Deel 22 artikelenserie over kunstmatige intelligentie: informatiespecialist en AI – game over of new game?

Door Simon Been

Wat is de impact van AI op het informatiedomein? Deze tweeëntwintigste aflevering van de artikelenreeks richt zich op informatiespecialisten, bibliothecarissen, researchassistenten en documentatiespecialisten. AI maakt hun kerntaak – gebruikers helpen bij het vinden en beoordelen van informatie – ogenschijnlijk overbodig. Dit artikel laat zien waarom het tegendeel waar is. En wat je kunt doen om dat zichtbaar te maken.

Generatieve AI biedt natuurlijk prachtige kansen en ondersteunt denken en handelen van mens en organisatie, maar heeft ook de nodige onbedoelde consequenties. Het artikel in IP #9-2025 (aflevering 20) beschreef al de fundamentele uitdagingen voor de organisatie ten gevolge van AI en de oorzaken daarvan. Ook focuste het op het effect op de informatieprofessie en wat basisrollen rond AI voor informatieprofessionals zijn. Maar dat is nog maar het begin.

Als we dieper willen duiken moeten we respecteren dat ‘de’ informatieprofessional niet bestaat. De verantwoordelijkheid voor ‘informatie’ binnen organisaties is enorm versnipperd. Ik dikte dat in tot vier categorieën, waarvan de eerste is behandeld in de vorige IP, in aflevering 21 (deel #1 en deel #2) van deze reeks.

  1. Organisatiegeheugen & Verantwoording
  2. Informatieverstrekking & Ondersteuning
  3. Kennisorganisatie & Informatiestromen
  4. Communicatie & Externe Informatie

Nu is het tijd voor categorie twee: Informatieverstrekking & Ondersteuning. En daarmee voor functies als informatiespecialisten, bibliothecarissen, researchassistenten en documentatiespecialisten. Volgende artikelen in de serie zullen zich richten op de resterende categorieën.

Makkelijker vindbaar dan ooit

Je weet het. ChatGPT & Co zijn vele malen grondiger dan Google ooit was. ‘Iedereen’ vindt nu ‘alles’. Dus jullie werk is overbodig? Integendeel. AI maakt informatie beoordelen moeilijker dan ooit. En dat is precies waar jullie expertise ligt. Bronkritiek. Verificatie. Informatievaardigheden overdragen. De kern van jullie vak is relevanter dan ooit.

En toch is dat niet hoe het werkt. Gebruikers gaan rechtstreeks naar ChatGPT en slaan jullie over. Onderzoekers, studenten, pensionado’s komen niet meer vragen hoe ze bronnen vinden: ze hébben al bronnen. Dat die bronnen niet bestaan, of niet zeggen wat ze denken dat ze zeggen, merken ze vaak pas te laat. Of nooit.

Dit artikel gaat over dat spanningsveld. Over hoe AI jullie werk verandert, niet opheft. Over waarom jullie expertise juist nu cruciaal is, maar niet wordt gezien. En over wat je concreet kunt doen.

Even vooraf: dit artikel, meerdere werelden

Ik schrijf dit voor iedereen die gebruikers helpt bij het vinden en beoordelen van informatie. Informatiespecialisten in bedrijfsbibliotheken. Vakreferenten aan universiteiten. Bibliothecarissen in openbare bibliotheken. De uitdagingen verschillen per context en die verschillen benoem ik waar ze er in mijn ogen vooral toe doen.

Voor bedrijfsbibliotheken en kenniscentra is de dreiging het meest acuut. Directe concurrentie met Copilot en interne AI-systemen. Dalende vraagaantallen. Management dat concludeert: inkrimpen. Voor universiteitsbibliotheken speelt vooral de vraag naar rolinvulling. Word je trainer in AI-gebruik? Bewaker van wetenschappelijke integriteit? Beide? Voor openbare bibliotheken is AI één thema naast digitale inclusie en leesbevordering. Minder existentieel, maar niet minder relevant; vooral als we denken aan kwetsbare groepen die met AI-gegenereerde informatie over toeslagen of gezondheid thuiskomen.

Niet alles in dit artikel gaat voor elke context op. In het kader aan het eind vind je specifieke accenten per discipline.

Uiteraard – en dat is het goede nieuws – zijn jullie niet de eersten die dit oppakken. De sector is in beweging: van UvA-workshops tot KB-programma’s rond digitaal burgerschap. De bibliotheek van de Nederlandse Defensie Academie biedt AI-gidsen en toolwijzers aan, gericht op verantwoord gebruik, bronvermelding en onderzoekskwaliteit … Dit artikel bouwt voort op die praktijk. Met verdieping op drie vragen: hoe maak je van losse initiatieven een structurele aanpak? Hoe doorbreek je de paradox van schijnbare overbodigheid? En hoe zorg je dat jouw expertise zichtbaar wordt, niet alleen aan de frontlinie, maar ook op afdelings- en organisatieniveau? Want het speelveld kent drie niveaus:

  • De frontlinie: wat er dagelijks al op je afkomt
  • De afdeling: hoe het werk verschuift
  • De organisatie: waar jullie worden overgeslagen

Een contact stuurt je een whitepaper gebaseerd op 47 artikelen. Je duikt eens in de bronnen en loopt direct vast. Na doorvragen blijkt: ChatGPT heeft ze gegenereerd. Maar liefst 31 zijn verzonnen. Met plausibele titels, overtuigende auteursnamen, echte tijdschriften. Maar de artikelen bestaan niet.

