Glossarium — De denkwereld van de blogs
Versie 1.0 · 21 maart 2026
Wie sciencefiction leest — echt goede sciencefiction — kent het fenomeen. Achter in het boek, of soms er juist voorin, staat een woordenlijst. Ansible. Grok. The Force. Jump drive. Termen die de auteur in de lopende tekst niet elke keer wil uitleggen maar die je nodig hebt om de wereld te begrijpen die hij of zij heeft gebouwd. Het glossarium is de sleutel tot de wereld. Wie het slaat, leest anders. Dieper. Het zegt ook iets over de auteur: die heeft een wereld gebouwd die groot genoeg is om zijn eigen taal te vereisen.
Ik ken dat gevoel ook uit een heel andere hoek. Ik heb jaren AD&D 2nd Edition gespeeld. In het dungeon master's guide, de monster manual en de player's handbook stond altijd een glossarium. THAC0. Saving throw. Proficiency. Hit dice. Termen die de spelwereld definieerden, die precies aangaven wat er bedoeld werd als een meester zei dat het monster een Armor Class van 3 had. Zonder dat gedeelde vocabulaire was er geen gemeenschappelijk spel mogelijk.
Dat is wat een glossarium doet: het maakt een gedeelde werkelijkheid mogelijk.
Ik schrijf nu al een tijdje op deze blog. Blog na blog bouw ik aan mijn persoonlijke denkwereld over AI, menselijk vermogen en organisaties in verandering. Concepten die in één blog worden geïntroduceerd, duiken in de volgende op als vanzelfsprekend. Modellen die ik in één tekst uitwerk, worden in de volgende al als bouwsteen gebruikt. Wie vanaf het begin meeleest, volgt de lijn. Wie halverwege instapt, mist context.
Dit glossarium is de sleutel. Primair voor mijzelf: een moment van stilstaan, mijn persoonlijke denkwereld vastleggen in de tijd — met alle beperkingen van dien. Zodat ik bij het schrijven van de volgende blog weet waar ik sta, en zodat ik bij het bijwerken van dit document kan zien wat er gegroeid is, wat er verschoven is, en wat er misschien uit mijn denken is gevallen. Maar ook voor de lezer die wil begrijpen vanuit welke begrippen en aannames ik redeneer — een kijkje in de taal van dit hoofd.
Het is een levend document. Ongeveer wekelijks wordt het bijgewerkt. Nieuwe termen worden toegevoegd. Definities die zijn bijgesteld, worden opnieuw geformuleerd met een notitie van wat er veranderd is. Zo wordt het glossarium zelf een tijdlijn — niet alleen van de begrippen, maar van het denken.
Drie categorieën:
- Concepten — begrippen die een fenomeen of idee benoemen
- Modellen — raamwerken die helpen iets te analyseren of te structureren
- Meta-concepten — ideeën over de manier waarop ik denk en schrijf
I — Concepten
AI dopamine rush / prompt rush
Het gevoel van flow en voldoening dat ontstaat als een vaag idee via AI snel een concreet resultaat wordt. Motiverend en energiek — maar ook potentieel verslavend. Een bewuste orkestrator herkent dit effect en bewaakt dat de rush niet ten koste gaat van kritisch oordeel.
Bijscholen vs. omscholen
Twee fundamenteel verschillende vormen van investeren in mensen tijdens AI-disruptie. Bijscholen is het verdiepen van bestaande capaciteiten om ze te verbinden met AI — de marketeer die leert hoe AI zijn analysevermogen vertienvoudigt, de manager die leert waar zijn oordeel onvervangbaar is. Omscholen is het opbouwen van nieuwe capaciteiten voor rollen die fundamenteel zijn veranderd of die nog niet bestaan. De UX-designer bestond niet in 1985; de AI-orkestratie-specialist heeft nu nog geen naam. Welke vorm nodig is, hangt af van de positie van de organisatie: de twee-vleugel-organisatie investeert in beide, vanuit de kansvleugel.
Capability gap
De kloof tussen wat AI theoretisch kan en wat mensen en organisaties er feitelijk mee doen. In de beroepscategorie Computer & Math is 94% van alle taken theoretisch uitvoerbaar door een LLM; het daadwerkelijke gebruik dekt slechts 33%. Die kloof van meer dan 60 procentpunten groeit structureel — niet omdat mensen stilstaan, maar omdat AI-capaciteiten sneller verbeteren dan adoptie plaatsvindt.
