Het gebruik van Artificiële Intelligentie in Participatief Actieonderzoek

Omschrijving

De afgelopen jaren heeft Artificiële Intelligentie (AI, ook wel kunstmatige intelligentie of KI genoemd) in rap tempo haar weg gevonden naar de dagelijkse praktijk. Bijna iedereen kent inmiddels wel een AI-tool, en velen gebruiken die voor uiteenlopende taken. Soms gaat dat goed, en soms niet.

Ook voor Participatief Actieonderzoek (PAO) kan AI zowel een enorme versterker als een risico zijn. PAO is een intensief en tijdrovend proces. Dit vraagt veel van de PAO’er en brengt dus ook voor de opdrachtgever hoge kosten met zich mee. Kan AI de taken van de PAO’er overnemen of vergemakkelijken, en zo ja, welke? En waar schuilen de risico’s van het gebruik van AI? Met andere woorden, de centrale vraag van dit hoofdstuk is: hoe zetten we AI zo optimaal mogelijk in, zonder het hart van PAO te verliezen? We zoeken naar de belangrijkste beperkingen en kansen en de ‘sweet spot’ daartussen: het punt waarop AI ondersteunt zonder het menselijke uit het proces te halen. Dit is dus geen technisch hoofdstuk over specifieke tools — die verouderen te snel[1]. Het gaat over het principe: waar maakt AI de PAO'er efficiënter en scherper, zodat er meer tijd overblijft voor het werk dat alleen een mens kan doen?

Dit hoofdstuk is tot stand gekomen aan de hand van onze praktijkervaringen in PAO sinds de opkomst van AI. Er zijn twee brainstorms geweest met collega’s van SevenSenses[2] – PAO’ers met ervaring in het gebruik van AI in PAO. Mijn dank gaat uit naar Melissa Claerhoudt, Wilma van der Vlegel, Joshua Nooij en Evert Jan van Hasselt voor hun adviezen voor en feedback op het hoofdstuk. Daarnaast zijn twee AI-tools ondersteunend geweest aan de totstandkoming en redactie van de tekst. Gebruikte literatuur vind je achteraan dit hoofdstuk.

Waarom AI PAO niet kan vervangen – en welke mooie kans er wél ligt

Om te bepalen welke rol AI kan spelen, moeten we terug naar de kern van PAO. PAO is een benadering waarin mensen gezamenlijk complexe vraagstukken onderzoeken en verandering richting een voor hen gewenste situatie vormgeven en realiseren. Door elkaar echt te ontmoeten, perspectieven te delen, van elkaar te leren, gezamenlijk veranderkansen te ontdekken, verandering vorm te geven én te realiseren, ontstaan vertrouwen, eigenaarschap en handelingsvermogen. Dát zijn de mechanismen achter duurzame verandering. Vanuit dat uitgangspunt is het evident dat AI deze menselijke processen niet kan overnemen. Toch kan AI veel ondersteuning bieden op verschillende momenten in het PAO-proces. De vraag is dus niet óf AI een rol heeft in PAO, maar waar die rol het menselijke proces versterkt in plaats van vervangt.

De belangrijkste beperkingen van AI

AI is sterk in het ordenen, samenvatten en analyseren van grote hoeveelheden informatie (mits je de juiste context en instructies geeft) — dat scheelt de PAO'er veel tijd. Maar wat AI daarmee oplevert, is in PAO nooit het eindpunt. Er ontbreken twee fundamentele aspecten aan, die op elkaar voortbouwen. Ten eerste, AI verbindt niet. AI bouwt geen vertrouwen op, voelt geen spanning aan, merkt niet wanneer iemand zich onveilig voelt om iets uit te spreken, en voelt geen spanning aan, merkt niet wanneer iemand zich onveilig voelt om iets uit te spreken, en ontwikkelt geen relatie met een PAO-community. Dat verbinden is de basis van dialoog en samenwerking — zonder die basis is er geen sprake van PAO.

Werk dat AI wél doet, moet daarom altijd door de PAO'er worden gecontroleerd . Ten tweede, AI kan geen eigenaarschap laten ontstaan. Deze beperking volgt rechtstreeks uit de eerste.
Eigenaarschap ontstaat namelijk niet doordat een analyse technisch klopt, maar doordat mensen zichzelf herkennen in wat er ontstaat en ervaren dat hun perspectieven en inbreng
ertoe doen. Reflectie, dialoog en menselijke verbinding spelen daarin een belangrijke rol. Een PAO'er was zelf bij de interviews en kent de context achter een verhaal, die AI niet kent. Laat
je AI de analyse doen, dan gaat die context verloren en loop je het risico dat mensen zich niet herkennen in de resultaten. Een analyse is in PAO daarom nooit een eindproduct, maar een
aanleiding voor reflectie en gezamenlijke betekenisgeving — daar worden de zaadjes voor verandering geplant.