AI’s use of knowledge in society

AI’s Use of Knowledge in Society van Erik Brynjolfsson en Zoë Hitzig vertrekt van een klassieke economische vraag die vandaag opnieuw dringend wordt. Waar moeten beslissingen worden genomen als kennis verspreid zit over veel mensen, teams en plaatsen? Lange tijd was het sterke argument voor decentralisatie eenvoudig. Lokale medewerkers, teamleads en managers weten dingen die je niet makkelijk in een systeem giet. Ze kennen klanten, context, uitzonderingen, timing en informele signalen. Precies dat maakte centrale sturing vaak traag, blind of inefficiënt.

Volgens Brynjolfsson en Hitzig verandert AI dat speelveld fundamenteel. Niet omdat alle menselijke kennis ineens verdwijnt, maar omdat AI twee dingen tegelijk beter maakt. Ten eerste kan AI lokale kennis codificeren die vroeger impliciet of moeilijk overdraagbaar was. Ten tweede kan AI veel meer informatie verwerken, combineren en vertalen naar acties. Daardoor neemt het informatievoordeel van de persoon op de werkvloer af in situaties waar systemen voldoende context kunnen verzamelen en interpreteren.

Dat is de kern van AI’s use of knowledge in society. AI is niet alleen een tool voor automatisering of contentproductie. Het is ook een infrastructuur voor kennisorganisatie. En zodra kennis anders georganiseerd raakt, verschuiven ook macht, verantwoordelijkheden en de optimale structuur van bedrijven.

Van Hayek naar AI

Om het belang van deze analyse te begrijpen, helpt het om terug te grijpen naar Friedrich Hayek. Zijn beroemde inzicht was dat economische kennis verspreid zit over de samenleving. Niet één planner kent alle lokale omstandigheden, voorkeuren, schaarstes en opportuniteiten. Daarom werken markten en decentrale beslissingen vaak beter dan centrale planning. Niet omdat centrale planning in theorie altijd dom is, maar omdat de kennis die nodig is om goed te plannen niet op één plek bestaat.

Brynjolfsson en Hitzig herbekijken precies dat uitgangspunt. Hun vraag is niet of Hayek fout was. Hun vraag is wat er gebeurt als AI een groot deel van die verspreide kennis toch beter kan verzamelen, structureren en toepassen. Zodra lokale kennis minder ontoegankelijk wordt, verliest decentralisatie een deel van haar klassieke voordeel. Dan wordt centrale coördinatie niet alleen technisch haalbaarder, maar in sommige gevallen ook economisch aantrekkelijker.

Dat is een subtiel maar belangrijk verschil. De auteurs zeggen niet dat centralisatie altijd beter wordt. Ze tonen wel dat de historische reden waarom veel beslissingen decentraal moesten blijven minder sterk kan worden in een wereld met krachtige AI.

Hoe AI de plek van controle verschuift

De auteurs beschrijven twee hoofdkanalen waarlangs AI de locus van controle verschuift.

1. Codificatie van lokale kennis

Veel waardevolle kennis in organisaties is stilzwijgend. Een ervaren accountmanager voelt aan wanneer een klant afhaakt. Een planner weet dat een bepaalde levering op papier haalbaar lijkt maar in de praktijk altijd vertraging oploopt. Een supportmedewerker herkent aan een halve zin wat het echte probleem achter een ticket is. Die kennis staat niet netjes in een database.

AI kan een deel van die kennis explicieter maken. Niet perfect, maar vaak genoeg bruikbaar. Wanneer gesprekken, tickets, documenten, workflows en uitkomsten worden geanalyseerd, kunnen patronen zichtbaar worden die vroeger vastzaten in individuele ervaring. Wat eerst persoonsgebonden was, wordt dan deels organisatiegebonden. Dat maakt vervanging makkelijker, standaardisering aantrekkelijker en centrale aansturing sterker.

