In presentaties en cursussen over AI duikt regelmatig hetzelfde model op. Een ladder van gebruiksniveaus, waarbij converseren met een chatbot vaak als eerste stap wordt neergezet en het bouwen van autonome AI-agents als eindpunt. Voor onderzoekers gaat die rangorde echter niet op. Er bestaat geen universele manier om AI goed of fout te gebruiken. Wat telt is hoe de onderzoeker de technologie inzet en of het eigen denkwerk daarbij aan het stuur blijft.
▼
Een ladder die vooral iets verkoopt
De niveauladder is herkenbaar uit eerdere technologiegolven. Rond blockchain en de metaverse ontstond hetzelfde mechanisme: eerst het gevoel achter te lopen, gevolgd door een aanbod van cursussen, tools en consultancy om die achterstand in te halen. Wie zo’n ladder als vaste ontwikkelmethode ziet, mist dat dergelijke modellen ook vaak worden gebruikt om producten en diensten te positioneren.
De vier gangbare manieren om met AI te werken, van converseren tot het bouwen van eigen instrumenten, zijn daarom geen opeenvolgende stadia maar verschillende functies. Tijdens één onderzoeksproject kan een onderzoeker voortdurend tussen deze vormen schakelen. Terugkeren naar een gesprek met AI is geen stap terug, maar juist een teken dat het denkwerk nog niet is afgerond.
Waar het oordeel wordt gevormd
Het bruikbare onderscheid ligt bij het type taak. Sommige taken hebben een objectieve controle. Code compileert of niet, een datakoppeling werkt of faalt. Zulke taken lenen zich al vroeg voor automatisering, omdat fouten direct zichtbaar worden. Betekenisonderzoek werkt anders. Bij semiotische analyse, UX-onderzoek of publieksreceptie bestaat geen externe toets die bepaalt of een interpretatie juist is. De onderzoeker bepaalt zelf de beoordelingscriteria en scherpt die tijdens het analyseproces verder aan, vaak juist in de dialoog met het materiaal en met AI. Automatisering volgt daarom pas nadat de analysemethode voldoende is uitgewerkt. Pas dan ontstaat er iets dat zinvol geautomatiseerd kan worden.
Juist dat denkproces vormt de kern van de onderzoeksmethode. AI kan het ondersteunen en later deels vastleggen, maar niet overslaan. De sterkste toepassing van AI in onderzoek is dan ook niet het automatiseren van losse taken, maar het vastleggen van de eigen werkwijze in een instrument dat dezelfde denkwijze volgt als de onderzoeker. Dat vraagt eerst zorgvuldig denkwerk, daarna pas techniek.
Drie toetsstenen voor teams
Voor insights-teams die hun AI-aanpak willen verbeteren levert dit drie praktische toetsstenen op:
- Beoordeel per taak waar het oordeel vandaan komt. Is het oordeel al gegeven of moet het nog worden gevormd? Kies daar het AI-gebruik bij.
- Meet AI-volwassenheid niet af aan de hoeveelheid automatisering, maar aan het eigenaarschap van de eigen methode.
- Vraag leveranciers vooral of hun tool helpt een eigen methode op te bouwen, of vooral bestaande analyses sneller uitvoert.
Daarmee wordt de ladder minder relevant dan vaak wordt gedacht. Chatten met AI kan op het ene moment de slimste keuze zijn en volledige automatisering op een ander moment. Het hangt af van de taak, de fase van het onderzoek en vooral van de vraag of de onderzoeker zelf blijft nadenken. AI kan denkwerk ondersteunen, versnellen en vastleggen, maar niet vervangen.