→ De Kloof
Centaur Age
Term gemunt door Dario Amodei (CEO Anthropic), ontleend aan de schaakgeschiedenis. Na de overwinning van Deep Blue op Kasparov (1997) bleek een mens-plus-machine combinatie tijdelijk sterker dan elk afzonderlijk — de centaur. Amodei past dit toe op kenniswerk: we zitten nu in de centaur-fase voor software engineering en vergelijkbare beroepen. Zijn waarschuwing: die fase kan kort zijn. In het schaken duurde ze twintig jaar; voor software engineering verwacht hij één tot vijf jaar.
Mijn aanvulling: Amodei behandelt de Centaur Age als een tijdlijn met een begin en einde. Ik benadruk dat de mate van verwevenheid binnen die fase een actieve keuze is — zie dat begrip apart.
Ce qu'on voit et ce qu'on ne voit pas
Uitdrukking van de negentiende-eeuwse Franse econoom Frédéric Bastiat: het verschil tussen een slechte en een goede econoom is dat de slechte zich houdt aan het zichtbare effect, terwijl de goede rekening houdt met zowel wat je ziet als met wat je moet voorzien. Ik gebruik dit als lens op twee plaatsen: op Amodei's analyse van de Centaur Age (hij analyseert het zichtbare briljant maar de onzichtbare effecten zijn nog ongeschreven), en op de fixed-pie angst die de efficiëntiereden oproept (wie alleen het zichtbare ziet, mist de kansreden volledig).
→ De Centaur Nader Bezien · Twee Vleugels
Co-intelligence
De samenwerkingsvorm die kenmerkend is voor tijdperk 1 van AI: mens en machine in gesprek, de mens actief aanwezig bij elke stap. Jij prompts, de AI genereert; jij stuurt bij, de AI antwoordt. Het is een dialoog waarbij de mens het stuur vasthoudt bij elke bocht. Term die verankerd zit in het werk van Ethan Mollick (Co-Intelligence, 2024). Onderscheid met tijdperk 2: in co-intelligence werk je mét AI; in het agentische tijdperk beheer je AI als uitvoerder.
Divergentie van realiteiten
De observatie dat mensen en organisaties in dezelfde kalender leven maar in fundamenteel verschillende AI-werkelijkheden. Een early adopter die werkt met autonome agents die veertien uur taken uitvoeren, en een medewerker die voor het eerst een prompt schrijft, zijn beiden in 2026 — maar hun dagelijkse AI-realiteit verschilt met een factor van meer dan tweehonderd. Dit maakt gesprekken over AI structureel moeilijk: de referentiepunten zijn niet uitwisselbaar.
→ De Kloof
Drie tijdperken van AI
AI beweegt niet in een rechte lijn maar in sprongen, elk geopend door een concreet product. Tijdperk 1 begon 30 november 2022 met ChatGPT: AI als gesprekspartner, co-intelligence, de mens stuurt bij elke stap. Tijdperk 2 begon januari 2026 met OpenClaw: AI als autonoom uitvoerder, de mens delegeert en beheert, niet meer samenwerken maar managen. Tijdperk 3 kondigt zich aan: AI die zichzelf verbetert in een recursieve feedbackloop — OpenAI's Codex was naar eigen zeggen "instrumental in creating itself." De meeste mensen bevinden zich nog in tijdperk 1. Een klein deel werkt al in tijdperk 2. Tijdperk 3 heeft nog geen eindbestemming die we kunnen benoemen.
Efficiëntievleugel vs. kansvleugel
De twee fundamenteel verschillende redenen om in mensen te investeren tijdens AI-disruptie — en de twee vleugels die samen vlucht mogelijk maken. De efficiëntievleugel: mensen trainen om AI beter in te zetten, processen te optimaliseren, kosten te reduceren. Noodzakelijk, urgent, maar onvoldoende. De kansvleugel: mensen ontwikkelen als sensing mechanism voor wat nog niet zichtbaar is — het vernieuwen van het kader, het definiëren van de outcome, het voorzien van het onzichtbare. Wie alleen de efficiëntievleugel inzet, investeert vanuit een krimpdynamiek. Wie beide inzet, bouwt het fundament voor de volgende groeicurve. Een vogel vliegt niet op één vleugel.
