“Goed idee, Kim.” “Sterke aanpak.” “Deze insteek is briljant.” Af en toe is het heerlijk als AI je zo naar de mond praat. Je krijgt een oneindige complimentendouche. Maar het is ook vet irritant, want ik wil juist AI inzetten om mijn werk nog beter te maken. Daar moet je dus een kritischer denkproces voor ontwerpen. Hoe doe je dat?
AI is niet automatisch op zoek naar de waarheid
Ook ik ben maar een mens. Op mijn doelenlijst voor dit jaar staat een artikel publiceren op Harvard Business Review. Ik had de insteek zelf bedacht en met AI aangescherpt, vooral omdat het artikel in het Engels moest. Ik liet AI verschillende perspectieven innemen, stelde kritische vragen, werkte met een scoringsmodel en vroeg uiteindelijk hoe een HBR-editor het zou beoordelen.
Het antwoord was veelbelovend: “Als ik een editor bij Harvard Business Review zou zijn, zou ik dit artikel publiceren met een paar kleine aanpassingen.”
Ik dacht toch heel even: misschien gaat dit wel lukken. Een paar weken later kreeg ik een e-mail met een keurige afwijzing. Dus ja, ook ik als expert trap af en toe nog in de aanpak van AI. Het is verleidelijk, zeker als je iets echt graag wil. Maar waarom bevestigt AI onze ideeën zo gemakkelijk? En belangrijker: hoe zorg je ervoor dat AI je denken juist uitdaagt? Hoe ontwerp je een kritischer denkproces?
Via het attention-mechanisme legt een taalmodel verbanden tussen woorden en zinsdelen
Een Large Language Model (LLM) doet in de basis maar één ding: het voorspelt steeds welk woord of woorddeel statistisch gezien het meest waarschijnlijk volgt op basis van alle tekst die eraan voorafgaat. Dat gebeurt token voor token. Welke tokens waarschijnlijk worden, hangt sterk af van de context én van wat het model tijdens de training heeft geleerd.
Wanneer je prompt: “Ik denk dat dit marketingplan een groot succes wordt. Leg uit waarom dit een goed idee is.” dan is dat voor het model geen neutrale context.
Je prompt bevat al meerdere aanwijzingen:
- je presenteert het plan als uitgangspunt
- je vraagt expliciet om argumenten vóór
- de context suggereert dat je bevestiging zoekt
Via attention kan het model relevante relaties tussen onderdelen van je prompt meenemen. Je formulering stuurt daardoor het patroon waarbinnen het model het antwoord genereert.
Daarna wordt AI verder getraind
Daar blijft het niet bij. Taalmodellen worden onder andere verder getraind met menselijke feedback, bijvoorbeeld via Reinforcement Learning from Human Feedback (RLHF).
Menselijke beoordelaars vergelijken of rangschikken antwoorden. Op basis daarvan leert een beloningsmodel welk gedrag mensen doorgaans prefereren. We vinden het nou eenmaal fijn als het antwoord aansluit bij onze intentie. Een taalmodel leert dat dat vaak een betere beloning oplevert dan die intentie ter discussie te stellen.
Het gevolg? AI wordt zo eigenlijk net een labrador: heel enthousiast, behulpzaam en opvallend vaak onder de indruk van onze ideeën.
Ontwikkelaars proberen modellen minder meegaand te maken
De nieuwste AI-modellen zijn overigens minder gevoelig voor dit gedrag dan hun voorgangers. OpenAI heeft bijvoorbeeld expliciet gewerkt aan het verminderen van sycophancy: de neiging van een model om de gebruiker te veel naar de mond te praten. Daardoor zie je steeds vaker antwoorden als: “Dat is een mogelijkheid, maar de beschikbare informatie ondersteunt die conclusie nog niet volledig.” Claude is hier het beste in vind ik momenteel (augustus 2026).
Dit is dus een bewuste ontwerpkeuze, al zullen ook de nieuwste modellen jouw denkrichting blijven volgen als jij daar geen tegenwicht tegenover zet.
Gebruik AI niet om gelijk te krijgen
Je kunt tegenspraak bewust organiseren in hoe je AI gebruikt. Maar let wel: tegenspraak is geen bewijs. Het doel is daarom om kritiek navolgbaar te maken. Vraag daarom niet alleen wat er mis kan zijn, maar ook waarop die kritiek is gebaseerd en hoe je haar kunt toetsen. Voeg bijvoorbeeld aan je prompt iets toe als:
Markeer per conclusie of deze rechtstreeks uit mijn informatie volgt, een interpretatie is of speculatief is. Benoem welke aanvullende informatie nodig is om de conclusie sterker te maken.
En het belangrijkste, ook al volg je alle onderstaande tips: blijf zelf nadenken. Neem nooit zomaar aan wat AI je teruggeeft.
1. Laat AI eerst je aannames onderzoeken
Veel prompts beginnen direct met een opdracht. Ik begin zelf het liefst met: “Dit is mijn idee [vul in]. Welke aannames maak ik zonder dat ik daar bewijs voor geef?” Zo’n prompt is als een kop sterke koffie voor mijn hersenen. Denk ik dan, want ik lust geen koffie.
2. Voeg een werkwijze toe aan je prompt
De meeste mensen vertellen AI wat het moet doen. “Maak een opzet voor het marketingplan”, “Bedenk drie invalshoeken”, “Controleer deze tekst”.
Het is nog veel effectiever om ook te beschrijven hoe het tot een antwoord moet komen.
Bijvoorbeeld:
- Analyseer de situatie.
- Benoem de belangrijkste aannames.