2. Grotere verwerkingscapaciteit

Daarnaast vergroot AI de capaciteit om enorme hoeveelheden data te verwerken. Dat lijkt evident, maar het organisatorische gevolg is groot. Als een centraal systeem realtime signalen uit verschillende afdelingen, regio’s en klantkanalen kan combineren, dan hoeft niet elk besluit meer op lokaal niveau te blijven. Centrale teams kunnen sneller trade offs zien, complementariteiten herkennen en middelen op grotere schaal optimaliseren.

Vooral in organisaties waar assets sterk op elkaar inspelen, wordt dat belangrijk. Denk aan supply chains, pricing, personeelsplanning, softwareplatformen, zorgprocessen of logistiek. In zulke omgevingen kan centralisatie efficiënter worden omdat AI verbanden ziet die lokale besluitnemers maar gedeeltelijk overzien.

Waarom dit grotere bedrijven en meer concentratie kan opleveren

Een van de scherpste voorspellingen in AI’s use of knowledge in society is dat AI kan leiden tot grotere gemiddelde bedrijfsomvang, meer concentratie in sectoren en minder autonomie voor lokale managers. Dat klinkt abstract, maar de logica is helder.

Als AI schaalvoordelen in coördinatie vergroot, dan worden grote organisaties relatief sterker. Een groot bedrijf beschikt over meer data, meer processen, meer klanteninteracties en meer mogelijkheden om AI over afdelingen heen in te zetten. Daardoor stijgt de waarde van centrale optimalisatie. Waar vroeger een grote organisatie vastliep op interne complexiteit, kan AI net helpen om die complexiteit bestuurbaar te maken.

Dat kan ook markten veranderen. Bedrijven die AI het best gebruiken om kennis te centraliseren, kunnen sneller beslissen, beter voorspellen en consistenter uitvoeren. Dat geeft hen een voorsprong tegenover kleinere spelers die minder data, minder integratie of minder investeringsruimte hebben. Zo groeit de kans op sectorconcentratie.

Voor lokale managers is het effect dubbel. Enerzijds krijgen ze sterkere tools. Anderzijds kunnen hun beslissingsrechten worden ingeperkt. Als een centraal model betere voorspellingen maakt over prijs, voorraad, routing of personeelsinzet, dan wordt de ruimte om lokaal af te wijken kleiner. De manager wordt dan minder een autonome beslisser en meer een uitvoerder, supervisor of escalatiepunt.

Maar decentralisatie verdwijnt niet

Het zou te simpel zijn om hieruit te concluderen dat AI onvermijdelijk tot volledige centralisatie leidt. Brynjolfsson en Hitzig laten expliciet ruimte voor omstandigheden waarin decentralisatie overeind blijft of zelfs opnieuw belangrijker wordt.

Dat gebeurt vooral wanneer context moeilijk te meten is, wanneer lokale omstandigheden snel veranderen, wanneer vertrouwen en relationele kennis cruciaal zijn of wanneer fouten hoge kosten hebben die niet goed in modellen te vatten zijn. Ook innovatie kan decentralisatie nodig hebben. Centrale systemen zijn sterk in optimalisatie, maar minder vanzelfsprekend in het ontdekken van onverwachte kansen aan de rand van een organisatie.

Daar komt nog iets bij. Niet alle kennis is even goed codeerbaar. Sommige expertise blijft contextgebonden, belichaamd en ervaringsgedreven. Dat punt sluit goed aan bij recenter onderzoek over de grenzen van generatieve AI. AI helpt vaak sterk bij ideevorming, structurering en voorbereiding, maar minder bij uitvoering wanneer diep domeininzicht ontbreekt.

AI als hulpmiddel voor keuzes, niet alleen voor beslissingen

Een nuttige aanvulling op Brynjolfsson en Hitzig is het idee van intelligent choice architectures. Dat perspectief legt de nadruk niet alleen op wie beslist, maar ook op welke opties iemand überhaupt te zien krijgt. AI beïnvloedt dus niet alleen de uiteindelijke keuze. Het beïnvloedt ook het keuzemenu.

