In het AI-tijdperk groeit de hoeveelheid beschikbare data en informatie sneller dan ooit. Systemen kunnen teksten, beelden en analyses genereren op basis van enorme hoeveelheden bestaande gegevens, waardoor informatie steeds toegankelijker en goedkoper wordt. Daarmee verschuift ook de uitdaging voor mens en organisatie. Niet de beschikbaarheid van informatie is nog de grootste uitdaging, maar de betekenis die eraan wordt toegekend en de verantwoordelijkheid die daarmee gepaard gaat.
Geïnspireerd door Matthieu Weggeman, kom ik tot de volgende vraag: wat is het verschil tussen data, informatie, kennis en wijsheid, en hoe behouden mensen richting en oordeelsvermogen in een wereld waarin systemen steeds overtuigender kunnen laten zien wat zij lijken te “weten”?
Een eenvoudig denkkader om die vraag te verkennen is het zogenoemde DIKW-model, dat al decennia wordt gebruikt in informatie- en kennismanagement. Het onderscheidt vier niveaus: data, informatie, kennis en wijsheid. In het LinkedIn-bericht van Matthieu Weggeman werd dit kader opnieuw onder de aandacht gebracht door Albert Mensinga. Het laat zien dat naarmate men opschuift van data naar wijsheid, de focus verschuift van het verzamelen en ordenen van gegevens naar het begrijpen van samenhang, context en gevolgen. In die beweging wordt ook het verschil zichtbaar tussen de dingen goed doen en de goede dingen doen: efficiënt handelen binnen een gegeven kader tegenover oordeelkundig handelen met oog voor doelen en waarden. Jawel, dit sluit aan bij mijn onderscheid tussen digitalisering en digitale transformatie.
Data vormen de basis van dit geheel. Het zijn losse feiten, signalen of codes zonder betekenis op zichzelf. Wanneer data worden geordend en in verband gebracht, spreken we van informatie. Informatie beschrijft wat er gebeurt, waar en wanneer. Generatieve AI is vooral goed op dit niveau. Het kan grote hoeveelheden data combineren en presenteren op een manier die voor mensen begrijpelijk en vaak plausibel is. Daarmee ondersteunt AI vooral het weten: het snel en schaalbaar beschikbaar maken van informatie.
Zoals Weggeman benadrukt in zijn bericht, is weten niet hetzelfde als begrijpen. Wat AI voortbrengt blijft informatie: het resultaat van berekeningen op basis van bestaande data en statistische verbanden. AI beschikt niet over ervaring, vaardigheden of attitude en kan daarom zelf geen begrip ontwikkelen. Begrip ontstaat pas wanneer informatie door mensen wordt verbonden met ervaring, context en oordeelsvermogen. Begrijpen kan daarbij zowel worden opgevat als een proces van duiden en verbinden, als een menselijk vermogen dat richting geeft aan handelen en verantwoordelijkheid mogelijk maakt.
Tegelijk maakt de schaal van AI duidelijk dat selectie en filtering steeds moeilijker worden. Waar selectie en filtering vroeger vooral draaiden om toegang en schaarste, gaat het nu om het onderscheiden van relevantie in een vrijwel onbeperkte stroom van gegenereerde en hergebruikte informatie. Niet alles kan nog vooraf worden gefilterd en niet elke bron laat zich eenvoudig rangschikken op betrouwbaarheid of betekenis. Informatieovervloed is daarmee niet alleen een technisch vraagstuk, maar ook een cognitieve en organisatorische uitdaging, omdat betekenis niet vanzelf meegroeit met volume.
Kennis ontstaat wanneer informatie wordt verbonden met ervaring en vaardigheden. Het gaat dan niet alleen om weten dát iets zo is, maar om begrijpen hoe en waarom het werkt binnen een bepaalde context. Joep Wijman deelde hiervoor een aardig schema over data, informatie en kennis. Een vluchtcode is data, de bijbehorende vertrektijd en -plaats zijn informatie, maar de inschatting dat een bepaalde vlucht vaak vertraging heeft en daarom beter vermeden kan worden, is kennis. Die kennis ontstaat uit ervaring, vergelijking en context, en krijgt betekenis in relatie tot eerdere situaties en tot anderen. Juist wanneer selectie aan de voorkant tekortschiet, wordt dit vermogen om patronen te herkennen en informatie te beoordelen steeds belangrijker.
