🤖 machine learning

Epistemology gives a Future to Complementarity in Human-AI Interactions

Dit artikel stelt dat het concept van mens-AI-complementariteit, dat tot nu toe vooral als een post-hoc maatstaf voor voorspellende nauwkeurigheid werd gezien, een robuustere theoretische basis en praktische toepasbaarheid krijgt door het te herformuleren binnen de epistemologie als een betrouwbare justificatorische indicator voor mens-AI-samenwerking.

Oorspronkelijke auteurs: Andrea Ferrario, Alessandro Facchini, Juan M. Durán

Gepubliceerd 2026-04-23

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Andrea Ferrario, Alessandro Facchini, Juan M. Durán

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een moeilijke puzzel moet oplossen. Je hebt een slimme robot bij je die ook naar de puzzel kijkt. De grote vraag is: werken jullie samen beter dan jullie apart?

In de wereld van kunstmatige intelligentie (AI) noemen we dit complementariteit. Het idee is simpel: als een mens en een AI samenwerken, zouden ze een beter antwoord moeten geven dan de mens alleen of de AI alleen.

Maar in dit artikel zeggen de auteurs: "Wacht even, dit idee is net als een magische sleutel die we dachten dat alles opende, maar die eigenlijk vastloopt."

Hier is wat ze bedoelen, vertaald naar alledaags taal met een paar leuke vergelijkingen:

1. Het probleem: De "Perfecte Score" is een valstrik

Stel je voor dat je een sportwedstrijd bekijkt. De statistieken zeggen: "Het team van Mens + AI heeft meer punten gescoord dan de mens alleen of de AI alleen." Dat klinkt geweldig, toch?

De auteurs zeggen dat dit getal (de 'score') drie grote problemen heeft:

Het is achteraf: Je weet pas na afloop of het team beter was. Terwijl je de puzzel oplost, weet je niet of jullie samen slim zijn of gewoon geluk hebben.
Het is relatief: Stel, de mens is heel dom en de AI is heel dom. Als ze samenwerken en worden iets minder dom, tellen ze als een "succesvol team". Maar ze zijn nog steeds niet goed genoeg om de puzzel echt op te lossen!
Het kost te veel energie: Misschien krijgen jullie 1% meer punten, maar moet de mens urenlang de AI controleren, twijfelen en discussiëren. Is die 1% het waard?

De metafoor: Het is alsof je een auto bouwt die 1 km/uur sneller is dan een fiets, maar die 100 liter benzine per kilometer verbruikt. Technisch gezien is het sneller, maar in de praktijk is het een ramp.

2. De oplossing: Kijk naar de "Betrouwbaarheid" in plaats van de "Score"

De auteurs zeggen: "Stop met kijken naar de scorebord, en kijk naar de motor."

Ze gebruiken een filosofisch idee dat ze Computational Reliabilism noemen. Laten we dat vertalen naar een Kookboek.

Stel je voor dat je een gerecht wilt koken (een beslissing nemen).

De oude manier (Complementariteit): Je kijkt alleen of het gerecht er lekker uitziet (de score).
De nieuwe manier (Betrouwbaarheid): Je kijkt naar het hele proces:
1. De Ingrediënten (Type RI1): Zijn de producten vers? (Is de AI goed getraind?)
2. Het Recept (Type RI2): Is het recept wetenschappelijk bewezen? (Is de methode logisch?)
3. De Keuken (Type RI3): Is de keuken schoon? Is er iemand die controleert of het niet verbrandt? (Is er toezicht en training?)

Als al deze dingen goed zijn, kun je vertrouwen op het eten, zelfs als het niet perfect smaakt. Als één ding ontbreekt (bijvoorbeeld een vieze keuken), is het eten gevaarlijk, zelfs als het er lekker uitziet.

3. Wat betekent dit voor de toekomst?

De auteurs zeggen dat we "complementariteit" niet moeten zien als een doel (een prijs die we moeten winnen), maar als een bewijsstuk in een groter dossier.

Voor ontwerpers: Bouw niet alleen systemen die "samenwerken", maar zorg dat het proces veilig is. Zorg dat de mens weet wanneer hij de AI moet negeren.
Voor politici en toezichthouders: Zeg niet "jullie moeten een hogere score halen". Zeg wel: "Laat zien dat jullie proces betrouwbaar is, dat jullie trainen, en dat jullie weten wat de kosten zijn."
Voor jou (de gebruiker): Vraag niet alleen "Is dit systeem slimmer dan ik?". Vraag: "Is dit proces betrouwbaar genoeg om mijn leven (of mijn geld) op te vertrouwen?"

