Ik verloor een jaar aan AI. Dit is wat ik ervan leerde.

Het voorbije jaar heb ik enorm veel tijd gestoken in AI. Echt enorm veel.

En toch ging mijn werk er niet sneller van. Niet efficiënter. Niet effectiever. Soms zelfs trager.

Dat was een ongemakkelijke vaststelling voor iemand die als instructional designer elke dag bezig is met leren en ontwikkeling. Ik wist hoe transfer werkt. Ik wist hoe gewoontevorming werkt. En toch trapte ik in een val die ik bij deelnemers altijd herken: druk bezig zijn zonder vooruit te gaan.

De illusie van productiviteit

In het begin schreef ik het toe aan de leercurve. Elke tool vraagt tijd. Logisch dat het even duurt voor je er vlot mee bent. Maar na een tijdje moest ik toegeven: dat was niet het echte probleem.

Ik sprong van tool naar tool en begon dus telkens opnieuw. Ik gebruikte de tools die ik had ook niet optimaal, omdat ik ze nooit lang genoeg gebruikte om ze echt te leren kennen. Ik worstelde constant met FOMO. En ik sprong van werkproces naar werkproces, zonder een gestructureerde aanpak: "Oh, ik ga eens kijken wat ChatGPT daarmee kan doen."

Telkens opnieuw. Telkens anders. Telkens zonder systeem.

Een concreet voorbeeld. Ik wil een tekst schrijven en gebruik daarvoor AI. Ik geef een idee, AI schrijft een tekst, ik ben niet tevreden, ik geef feedback, de tekst wordt herschreven, ik geef opnieuw feedback. En zo verder. Tot ik op het einde denk: had ik die tekst niet sneller van nul geschreven? In mijn eigen stem? Zonder al die rondes?

Herken jij dit? Als L&D-manager die een opleidingsbeschrijving probeert te schrijven, als instructional designer die een scenario uitwerkt, als facilitator die een programma voorbereidt?

De illusie van productiviteit is hardnekkig. Je bent bezig. Je voelt dat er iets gebeurt. Maar het resultaat rechtvaardigt de investering niet.

De kloof tussen wat ik zag en wat ik ervaarde

Op Instagram en YouTube ziet het er altijd vlot uit. Iemand bouwt in vijf minuten een fantastische workflow. Iemand anders genereert in drie prompts een complete cursus. En het lijkt allemaal zo vanzelfsprekend.

Mijn eigen realiteit was totaal anders.

Wat bij hen vijf minuten duurde, kostte mij een uur. Wat er simpel uitzag, bleek ingewikkelder dan verwacht. En soms stootte ik op technische vragen waar ik gewoon geen antwoord op had.

Ik dacht aanvankelijk dat het aan mij lag. Dat ik het gewoon nog niet goed genoeg kende. Dat het beter zou worden met tijd. Maar dat was niet het volledige verhaal.

De stap die alles veranderde

Op een gegeven moment besloot ik te stoppen met kijken naar tools. En te beginnen kijken naar mijn werk.

Niet: "Wat kan deze tool?" Maar: "Wat doe ik eigenlijk de hele dag?"

Die vraag lijkt simpel. Ze is het niet. Want als je je werkproces in kaart brengt, stap voor stap, zie je pas waar de echte knelpunten zitten. Waar je tijd verliest. Waar herhaling zit die je liever kwijt bent.

En dan pas wordt de vraag interessant: welke van die stappen kan AI versnellen of overnemen?

Maar er is één belangrijke nuance: je hoeft niet te beginnen met je volledige werkproces. Dat is overweldigend en onnodig. Begin klein. Kies één werkproces, of zelfs één stukje van een werkproces. Het opmaken van een PowerPoint. Het schrijven van een opleidingsbeschrijving. Het verwerken van evaluatiedata van deelnemers.

Eén concreet, afgebakend ding. Breng dat in kaart. Probeer het. Leer ervan. Dan pas ga je verder.

Drie dingen die je nodig hebt

Ik heb gemerkt dat je voor een slimme AI-aanpak drie dingen nodig hebt.

Eén: een helder beeld van dat ene werkproces.

Welke stappen zitten erin? Welke tussenstappen? Hoe concreter je dat in kaart brengt, hoe beter je weet waar AI zinvol is en waar niet. Begin klein en bouw van daaruit verder.

Twee: een eerlijk beeld van wat AI kan en niet kan.

AI is snel, breed en eindeloos geduldig. Maar het mist context, nuance en de kennis van jouw specifieke deelnemers, jouw organisatie, jouw aanpak. Weten waar AI tijd wint en waar het je eerder vertraagt: dat is de echte vaardigheid. Niet prompt engineering.

Praktische tip: als je niet weet wat AI kan, vraag het gewoon aan AI zelf. Een chatbot zoals Claude is verrassend transparant over wat die wel en niet kan. Je hoeft dat niet zelf uit te zoeken.

Drie: een helder beeld van wie jij bent.

Dit is de stap die ik het langst heb onderschat, en die achteraf de belangrijkste bleek. Wat is de identiteit van de organisatie voor wie jij werkt? Wat voor instructional designer, L&D-manager of facilitator ben jij? Welke stijl heb je? Hoe communiceer jij met jouw doelgroep? Wat maakt jouw aanpak herkenbaar?

Als dat niet helder is, kan je AI voor van alles inzetten. Maar de resultaten zullen generiek zijn. Bruikbaar misschien, maar niet herkenbaar. Niet jij. Niet jouw afdeling of bedrijf. En dan kom je precies terecht in die eindeloze feedbackloop: herschrijven, bijsturen, herschrijven, tot je denkt: had ik dit zelf maar gewoon geschreven.

Voor AI werkt "wie ben ik?" niet als een leuke extra stap. Het is de eerste stap.

Wat dit voor jou betekent

Of je nu leertrajecten ontwerpt, opleidingen beheert, workshops faciliteert of meetings voorzit: begin niet met tools. Begin met één concreet werkproces. Breng het in kaart. Weet wat AI kan. En weet wie jij bent.

Dan pas zoek je de tool die daarvoor werkt.

Dat is de aanpak die ik de voorbije maanden heb uitgewerkt. Het is ook wat ik meeneem naar de webinars en opleidingen die ik over dit thema maak en geef.

Niet tools. Eerst werkproces. Eerst identiteit. Dan AI.

Verder met dit thema? In onze open opleidingen en webinars ontdek je hands-on hoe jij dit zelf toepast in de praktijk

Webinars en open opleidingen