Exponentiële groei
Groei waarbij een waarde met een vaste factor vermenigvuldigt per tijdseenheid — in tegenstelling tot lineaire groei, waarbij een vaste hoeveelheid wordt opgeteld. Menselijke intuïtie is ingesteld op lineaire patronen; exponentiële groei wordt daardoor consequent onderschat. Illustratie: de klassieke fabel van het schaakbord en de rijstkorrels, waarbij elke verdubbeling groter is dan alles wat eraan voorafging.
→ Exponentiële groei — wat het is, waar we staan, en wat het van ons vraagt
Fixed-pie denken / zero-sum logica
De premisse dat de economische taart een vaste omvang heeft, waardoor elke winst voor AI ten koste gaat van de mens. Op de korte termijn, in specifieke functies, klopt dit beeld gedeeltelijk. Maar historisch klopt de premisse niet: elke grote technologische verschuiving vergroot de taart, op manieren die vooraf niet voorzienbaar waren. Het mechanische weefgetouw, de stoommachine, elektriciteit, de computer — elk geval volgde hetzelfde patroon: zichtbaar verlies van bestaande taken, onzichtbare creatie van geheel nieuwe industrieën. Fixed-pie denken roept angst op die als rem werkt op adoptie, en sluit daarmee de ogen voor de kansvleugel.
Fred-probleem
Nieuwe technologie gebruiken op de oude manier. In de AI-context: AI gebruiken als een snellere zoekmachine in plaats van als denkpartner, procesautomatiseerder of strategische copiloot. Het Fred-probleem is de meest voorkomende — en minst zichtbare — barrière voor echte AI-adoptie.
→ De Kloof
Geëxpliciteerde verwondering
Het bewust articuleren van een intuïtief gevoel of een vage verwondering — via gesprek, schrijven of interactie met AI — zodat het denken concreet en overdraagbaar wordt. Het tegenovergestelde van verwondering die verdampt. In "Verwondering in bed" is dit het centrale proces: stilletjes typend in bed, waarbij een vaag ongemak via gesprek met Claude taal en structuur krijgt.
Institutionele schok
Eén van drie typen schokken die ontstaan als de capability gap te lang ongedicht blijft. Regelgeving, onderwijs en governance lopen zwaar achter op de technologische realiteit. Wanneer de onbalans onhoudbaar wordt, volgen acute institutionele reacties: spoedherziening van curricula, spoetwetgeving, sector-brede reorganisaties. Dit type schok heeft de langste aanlooptijd maar de zwaarste structurele gevolgen.
→ De Kloof
Leerlingstelsel (dreigende instorting van het)
Het systeem waarmee generaties professionals hun vak leerden door de basiskilometers te maken — juniorwerk, assisteren, fouten maken onder supervisie. Amodei's zorg: als AI het juniorwerk overneemt, droogt de pipeline voor toekomstige experts op. Wie leert straks de complexe taken als de instapfuncties zijn verdwenen?
Marktschok / arbeidsmarktschok
Twee van drie typen schokken die ontstaan als de capability gap te lang ongedicht blijft. De marktschok: concurrenten die AI structureel hebben geïntegreerd worden plotseling meervoudig productiever; prijsmodellen kantelen; wie te laat is kan op kostbasis niet meer concurreren. De arbeidsmarktschok: manifesteert zich niet als massaontslag maar als de "gehuurde deur dicht" — functies worden niet meer ingevuld. Signaal: de instroom van jonge werknemers (22–25 jaar) in hoog-blootgestelde beroepen daalt al meetbaar met 14% vergeleken met de pre-ChatGPT periode (Anthropic, 2026).
→ De Kloof
OpenClaw
Open-source agent-platform, oorspronkelijk gelanceerd als Clawdbot (november 2025) door de Oostenrijkse ontwikkelaar Peter Steinberger, hernoemd naar OpenClaw. Verzamelde in minder dan vier maanden meer dan 250.000 GitHub-sterren — React voorbijgestreefd als meest gesteund open-source project ooit. Jensen Huang noemde het "the next ChatGPT." Markeert in mijn denkkader het begin van tijdperk 2: AI als autonoom uitvoerder in plaats van gesprekspartner.
