S07E66 - De paradox van overproductie in het AI-tijdperk

In de nieuwste aflevering van AIToday Live staat het fenomeen AI-overproductie centraal. De hosts bespreken hoe AI-tools ons in staat stellen razendsnel content te produceren, maar ons vervolgens achterlaten met een berg onbewerkt materiaal.

Ze vergelijken dit met het 'kettingzaageffect': je zaagt in een uur meer hout dan je in jaren handmatig zou kunnen, maar blijft achter met een enorme berg afvalhout. Dit illustreert de uitdaging van AI-gegenereerde content: de hoeveelheid output wordt zo groot dat het reviewen ervan een onmogelijke taak wordt.

De aflevering belicht ook de paradox tussen AI die steeds meer produceert en de krimpende menselijke aandachtsspanne. Ondanks massale investeringen in AI-tools blijven de economische effecten vooralsnog minimaal, vergelijkbaar met de productiviteitsparadox uit het computertijdperk.

Onderwerpen

• AI-overproductie en de gevolgen
• Kwantiteit versus kwaliteit in contentproductie
• De paradox van aandacht in relatie tot AI
• Economische effecten van AI-tools
• Herontwerpen van processen met AI

Links

• Podcastaflevering: AIToday Live aflevering S07E66 - Overproductie met AI
• Boek: AI-survivalgids voor de B2B-marketeer - Bouke Vlierhuis
• Artikel: AI Snake Oil - Could AI slow science?
• Wetenschappelijk artikel: Large Language Models, Small Labor Market Effects
• Wetenschappelijk artikel: AI and the productivity paradox

Aigency
Aigency ontwerpt en ontwikkelt waardevolle, robuuste en betrouwbare Machine Learning-modellen.

Info Support
Info Support is de specialist in maatwerk software en leidend in kunstmatige intelligentie (AI).

Disclaimer: This post contains affiliate links. If you make a purchase, I may receive a commission at no extra cost to you.

Schrijf je in voor onze nieuwsbrief en ontvang exclusieve toegang tot nieuws, blik achter de schermen en meer!

Transcript

1
00:00:02,300 --> 00:00:05,680
Hoi, leuk dat je weer luistert naar een korte aflevering van AIToday Live.

2
00:00:06,060 --> 00:00:08,520
Mijn naam, Joop Snijder, CTO bij Aigency.

3
00:00:08,690 --> 00:00:12,920
En we gaan het vandaag hebben over hoe AI overproductie ons overspoelt.

4
00:00:14,860 --> 00:00:19,460
Stel je voor, je staat vroeg op op een zaterdagochtend, de zon schijnt door de bomen.

5
00:00:20,100 --> 00:00:25,800
Je hebt een kettingzaag in je handen die net zo goed door hout snijdt als een warm mes door boter.

6
00:00:26,280 --> 00:00:31,360
En in een uurtje heb je meer gesneden dan je in jaren met handgereedschap voor elkaar zou krijgen.

7
00:00:32,080 --> 00:00:34,420
Je voelt je productief, krachtig, modern.

8
00:00:35,260 --> 00:00:36,980
Maar dan komt het moment van de waarheid.

9
00:00:37,380 --> 00:00:40,180
Je doet je gehoorbescherming af en je draait je om.

10
00:00:41,280 --> 00:00:42,600
Ja, en wat hoop je dan aan te treffen?

11
00:00:43,120 --> 00:00:46,380
Je partner met een stralende glimlach en een dampende kop koffie, toch?

12
00:00:46,800 --> 00:00:49,860
Maar wat zie je? Een gigantische berg afvalhout.

13
00:00:50,340 --> 00:00:53,240
Een berg die het hele weekend gaat kosten om op te ruimen.

14
00:00:53,820 --> 00:01:04,260
Dit beeld, zo treffend beschreven door Bouke Vlierhuis in zijn boek AI Survival Gids voor de B2B-marketeer, vat perfect samen waar we het vandaag over gaan praten.

15
00:01:05,360 --> 00:01:08,280
Hij noemt het het kettingzaag effect van AI.

16
00:01:09,180 --> 00:01:19,720
Het fenomeen dat AI tools ons in staat stellen om razendsnel content te produceren, maar ons achterlaten met een berg onbewerkt materiaal die niemand meer kan overzien.

17
00:01:21,200 --> 00:01:23,440
Want ja, meer is namelijk niet altijd beter.

18
00:01:23,740 --> 00:01:28,180
We meten succes tegenwoordig vaak aan de hoeveelheid die we produceren.

19
00:01:28,720 --> 00:01:35,180
Het aantal artikelen dat geproduceerd wordt, de regels code die geprogrammeerd wordt, de documenten die ontstaan.

