Skills of the Future

In het onderwijs, in de politiek en aan de directietafels staat dezelfde vraag centraal: wat zijn de skills van de toekomst?

Misschien stel je jezelf die vraag ook wel eens. Ben ik nog wel bij? Kan ik nog wel mee? Wat betekent het straks nog om mens te zijn? De antwoorden blijven vaak abstract. Kritisch denken. Adaptief vermogen. Levenslang leren. En dan denken we dat we terug naar de schoolbanken moeten om te leren programmeren, data te analyseren of ingewikkelde prompt-codes te schrijven.

Het tegendeel is waar. De barrière is steeds minder technisch (“hoe bouw ik dit?”) maar strategisch: “wat is het juiste om te bouwen?” Omdat AI het doen overneemt (het programmeren, het schrijven, het analyseren), verschuift jouw waarde naar het denken. Je hoeft geen code te kunnen kloppen. Maar je moet wel glashelder kunnen uitleggen wat je wilt bereiken.

Het World Economic Forum ondervroeg meer dan duizend werkgevers wereldwijd naar de belangrijkste vaardigheden voor hun personeel. Hun top drie: analytisch denken, veerkracht en leiderschap. Niet programmeren (dat staat op plek 23 van 26). Niet “AI-skills”. Maar het vermogen om richting te geven, prioriteiten te stellen en scherp te blijven als alles om je heen verandert.⁴

De skills die je daarvoor nodig hebt, zijn vaardigheden die je vaak al bezit. Je moet ze alleen bewust gaan inzetten. Je gaat minder zelf uitvoeren en meer orkestreren. Satya Nadella, CEO van Microsoft, beschrijft deze shift treffend: je gaat van producent naar manager én redacteur. Om die nieuwe rollen goed te kunnen vervullen, heb je een nieuwe set competenties nodig.

Dit zijn de skills van de toekomst. En belangrijk: dit is geen lineair proces waarbij je eerst delegeert, dan wacht, en dan redigeert. In de praktijk is het een continue lus. Je geeft een instructie, ziet de output, stuurt bij, geeft een nieuwe instructie, ziet weer output. De twee fasen vloeien voortdurend in elkaar over.

Fase I: Macro-delegatie (de instructie-fase)

Fase II: Micro-sturing (de verfijning-fase)

I. Skills voor macro-delegatie (de instructie-fase)

De eerste set draait om wat we macro-delegeren noemen. De kunst van het geven van heldere, strategische instructies. Denk als een manager die een specialist aanstuurt, niet als iemand die elke stap voortypt. Hierbij zet je de grote lijnen uit en fungeer je als ‘manager’ van (digitale) specialisten.

Strategische instructie

De eerste vaardigheid is het vermogen om een complexe opdracht te formuleren. Niet: “Maak een rapport voor het salesteam.” Maar: “Maak een kwartaalrapport voor het salesteam. Analyseer de resultaten van Q3, vergelijk met Q2, identificeer drie trends, en formuleer twee aanbevelingen voor Q4. Gebruik data uit ons CRM en presenteer het in maximaal vijf pagina’s.”

Het verschil is direct zichtbaar. De tweede versie heeft een doel, een doelgroep, een scope, bronnen, en een formaat. Die kun je aan iemand geven (of aan iets) en verwachten dat er iets bruikbaars uitkomt. Dit is overigens niet nieuw. Iedereen die ooit een stagiair heeft gehad weet dat je een opdracht moet toelichten. Dat is hier niet anders.

Multi-agent management

Denk aan een dirigent voor een orkest van digitale en menselijke specialisten. Die metafoor is niet toevallig: het vat samen wat deze vaardigheid vraagt. Sommigen zijn mensen, sommigen zijn AI. Jouw rol verschuift van uitvoerder naar regisseur: jij zorgt dat de output van de één de perfecte input is voor de ander.