De Grootte van de Winst vs. De Kosten

De auteurs introduceren een leuk nieuw concept: Efficiënte Complementariteit.

Stel je voor dat je een zware doos moet verplaatsen.

Scenario A: Jij en een robot tillen de doos samen. Jullie zijn 10% sneller, maar de robot moet elke seconde een knop indrukken en jij moet elke seconde controleren. Dat kost veel energie. -> Niet efficiënt.
Scenario B: Jij en de robot tillen de doos samen. Jullie zijn 20% sneller, en het voelt natuurlijk aan. -> Efficiënt.

De boodschap is: Als de samenwerking te veel gedoe, tijd of stress kost, is het geen verbetering, maar een last.

Conclusie in één zin

We moeten stoppen met jagen op het perfecte "samenwerkings-getal" en in plaats daarvan kijken naar of het hele proces (mens, AI, regels en toezicht) betrouwbaar genoeg is om op te vertrouwen, net zoals we kijken naar een goed restaurant voordat we er eten.

Titel: Epistemologie geeft een toekomst aan complementariteit in mens-AI-interacties

Auteurs: Andrea Ferrario, Alessandro Facchini, Juan M. Durán
Context: Het artikel adresseert de theoretische en empirische uitdagingen van het concept "complementariteit" in mens-AI samenwerkingen en stelt een nieuw epistemologisch raamwerk voor om dit concept te herpositioneren.

1. Het Probleem

Complementariteit is het idee dat een mens ondersteund door een AI-systeem betere beslissingen kan nemen dan de mens of de AI alleen. Hoewel dit concept populair is geworden als een alternatief voor het omstreden concept "vertrouwen" in AI, kampt het met vier fundamentele theoretische uitdagingen die het empirisch toepasbaar maken:

Gebrek aan theoretische verankering: Er is geen duidelijke theoretische basis die uitlegt waarom of wanneer complementariteit optreedt, behalve als een post-hoc statistisch resultaat.
Beperkte toepasbaarheid op beslismomenten: De huidige maatstaf voor complementariteit (Complementarity Team Performance - CTP) is afhankelijk van de "ground truth" (de werkelijke uitkomst). Dit betekent dat CTP pas achteraf kan worden berekend en niet beschikbaar is op het moment dat een beslissing moet worden genomen.
Te veel focus op relatieve nauwkeurigheid: Complementariteit wordt uitsluitend gedefinieerd op basis van het verbeteren van de voorspellende nauwkeurigheid ten opzichte van de losse componenten. Het negeert echter andere cruciale criteria zoals eerlijkheid, robuustheid, uitlegbaarheid en resource-beperkingen. Een team kan "complementair" zijn (beter dan de som der delen) maar toch absoluut onbetrouwbaar of onethisch.
Negeer van de kosten-batenverhouding: De huidige literatuur negeert de omvang van de prestatiewinst versus de kosten (cognitieve last, tijd, organisatorische inspanning) die nodig zijn om die winst te behalen. Soms is de winst verwaarloosbaar ten opzichte van de enorme inspanning die nodig is om de interactie te onderhouden.

Als gevolg hiervan is complementariteit in de praktijk moeilijk te bereiken en ongeschikt als een "gouden standaard" voor mens-AI samenwerking.

2. Methodologie: Computeraal Reliabilisme

De auteurs lossen deze problemen op door complementariteit te herpositioneren binnen het kader van Computational Reliabilism (CR) (Computational Reliabilisme), een epistemologisch raamwerk ontwikkeld door Durán en anderen.

Kernidee: In plaats van complementariteit te zien als een doel op zich, wordt het behandeld als een betrouwbaarheidsindicator binnen een bredere epistemische rechtvaardiging.
De PT-HAI als computationeel proces: Een mens-AI-interactie voor voorspellende taken (Prediction-Task Human-AI Interaction of PT-HAI) wordt gezien als een computationeel proces. De betrouwbaarheid van dit proces wordt niet bepaald door één enkel getal, maar door een familie van indicatoren.
Drie categorieën van betrouwbaarheidsindicatoren (Type-RI):
1. Type-RI1 (Technische prestatie): Hieronder valt historische complementariteit (CTP). Het toont aan dat het proces in het verleden beter presteerde dan de losse onderdelen. Andere indicatoren zijn foutmitigatie en stabiliteit.
2. Type-RI2 (Epistemische standaarden): Dit betreft de validiteit van de taak, de geschiktheid van de gebruikte data en modellen, en het omgaan met onzekerheid.
3. Type-RI3 (Socio-technische praktijken): Dit omvat governance, training, monitoring, update-management en institutionele verantwoordingsmechanismen.