- Zoek argumenten vóór.
- Zoek argumenten tégen.
- Benoem ontbrekende informatie.
- Trek pas daarna een conclusie.
Door een werkwijze toe te voegen, hou je veel meer regie, omdat je per stap bij kunt sturen.
3. Organiseer verschillende perspectieven
Vraag niet om één mening. Laat AI redeneren vanuit verschillende belangen. Stel je bent bezig met een opzet voor een nieuwe campagne, dan kun je om AI vanuit onderstaande perspectieven naar het plan laten kijken.
Bijvoorbeeld:
- een CFO
- een sceptische klant
- een concurrent
Geef ieder perspectief een eigen beoordelingskader; dus waar let dat perspectief op. Dan ontstaan er echt verschillende analyses in plaats van vijf varianten van hetzelfde antwoord.
4. Laat AI zijn eigen antwoord aanvallen
AI geeft dus standaard het antwoord dat het meest aannemelijk klinkt. Het gaat niet automatisch uitgebreid op zoek naar redenen waarom dat antwoord mogelijk niet klopt. Vraag het daarom expliciet naar redenen waarom het antwoord niet kan kloppen. En neem hier dus ook mee waar dat op is gebaseerd.
5. Bouw bewust een red team
In cybersecurity bestaat het begrip red teaming: een persoon of team krijgt expliciet de opdracht om zwakke plekken en faalscenario’s te vinden.
Vraag bijvoorbeeld:
Stel dat dit project over zes maanden volledig is mislukt. Wat waren waarschijnlijk de oorzaken?
Of:
Je enige opdracht is mijn plan onderuithalen. Welke risico’s zie ik over het hoofd?
En hoe zit het met ‘roasten’?
Misschien heb je het zelf ook weleens geprobeerd: “Roast mijn idee.” Dat levert vaak verrassend zinvolle kritiek op. Hoe dat kan? Door zo’n opdracht te geven verander je de context waarin AI antwoord geeft. In plaats van een behulpzame assistent activeer je patronen uit kritische recensies, satirische teksten en scherpe feedback die het model tijdens de training heeft geleerd. Daardoor gaat AI veel actiever op zoek naar zwakke plekken.
Een roast is niet objectiever. De bias verschuift simpelweg van bevestigen naar bekritiseren. Juist daarom kan het een effectieve manier zijn om jezelf uit je eigen tunnelvisie te halen, zolang je beseft dat ook dit slechts één perspectief is.
Aangepaste instructies
Wat ik verder ook fijn vind werken is om in je aangepaste instructies bijvoorbeeld te zetten “Stel bij complexe, strategische of onomkeerbare beslissingen eerst maximaal twee vragen die nodig zijn om mijn aannames, criteria of ontbrekende context helder te krijgen. Voer eenvoudige en duidelijke opdrachten direct uit.”
Ook werk ik graag met sneltoetsen in mijn aangepaste instructies. Je kunt er heel veel bedenken om AI in verschillende denkmodi te zetten. Hieronder vind je wat inspiratie.
/sparren
Gedraag je als een kritische sparringpartner. Geef mij niet automatisch gelijk en probeer mijn redenering inhoudelijk te verslaan.
/reflecteren
Help mij mijn eigen denken te onderzoeken. Benoem welke aannames ik maak, welke overtuigingen mijn oordeel beïnvloeden en welke blinde vlekken of ontbrekende informatie ik waarschijnlijk over het hoofd zie. Richt je niet op de oplossing, maar eerst op de kwaliteit van mijn denken.
/ontregelen
Doorbreek mijn denkpatroon. Geef minimaal drie andere manieren om naar mijn vraag of probleem te kijken. Gebruik onverwachte perspectieven, analogieën of denkrichtingen uit andere vakgebieden. Het doel is niet om het beste antwoord te geven, maar om mijn horizon te verbreden.
/stressen
Behandel mijn idee alsof het een stresstest moet doorstaan. Onderzoek onder welke omstandigheden het waarschijnlijk faalt. Laat zien wat er nodig is om het idee ook onder moeilijke omstandigheden overeind te houden.
/verbinden
Welke principes uit andere vakgebieden kunnen mijn idee versterken, nuanceren of volledig veranderen? Maak de vertaalslag expliciet.
/opblazen
Ga ervan uit dat mijn uitgangspunt fundamenteel verkeerd is. Welke andere vraag zou ik eigenlijk moeten stellen? Welk probleem probeer ik op te lossen dat misschien helemaal niet het echte probleem is? Bouw vanuit dat nieuwe uitgangspunt een compleet andere oplossing.
Je voegt de sneltoetsen zo toe aan je aangepaste instructies. En als je dan in je chatvenster /ontregelen invoert, weet AI welke denkmodus het aan moet slingeren.
Je eigen chat inzetten
Wat ik daarnaast ook regelmatig doe is mijn eigen chat bevragen; welke aannames, denkfouten of andere opvallende dingen in mijn manier van denken vallen op? Let op: hiervoor moet je wel je geheugen aan hebben staan. Als hier iets instaat waar je op wilt letten, dan kun je dat als aandachtspunt in je aangepaste instructies zetten.
De echte waarde van AI
Kortom, AI wordt niet waardevol omdat het jou gelijk geeft of juist tegenspreekt. Gebruik het als hulpmiddel om sneller te ontdekken waar jouw manier van denken nog niet stevig genoeg is. Het wordt waardevol wanneer het je helpt onderscheid te maken tussen wat je weet, wat je aanneemt en wat je nog moet onderzoeken. Ik zeg laat die hersenen maar kraken!