Collega Tom helpt je om in één gesprek een heldere opdrachtbrief op te stellen – focus en richting. Barry pakt die opdrachtbrief en werkt hem uit tot een volledig projectplan met taken, planning en budget. Noël neemt het stokje over en bewaakt de voortgang: hij signaleert vertragingen, stuurt reminders en houdt het team op koers. Drie digitale collega’s, één vloeiende workflow. Zo werken ook Connie, Lora en Sita regelmatig samen. Connie maakt een transcriptie van je teammeeting en zet de audio om in doorzoekbare tekst. Lora leest die transcriptie, haalt de kernboodschappen eruit en schrijft er blogs en social posts van. Sita optimaliseert die content vervolgens voor SEO: ze voegt meta-beschrijvingen toe, past koppen aan en zorgt dat het gevonden wordt. Van gesproken woord naar vindbare content, zonder dat jij elke stap zelf hoeft te zetten.

Dit vraagt planning (wie doet wat?), coördinatie (hoe geven ze werk aan elkaar door?) en overzicht (wat is de status?). Het vraagt om procesinzicht. Je moet snappen hoe de dominostenen vallen. Als Tom een onduidelijke opdrachtbrief oplevert, bouwt Barry een wankel projectplan. Als Connie een transcriptie mist, heeft Lora geen materiaal. Jij bouwt de handoffs tussen deze digitale en menselijke collega’s.

Je bent niet meer degene die de instrumenten bespeelt. Je bent degene die zorgt dat ze samen klinken. Dezelfde skills die je nodig hebt om een team van mensen aan te sturen, nu ook voor digitale collega’s.

En dit is niet alleen een optie. Het kan zomaar een verwachting worden. Naarmate organisaties wennen aan AI, zal het steeds normaler worden dat je baas verwacht dat je meerdere agents tegelijk aan het werk kunt zetten. Net zoals je nu geacht wordt om te kunnen multitasken of met meerdere systemen te werken, wordt het aansturen van een team van AI’s straks onderdeel van je standaard toolkit.

Doelgerichtheid (begin met de uitkomst)

Dit is misschien wel de belangrijkste vaardigheid, en tegelijk de meest onderschatte: niet beginnen bij de prompt, maar bij de uitkomst. Wat wil je eigenlijk maken? Wat wil je terugkrijgen? Wanneer mag deze mail verzonden worden? Wanneer mag deze LinkedIn-post online?

Zonder duidelijk doel schrijft ChatGPT slechte Amerikaanse teksten. Met een helder doel kun je de AI veel preciezer sturen naar wat je nodig hebt. Dit klinkt simpel, maar in de praktijk slaan de meeste mensen deze stap over. Ze beginnen met typen, kijken wat eruit komt, en zijn teleurgesteld. De fout zit niet bij de AI. De fout zit bij het ontbreken van een duidelijk beeld van het eindresultaat.

De vraag die je jezelf moet stellen vóórdat je begint: op basis van welke criteria beoordeel ik of het goed is? Als je dat niet kunt beantwoorden, kun je ook niet sturen. En als je niet kunt sturen, krijg je generieke output.

Doelgerichtheid betekent ook dat je vooraf bepaalt wat “goed genoeg” is. Moet dit antwoord 100 procent foutloos en briljant zijn, bijvoorbeeld bij een offerte voor een grote klant? Of is 80 procent goed genoeg, voor een interne notitie? Omdat AI nooit moe wordt en altijd bereid is om een nieuwe versie te genereren, is de valkuil dat je blijft itereren zonder doel. Voor je het weet ben je twintig minuten verder om een mailtje van vijf regels te perfectioneren. Je moet leren om die afweging expliciet te maken. Anders verlies je jezelf in eindeloze optimalisatie. Vaak is het goed genoeg als het zijn doel bereikt. En het doel is vaker ‘effectieve output’ dan ‘perfecte output’.