20
00:01:35,540 --> 00:01:37,780
Het is een simpele metriek. Te simpel.

21
00:01:38,360 --> 00:01:41,700
Want hoe meer we produceren, hoe meer ruis we creëren.

22
00:01:42,060 --> 00:01:48,200
Het wordt steeds makkelijker om die documenten te genereren, code te laten schrijven, blogpost te produceren.

23
00:01:48,660 --> 00:01:50,520
Maar wat doen we eigenlijk met al die output?

24
00:01:51,700 --> 00:01:54,160
In de wetenschap zien ze dit probleem al ontstaan.

25
00:01:54,220 --> 00:01:58,760
Er worden namelijk zoveel onderzoekspapers gepubliceerd dat het niet meer bij te houden is.

26
00:01:59,220 --> 00:02:01,480
Wetenschappers verdrinken in publicaties.

27
00:02:02,180 --> 00:02:08,619
En het gevolg, in plaats van dat nieuwe ideeën sneller doorbreken, blijven ze juist vaker onopgemerkt.

28
00:02:09,100 --> 00:02:12,900
En de aandacht gaat naar de artikelen die al veel geciteerd worden,

29
00:02:13,480 --> 00:02:18,900
terwijl potentieel baanbrekende nieuwe inzichten ondergesneeuwd raken in de lawine van nieuwe publicaties.

30
00:02:19,860 --> 00:02:22,240
Dit kan dus ook gebeuren in jouw organisatie.

31
00:02:22,380 --> 00:02:25,260
Je kunt heel makkelijk, wat ik al zei, die blog schrijven.

32
00:02:25,520 --> 00:02:29,580
Maar wie leest die dan als ze massaal over ons worden uitgestort?

33
00:02:31,000 --> 00:02:33,160
We zijn terug bij het kettingzaageffect.

34
00:02:33,460 --> 00:02:38,940
De productie is razendsnel, maar het opruimen van de berg content wordt de onmogelijke taak.

35
00:02:40,840 --> 00:02:45,100
Terwijl ieder artikel over AI-gegenereerde content hetzelfde benadrukt.

36
00:02:45,380 --> 00:02:48,420
Namelijk, je moet als gebruiker goed de output controleren.

37
00:02:48,700 --> 00:02:50,200
De zogenaamde human in the loop.

38
00:02:51,240 --> 00:02:58,580
Maar wat gebeurt er als je zo onvoorstelbaar veel output krijgt dat het reviewen gelijk staat aan het beklimmen van de Mount Everest?

39
00:02:59,620 --> 00:03:01,100
En hier wordt het probleem echt zichtbaar.

40
00:03:01,440 --> 00:03:04,000
De troep van je kettingzaag kun je niet laten liggen.

41
00:03:04,450 --> 00:03:05,980
Die is namelijk te zichtbaar in je tuin.

42
00:03:06,540 --> 00:03:09,440
Maar hoe ruim je het minder zichtbare werk van AI weg?

43
00:03:09,840 --> 00:03:11,380
Wie gaat al die code reviewen?

44
00:03:11,480 --> 00:03:12,880
Wie checkt al die documenten?

45
00:03:13,360 --> 00:03:14,800
Wie leest al je blogpost?

46
00:03:17,060 --> 00:03:27,280
Uit onderzoek naar AI blijkt dat het veel minder competentie kost om AI-tools te gebruiken dan om ze grondig te begrijpen en fouten te herkennen.

47
00:03:27,680 --> 00:03:30,740
En helaas kunnen AI-fouten lang onopgemerkt blijven.

48
00:03:30,900 --> 00:03:39,940
Dus als AI ertoe leidt dat onderzoekers meer tijd besteden aan het uitvoeren of voortbouwen op foutief onderzoek, kan het de vooruitgang juist vertragen.

49
00:03:40,680 --> 00:03:42,880
En dit geldt ook voor het programmeren van code.

50
00:03:43,320 --> 00:03:50,040
Het is makkelijk om AI code te laten genereren, maar het vraagt veel meer expertise om te beoordelen of die code wel goed is.

51
00:03:50,510 --> 00:03:58,240
En je kunt niet zomaar 60 jaar ervaring wat de sector heeft opgedaan en de volwassenheid die ontstaan is zomaar overslaan.

52
00:03:58,290 --> 00:04:07,280
Die diepgaande kennis van wat goede code maakt, van architectuurprincipes en wat de valkuilen zijn waar je in kunt trappen, die bouw je alleen op door jaren van ervaring.

53
00:04:08,540 --> 00:04:17,859
En dan denk ik vooral bij bedrijfskritische applicaties kan dit alleen maar tot grote problemen leiden als we alleen maar focussen op productie.

