Technische Samenvatting: De Tragedie van de Cognitieve Meent

1. Probleemstelling

Het artikel behandelt een specifiek risico bij de inzet van agentische Kunstmatige Intelligentie (AI) dat vaak over het hoofd wordt gezien door standaard op productiviteit gerichte economische analyses: het potentieel voor een zelfversterkende verslechtering van de gemeenschappelijke menselijke kennisbasis, aangeduid als "kennisinstorting" (knowledge collapse).

Voortbouwend op een recent dynamisch model van Acemoglu, Kong en Ozdaglar (2026a), onderzoeken de auteurs een scenario waarin AI fungeert als substituut voor menselijke cognitieve inspanning bij het genereren van contextspecifieke oplossingen, maar faalt in het aanvullen van de collectieve voorraad algemene kennis. Het kernprobleem is een negatieve leer-externaliteit: menselijke inspanning produceert gelijktijdig zowel private signalen (onmiddellijke taakoplossingen) als dunne publieke signalen (bijdragen aan de collectieve kennismeent). Wanneer AI de private vraag naar oplossingen bevredigt, vermindert dit de prikkel voor mensen om inspanning te leveren, waardoor het publieke signaal uitgehongerd wordt. Na verloop van tijd erodeert dit de "algemene kennis" (G) die nodig is om specifieke aanbevelingen te interpreteren en te valideren, wat uiteindelijk de betrouwbaarheid van de AI-systemen zelf ondermijnt, aangezien zij op dezelfde substraat rusten.

2. Methodologie en Modelreconstructie

De auteurs bieden een gemeten beoordeling van het model van Acemoglu et al. (2026a) en reconstrueren de logica ervan via een gestileerde heuristische reductie om de parameters te isoleren die de uitkomst drijven.

2.1 Epistemische Dichotomie

Het model rust op een scherp onderscheid tussen twee complementaire vormen van kennis:

• Algemene Kennis ($G$): Een sociale, collectieve voorraad die traag wordt opgebouwd (bijv. klinische principes, juridische doctrine).
• Contextspecifieke Kennis ($s$): Lokale, private kennis gericht op specifieke situaties (bijv. de symptomen van een specifieke patiënt).

Het model gaat uit van een sterke complementariteit: een contextspecifiek signaal is alleen betekenisvol als de actor over het algemene kader beschikt om het te begrijpen.

2.2 De Feedbackloop

Het mechanisme wordt gedreven door de gezamenlijke productie van kennis door menselijke inspanning ($e$):

1. Productie: Menselijke inspanning genereert een privaat signaal (verbetering van de onmiddellijke besluitvormingskwaliteit) en een "dun" publiek signaal dat de voorraad $G$ aanvult.
2. AI-Substitutie: Agentische AI levert een privaat signaal met nauwkeurigheid $a$ tegen bijna nul marginale kosten, waarbij het menselijke inspanning substitueert maar niet bijdraagt aan $G$.
3. Het Instortingsmechanisme: Naarmate de nauwkeurigheid van AI ($a$) toeneemt, neemt het marginale private rendement op menselijke inspanning af. Als de menselijke inspanning voldoende elastisch is (d.w.z. actoren de inspanning scherp terugtrekken wanneer AI beschikbaar is), neemt de stroom van publieke signalen af.
4. Depreciatie: De voorraad algemene kennis $G$ deprecieert met een snelheid $\delta$. Als de aanvullingssnelheid lager is dan de depreciatiesnelheid, daalt $G$.
5. Zelfondermijning: Naarmate $G$ afneemt, verzwakt de complementariteit tussen algemene en specifieke kennis, wat de waarde van de aanbevelingen van AI vermindert en potentieel leidt tot een lage-kennis-evenwicht.

2.3 Cruciale Parameters

De uitkomst hangt af van drie cruciale parameters:

• $\varepsilon$ (Inspanningselasticiteit): De responsiviteit van menselijke inspanning op de nauwkeurigheid van AI.
• $\delta$ (Depreciatiesnelheid): De snelheid waarmee algemene kennis vervalt zonder aanvulling.
• $\lambda$ (Productiviteit van het Publieke Signaal): De snelheid waarmee inspanning vertaalt naar publieke kennis.

Het model stelt dat instorting alleen optreedt wanneer $\varepsilon$ hoog is, $\delta$ aanzienlijk is en $\lambda$ laag is, wat leidt tot een niet-monotone relatie tussen AI-nauwkeurigheid en maatschappelijk welzijn.

3. Belangrijkste Bijdragen en Structurele Kritieken

Het artikel biedt vijf structurele kritieken op het oorspronkelijke model en voert aan dat hoewel de externaliteit reëel is, de aannames van het model te rigide of te pessimistisch kunnen zijn.

3.1 Vaste Kennistaxonomie

Het model gaat uit van een statisch onderscheid tussen algemene en contextspecifieke kennis. De auteurs voeren aan dat dit de opkomst van nieuwe, hybride mens-machine competenties negeert. Een dynamische taxonomie zou rekening houden met kennis gecreëerd door AI of nieuwe vormen van gedistribueerde cognitie, wat het verlies van traditionele categorieën potentieel kan compenseren.

3.2 De Capaciteit van AI om Algemene Kennis te Produceren

Het oorspronkelijke model gaat ervan uit dat $\gamma = 0$ (AI draagt niets bij aan algemene kennis). De auteurs dagen dit uit door te wijzen op bewijs van wetenschappelijke fundamentmodellen (bijv. AlphaFold) die nieuwe hypothesen en theoretische regelmatigheden genereren. Als AI kan bijdragen aan de algemene voorraad ($\gamma > 0$) of de productiviteit van menselijke inspanning ($\lambda$) kan verhogen, kan de instortingsregio krimpen of verdwijnen.