Wijsheid ontstaat wanneer kennis wordt toegepast met aandacht voor doelen, gevolgen en waarden. In de digitale netwerksamenleving, waarin inzichten voortdurend worden aangevuld, betwist en herzien, krijgt wijsheid bovendien een relationeel karakter. Begrip ontstaat steeds minder als afgerond bezit van één individu en steeds vaker in samenhang, door uitwisseling, correctie en gezamenlijke reflectie. Dat vraagt ook om bewustzijn van hoe denken zelf betekenis aanbrengt, grenzen trekt en fragmenten creëert. Zonder dat besef kan zelfs juiste informatie bijdragen aan misverstanden en conflict.
Tegen deze achtergrond verschuift de omgang met informatieovervloed. De uitdaging ligt niet alleen in betere selectie en filtering, maar steeds meer in het vermogen om betekenis te blijven geven wanneer filtering onvolledig of tijdelijk is. Dat vraagt om het herkennen van patronen over bronnen heen, het expliciet maken van aannames en het onderscheiden van plausibiliteit en betrouwbaarheid. Begrip ontstaat door aandacht voor samenhang en voor de werking van het eigen denken.
Dit legt nieuwe eisen bij mens en organisatie in het AI-tijdperk. Begrijpen betekent niet langer het beheersen van een afgebakende hoeveelheid kennis, maar het kunnen omgaan met overvloed, onzekerheid en veranderlijkheid. Het vraagt om oordeelsvermogen: het toetsen van AI-output aan ervaring en context, het herkennen van vertekening en het expliciet maken van keuzes en verantwoordelijkheden. Het vraagt ook om dialoog en samenwerking, omdat betekenis steeds vaker ontstaat in gezamenlijke verkenning in plaats van individuele zekerheid.
De uitdaging van het AI-tijdperk is dan ook niet om zoveel mogelijk kennis te automatiseren, maar om mensen en organisaties toe te rusten om met overvloedige informatie om te gaan. Technologie kan helpen patronen zichtbaar te maken en opties te verkennen, maar begrip ontstaat pas wanneer mensen betekenis geven, hun aannames durven onderzoeken en verantwoordelijkheid nemen voor de gevolgen van wat zij als waar en relevant beschouwen. Zo blijft technologie een hulpmiddel voor inzicht en gezamenlijke betekenisgeving, in plaats van een vervanging van begrip.
Bronnen
- Ackoff, R. L. (1989). From data to wisdom. Journal of Applied Systems Analysis, 16, 3–9.
- Bohm, D. (1996). On dialogue. London: Routledge.
- Mensinga, A. (ca. 2018). Uitwerking van het DIKW-model (ongepubliceerd schema; persoonlijke communicatie).
- Weinberger, D. (2012). Too Big to Know: Rethinking Knowledge Now That the Facts Aren’t the Facts, Experts Are Everywhere, and the Smartest Person in the Room Is the Room. New York, NY: Basic Books.
- Weggeman, M. (2026). Begrijpen wordt belangrijker dan weten [LinkedIn-bericht].
- Wijman, J. (ca. 2000). Schematische weergave data, informatie en kennis (ongepubliceerd schema; persoonlijke communicatie).
- Zins, C. (2007). Conceptual approaches for defining data, information, and knowledge. Journal of the American Society for Information Science and Technology, 58(4), 479–493.
3 reacties
Wat dit inzicht betekent voor mens en organisaties, heb ik voor de bibliotheekwereld in een eerdere blog geschetst.
Marco, dank voor deze mooie blog. Relevant in de tijdgeest van AI. Maar wat is er dan nu anders ten opzichte van het pre-AI tijdperk? We kennen al het principe van intelligence led policing, waarbij met intelligence wordt bedoeld informatie die is voorzien van een betekenis die je in staat stelt om een besluit te nemen. Daar zit het duiden dus impliciet in besloten. Meer expliciet is het besloten in het model dat we nu gebruiken voor de data gedreven politie C(ollect) S(tore) A(nalyse) E(ngage). Waarbij in elke fase duidelijke kwaliteitscriteria zijn opgenomen en we CS op een bepaalde manier doen om in A patronen te kunnen herkennen, daar betekenis aan te geven en vervolgens wederom een besluit nemen.
