Kunstmatige intelligentie lijkt op het eerste gezicht het terrein van complexe wiskundige vergelijkingen en geavanceerde algoritmes. Toch is AI-geletterdheid geen hogere wiskunde. Terwijl de kern van AI inderdaad voortkomt uit diepgaande wiskundige principes, zoals lineaire algebra, statistiek en calculus, is het begrijpen van AI — en ermee omgaan op een verantwoorde manier — veel meer een kwestie van bewustzijn en kritisch denken dan het oplossen van differentiaalvergelijkingen. AI-geletterdheid levert namelijk meer op dan de som van technische kennis (1) en toepasbaarheid (1) afzonderlijk; begrip en toepassing van AI kunnen samen exponentiële waarde creëren.
Traditioneel verwijst geletterdheid naar het vermogen om te lezen en schrijven. In de digitale en technologische wereld heeft dit concept zich echter uitgebreid. Digitale geletterdheid gaat niet alleen over het kunnen gebruiken van technologie, maar ook over het begrijpen van de onderliggende principes, de impact ervan op de samenleving en hoe deze op een verantwoorde manier kan worden toegepast. Zoals Collins, Brown en Holum opmerken, vereist technologische geletterdheid een dynamische benadering waarbij theorie en praktijk worden gecombineerd.[2]
Geletterdheid inzake kunstmatige intelligentie kan dan worden gezien als het vermogen om:
De basisprincipes van AI te begrijpen: Begrijpen wat AI is, hoe het werkt, en welke beperkingen en risico’s het heeft.
AI-tools kritisch te gebruiken: Niet alleen weten hoe AI-systemen werken, maar ook hoe ze effectief en verantwoord kunnen worden ingezet.
De impact van AI te evalueren: De ethische, sociale en juridische gevolgen van AI-toepassingen inschatten.[3]
Hoewel de technische fundamenten van AI voortkomen uit complexe wiskundige modellen, is een diepgaande kennis hiervan niet noodzakelijk voor AI-geletterdheid. Wat wel belangrijk is, is een basisbegrip van enkele kernconcepten:
Modellen en voorspellingen: AI-systemen zoals neurale netwerken of beslisbomen gebruiken wiskundige modellen om patronen te herkennen en voorspellingen te doen. Het is niet nodig om de exacte formules te begrijpen, maar wel hoe modellen functioneren en waar ze fout kunnen gaan.
Algoritmes en gegevens: AI draait op data. Begrip van hoe data worden verzameld, verwerkt en gebruikt door algoritmes is essentieel.[4]
Bias en transparantie: AI-modellen zijn alleen zo goed als de data die ze voeden. Weten hoe bias ontstaat en hoe transparantie kan worden bevorderd, is cruciaal.[5]
AI-geletterdheid vereist een evenwicht tussen technische kennis en kritisch inzicht. Het gaat er niet alleen om hoe AI werkt, maar ook waarom het werkt zoals het werkt en welke gevolgen dat heeft. Enkele belangrijke aspecten zijn:
De kern van AI ligt in patroonherkenning en data-analyse. Een algoritme dat sollicitanten beoordeelt, bijvoorbeeld, baseert zijn beslissingen op historische gegevens. Een AI-geletterd persoon begrijpt dat:
De keuze van de inputdata bepalend is voor de uitkomst: als de historische gegevens waarin bias zit (bijvoorbeeld ondervertegenwoordiging van bepaalde groepen) worden gebruikt, zal de AI deze (onbewuste) bias repliceren of zelfs versterken.[6] Zo is het risico op discriminatie groot wanneer menselijke fouten bij het verzamelen en labelen van data niet worden herkend.
AI geen causaliteit begrijpt, alleen correlaties: een algoritme kan bijvoorbeeld vaststellen dat bepaalde eigenschappen (zoals geslacht of postcode) samenhangen met succes in een baan, zonder te begrijpen dat deze correlaties vaak niet causaal zijn. Dit leidt tot het risico dat onjuiste verbanden worden gebruikt als basis voor beslissingen, bijvoorbeeld bij kredietbeoordelingen of strafrechtelijke risicoanalyses.
