Onzekerheid & ethische afwegingen

Wanneer “ik weet het niet” de juiste professionele reactie is

Je zit met een conceptnotitie voor intern overleg. Copilot heeft je geholpen: een helder verhaal, nette toon, logische structuur. Dan stelt een collega één vraag: “Hoe zeker zijn we van deze claim?” Jij voelt dat de tekst overtuigender klinkt dan je bewijsbasis. Tegelijkertijd wil je tempo houden, en je wilt niet overkomen als iemand die alles ophoudt.

Dit is precies waar onzekerheid en ethische afwegingen samenkomen. In DNB-context gaat het niet alleen om “hebben we gelijk?”, maar ook om hoe we omgaan met twijfel, welke risico’s we acceptabel vinden, en hoe we uitlegbaar blijven als AI mee heeft geschreven of gedacht. De kernwaarden (zorgvuldigheid, betrouwbaarheid, uitlegbaarheid, professioneel handelen) vragen dat je onzekerheid niet wegpoetst, maar stuurt.

De vorige les introduceerde quality gates en escalatiebeslissen: momenten waarop je AI-output niet laat doorstromen zonder gerichte checks en, als het moet, extra expertise. In deze les zet je daar een extra laag bovenop: hoe je onzekerheid herkent, expliciet maakt, en ethisch weegt—zodat “mooie output” niet stiekem “besluitvorming” wordt.

Onzekerheid en ethiek: wat bedoelen we hier precies?

Onzekerheid is niet één ding. In AI-ondersteund werk gaat het meestal om drie soorten, die je anders moet behandelen:

• Feitonzekerheid: je mist data, bronnen, of de bronbaarheid is zwak.

• Model-/outputonzekerheid: Copilot vult gaten op, maakt plausibele sprongen, of egaliseert nuance.

• Contextonzekerheid: je weet niet (voldoende) wat het beleidskader, de belangen, of de downstream-impact is.

Ethische afwegingen gaan hier over keuzes onder onzekerheid: wat doe je wel/niet met AI, wat deel je, hoe formuleer je, en wanneer escaleer je? Ethiek is in dit kader geen abstract debat, maar een professionele beslisdiscipline: je weegt schade, verantwoordelijkheid, proportionaliteit en uitlegbaarheid—zeker als de tekst later in een dossier, richting directie, of breder intern kan landen.

Twee principes uit Responsible AI blijven leidend (en sluiten aan op de vorige les):

• Transparantie / uitlegbaarheid: je kunt aangeven wat feit is, wat interpretatie is, welke aannames er zijn, en waar AI heeft geholpen.

• Controle / ownership: jij blijft eigenaar van inhoud en besluit, inclusief het besluit om onzekerheid zichtbaar te laten of om extra checks te organiseren.

Een bruikbare analogie: Copilot is een snelle junior die geweldig formuleert. Onzekerheid en ethiek bepalen of je de junior laat publiceren, laat herwerken, of eerst langs een inhoudelijk eigenaar laat gaan. De valkuil is dat goede stijl voelt als zekerheid—maar dat is precies wat je moet corrigeren.

Drie soorten onzekerheid die AI vaak vergroot (en hoe je ze professioneel stuurt)

1) Feitonzekerheid: “klinkt waar” is niet hetzelfde als “is waar”

Feitonzekerheid ontstaat wanneer claims niet direct herleidbaar zijn naar bronnen, cijfers, of geautoriseerde kennis. AI verhoogt dit risico omdat het goed is in het produceren van complete verhalen: het verbindt losse punten tot een strak betoog en maakt impliciete aannames expliciet—maar soms ook onjuist. Dit is verwant aan wat je eerder zag bij de inhoud-gate (F/I/V): AI schrijft feiten, interpretaties en voorstellen in dezelfde overtuigingstoon, waardoor “ongecheckt” de status van “vaststaand” krijgt.

Professioneel sturen begint met het herstellen van die scheiding: je markeert in je tekst waar feitelijkheid wordt geclaimd (“onderzoek toont aan…”, “dit leidt tot…”, “de markt reageert…”). Vervolgens vraag je niet aan Copilot: “Klopt dit?” maar je gebruikt Copilot als checklist-generator: “Welke zinnen lezen als feitenclaims? Welke claims vragen bron? Welke begrippen zijn te absoluut geformuleerd?” Daarmee voorkom je de misvatting dat AI zichzelf kan valideren.

Best practice is om feit-onzekerheid zichtbaar te maken in taal. Niet door alles vaag te maken, maar door status-taal te gebruiken: “op basis van de huidige gegevens”, “indicatief”, “voorlopige inschatting”, “nog te verifiëren”. Dit ondersteunt betrouwbaarheid en voorkomt dat een lezer (of jijzelf later) AI-tekst als “eindconclusie” opslaat. En het helpt bij proportionaliteit: hoe groter impact en deelbaarheid, hoe minder ruimte voor ongefundeerde feitenclaims.

Een typische pitfall: pas laat ontdekken dat een “net” geformuleerde claim in een bijlage of mailketen nergens hard te onderbouwen is. Dan wordt snelheid verlies: je moet terug, herformuleren, en soms reputatie repareren. De oplossing is vroegtijdig: zet feit-checks als mini-quality gate vóór je gaat polishen.