Outcome vs. output
Een fundamenteel onderscheid in hoe je naar resultaten kijkt. Output: een vastgesteld, meetbaar resultaat zo snel en goedkoop mogelijk geleverd — een gesloten doel dat veronderstelt dat je al weet wat het resultaat moet zijn. Outcome: een gewenste uitkomst die ruimte laat voor iets anders dan je al had — een open doel dat vraagt om oordeel over wat écht waardevol is. Wie op outcome stuurt staat open voor het onvoorziene. AI is uitstekend in optimaliseren binnen een gegeven kader (output); het kader zelf definiëren is menselijk. Dit onderscheid speelt op twee niveaus: als investeringslogica (efficiëntieredenering stuurt op output, kansredenering op outcome) en als engineering-principe (Intent-Driven Engineering begint bij de outcome, niet bij de specificatie).
→ Twee Vleugels · De ingenieur als dirigent
Skill atrophy
Het verschijnsel waarbij menselijke vaardigheden verzwakken door ze te weinig te gebruiken, omdat AI de uitvoering overneemt. De rush om snel te produceren kan ten koste gaan van de verdieping van het eigen denkvermogen. Een bewuste orkestrator anticipeert dit en bouwt momenten in waarop hij bewust zonder AI werkt — of AI inzet als oefenpartner in plaats van als vervanger.
→ De Mens als Orkestrator · De Centaur Nader Bezien
Tacit knowledge / stilzwijgende kennis
Concept van de Brits-Hongaarse wetenschapsfilosoof Michael Polanyi (1966): "we can know more than we can tell." Gebruikers, professionals en experts weten meer dan ze bewust kunnen articuleren. Dit is geen tekortkoming maar de menselijke conditie. De gevolgtrekking voor softwareontwikkeling en kenniswerk is radicaal: alle processen die op bewuste articulatie vertrouwen — requirements, specificaties, briefings — opereren per definitie op het oppervlak van de werkelijke behoefte. De oplossing is niet betere specificaties maar een andere cyclus: ruwe intentie → hypothese → artefact → signalen → scherpere hypothese.
Task-completion time horizon
Concept van METR (Model Evaluation & Threat Research): de duur van taken — gemeten in menselijke werktijd — die een AI-agent autonoom kan uitvoeren met 50% kans op succes. In 2023 (GPT-4): circa vier minuten. Begin 2026 (Claude Opus 4.6): circa 14 uur. Factor van meer dan tweehonderd in drie jaar. Verdubbeltijd na 2023: 131 dagen — iets meer dan vier maanden.
→ De Kloof · Exponentiële groei
Token-efficiëntie
De verhouding tussen de kwaliteit van een AI-output en het aantal tokens dat nodig was om die output te bereiken. Een helder geformuleerde vraag met de juiste context bereikt hetzelfde resultaat als vijf iteraties van een vage prompt — voor een fractie van de kosten. Rapporten tonen kostenreducties van 40–90% mogelijk via intelligente orkestratie. Token-efficiëntie is geen technisch kenmerk van het systeem maar een emergente eigenschap van de kwaliteit van de orkestrator op Laag 1.
→ Het Vermogen-Systeem-Product Model
Turning point (Carlota Pérez)
Uit de technologie-economie van Carlota Pérez (Technological Revolutions and Financial Capital, 2002). Grote technologische revoluties verlopen in fasen: Irruption, Frenzy, Turning Point en Deployment/Golden Age. We bevinden ons nu in de Frenzy-fase: financieel kapitaal stroomt massaal naar AI, maar het productiekapitaal — organisaties, mensen, instituties — heeft de transformatie nog niet doorgemaakt. Na de frenzy volgt een Turning Point, en dat is zelden comfortabel.
→ De Kloof
Twee snelheden / twee systemen
De structurele asymmetrie die de capability gap veroorzaakt. Systeem A — de technologische frontier — verdubbelt de effectieve capaciteit van AI-agents elke vier tot zeven maanden. Systeem B — de gemiddelde organisatie en medewerker — opereert op adoptiesnelheden die fundamenteel anders zijn: Rogers' S-curve, jaren voor de early majority. Die asymmetrie vergroot de capability gap structureel en maakt discontinue schokken onvermijdelijk als het verschil te lang ongedicht blijft.