Dat is organisatorisch  relevant. Een medewerker in customer support die drie voorgestelde oplossingen krijgt, een manager die een dashboard met aanbevolen trade offs ziet, of een hr team dat AI gebruikt om interne talentpaden te suggereren, neemt nog altijd menselijke beslissingen. Maar de architectuur rond die beslissingen wordt mee ontworpen door AI.

Hier zit een belangrijke nuance. Minder lokale autonomie hoeft niet altijd te betekenen dat mensen minder effectief worden. In sommige gevallen krijgen ze juist betere opties, helderdere afwegingen en meer context om sneller te handelen. Toch blijft de vraag wie het systeem ontwerpt, welke waarden erin zitten en wanneer mensen ervan mogen afwijken.

Beslissingsrechten worden een ontwerpvraag

De discussie over AI gaat vaak over productiviteit. Minstens even belangrijk is de vraag hoe beslissingsrechten verschuiven. Wie is verantwoordelijk als een AI aanbeveling fout zit? Wanneer mag een werknemer een model negeren? Moet een manager uitleggen waarom hij van een AI advies afwijkt, of net waarom hij het blind volgde?

Zodra AI deel wordt van operationele sturing, worden dit geen filosofische vragen meer maar ontwerpkeuzes. Organisaties zullen explicieter moeten vastleggen wie verantwoordelijk, aansprakelijk, geraadpleegd en geïnformeerd is. Klassieke frameworks zoals RACI kunnen daardoor evolueren van statische rolverdelingen naar adaptieve systemen waarin AI helpt om verantwoordelijkheden dynamisch te herverdelen.

Dat klinkt efficiënt, maar het is ook gevoelig. Als AI de toewijzing van taken, escalaties en verantwoordelijkheden mee stuurt, dan raakt het rechtstreeks aan macht in organisaties. Wie toegang heeft tot de modellen, de data en de evaluatiecriteria, krijgt meer invloed dan wie alleen nog de output ziet.

De grens van AI ligt vaak bij uitvoering

Een belangrijk tegengewicht tegen al te veel techno optimisme komt uit onderzoek naar de zogeheten knowledge distance. Generatieve AI helpt mensen om sneller ideeën te structureren, informatie te ordenen en eerste versies te maken. Maar dat betekent niet dat iedereen met AI meteen expertwerk kan leveren.

Onderzoek van Harvard Business School laat zien dat AI de kloof tussen aanpalende profielen kleiner kan maken, maar niet zomaar tussen veraf gelegen expertises. Medewerkers met nabije domeinkennis presteren met AI vaak bijna op expertniveau voor bepaalde taken. Medewerkers zonder relevante basiskennis blijven achter, vooral in de uitvoeringsfase waar nuance, context en vakmanschap nodig zijn.

Dat sluit verrassend goed aan bij de these van Brynjolfsson en Hitzig. Ja, AI kan lokale kennis codificeren en centraliseren. Maar nee, het neemt niet automatisch alle contextgebonden expertise over. In de praktijk betekent dit dat organisaties niet alleen moeten nadenken over centralisatie, maar ook over waar menselijke ervaring onvervangbaar blijft.

Het risico op kennisverlies in de samenleving

Hier wordt de analyse nog breder. Als AI steeds vaker contextspecifieke aanbevelingen geeft, kunnen mensen minder reden voelen om zelf diep te leren. Dat levert op korte termijn winst op. Je krijgt sneller antwoorden, sneller output en minder frictie. Maar op lange termijn kan het collectieve kennisniveau eronder lijden.

Dat risico wordt scherp uitgewerkt in werk over knowledge collapse. De centrale gedachte is dat menselijke inspanning niet alleen persoonlijke vaardigheid oplevert, maar ook een bredere publieke kennisvoorraad voedt. Wanneer AI veel van het denkwerk overneemt, kan de prikkel om die inspanning nog te leveren afnemen. Dan wordt de kennisbasis waarop mensen én systemen steunen dunner.