2) Outputonzekerheid: AI maakt onzekerheid vaak kleiner dan hij is

Outputonzekerheid gaat niet alleen over fouten, maar over over-zeker formuleren en nuanceverlies. Copilot “egaliseert” taal: het maakt zinnen consistenter, argumenten symmetrischer, en conclusies ronder. Dat is precies waarom de AI-Assisted Editor zo nuttig is—en precies waarom het ook risicovol is. Voorbehouden verdwijnen, conditionaliteit (“als…, dan…”) wordt een stellige causaliteit, en een verkennende gedachte wordt een richtinggevende uitspraak.

De kern is oorzaak-gevolg: hoe beter de tekst klinkt, hoe meer hij als autoritatief wordt gelezen. Dat creëert een ethisch risico: je beïnvloedt besluitvorming en perceptie zonder dat de onderliggende zekerheid dat draagt. Daarom hoort bij “AI refinen” altijd een tegenbeweging: refine ook de onzekerheid terug de tekst in. Je bewaakt niet alleen grammatica en structuur, maar ook epistemische eerlijkheid: wat weten we, wat denken we, wat stellen we voor?

Een krachtige techniek is “hardop lezen als besluit”: lees je zin alsof hij in een dossier terechtkomt of als standpunt wordt geciteerd. Als hij dan te hard klinkt, is dat niet alleen stijl—het is een signaal dat outputonzekerheid jouw realiteit heeft overschreven. Laat Copilot desnoods varianten voorstellen (“maak dit voorzichtiger zonder vaag te worden”), maar jij kiest de variant die klopt bij je bewijsbasis.

Misvatting: “Ik heb het zelf gelezen, dus het is onder controle.” Maar je brein is gevoelig voor vloeiendheid: goed lopende tekst voelt waarheidsgetrouwer. Daarom is een expliciete gate (F/I/V + status-taal) geen bureaucratie maar een cognitieve bescherming. En als je merkt dat je zelf gaat leunen op de overtuigingskracht van de formulering, is dat een ethisch signaal: tijd om te pauzeren of te escaleren.

3) Contextonzekerheid: downstream-impact en deelbaarheid zijn vaak onduidelijk

Contextonzekerheid ontstaat wanneer je niet precies weet hoe een tekst gebruikt gaat worden: informerend, richtinggevend, of besluitvormend; kleine kring of breed intern; “concept” of “definitief”. AI maakt dit scherper omdat het output oplevert die meteen publiceerbaar oogt, waardoor mensen sneller denken: “kan door.” Dat botst met de deelbaarheid-gate uit de vorige les: output is óók een vertrouwelijk object en heeft een downstream-levensloop die jij niet volledig controleert.

In DNB-werk is bovendien niet alleen content gevoelig, maar soms ook de argumentatielijn: zelfs zonder namen of cijfers kan een redenering interne deliberatie, timing of dossierherleidbaarheid verraden. Contextonzekerheid is dus niet alleen “kan dit extern?”, maar ook: “wat gebeurt er als dit breder intern circuleert?” en “wordt dit gelezen als DNB-standpunt?” Hier komt ethiek binnen als verantwoordelijkheid voor gevolgen: je schrijft niet alleen voor je huidige lezer, maar voor de keten van hergebruik.

De professionele reactie is een combinatie van proportionaliteit en escalatiebeslissen. Als impact of gevoeligheid hoog is, formuleer je expliciet: doelgroep, status, en beperkingen (“concept—niet citeren”, “onder voorbehoud”, “nog niet afgestemd”). En als je merkt dat je niet voldoende weet over het kader of de besluitroute, escaleer je gericht: niet “kun jij dit even checken?”, maar één concrete vraag, zoals “mag deze claim als feit worden gepresenteerd?” of “is dit intern breed deelbaar?”

Onderstaande tabel helpt je snel herkennen welke onzekerheid je ziet, welke gate erbij hoort, en welke archetypes in de praktijk vaak (onbewust) het risico vergroten.

Een klein ethisch kompas dat past bij DNB-werk

Ethiek in AI-gebruik is vaak het expliciet maken van wat anders impliciet blijft. Je kunt dat compact doen met drie vragen die je bij een quality gate meeneemt. Ze zijn bewust praktisch: korte check, grote impact.

1. Schade & proportionaliteit: Wat is de potentiële schade als dit onjuist, te stellig, of te deelbaar is? Is het checkniveau passend bij impact?
2. Uitlegbaarheid: Kan ik later uitleggen wat de bronbasis was, welke aannames er zijn, en waar AI heeft geholpen (zonder AI als autoriteit te gebruiken)?
3. Ownership: Wie is inhoudelijk eigenaar, en heb ik de juiste persoon betrokken als onzekerheid/impact/gevoeligheid boven mijn individuele controle uitkomt?