Transparantie cruciaal is: onbegrijpelijke of “zwarte doos”-algoritmes maken het moeilijk om te achterhalen waarom een beslissing is genomen. Transparantie zorgt ervoor dat bedrijven de werking van AI kunnen uitleggen, fouten kunnen corrigeren en verantwoord gebruik kunnen garanderen.
Hoewel AI vaak wordt gezien als “slim,” is het beter te spreken van geavanceerde automatisering. AI-systemen volgen patronen en optimalisaties binnen vooraf bepaalde grenzen. Begrijpen waar AI stopt en menselijke intelligentie begint, is een belangrijk aspect van AI-geletterdheid. Mijns inziens ligt het onderscheid in het vermogen tot begrip, creativiteit, en bewustzijn. Automatisering – waaronder AI valt – werkt volgens patronen en vooraf ingestelde regels zonder contextueel of abstract begrip. Een AI kan bijvoorbeeld patronen herkennen in gegevens en beslissingen voorstellen, maar begrijpt de implicaties ervan niet. Menselijke intelligentie omvat daarentegen interpretatie, intuïtie en ethische reflectie. De grens ligt bij de capaciteit om betekenis te geven: waar AI complexe processen efficiënt uitvoert, blijft het menselijk bewustzijn cruciaal voor innovatie en morele keuzes.
Denk bijvoorbeeld aan een chatbot: deze kan antwoorden geven binnen een gedefinieerd domein, maar begrijpt niet werkelijk de inhoud van een gesprek. Hiervoor is menselijke interventie nodig. Zo kan AI patronen herkennen in medische scans, maar het vereist menselijke artsen om de bredere klinische context te interpreteren en besluiten te nemen over de behandeling.
AI-geletterdheid betekent ook bewustzijn van ethische kwesties en wetgeving, zoals de AI Verordening. Wie verantwoordelijk is voor fouten, hoe privacy wordt beschermd en hoe AI op een eerlijke manier kan worden ingezet, zijn kernvragen.[7]
Een AI-geletterd persoon moet kunnen beoordelen of een systeem voldoet aan de normen van billijkheid en transparantie, bijvoorbeeld door de impact op kwetsbare groepen te evalueren. Bij het eerlijk maken van inputdata is het belangrijk om onvolledige datasets aan te vullen, menselijke vooroordelen in het datavoorbereidingsproces te elimineren en regelmatige audits uit te voeren.
Een eerlijke inzet van AI betekent het creëren van transparante systemen, het aanpakken van bias, en zorgen voor verantwoord gebruik. Dit kan worden bereikt door:
Diverse datasets gebruiken om bias te minimaliseren en representatieve beslissingen te bevorderen. Verzamel gegevens die de diversiteit van de echte wereld weerspiegelen. Vermijd datasets die bepaalde groepen systematisch onder- of oververtegenwoordigen. Maak ook gebruik van software die helpt om partijdigheden in data en algoritmes op te sporen en aan te pakken.
Ethiek inbouwen in AI-ontwerp, bijvoorbeeld door beslissingen te documenteren en te verklaren. Geef prioriteit aan algoritmes die onrechtvaardige patronen actief corrigeren.
Menselijke controle behouden door kritische beslissingspunten niet volledig te automatiseren.
Regelmatig evalueren van de impact, waarbij experts en stakeholders de sociale gevolgen analyseren.
Een dergelijke aanpak combineert technische zorgvuldigheid met morele en wettelijke overwegingen om AI eerlijk en effectief in te zetten.