Voor bedrijven zie je daar vandaag al vroege signalen van. Junior medewerkers gebruiken AI om sneller te produceren, maar bouwen mogelijk trager de onderliggende expertise op die later nodig is voor goed oordeel. Voor sectoren als recht, consultancy, geneeskunde, engineering en journalistiek is dat geen detail. Als de leercurve te veel wordt uitbesteed, krijg je misschien efficiëntere output vandaag en zwakkere experts morgen.

Wat dit betekent voor management

Voor leiders en organisatieontwerpers heeft AI’s use of knowledge in society minstens vijf concrete implicaties.

Kijk voorbij automatisering

De echte impact van AI zit niet alleen in tijdswinst. Ze zit in de herverdeling van kennis, coördinatie en controle. Als je AI enkel bekijkt als tool voor content of support, mis je de strategische laag.

Map welke kennis codeerbaar is

Niet elke taak is gelijk. Sommige vormen van lokale kennis zijn goed te vangen in data en patronen. Andere niet. Maak dat onderscheid expliciet voor processen, teams en functies.

Ontwerp beslissingsrechten bewust

Laat AI niet stilzwijgend de organisatiekaart herschrijven. Bepaal vooraf wanneer een model adviserend is, wanneer het leidend is en wanneer menselijk veto nodig blijft.

Bescherm de opbouw van expertise

Als AI vooral de uitvoering versnelt, moet je bewust investeren in leerpaden die nog echte vakkennis opbouwen. Anders wordt de organisatie sneller maar ook brozer.

Wees alert voor machtsconcentratie

Wie AI infrastructuur beheert, beheert steeds vaker ook de voorwaarden waaronder anderen beslissen. Dat vraagt governance, transparantie en interne tegenmacht.

De maatschappelijke inzet is groter dan efficiëntie

Brynjolfsson en Hitzig eindigen niet bij de onderneming. Hun punt is dat centralisatie van economische macht makkelijk kan overlopen in centralisatie van politieke macht. Als AI de schaalvoordelen van grote organisaties vergroot en lokale autonomie afbouwt, dan gaat het niet alleen over bedrijfsstructuren. Het gaat ook over wie kennis mag interpreteren, wie systemen ontwerpt en wie de spelregels bepaalt.

Daarom is AI’s use of knowledge in society meer dan een managementtekst. Het is een analyse van hoe een samenleving verandert wanneer kennis beter meetbaar, overdraagbaar en centraliseerbaar wordt. AI maakt sommige vormen van coördinatie efficiënter. Maar efficiëntie is niet hetzelfde als pluralisme, veerkracht of brede kennisopbouw.

Waarom dit hoofdstuk relevant blijft

De blijvende waarde van dit werk zit in de combinatie van economische theorie en organisatorische scherpte. Veel discussies over AI blijven hangen tussen hype en angst. Brynjolfsson en Hitzig doen iets nuttigers. Ze stellen een precieze vraag over kennis en beslissingsrechten. Daardoor wordt zichtbaar waarom AI tegelijk productiviteit kan verhogen, hiërarchieën kan herschikken en de maatschappelijke machtsbalans kan beïnvloeden.

Voor bedrijven is de les niet dat centralisatie altijd de toekomst is. De les is dat AI de oude redenen voor decentralisatie deels verzwakt, maar niet volledig wegneemt. Wie daar slim mee omgaat, bouwt organisaties waarin AI schaal en samenhang versterkt zonder lokale expertise, leervermogen en verantwoordelijkheid uit te hollen.

Een laatste nuance

De interessantste vraag is misschien niet of AI kennis centraliseert. Dat doet ze al. De echte vraag is welke kennis je als samenleving koste wat kost decentraal wilt houden. Niet omdat centrale systemen nutteloos zijn, maar omdat robuuste samenlevingen meer nodig hebben dan optimale coördinatie. Ze hebben ook mensen nodig die zelfstandig kunnen waarnemen, interpreteren en oordelen wanneer het model tekortschiet.