Deze drie vragen sluiten direct aan op de vorige les: proportionaliteit bepaalt je gate-zwaarte; uitlegbaarheid vraagt F/I/V en bronbaarheid; ownership maakt escalatie normaal en professioneel. Het ethische punt is dat je niet alleen “output kwaliteit” managet, maar ook besluitkwaliteit en vertrouwen in het instituut.

[[flowchart-placeholder]]

Een veelvoorkomende misvatting is dat ethiek betekent: “AI minder gebruiken.” In praktijk betekent het vaker: AI preciezer gebruiken. Dus: input minimaliseren, prompts begrenzen (“geen nieuwe feiten”), onzekerheidslabels toevoegen, en escalatie triggeren op de juiste signalen. Ethiek is dan geen rem, maar een stuur.

Twee DNB-realistische voorbeelden, stap voor stap

Voorbeeld 1: AI Trusteer + Creative Director — opties verkennen zonder “AI-advies” als waarheid

Je bent gevraagd om beleidsopties te schetsen voor een intern overleg. Als AI Trusteer laat je Copilot opties genereren: scenario’s, voor- en nadelen, mogelijke stakeholders. Dat werkt goed voor divergent denken, maar het risico is dat “AI raadt aan…” snel voelt als een objectieve shortlist. De eerste stap is daarom een scope-afbakening in je prompt: “Genereer opties als hypothesen; label aannames; geen feiten toevoegen; scheid feiten/interpretaties/voorstellen.”

Daarna pas je de inhoud-gate toe met F/I/V. Je haalt uit de AI-output welke delen feitelijk klinken en markeert ze als “te verifiëren”. Je herschrijft de opties in status-taal: “mogelijk”, “afhankelijk van”, “vergt bevestiging van…”. Als Creative Director voeg je vervolgens richting toe: je bepaalt de beoordelingscriteria die bij DNB passen (bijvoorbeeld proportionaliteit, uitlegbaarheid, reputatierisico) en je rangschikt de opties niet op ‘retorische kracht’ maar op die criteria.

De ethische winst is dubbel. Je benut AI voor breedte zonder AI autoriteit te geven, en je houdt de discussie eerlijk: deelnemers zien wat verkenning is versus wat al onderbouwd is. De beperking blijft dat AI je kan helpen opties te formuleren, maar niet kan bepalen welke waarden en beleidskaders zwaarder wegen. Zodra de tekst richting besluitvorming gaat, escaleer je gericht: “Welke optie past binnen het huidige kader?” is een vraag voor een inhoudelijk eigenaar, niet voor Copilot.

Voorbeeld 2: Offloader + AI-Assisted Editor — snelle notitie, maar onzekerheid terugzetten vóór delen

Je maakt onder tijdsdruk een korte interne notitie. Als Offloader laat je Copilot jouw eigen bullets structureren: kernboodschap, context, implicaties. Vervolgens gebruik je AI-Assisted Editor om de tekst compacter en consistenter te maken. De output is “klaar” en dat is precies het gevaar: hij is zó leesbaar dat hij rijp voelt om door te sturen.

Je stopt bewust bij de deelbaarheid-gate. Je stelt twee vragen: “Waar kan dit terechtkomen?” en “Leest dit als standpunt?” Je ziet dat Copilot “wij concluderen” heeft toegevoegd waar jij eigenlijk een verkennende analyse bedoelt. Je herstelt ownership en onzekerheid: “voorlopige inschatting”, “onder voorbehoud”, “nog af te stemmen”. Daarna doe je de inhoud-gate: je splitst één alinea in F/I/V en ontdekt dat één kernclaim niet bronbaar is met wat jij nu hebt.

De escalatie is klein maar cruciaal: je vraagt een collega met dossierkennis om één check, niet de hele tekst. Bijvoorbeeld: “Kun je bevestigen of claim X als feit kan, of moet dit als hypothese?” Resultaat: je behoudt tempo én je voorkomt dat een “mooie notitie” later als dossierfeit of DNB-standpunt wordt gelezen. De beperking is dat dit discipline vraagt: zodra je merkt dat stijl je zekerheid overschaduwt, moet je durven vertragen—juist om professioneel snel te blijven op de lange termijn.

A simple system to reuse

• Onzekerheid is een signaal, geen zwakte: onderscheid feit-, output- en contextonzekerheid en behandel ze met de juiste gate.

• Ethisch handelen is vooral: onzekerheid correct representeren: status-taal, F/I/V-scheiding, en geen “AI-validatie” als schijnzekerheid.

• Proportionaliteit + ownership sturen je gedrag: hoe hoger impact/gevoeligheid, hoe strenger je checks en hoe normaler escalatie wordt.

• De 9 archetypes zijn risicoprofielen: sommige versnellen (Offloader/Power User), andere verfijnen (AI-Assisted Editor/AI Refiner), weer andere moeten juist twijfel expliciteren (Self-Checker/Critical Verifier).

Als je dit consequent toepast, kun je Copilot agressief inzetten voor snelheid en kwaliteit, terwijl je tegelijk de DNB-kernwaarden beschermt: betrouwbaar blijven, zorgvuldig formuleren, en altijd uitlegbaar kunnen handelen—ook (juist) wanneer je nog niet alles zeker weet.