→ De Kloof
Valkuilen van orkestratie
De risico's die specifiek horen bij de orkestrator-rol. Vier centrale valkuilen: (1) Skill atrophy — menselijke kwaliteiten verzwakken als ze te veel worden uitbesteed; (2) Prompt fatigue — de rush om te produceren neemt het over van kritisch oordeel; (3) Onopgemerkte hallucinaties — AI-output die overtuigend klinkt maar feitelijk onjuist is, wordt minder kritisch getoetst naarmate vertrouwen groeit; (4) Misalignment en gebrek aan governance — een orkest dat technisch perfect speelt maar de verkeerde muziek speelt. De echte orkestrator bouwt bewuste checks, feedbackloops en menselijke oversight in.
II — Modellen
Augmented Software Engineering / Augmented Organisation
Raamwerk ontwikkeld door Edwin van Dillen in een reeks van zes blogs op edwinvandillen.nl. Drie assen waarop een organisatie gelijktijdig moet bewegen: (1) Sturing — van output naar outcome; (2) Ecosysteem — van smal naar breed systeemzicht; (3) Augmentatie — van manuele uitvoering naar intelligente orchestratie. De bredere naam — Augmented Organisation — is de juistere: de drie assen gelden niet alleen voor engineeringteams maar voor elke kennisorganisatie die AI serieus integreert. Zichtbaar gemaakt in een interactief instrument op sogyo.nl/augmented en edwinvandillen.nl/augmented.
Challamel's vijf adoptieniveaus
Model van Brice Challamel (Moderna) voor de individuele reis van angst naar meesterschap. Vijf stappen: (0) Onbewust; (1) Bewustwording; (2) Exploratie; (3) Efficiëntie; (4) Augmentatie; (5) Transformatie. Meer dan 50% van de wereldbevolking bevindt zich in fase 0 of 1. Elk niveau voelt tijdelijk als eindbestemming — dat is de adoptieVal die Edwin benoemt: wie op Level 2 blijft hangen, bouwt een snellere Feature Factory, geen Strategische Orchestrator.
→ De Kloof · De ingenieur als dirigent
Cynefin-framework
Model van Dave Snowden voor het duiden van de aard van een vraagstuk, en daarmee de passende aanpak. Vier domeinen: Obvious (eenvoudig, best practice), Complicated (geordend maar complex, expert practice), Complex (ongeordend, emergent — leren via experimenten), Chaotic (crisis, eerst stabiliseren). Edwin gebruikt het om teamtype aan probleemcontext te koppelen: een rigide outputaanpak in een complexe omgeving produceert geen zekerheid maar een illusie van controle.
De vier stappen: van speler naar dirigent
Model voor de groei van de menselijke rol in samenwerking met AI. Vier stadia van toenemende verwevenheid: (1) Eén instrument krachtiger — AI als superversterker van wat je al kon; (2) Meerdere instrumenten tegelijk — de specialist die ook generalist wordt; (3) Een heel orkest aansturen — van uitvoering naar regie, de orkestrator; (4) Het geheel laten zingen — de hoogste menselijke bijdrage: betekenis, interpretatie, context en publiek in één samenhangend geheel. Stap vier valt buiten Amodei's schaakanalogisering — het is het niveau waarop de menselijke bijdrage transformeert van uitvoering naar betekenis.
→ De Mens als Orkestrator · De Centaur Nader Bezien
Het schaakbord (exponentiële groei illustratie)
De klassieke fabel: één rijstkorrel op het eerste vakje, telkens verdubbeld. Op vakje 16: voorstelbaar. Op vakje 32: meer rijst dan de wereld in tien jaar produceert — in principe nog op te lossen. Op vakje 48: faillissement van het koninkrijk. Op vakje 64: meer dan alle menselijke rijstproductie door alle eeuwen heen. Het cruciale inzicht: de stap van vakje 63 naar 64 is even groot als alles wat op de eerste 63 vakjes bij elkaar lag. Elke verdubbeling telt zwaarder dan alle vorige stappen samen. Toegepast op AI: niemand weet op welk vakje we staan, maar we staan duidelijk niet meer aan het begin.
→ Exponentiële groei — wat het is, waar we staan, en wat het van ons vraagt
Intentie-Ecosysteem
Model van Edwin van Dillen. Een tweedimensionaal raster: de sturingsas (van output- naar outcome-sturing) kruist de denkstijlas (van lineair naar systemisch denken). Vier kwadranten: de Feature Factory (output / lineair), de Over-Engineerde Architect (output / systemisch), de Korte-termijn Optimizer (outcome / lineair), en de Strategische Orchestrator (outcome / systemisch) — de enige positie die niet vervangbaar is door AI. Kern van de AI-paradox: AI-agents zijn juist goed in lineaire, regelgebaseerde taken; daardoor verschuift de unieke menselijke waarde naar de rechterbovenkant van het model.