3.3 De Ongemeten Inspanningselasticiteit ($\varepsilon$)

De catastrofale uitkomst van het model hangt volledig af van de aanname dat menselijke inspanning zeer elastisch is. De auteurs stellen dat dit een ongemeten parameter is die waarschijnlijk sterk varieert per domein (bijv. hoog bij instrumentele taken, laag bij beroepen die gebonden zijn aan licenties, reputatie of intrinsieke nieuwsgierigheid). Het model behandelt een distributie van elasticiteiten als een enkele scalaire waarde, wat de aggregatie-dynamiek mogelijk verkeerd weergeeft.

3.4 Historische Precedenten van Cognitieve Alarmen

Het artikel plaatst het model in de context van een geschiedenis van soortgelijke alarmen over het schrift, de drukpers en het internet. Hoewel agentische AI verschilt omdat het de inferentiële stap substitueert in plaats van enkel het geheugen te externaliseren, waarschuwen de auteurs dat eerdere voorspellingen over cognitieve achteruitgang vaak werden weerlegd door adaptieve institutionele reacties.

3.5 Politieke Futiliteit van de Voorgestelde Oplossing

Het oorspronkelijke model suggereert het beperken van de precisie van AI om menselijke inspanning te behouden. De auteurs voeren aan dat dit politiek onhaalbaar is vanwege competitieve druk en de moeilijkheid om "nauwkeurigheid" te definiëren. In plaats daarvan stellen zij voor om de focus te leggen op het versterken van de aggregatie van menselijke kennis.

4. Empirische Signalen en Bewijs

De auteurs beoordelen convergerend maar beperkt empirisch bewijs:

• Stack Overflow: Een daling van ongeveer 25% in publieke kennisdeling na de release van ChatGPT ondersteunt de hypothese van het "verdunnen van het publieke signaal", hoewel dit geen maatschappelijke instorting bewijst.
• Cognitieve Schuld: Experimentele studies (bijv. Kosmyna et al., 2025) suggereren een verminderde neurale connectiviteit en retentie bij het gebruik van AI, wat wijst op een vraaggestuurde terugtrekking van inspanning.
• Productiviteitswinsten: Veldstudies tonen aan dat AI de private productiviteit verhoogt. De auteurs merken op dat dit de stelling niet tegenspreekt, maar benadrukken het belang van het onderscheid tussen private taakvoltooiing en publieke signaalgeneratie.

De auteurs benadrukken dat deze signalen bevestigen dat het mechanisme lokaal plausibel is, maar dat ze geen maatschappelijke instorting op grote schaal bewijzen, noch ze een compenserende herallocatie van inspanning uitsluiten.

5. Resultaten en Betekenis

5.1 De Kernbevinding: Een Geloofwaardige Externaliteit

Het artikel concludeert dat de primaire waarde van het model niet ligt in het voorspellen van een gegarandeerde catastrofe, maar in het identificeren van een geloofwaardige negatieve externaliteit: de tragedie van de cognitieve meent. Agentische AI verbreekt de link tussen privaat voordeel en publieke bijdrage, wat leidt tot een marktfalen waarbij de collectieve voorraad algemene kennis onderbediend blijft.

5.2 Niet-monotoon Welzijn

Het artikel verduidelijkt dat het model niet beweert dat "meer precisie altijd slechter is". Het suggereert eerder een niet-monotone relatie waarbij het maatschappelijk welzijn kan pieken bij een intermediair niveau van AI-nauwkeurigheid, indien het dynamische verlies van algemene kennis de statische winsten overtreft. Dit hangt echter sterk af van de ongemeten elasticiteit van de inspanning.

5.3 Beleids- en Onderzoekagenda

De auteurs betogen dat de oplossing niet ligt in het afremmen van de precisie van AI (wat politiek moeilijk is), maar in het beter aggregeren van menselijke kennis.

• Institutionele Middelen: Het versterken van professionele gemeenschappen, openbare repositories en professionele standaarden om de leer-externaliteit te internaliseren.
• Onderzoeksprioriteiten:
  1. Meten van Inspanningselasticiteit: Ontwikkel empirische ontwerpen (bijv. difference-in-differences) om te schatten hoe inspanning reageert op AI binnen verschillende domeinen en institutionele contexten.
  2. Monitoren van de Meent: Creëer "dashboard"-indicatoren voor de gezondheid van de cognitieve meent (bijv. diversiteit van publieke probleemoplossing, bijdrageratio's).
  3. Modelleren van AI-bijdrage: Behandel de bijdrage van AI aan algemene kennis ($\gamma$) als een endogene variabele in plaats van nul.

5.4 Betekenis voor Forecasting

Het artikel stelt dat standaard economische prognoses, die zich richten op statische taakverplaatsing, inherent blind zijn voor dit voorraad-effect. Het model van kennisinstorting dient als een noodzakelijke correctie, die voorspellende modellen oproept om scenario-analyses te hanteren die rekening houden met de traag bewegende dynamiek van cognitief kapitaal. Het ultieme risico is niet de verplaatsing van taken, maar het verdunnen van de meent die zowel menselijk oordeelsvermogen als machinebetrouwbaarheid mogelijk maakt.

Samenvattend herkadert het artikel de "kennisinstorting" van een deterministische profetie naar een conditioneel risico dat afhankelijk is van institutionele keuzes en menselijke gedragsreacties, waarbij de nadruk verschuift van alarmisme naar de meting en governance van de cognitieve meent.