Uitholling door overvloed
Zonder ChatGPT, NotebookLM, Claude en andere AI-tools voel ik me verrassend snel onthand. Je hoort iets interessants en wilt er direct meer over weten — even ChatGPT raadplegen. Een complex onderwerp snel doorgronden? NotebookLM. Een praktische tool bouwen zonder één regel code te schrijven? Claude. En dan heb ik het nog niet eens over wat er allemaal aankomt.
Laatst sloeg ik letterlijk achterover toen ik zag wat ik met één goede prompt via VibeCode als werkende app kon genereren. De mogelijkheden groeien explosief. Modellen worden sneller, nauwkeuriger, autonomer. Termen als agentic, Polymarket en Alpha Evolve vliegen ons om de oren. AI ontwikkelt zich niet lineair, maar exponentieel — en sijpelt inmiddels door in vrijwel elk domein van ons leven. Zelfs in het speelgoed van onze kinderen.
Vaak denken we bij AI nog primair aan taakverlichting: sneller werken, minder handmatig gedoe, efficiëntere processen. Dat beeld klopt, maar het is onvolledig. Want juist die efficiëntie heeft een minder intuïtief neveneffect. Om dat te begrijpen, helpt een oud maar verrassend actueel economisch principe: de Jevons-paradox.
De Jevons-paradox in het tijdperk van AI
De Jevons-paradox werd in de negentiende eeuw beschreven door econoom William Stanley Jevons. Hij observeerde dat efficiëntere stoommachines niet leidden tot minder steenkoolverbruik, maar juist tot méér. Doordat de machines goedkoper en effectiever werden, ontstonden nieuwe toepassingen en schaalvergroting. Efficiëntie veranderde daarmee niet alleen de snelheid van productie, maar ook de schaal, betekenis en maatschappelijke inbedding ervan.
Wanneer we dit principe toepassen op artificiële intelligentie, wordt duidelijk waarom veel verwachtingen rondom productiviteitswinst en arbeidsbesparing te eenvoudig zijn. AI verlaagt de marginale kosten van cognitief werk drastisch. Tekst, code, analyses en ontwerpen kunnen sneller, goedkoper en in veel grotere hoeveelheden worden geproduceerd dan voorheen.
De intuïtieve aanname is dan ook: als alles efficiënter wordt, hebben we straks minder werk. Vanuit de Jevons-paradox bezien is dat echter niet vanzelfsprekend. Juist doordat drempels verdwijnen, ontstaan nieuwe toepassingen, nieuwe vragen en nieuwe vormen van gebruik die eerder niet rendabel of zelfs voorstelbaar waren. Het resultaat is zelden een afname van activiteit, maar vaak een toename van productie, variatie en complexiteit.
Dat zien we nu al gebeuren. Organisaties produceren meer content, ontwikkelen meer softwarevarianten, rekenen meer scenario’s door en nemen meer beslissingen op basis van gegenereerde inzichten. Deze overvloed brengt geen rust, maar een nieuw soort druk: keuzestress, coördinatieproblemen en een groeiende behoefte aan richting.
De bottleneck verschuift. Niet het vermogen om te produceren is schaars, maar het vermogen om te selecteren, te begrenzen en betekenis te geven. Waar productie overvloedig wordt, neemt de relatieve waarde van oordeel toe.
Van uitvoeren naar richting geven
Voor arbeid en beroepsontwikkeling betekent dit dat AI minder functioneert als vervangingstechnologie en meer als vermenigvuldigingstechnologie. Het aantal uitvoerbare handelingen groeit explosief, maar daarmee ook de noodzaak om te bepalen wat relevant, wenselijk en verantwoord is.
Rollen die vooral draaien om uitvoeren of routinematig controleren blijken in dit licht kwetsbaar. Ze groeien tijdelijk mee met de overvloed, maar lopen het risico op termijn zelf geautomatiseerd of uitgehold te worden. Duurzamer zijn rollen waarin mensen richting geven aan systemen: bepalen wat verschijnt, waarom het verschijnt en hoe verschillende outputs samenhang en betekenis krijgen.
In die zin helpt de Jevons-paradox verklaren waarom uitgeverschap, curatie en normatief oordeel opnieuw centraal komen te staan — niet als nostalgische waarden, maar als cruciale vaardigheden in een tijdperk van overvloed.
(Het deel over de Jevons-paradox is geschreven met behulp van ChatGPT en door mijzelf inhoudelijk gecontroleerd, de rest is door mijzelf geschreven.)