Ambitie en vraagstelling

Voordat je ook maar één instructie geeft, begint het met ambitie. Nadella waarschuwt dat we menselijke ambitie niet moeten onderschatten. De waarde van de manager zit niet alleen in het managen van agents, maar in de ambitie om grotere, complexere vragen te durven stellen. Omdat je nu de capaciteit hebt (een heel orkest aan agents), kun je problemen aanpakken die voorheen te groot leken.

Dit vraagt om wat Nadella real agency noemt: het vermogen om het probleem conceptueel te kaderen voordat je de agents aan het werk zet. Niet “help me met dit mailtje”, maar “hoe kunnen we onze klantcommunicatie fundamenteel verbeteren?”. De eerste vraag levert een beter mailtje op. De tweede vraag levert een nieuw systeem op.

II. Skills voor micro-sturing (de verfijning-fase)

Dit is de fase waarin de menselijke waarde wordt toegevoegd door kritisch naar de output te kijken en bij te sturen. Met de eerste set skills heb je een opdracht gegeven. De AI is aan de slag gegaan en nu ligt er iets voor je. Een rapport. Een antwoord. Een analyse. Een voorstel. Dit is het moment waarop jouw expertise het verschil maakt. Want de AI kan veel, maar één ding kan hij niet: weten wat jij nodig hebt, passend bij jouw context en situatie. We gaan bijsturen.

Review & triage (menselijke expertise)

De eerste stap als je output ontvangt: beoordelen op bruikbaarheid. Is dit wat je nodig hebt? Klopt de inhoud? Is de toon goed? Omdat AI probabilistisch werkt (niet-deterministisch: oftewel, hij kan elke keer een iets ander antwoord geven op dezelfde vraag), moet de mens de “vangrails” en de logica bewaken.

Hier is jouw menselijke domeinkennis onvervangbaar. De AI weet niet dat die ene concurrent irrelevant is omdat ze gisteren failliet zijn gegaan. Hij weet niet dat je klant allergisch is voor het woord “synergie”. Jij weet dat wel. Review en triage is de vaardigheid om (soms al in een paar seconden, soms een stuk uitgebreider) te scannen: dit stuk is goud, dit stuk is onzin, en dit stuk moet herschreven worden.

Kritische blik en juiste vragen

Dit gaat over waarheidsvinding. AI-modellen zijn getraind om behulpzaam en zelfverzekerd te klinken. Het is goed geschreven, het klinkt logisch. Maar dat betekent nog niet dat het klopt. Dus komen we bij een vaardigheid die we allemaal kennen uit “de echte wereld”, maar die we digitaal vaak vergeten: het vermogen om door zelfvertrouwen heen te kijken. Als je aan ChatGPT vraagt wie de derde man op de maan was, antwoordt hij zonder aarzelen en in vloeiend Nederlands. Zelfs als het antwoord feitelijk onjuist is.

In 2024 verloor Air Canada een rechtszaak omdat hun chatbot zelf een refund-beleid had verzonnen dat niet bestond.¹ De rechter was onverbiddelijk: het bedrijf is aansprakelijk. Jij bent de eindverantwoordelijke. AI is je stagiair, niet je eindredacteur.

De kritische blik gaat niet over cynisme, maar over hygiëne. Het betekent dat je leert scannen op drie niveaus. Ten eerste: kloppen de feiten? AI hallucineert overtuigender dan een tweedehands autoverkoper. Ten tweede: volgt de conclusie daadwerkelijk uit de argumenten, of klinkt het gewoon aannemelijk? Ten derde: is het antwoord te formeel, te eenzijdig of misschien wel ‘te Amerikaans’?

Strategische keuzes maken

Soms is de output prima, maar strategisch onhandig. “Ja, we kunnen deze korting geven, maar willen we dat wel?” AI optimaliseert vaak voor de korte termijn (het perfecte antwoord nu, deels ook vanwege de vaak beperkte context die je meegeeft). Dat betekent dat jij er voor de lange termijn moet zijn. Past dit antwoord bij onze merkwaarden? Brengt dit ons dichter bij onze kwartaaldoelen? Jij bewaakt de koers.

