger van je oordeelsvermogen en AI als versterker ervan zit vaak in één woord: afwegingen.

Wil je ontdekken hoe je dit soort principes breder toepast in je organisatie? Plan een kennismaking in, we denken graag mee.