54
00:04:20,340 --> 00:04:25,060
En dan hebben we ook nog te maken met dat aandacht is best wel een schaars goed.

55
00:04:25,540 --> 00:04:27,160
Want hier is best wel een pijnlijke paradox.

56
00:04:28,060 --> 00:04:30,620
Taalmodellen zijn geneigd om teksten langer te maken.

57
00:04:31,120 --> 00:04:35,340
Ze spugen zin naar zin uit met een soort van onuitputtelijke energie.

58
00:04:36,000 --> 00:04:38,560
En tegelijkertijd kunnen wij ons steeds minder lang concentreren.

59
00:04:38,950 --> 00:04:43,000
En we willen kort, snel, 140 tekens of op z'n minst TikTok lengte.

60
00:04:43,900 --> 00:04:48,940
Nou misschien een LinkedIn artikel, maar dat is het ongeveer wel toch?

61
00:04:49,120 --> 00:04:52,780
De spanning tussen AI die uitbreidt en menselijke aandacht die krimpt.

62
00:04:53,280 --> 00:04:56,240
Dat is ook wel een deel van het hart van het probleem.

63
00:04:56,520 --> 00:05:02,120
We produceren meer content dan ooit, maar hebben minder tijd om die content te consumeren.

64
00:05:04,080 --> 00:05:13,260
En daar komt bovenop dat een recent grootschalig onderzoek in Denemarken naar AI chatbots, zoals Copilot, die bevestigen deze paradox.

65
00:05:14,240 --> 00:05:20,260
Want ondanks de massale investeringen door bedrijven, de meeste werkgevers moedigen echt het gebruik aan.

66
00:05:21,620 --> 00:05:23,840
Nou, er zijn allemaal trainingen die je krijgt.

67
00:05:23,840 --> 00:05:29,200
In ieder geval zorgen dat er een hoge adoptie komt van de Copilot ChatGPT-achtige zaken.

68
00:05:29,900 --> 00:05:34,540
blijven de economische effecten, als je het wel beschouwt, best wel minimaal.

69
00:05:36,960 --> 00:05:43,520
Zij konden in ieder geval geen significante impact aantonen op inkomsten of gewerkte uren, dat die minder worden.

70
00:05:44,380 --> 00:05:51,820
Zelfs de bescheiden productiviteitswinsten van zo'n gemiddeld 3% tijdsbesparing vertalen zich niet naar tastbare voordelen.

71
00:05:53,400 --> 00:05:57,680
Maar misschien maken we hier namelijk ook wel dezelfde denkfout als eerdere generaties.

72
00:05:58,300 --> 00:06:01,040
Want we kunnen echt wel lessen halen uit het verleden.

73
00:06:01,100 --> 00:06:07,900
Het probleem van hoe we technologie inzetten, dat is eigenlijk helemaal geen nieuw probleem.

74
00:06:09,680 --> 00:06:18,360
Er is namelijk de econoom Robert Solow, die zei ooit, je ziet het computertijdperk overal, behalve in productiviteitsstatistieken.

75
00:06:18,740 --> 00:06:26,140
En dit was in de jaren 70, 80 van de vorige eeuw, toen computers razendsnel vooruit gingen, maar de productiviteitsgroei juist vertraagde.

76
00:06:26,780 --> 00:06:30,300
Dit fenomeen kreeg de naam productiviteitsparadox.

77
00:06:31,420 --> 00:06:34,840
Een soort gelijke discussie speelt zich nu af rond AI.

78
00:06:35,540 --> 00:06:42,280
Ondanks alle vooruitgang in AI-algoritmen zien we in veel economieën nog steeds een tamme productiviteitsgroei.

79
00:06:42,820 --> 00:06:50,960
En waarom? Omdat het tijd kost om workflows en organisaties te reorganiseren om het potentieel van nieuwe technologie volledig te benutten.

80
00:06:52,000 --> 00:06:53,480
Neem elektriciteit als voorbeeld.

81
00:06:54,120 --> 00:06:57,800
Eind 19e eeuw werden elektromotoren geïntroduceerd in fabrieken.

82
00:06:58,230 --> 00:07:00,320
En die eerste winsten waren ook klein.

83
00:07:00,650 --> 00:07:05,760
En waarom? Omdat fabrieken gewoon stoommachines inwisselden voor elektromotoren.

84
00:07:06,190 --> 00:07:09,880
En ze gebruikten de nieuwe technologie om oude processen sneller te maken.

85
00:07:10,520 --> 00:07:15,300
Pas toen fabrieken hun complete workflows opnieuw ontwierpen, steeg de productiviteit enorm.

