executive.

Drie maanden geleden nam ik een beslissing die ons 200.000 euro heeft gekost.

Niet omdat de markt draaide. Niet omdat mijn team faalde. Omdat ik een getal vertrouwde dat ik niet kon uitleggen.

Dit is wat er gebeurde.

We stonden voor een keuze. Optie A: een eigen fine-tuned model bouwen. Optie B: een bestaande API gebruiken en focussen op datakwaliteit. Mijn team bereidde een analyse voor. Iemand — ik weet nog steeds niet wie — haalde de cijfers door ChatGPT. Het resultaat was overtuigend. Optie A zou 40% efficiënter zijn. Heldere projecties. Een nette ROI. Zelfverzekerde taal.

De raad van bestuur keurde het goed.

Drie maanden later zijn de kosten vier keer hoger dan begroot. Het model werkt niet op onze data. We zijn in stilte aan het terugschakelen naar Optie B — de optie die we afserveerden omdat ChatGPT ons vertelde dat A beter was.

Ik schrijf dit niet om ChatGPT de schuld te geven. De tool deed wat tools doen. Ik schrijf dit omdat ik een tool meer vertrouwde dan mijn eigen oordeel — en ik merkte niet eens dat ik het deed.

Het ironische: ik heb mijn carrière gebouwd op scepsis tegenover technologiehype. Ik overleefde de dotcom-bubble door in elke vergadering de moeilijke vragen te stellen. Ik heb drie "digitale transformaties" zien stranden op dezelfde rots: technologie implementeren zonder te begrijpen wat je vervangt. En toch — toen een AI me een zelfverzekerd getal gaf, leunde ik voorover.

Waarom? Omdat het makkelijker was. Omdat de analyse grondig léék. Omdat ik moe was.

Ik was moe van de scepticus zijn. Moe van degene die "maar waarom?" vraagt terwijl iedereen vooruit wil. Dus ik liet de AI de scepticus voor me zijn. Alleen: dat was hij niet.

HBR publiceerde dit jaar een studie: bijna 300 executives moesten voorspellingen doen over aandelenkoersen. De groep die ChatGPT gebruikte presteerde slechter dan de groep die gewoon met collega's overlegde. Niet "iets beter, maar let op de nuance." Nee. Slechter.

Ik las dat onderzoek nadat ik die 200.000 euro verloor.

Wat ik nu anders doe

Dit is wat ik nu anders doe. Niet als advies, maar als beschrijving van hoe ik met mezelf probeer af te rekenen.

Elke AI-analyse moet worden uitgelegd, niet alleen beoordeeld. Als je het me niet in drie zinnen kan uitleggen zonder jargon, gebruiken we het niet. Geen getallen uit AI in bestuurspresentaties. Grafieken, ja. Samenvattingen, ja. Getallen die het bedrijf committeren aan uitgaven? Nee. Die komen van mensen die kunnen uitleggen hoe ze tot stand kwamen.

Ik vertelde mijn team wat er gebeurde. Alles. Niet de opgeschoonde versie. Ik vertelde ze dat ik me schaamde.

Het was geen prettig gesprek. Mijn CFO keek naar haar schoenen. Mijn CTO stelde voor om het "in een leermoment" te verpakken. Ik zei nee. Het is geen leermoment. Het is een fout. Laten we het een fout noemen en kijken hoe we de volgende vermijden.

Wat ik niet weet

Ik heb geen conclusie. Ik ga niet eindigen met "en nu zijn we er sterker uitgekomen" — want eerlijk: we zijn de rotzooi nog aan het opruimen.

Vorige maand zei Andrej Karpathy — de man die mee OpenAI oprichtte en Tesla's Autopilot bouwde — het eenvoudiger dan ik het ooit kon samenvatten:

You can outsource your thinking, but you can't outsource your understanding.

Je kan je denken uitbesteden. Je begrip niet. Dat is wat ik deed — en ik merkte het niet eens.

Wat ik wél doe is een vraag stellen die ik eerder had moeten stellen, en die ik nu nog steeds niet bevredigend kan beantwoorden:

Hoe weet je wanneer jij AI gebruikt — en wanneer AI jou gebruikt?