Organisaties spelen een sleutelrol in het bevorderen van AI-geletterdheid bij werknemers. Een praktische aanpak is essentieel om AI toegankelijk te maken. Hier zijn enkele concrete suggesties:
Werkshops en trainingen op maat: Ontwikkel programma’s die niet alleen de basisprincipes uitleggen, maar ook ingaan op concrete use cases binnen de organisatie. Combineer theorie met praktijk door interactieve sessies.[8]
Toegankelijke taal: Vermijd technisch jargon. Gebruik eenvoudige metaforen en voorbeelden om complexe concepten uit te leggen. Intuïtieve en praktische voorbeelden zijn begrijpelijker dan abstracte theorieën.
Interdisciplinaire samenwerking: Betrek mensen met diverse achtergronden. AI-geletterdheid is niet alleen voor IT-specialisten, maar ook voor marketeers, juristen en beleidsmakers relevant.[9]
Speelse leervormen: Gebruik simulaties, serious games en interactieve tools om werknemers te laten ervaren hoe AI werkt. Als mensen zelf op een speelse manier ervaren welke invloed AI heeft, versnelt dit volgens onderzoek het leerproces aanzienlijk.[10]
Praktijkgerichte ethiektraining: Bespreek ethische dilemma’s en laat werknemers meedenken over oplossingen. Creëer een open discussieklimaat waarin fouten maken wordt aangemoedigd als leermoment.[11]
Mentorschap en interne experts: Creëer een pool van interne AI-ambassadeurs die kunnen fungeren als mentoren. Dit stimuleert kennisdeling en verlaagt de drempel om vragen te stellen.[12]
F(AI) = (\int\) AI-geletterdheid dx = verantwoord gebruik / (complexiteit + Jargon) = geen hogere wiskunde.
AI-geletterdheid vereist geen diploma in wiskunde, maar wel nieuwsgierigheid, kritisch denken en een bereidheid om te leren. Organisaties moeten investeren in het toegankelijk maken van AI-kennis voor iedereen, zodat de technologie niet alleen wordt begrepen, maar ook verantwoord wordt toegepast. Want uiteindelijk draait het niet om het oplossen van complexe formules, maar om het doorzien van de impact ervan.
Zoals de wiskunde leert: de juiste input leidt altijd tot een waardevolle uitkomst.
[1] Wettekst (cursivering door auteur): “Aanbieders en gebruiksverantwoordelijken van AI-systemen nemen maatregelen om, zoveel als mogelijk, te zorgen voor een toereikend niveau van AI-geletterdheid bij hun personeel en andere personen die namens hen AI-systemen exploiteren en gebruiken, en houden daarbij rekening met hun technische kennis, ervaring, onderwijs en opleiding en de context waarin de AI-systemen zullen worden gebruikt, evenals met de personen of groepen personen ten aanzien van wie de AI-systemen zullen worden gebruikt.”
[2] Collins, A., Brown, J., & Holum, A. (2020). Learning AI: Bridging Theory and Practice. Oxford: AI Learning Press, p. 45.
[3] Binns, R. (2018). “Fairness in Algorithmic Decision-Making.” Communications of the ACM, 61(6), 66–75, p. 67.
[4] Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Berlin: Springer, p. 112.
[5] O’Neil, C. (2016). Weapons of Math Destruction. New York: Crown Publishing, p. 23.
[6] Barocas, S., Hardt, M., & Narayanan, A. (2019). Fairness and Machine Learning. New York: MIT Press, p. 89.
[7] Floridi, L., Cowls, J., & Beltrametti, M. (2018). “AI Ethics: Its Nature and Necessity.” Science and Engineering Ethics, 24, 181–205, p. 200.
[8] Adams, R. (2021). Practical AI: Ethics and Applications. London: TechPress, p. 142.
[9] West, D., Allen, J., & Rosser, C. (2019). AI for Policy Makers: The Essential Guide. Washington, DC: Brookings Institution, p. 75).
[10] Gee, J. P. (2003). What Video Games Have to Teach Us About Learning and Literacy. New York: Palgrave Macmillan, p. 56.
[11] Binns 2018 (voetnoot 3) p. 94.
[12] Collins, Brown & Holum 2020 (voetnoot 2) p. 53.