86
00:07:16,160 --> 00:07:18,020
En we doen nu hetzelfde met AI.

87
00:07:20,720 --> 00:07:25,720
Adopteren, de Copilots, de ChatGPT's om bestaande processen te automatiseren.

88
00:07:26,300 --> 00:07:29,900
Ze plakken als het ware AI op oude werkprocessen.

89
00:07:31,500 --> 00:07:36,720
Maar als je niet heroverweegt hoe je werkt om juist die unieke krachten van AI te benutten.

90
00:07:36,940 --> 00:07:38,760
Ja dan blijven die winsten dus beperkt.

91
00:07:40,700 --> 00:07:45,060
AI kan enorm hoeveelheden data analyseren, kan razendsnel voorspellingen maken.

92
00:07:45,640 --> 00:07:49,980
Maar gebruik je die mogelijkheden als je gewoon sneller dezelfde documenten produceert.

93
00:07:50,240 --> 00:07:52,800
Of als je code genereert volgens oude patronen.

94
00:07:54,020 --> 00:07:56,000
Dus in die zin staan we echt wel voor een keuze.

95
00:07:56,150 --> 00:07:59,420
Dus laten we AI ons overweldigen met zijn productiviteit.

96
00:08:00,120 --> 00:08:04,240
Of leren we de technologie zo in te zetten dat het ons echt vooruit helpt.

97
00:08:04,680 --> 00:08:07,000
Het verschil zit hem in bewustwording en strategie.

98
00:08:07,580 --> 00:08:11,960
Net zoals een ervaren hovenier weet wanneer hij de kettingzaag wel en niet moet pakken.

99
00:08:12,340 --> 00:08:15,520
Moeten wij leren wanneer AI productiviteit zinvol is.

100
00:08:15,860 --> 00:08:18,820
en wanneer het gewoon meer lawaai creëert.

101
00:08:19,700 --> 00:08:24,780
En luister, de moraal van het verhaal is vandaag niet om te zeggen

102
00:08:24,900 --> 00:08:26,600
je moet altijd minder AI gebruiken.

103
00:08:26,740 --> 00:08:27,120
Zeker niet.

104
00:08:27,170 --> 00:08:28,280
Het helpt mij ook in mijn werk.

105
00:08:29,440 --> 00:08:31,900
Wat ik met deze aflevering juist wil laten zien

106
00:08:32,370 --> 00:08:34,860
is dat als je AI gebruikt, dit impact heeft.

107
00:08:35,419 --> 00:08:37,760
En meer dan alleen op de taak die je versnelt.

108
00:08:38,360 --> 00:08:41,180
Het is verstandig om breder te kijken naar wat je versnelt

109
00:08:41,250 --> 00:08:43,240
maar ook welk werk erover blijft.

110
00:08:43,820 --> 00:08:45,540
En het hoeft niet alleen jouw werk te zijn

111
00:08:45,840 --> 00:08:49,660
Als jij sneller schrijft, moet een collega dan sneller reviewen en kan dat?

112
00:08:50,220 --> 00:08:54,000
Als jij sneller code genereert, kun je een tempo dan nog bijhouden?

113
00:08:54,600 --> 00:08:58,920
De taak staat nooit los van een groter geheel en daar moeten we een antwoord op verzinnen.

114
00:09:00,040 --> 00:09:03,400
Ik denk dat het antwoord heel vaak ligt in het herontwerpen van je processen.

115
00:09:04,600 --> 00:09:09,700
Net zoals die fabrieken pas echt profiteerden van elektriciteit toen ze hun complete werkwijze aanpaste,

116
00:09:10,340 --> 00:09:16,300
Zullen wij pas echt productiever worden met AI als we onze workflows durven te heroverwegen?

117
00:09:17,400 --> 00:09:22,060
Niet gewoon AI erop plakken, maar processen opnieuw uitvinden met AI als uitgangspunt.

118
00:09:22,680 --> 00:09:27,900
Want uiteindelijk gaat het niet om hoeveel we kunnen maken, maar om wat we ermee kunnen bereiken.

119
00:09:29,180 --> 00:09:34,620
En zoals altijd bedenken, AI is niet de oplossing voor elk probleem, maar wel onmisbaar waar het past.

120
00:09:37,420 --> 00:09:43,000
Oh ja, en ben je marketeer? Kijk dan echt eens even naar het boekje van Bouke Vlierhuis.

121
00:09:44,040 --> 00:09:46,420
Geweldig om te lezen, brutaal eerlijk.

122
00:09:47,100 --> 00:09:51,300
En ik heb nog nooit zo ontzettend veel moeten lachen bij het lezen van een boek.

123
00:09:51,740 --> 00:09:53,000
Op een hele positieve manier.