Wat is er dan anders geworden? In mijn beleving twee dingen:
1. De informatieparadox waarbij ten gevolge van technologie een toenemende (onbeheersbare) hoeveelheid van beschikbare informatie niet perse leidt tot een betere intelligence positie. Waarbij het maatschappelijk of politieke oordeel achteraf “het was er wel, dus je had het kunnen weten” bedreigend is voor het vertrouwen.
2. De snelheid-accuraatheid paradox (Speed – Accuracy trade-off). Waar voor veel operationele processen snelheid van intelligence belangrijk is, maar er eigenlijk geen concessie aan betrouwbaarheid kan worden gedaan, komen we vaak in de situatie met 50% informatie, 100% besluiten nemen. De snelheid kan toenemen door gebruik te maken van technologie, maar door AI neemt de betrouwbaarheid af. Meer en snellere beschikbaarheid van data leidt dus niet per definitie tot onzekerheidsreductie in besluitvorming (menselijke waarneming is overigens ook niet volledig betrouwbaar door bijvoorbeeld cognitieve attributie)
Als ik 1 en 2 met elkaar combineer dan is de grootste uitdaging niet het overwinnen van die paradoxen, maar je er bewust van zijn en ondanks die paradoxen niet te verlammen, maar gewoon besluiten blijven nemen. Het komt dus aan op het persoonlijk leiderschap van elke diender. Dat ontslaat ons overigens niet van de plicht om te blijven streven naar intelligence processen die; en snel, en nauwkeurig zijn, waarbij we allerlei validatie waarborgen hebben ingebouwd en daarmee de kans op verkeerde besluiten verkleinen, zolang het streven naar perfectie maar niet het doel is. Zoals je zei, technologie is het hulpmiddel waarbij het zo goed mogelijk faciliteren van de menselijke en tijdige besluitvorming bovenaan blijft staan.
Ik heb twee opmerkingen of aanvullingen, hoe je het wilt zien. Ik zie in de keten data – informatie – intelligence – kennis – wijsheid het ’tussenpunt’ intelligence. En dan de Engelse variant van verzamelde informatie die kennis kan opleveren: militair intelligence. AI is in feite ook kunstmatige ‘intelligence’ en geen intelligentie. Intelligentie komt in de buurt van wijsheid: verwerkte en begrepen kennis.
Ten tweede in je voorbeeld van data –> informatie –> kennis, geeft je als voorbeeld ‘de KLM-vlucht vanuit Detroit vertrekt om 18:40’. Dat is nog steeds data als de vlucht normaal gepland staat op 18:40 uur. Het wordt pas informatie als de toevoeging zou zijn ‘vertrekt op tijd’ of ‘is vertraagd’. Dan wordt het een boodschap met relevante informatie.
Het is wellicht een semantische discussie, maar ik heb genoeg trainingen en college’s op dit gebied gegeven om te weten dat in dit soort discussies de duivel vaak in de details zit 🙂
Wat betreft de bibliotheekwereld heb ik afgelopen jaar me verdiept in de essentie van bron-archivering. Onze archivering is nog steeds gebaseerd op het papieren model van ‘achteraf’ archiveren. Dat is in een 100% digitale wereld onnodig: archiveren doe je op het moment dat je data/informatie vrijgeeft in een versie-notatie. Noodzaak is ‘alleen’ de metadata voor archiveren toe te voegen.
Nu bij Digicorp Labs actief en we gebruiken de blockchain als ledger voor Enterprise solutions. En hebben de NFD ontwikkeld (en gepatenteerde), de non fungibel data-entry, het bij de bron vastleggen van de (digitale en fysieke) identiteit van de creator, inclusief zijn rol, in een blockchain. Een soort ISBN nummer dat we aan een data-entry geven en altijd kan worden teruggeleid naar de oorspronkelijke bron.
https://www.headliner.nl/item/nfd-het-geboortebewijs-van-data-dutchitchannel-5154
Deze ontwikkelingen zijn meer dan interessant en ik blog er ook veel over. En de discussies daarover zijn essentieel, nu daar zoveel aan het veranderen is (inclusief quantum safe). Dus daarom mijn reactie om hierover nog eens verder te praten.