Intent-Driven Engineering
Engineeringprincipe van Edwin van Dillen, geworteld in Polanyi's tacit knowledge en Sinek's Golden Circle. Uitgangspunt: de meeste software wordt gebouwd op het niveau van het What (de specificatie). De Why — de verandering die de software moet bewerkstelligen — blijft impliciet. Intent-Driven Engineering begint bij het expliciteren van de Why, niet eenmalig maar als doorlopend proces. Cyclus: ruwe intentie → hypothese → concreet artefact → signalen van gebruikers → scherpere hypothese. De specificatie is niet het startpunt maar het geconsolideerde inzicht na verificatie.
Rogers' innovatieadoptiecurve (S-curve)
Klassiek model van Everett Rogers (Diffusion of Innovations, 1962). Vijf categorieën: Innovators (2,5%), Early Adopters (13,5%), Early Majority (34%), Late Majority (34%), Laggards (16%). Kritische nuance voor AI: de S-curve geldt voor specifieke toepassingen, niet voor generieke technologieën. En de specifieke toepassingen worden vervangen voordat de early majority ze heeft geadopteerd.
→ De Kloof
Shapiro's vijf niveaus van AI-integratie
Model dat de mate van AI-integratie in een organisatie of werkpraktijk beschrijft in vijf niveaus. Level 0: "spicy autocomplete" — AI als iets geavanceerder teksthulpmiddel. Level 1–2: AI ondersteunt individuele taken, productiviteitswinst zichtbaar, management tevreden. Level 3: de engineer schrijft minder code zelf — ziet eruit als falen, de meeste organisaties corrigeren hier en blokkeren daarmee hun eigen doorgroei. Level 4: AI voert volledige deeltaken autonoom uit onder menselijke regie. Level 5: "the dark factory" — volledig geautomatiseerde processen met minimale menselijke tussenkomst. Elk niveau voelt tijdelijk als eindbestemming.
Spelen vóór presteren
Leerprincipe van Brice Challamel (Moderna): effectief leren begint met ongedwongen experimenteren in een veilige omgeving zonder productiedruk. Challamel: "Spelen is hoe zoogdieren leren." De praktische implicatie: organisaties die AI-adoptie willen versnellen, creëren eerst een speelomgeving en belonen de populairste ideeën in plaats van de meest efficiënte implementaties.
→ De Kloof
Tien adoptiebarrières in drie clusters
Taxonomie van redenen waarom de capability gap niet automatisch dicht, geordend in drie clusters die elkaar versterken.
Technische barrières: (1) Verouderde modellen en beperkte toegang — de meeste medewerkers werken met AI die maanden achterblijft op de frontier; (2) Legacy-systemen en integratiedrempel — 60% van AI-beslissers noemt integratie als primaire barrière; (3) Veiligheid, governance en regelgeving — in gereguleerde sectoren bevriezen juridische onzekerheid en compliance-eisen beslissingen; (4) Datakwaliteit en datasilo's — AI-systemen zijn zo goed als de data waarop ze werken.
Organisatorische barrières: (5) Pilots die niet schalen — meer dan 70% haalt de productiefase niet; slechts 5% van enterprise AI-initiatieven bereikt aantoonbare P&L-impact; (6) Weerstand, macht en gevestigde belangen — angst voor vervanging en ingegraven machtsstructuren smoren initiatieven; (7) Verkeerde investering — meer dan de helft van AI-budgetten gaat naar sales- en marketingtools, terwijl het grootste rendement zit in back-office automatisering.
Menselijke barrières: (8) De talent- en vaardigheidskloof — medewerkers missen het mentale model; (9) Het cognitieve probleem van exponentiële groei — menselijke intuïtie is lineair en onderschat de verdubbeltijd structureel; (10) Het Fred-probleem — nieuwe technologie op de oude manier.
Let op: in De drie tijdperken van AI beschrijf ik een andere lijst van tien frictiefactoren — meer gericht op psychologische en individuele adoptiedrempels. Beide lijsten zijn geldig maar beschrijven verschillende niveaus: de tien barrières in De Kloof zijn structureel-organisatorisch, de frictiematrix in De drie tijdperken is psychologisch-individueel.