Iteratieve verfijning (met creatieve input)

Zelden is de eerste output perfect. Dat is geen falen van de AI, dat is hoe het proces werkt. Zie het als beeldhouwen: je begint met een ruw blok en hakt er vervolgens steeds meer vorm in. Met elke instructie breng je de output dichter bij je doel. Dit vraagt geduld en het inzicht dat samenwerking met AI een dialoog is, geen bestelling bij een automaat.

Redactie en diffing

Tot slot ben je de eindredacteur. Jij zet de punten op de i. Je ziet wat ontbreekt, voelt waar de nadruk moet liggen en weet wanneer een zin net niet lekker loopt. Je gaat echt redigeren, als een eindredacteur. En daar komt een interessante vaardigheid bij kijken: diffing. De term komt van difference, het vergelijken van versies. Programmeurs kennen dit: je ziet twee versies naast elkaar, met de wijzigingen gemarkeerd. In jouw werk betekent het: output van verschillende bronnen (een stuk tekst van Claude, een analyse van ChatGPT, input van een collega, je eigen inzicht) aan elkaar smeden tot één lopend geheel. Je ziet wat er veranderd is, beoordeelt wat beter is, en maakt de finale keuzes.

Contextueel sturen

Soms gaat de AI de verkeerde kant op. Dan geef je kaders. “Focus alleen op de Nederlandse markt.” “Gebruik geen vakjargon, want dit is voor eindgebruikers.” Jij bewaakt de context waarin de AI opereert. Zonder die context is AI vaak een ongeleid projectiel.

Onder de motorkap

Bovenstaande vaardigheden vormen de belangrijkste skills van de toekomst. Wat opvalt is dat deze niet per se technisch zijn. Toch zijn er twee vaardigheden die wél technisch van aard zijn, en die je wel degelijk kunnen helpen bij het effectief aansturen van AI.

De eerste is conceptueel begrip: snappen hoe tools werken. Je hoeft niet te kunnen programmeren, maar het helpt als je weet dat Excel bestaat uit rijen, kolommen en formules. Dat een database tabellen heeft die aan elkaar gekoppeld zijn. Dat een koppeling tussen systemen (een API) data kan ophalen uit een ander systeem. Je hoeft het niet zelf te kunnen bouwen, maar als je de logica snapt, kun je beter uitleggen wat je wilt.

De tweede is data-structurering: begrijpen hoe informatie georganiseerd is. Veel bedrijven hebben data verspreid over verschillende systemen: klantgegevens in het CRM, facturen in de boekhouding, projecten in een planningtool. Als je snapt hoe die systemen samenhangen (welk systeem is de “bron van waarheid” voor welke informatie?), kun je AI veel slimmer inzetten. Je denkt dan niet meer in losse tools, maar in datastromen.

De mens in het systeem

Al deze skills vormen samen wat we de “Human in the Loop” noemen: de mens die op cruciale momenten meekijkt, controleert en bijstuurt in een (deels) geautomatiseerd proces. Een veelgehoorde misvatting is dat AI het nadenken van ons overneemt. Het tegendeel is waar. AI is een versneller, geen vervanger voor goed nadenken.

Neurowetenschapper Erik Scherder waarschuwt terecht: als AI ál het denkwerk overneemt, verslappen onze hersenen.³ Dat klopt. Het risico is reëel. Maar dat is precies waarom deze skills zo belangrijk zijn. De valkuil is niet AI zelf, maar de houding waarmee je het gebruikt. Vraag stellen, antwoord accepteren, klaar? Dan word je inderdaad lui. Vraag stellen, kritisch beoordelen, bijsturen, checken, beslissen? Dan train je juist op een hoger niveau. Of zoals Scherder het zelf zegt: “Denk eerst even zélf na.”