De nieuwe definitie van complementariteit:
Complementariteit is geen noodzakelijke of voldoende voorwaarde voor betrouwbaarheid, maar een evidentiële indicator. Het levert bewijs dat het interactieprotocol leidt tot epistemische winst, maar alleen als dit wordt ondersteund door de andere indicatoren (RI2 en RI3).

3. Belangrijkste Bijdragen

Theoretische Herpositionering: De auteurs tonen aan dat complementariteit niet als een zelfstandige "gouden standaard" moet worden gezien, maar als historisch bewijs voor de betrouwbaarheid van een mens-AI-proces. Dit lost het probleem van het gebrek aan theoretische verankering op.
Operationalisatie van Efficiënte Complementariteit: Het artikel introduceert een formeel model om de netto-winst van complementariteit te berekenen, rekening houdend met de kosten.
- Bruto winst ( $\Delta$ ): Het verschil in verlies tussen het beste losse component en het team.
- Kosten ( $c$ ): De interactie- en organisatiekosten (tijd, monitoring, etc.).
- Netto winst: $\Delta_{net} = \Delta - \lambda \cdot c$ , waarbij $\lambda$ een institutionele drempel is die bepaalt hoeveel prestatiewinst er per eenheid kosten nodig is om de interactie "efficiënt" te noemen.
Checklist voor Rechtvaardiging: De auteurs ontwikkelen een minimale rapportagelijst (zie Tabel 1 in het artikel) voor "rechtvaardigende" mens-AI-interacties. Deze checklist verplicht ontwikkelaars en beheerders om niet alleen de nauwkeurigheid te rapporteren, maar ook de stabiliteit, kosten, validiteit en governance rondom de interactie.
Drie Casestudy's: Het concept wordt geïllustreerd aan de hand van drie scenario's:
- De dermatoloog: Een hoogbetrouwbaar proces waar complementariteit en expertise samenkomen.
- De student: Een proces met sterke complementariteit (foutdetectie) maar zwakke governance/validatie, wat resulteert in lage algehele betrouwbaarheid.
- De forensische expert: Een geval waar complementariteit marginaal is, maar het proces toch betrouwbaar is vanwege sterke Type-RI3 governance (strafrechtelijke eisen), wat aantoont dat hoge complementariteit niet altijd noodzakelijk is voor een betrouwbaar proces.

4. Resultaten en Conclusies

Empirische Realiteit: De auteurs bevestigen dat complementariteit in de praktijk vaak niet systematisch optreedt en dat pogingen om het te forceren (bijv. via uitleggen) vaak falen.
Nieuwe Rol voor CTP: Door CTP te zien als een van de vele indicatoren voor betrouwbaarheid (in plaats van de enige maatstaf), wordt de "kwetsbaarheid" van het concept opgelost. Als CTP laag is, maar de governance (RI3) en validiteit (RI2) sterk zijn, kan het proces toch betrouwbaar zijn.
Kostenbewustzijn: Het introduceren van de $\lambda$ -parameter maakt het mogelijk om te beslissen of een interactie de moeite waard is. Als de kosten (tijd, cognitieve last) te hoog zijn voor de kleine nauwkeurigheidswinst, is de interactie "inefficiënt" en moet de schaal van inzet worden beperkt.

5. Significatie en Implicaties

Deze paper heeft belangrijke implicaties voor zowel onderzoek als beleid:

Voor Ontwerpers: Ontwerpers moeten niet alleen sturen op het maximaliseren van complementariteit. Ze moeten protocollen ontwerpen die fouten detecteren, escalatie mogelijk maken en de kosten van interactie minimaliseren. Rapportage moet gaan over netto-winst en stabiliteit, niet alleen over relatieve nauwkeurigheid.
Voor Regulators en Beleid: Toezichthouders mogen complementariteit niet als een verplichte compliance-doelstelling opleggen. In plaats daarvan moeten ze mens-AI-systemen evalueren als evoluerende socio-technische praktijken. De focus moet liggen op het hele betrouwbaarheidsprofiel (validatie, monitoring, verantwoordingsmechanismen).
Epistemologische Vooruitgang: Het artikel biedt een brug tussen de technische prestaties van AI en de filosofische vraag naar rechtvaardiging van kennis. Het stelt dat de "rechtvaardiging" van een AI-beslissing niet ligt in het algoritme zelf, maar in het betrouwbaarheid van het gehele proces waarin mens en machine samenwerken.

Kortom, door epistemologie toe te passen, krijgt complementariteit een toekomst: niet als een statische succesmeting, maar als een dynamisch onderdeel van een robuust raamwerk voor verantwoorde AI-gebruik.