→ De Kloof · De Centaur Nader Bezien
Tweedimensionaal kader (urgentie × rijpheid)
Model dat het adoptieniveau van een organisatie combineert met tijdsdruk. Vier posities: (A) Kwetsbaar — laag rijp, hoge urgentie, existentieel risico binnen twee tot drie jaar; (B) Op schema — matig rijp, matige urgentie, houdbaar voor twaalf tot vierentwintig maanden; (C) Vals comfort — veel pilots, geen P&L-impact, gevaarlijkste positie want men denkt te transformeren maar staat stil; (D) Voorlopig veilig — hoog rijp, lage urgentie. Mijn inschatting: het grootste deel van de Nederlandse organisaties bevindt zich in A of C.
→ De Kloof
Vermogen-Systeem-Product Model
Drielaags investeringsraamwerk, opgebouwd vanuit first-principles thinking. De logica: een product is de uitkomst van een systeem; een systeem is de machine die het product maakt; en dat systeem wordt bedacht, gebouwd en verbeterd door mensen — maar die mensen staan buiten het systeem, zoals een architect buiten zijn gebouw staat. Drie lagen: (Laag 1) Vermogen — de mensen, het fundament; (Laag 2) Systeem — de pipelines, workflows en agent-architecturen; (Laag 3) Product — de zichtbare output. De economische logica van AI versterkt het model: token-efficiëntie wordt direct bepaald door de kwaliteit van Laag 1.
Bevestigd door drie onafhankelijke tradities: Toyota Production System (Ohno), Deming's systeemdenken, en Senge's lerende organisatie.
→ Het Vermogen-Systeem-Product Model
Vier Moderna-transformatieronden
Model van Brice Challamel voor de organisatorische reis naar AI-integratie. Vier sequentiële ronden die niet overgeslagen mogen worden: (1) Readiness — bewustwording op bestuursniveau; (2) Digital Foundations — technische infrastructuur, unified data-platforms, governance; (3) AI Adoption — daadwerkelijk gebruik opbouwen via veilige speelomgevingen; (4) Ways of Working — werk fundamenteel herontwerpen rond AI. Moderna verwerkt een miljoen AI-conversaties per maand met nagenoeg volledige medewerkeradoptie als resultaat.
→ De Kloof
Zeven kernkwaliteiten van de orkestrator
De menselijke kwaliteiten die bepalen hoe sterk de menselijke helft van de centaur is. Zeven kwaliteiten: (1) Domeinkennis — levende, contextgebonden ervaring; (2) Requirements extraction — de werkelijke behoefte distilleren uit een vage wens; (3) Strategische afstemming — oplossingen verbinden aan bredere organisatiedoelen; (4) Organisatorische navigatie — formele én informele machtsstructuren begrijpen; (5) Business context vertaling — de brug tussen wat technisch mogelijk is en wat écht relevant is; (6) Contextuele intuïtie — de radar die waarschuwt als een plan op papier perfect lijkt maar in de praktijk zal stranden; (7) Oordeelsvorming & verantwoordelijkheid — kiezen wat écht waardevol is én de verantwoordelijkheid dragen voor het resultaat. Trainbare vaardigheden, geen aangeboren talenten.
→ De Mens als Orkestrator · De Centaur Nader Bezien
III — Meta-concepten
Co-creatie (als werkmethode en als explicitering)
De bewuste samenwerking tussen mens en AI bij het maken van content, waarbij de mens de regie voert: de gedachten, posities en interpretaties zijn van de mens, AI helpt bij structureren, aanscherpen en schrijven. In mijn blogs altijd expliciet benoemd in een voetnoot — niet als disclaimer maar als voorbeeld van de orkestratie die ik beschrijf. De transparantie over het proces is zelf onderdeel van de boodschap.
→ De Mens als Orkestrator · alle blogs
First-principles thinking
Redeneren vanuit de meest fundamentele waarheden in plaats van vanuit analogieën of aannames. Methode die Elon Musk consequent toepast. In het Vermogen-Systeem-Product Model is het de redeneerwijze die tot de drie lagen leidt: wat maakt een product mogelijk? Wat maakt het systeem mogelijk? En wat maakt dát mogelijk?