Juist omdát de uitvoering zo snel gaat (een rapport in 1 minuut, een app in tien minuten) wordt jouw rol aan de voorkant en achterkant cruciaal. Aan de voorkant: glashelder weten wat je wilt maken, voor wie en waarom. Zonder die helderheid bouwt AI wel iets moois, maar niet wat jij nodig hebt. Aan de achterkant: kritisch bepalen of de output klopt en waarde toevoegt.

In ons eigen werk merken we dat dit het werk interessanter maakt: je gaat op een hoger abstractieniveau werken. Als we bijvoorbeeld processen voor bedrijven optimaliseren, doet AI het zware werk, bouwt het systeem en zet de stappen achter elkaar. Maar wij houden het overzicht.

Wij geven de voorwaarden, de logica: “Als het dit type product is, volg dan deze instructies. Is het dat type, doe dan dat.” De AI bouwt het vervolgens, en dan komt het resultaat terug. Dan pas begint het echte denken: “Wacht even, die data haal je nu uit een tussentabel. Die moet je uit de brontabel halen, want als daar iets verandert, klopt je hele output niet meer.” Dat inzicht, de logica en de robuustheid, blijft mensenwerk. Uiteraard worden AI-modellen steeds beter in het zelfstandig controleren van hun eigen werk, maar de mens blijft erboven hangen, verbetert en is de eindverantwoordelijke.

Eerlijkheid gebiedt te zeggen: die strategische discussie voeren we vaak ook met een AI-tool. Terwijl de ene AI aan het bouwen is, openen we een tweede venster om op een hoger niveau mee te sparren. “Kijk, dit heb ik nu gebouwd. Kan dit niet slimmer?” Dat helpt om jezelf scherp te houden, en soms komen er ideeën naar boven waar je zelf niet aan had gedacht. Maar elke keer dat we daarna een (constructief) kritische collega lieten meekijken, kwamen er dingen naar voren die we hadden gemist. “Waarom zet je die filter niet hier al neer? Dan hoef je dat hele proces niet eerst te doorlopen.” De menselijke blik blijft onmisbaar.

Van Know-it-all naar Learn-it-all

Er is een culturele dimensie aan dit verhaal. In de oude werkwereld was kennis macht: hoe meer feiten je in je hoofd had, hoe waardevoller je was. Die wereld is voorbij. Nadella noemt het de shift van “know-it-all” naar “learn-it-all”.²

Dit vraagt om wat Carol Dweck een Growth Mindset noemt. De bereidheid om fouten te maken, te experimenteren met nieuwe tools, en constant je eigen werkwijze aan te passen. In een tijdperk waarin de tools elke week veranderen, is nieuwsgierigheid belangrijker dan expertise.

Welke van deze skills beheers je al, en welke zou je willen ontwikkelen? De meeste mensen ontdekken dat ze meer kunnen dan ze dachten. De meeste vaardigheden zijn niet nieuw, alleen de context waarin je ze inzet.

1. Moffatt v. Air Canada, 2024 BCCRT 149. Civil Resolution Tribunal of British Columbia, 14 februari 2024. ↩
2. Nadella, S. (2017). Hit Refresh. HarperBusiness. Gebaseerd op Carol Dweck’s werk over growth mindset. ↩
3. Scherder, E. (2025). In diverse interviews en zijn boek waarschuwt Scherder dat ‘fout’ gebruik van AI het brein “minder vitaal” maakt als het kritisch denken wordt uitbesteed. Zie o.a. NPO Radio 1, augustus 2025. ↩
4. World Economic Forum. (2025). Future of Jobs Report 2025. Onderzoek onder meer dan 1.000 werkgevers wereldwijd (14 miljoen werknemers, 55 economieën). Analytisch denken (69%), veerkracht (67%) en leiderschap (61%) vormen de top drie. Programmeren staat op plek 23 van 26. ↩