→ Het Vermogen-Systeem-Product Model
Mate van verwevenheid
De diepte van de functionele integratie tussen een mens en AI — een spectrum, geen binaire keuze. Oppervlakkig: AI als snellere zoekmachine. Diep: mens en AI als één functionerend geheel waarbij de grens tussen beide niet meer zinvol te trekken is. De mate van verwevenheid is een actieve, dagelijkse keuze. Tien barrières verklaren waarom die verwevenheid achterblijft bij wat theoretisch mogelijk is.
Orkestrator
De menselijke rol in de samenwerking met AI: niet de uitvoerder, maar de dirigent. De orkestrator speelt niet meer zelf, maar stuurt AI-agents, tools en processen aan. Waarde zit niet in de uitvoering maar in de regie — in het richten, beoordelen en bijsturen. De architect staat buiten het gebouw; de orkestrator staat buiten het orkest. De kwaliteit van de orkestratie wordt bepaald door de zeven kernkwaliteiten.
Sensing mechanism
De menselijke functie die pas volledig zichtbaar wordt als executie naar AI verschuift: het vermogen om te voorzien wat nog buiten het zichtbare veld ligt — de kansen die nog geen naam hebben, de vragen die nog niemand stelt, het kader dat vernieuwd moet worden. AI is uitzonderlijk goed in optimaliseren binnen een gegeven kader; het kader zelf vernieuwen is menselijk. De mens als sensing mechanism is niet de uitvoerder van bekende taken maar het vroege waarschuwingssysteem voor wat morgen mogelijk is. Dit is de kern van de kansvleugel.
Spraak vs. typen als interactiemodi
De twee primaire manieren waarop ik met AI werk, elk met een eigen functie in het denkproces. Spraak — in de auto, via voice — is losser, associatiever en sneller: ideaal om een idee al pratend te verkennen voordat het verdampt. Typen vertraagt bewust: je formuleert nauwkeuriger, en die vertraging is geen nadeel maar een functie. De pratende start en de typende uitwerking zijn twee verschillende stadia van hetzelfde denkproces.
Strategische Orchestrator
Term van Edwin van Dillen, rechtsbovenkwadrant van het Intentie-Ecosysteem: outcome-sturing gecombineerd met systemisch denken. De enige positie in het model die niet vervangbaar is door AI — niet ondanks AI, maar juist dóór AI, omdat AI het uitvoeringswerk overneemt en daarmee de intentie-functie de enige schaarse factor maakt. Verbindt zich met mijn eigen begrip van de orkestrator, maar is specifieker gesitueerd in de context van software engineering en teamvolwassenheid.
→ De ingenieur als dirigent · De Mens als Orkestrator
Ut est rerum omnium magister usus
De naam van deze blog — een Latijns citaat van Cicero: "Ervaring is de leermeester van alle dingen." De overtuiging die onder alles ligt: niet theorie, maar het doen en ondervinden vormt het begrip. AI leer je door er intensief mee te werken, niet door erover te lezen. Verwevenheid ontstaat door te oefenen, niet door te plannen.
→ About
Wil je de blogs lezen waarop dit glossarium is gebaseerd?
→ De Mens als Orkestrator — de verschuiving van uitvoerder naar dirigent, en de zeven kernkwaliteiten.
→ Verwondering in bed — geëxpliciteerde verwondering en orkestratie in de praktijk.
→ De Kloof — de data achter de capability gap en de tien adoptiebarrières.
→ Het Vermogen-Systeem-Product Model — drie lagen, first principles, en token-efficiëntie als investeringsargument.
→ De Centaur Nader Bezien — de Centaur Age, mate van verwevenheid, en Bastiat als lens op Amodei.
→ Exponentiële groei — wat het is, waar we staan, en wat het van ons vraagt — het schaakbord, 131 dagen verdubbeltijd, en de kloof in harde cijfers.
→ Twee Vleugels — efficiëntie vs. kans als investeringslogica, en fixed-pie denken als rem.
→ De drie tijdperken van AI — ChatGPT, OpenClaw, en het derde tijdperk dat zich aankondigt.
→ De ingenieur als dirigent — Edwin van Dillen's Augmented Software Engineering reeks en het Intentie-Ecosysteem.
Co-creatie: Dit glossarium is samengesteld samen met Claude (Anthropic), versie Sonnet 4.6. De selectie van begrippen, de definities en de interpretaties zijn van mij. Claude heeft geholpen bij het structureren en het schrijven. Ik vind het bij dit onderwerp passen om dat expliciet te benoemen. NotebookLM gebruikt voor de visualisaties.