Dit is geen anekdote. Je kent dit soort voorbeelden ongetwijfeld uit je eigen praktijk. Soms kun je erom lachen, soms zijn er stevige consequenties: het werk van een student aan de rechtenfaculteit van de UvA kreeg in 2025 zo het predicaat ‘ernstige fraude’, een zaak die hij verloor bij de Raad van State. In datzelfde studiejaar rapporteerde diezelfde faculteit dat 44 van de 143 fraude- en plagiaatzaken AI-gerelateerd waren.

Verzonnen bronnen

In studies naar het gebruik van AI bij systematische literatuuronderzoeken bleek dat ongeveer vier op de tien referenties van GPT-3.5 niet klopten. Bij GPT-4 daalde dat naar ongeveer drie op de tien. Een experiment uit 2025 met een nieuwer model liet zien dat circa één op de vijf citaties volledig verzonnen was, terwijl veel andere verwijzingen bibliografische fouten bevatten.

Hierbij speelt ook het onderwerp mee. Bij thema’s waarnaar veel onderzoek is gedaan (zoals depressie) daalt de hallucination rate sterk; bij specialistische of minder onderzochte onderwerpen neemt het aantal fouten toe.

Tests met de nieuwste generatie modellen, waaronder GPT-5, wijzen erop dat hallucinaties verder afnemen en verwijzingen vaker kloppen. Toch verdwijnen fouten niet, vooral bij complexe vragen. Verzonnen bronnen zien er vaak overtuigend uit, waardoor controle noodzakelijk blijft. De High Court of England and Wales waarschuwde in 2025 zelfs expliciet dat generatieve AI fictieve zaken, citaties of quotes kan verzinnen en dat legal professionals alles moeten controleren voordat het wordt gebruikt in procedures. Hard nodig, ook Nederlandse advocaten worden op de vingers getikt voor AI slop in hun stukken.

Het sluipende risico

Die verzonnen bronnenlijst is het zichtbare probleem. Het onzichtbare probleem is gevaarlijker. In eerdere artikelen onderscheidde ik laag-risico en hoog-risico AI-gebruik. Dat is een uiterst genuanceerd onderwerp, maar in grote lijnen speelt vooral dit: bij laag risico – brainstormen, leren, concepten genereren – volstaat eigen oordeelsvermogen. Bij hoog risico – feiten, procedures, besluiten, publicaties – is verificatie essentieel.

Het grootste probleem: gebruikers herkennen niet wanneer ze van laag naar hoog risico schuiven. De student vraagt ChatGPT om feedback op haar probleemstelling. Goed gesprek. Ze vraagt door. ChatGPT noemt en passant een paar relevante auteurs. Ze noteert de namen, maar zoekt ze later niet op. Waarom zou ze, de rest was spot-on. De beleidsmedewerker vraagt AI om zijn tekst te redigeren. AI herschrijft een zin en voegt ter onderbouwing een percentage toe. Het percentage past perfect. Hij laat het staan. De burger vraagt hoe hij een bezwaarschrift moet formuleren. Ergens in het antwoord staat een termijn van zes weken. Hij gaat ervan uit dat die klopt.

Het hoge risico zit vaak verstopt in een laag-risico interactie. Je vraagt om hulp bij X en krijgt ongemerkt feit Y erbij. Dát is waar het fout gaat. Niet zozeer bij de gebruiker die bewust een bronnenlijst opvraagt. Die weet tenminste dat er bronnen te checken zijn. Maar vooral bij de gebruiker die niet eens doorheeft dat er iets te checken valt. Of die de tijd (of toch zin?) niet heeft.

Intern systeem als black box

En dan is er nog een laag dieper. Een AI die op interne systemen draait werkt als een black box. Copilot bijvoorbeeld doorzoekt op de achtergrond zelf welke interne documenten relevant zijn, via een systeem dat Microsoft Graph heet. De gebruiker ziet niet welke bronnen het systeem wél raadpleegde en welke niet. Het antwoord klinkt compleet. Het gevoel van zekerheid is vals, want Graph selecteert niet op status, maar bijvoorbeeld op gebruiksfrequentie. En meestal merkt niemand wat er ontbreekt.

Dit speelt het scherpst bij bedrijfsbibliotheken. Medewerkers krijgen Copilot-antwoorden op basis van interne documenten zonder te weten of het concepten of definitieve versies zijn, of ze actueel of verouderd zijn en zelfs welke documenten dat zijn. De informatiespecialist die dit wél kan beoordelen wordt niet gevraagd. Wat deze voorbeelden gemeen hebben: gebruikers komen niet of te laat, en dan – in het beste geval – repareren jullie achteraf wat voorkomen had kunnen worden.

Bij universiteitsbibliotheken gaat het om wetenschappelijke integriteit: scripties, publicaties, systematic reviews. Bij hogescholen om praktijkgericht onderzoek en afstudeerwerk. Bij openbare bibliotheken om burgers die met AI-gegenereerde informatie over toeslagen, gezondheid of juridische zaken thuiskomen. Bij bedrijfsbibliotheken om interne rapporten, marktanalyses en besluitvorming.

En dan jijzelf. Hoe gebruik jij AI in je werk? Hoe weet je of je het goed doet? Wie helpt jou als je twijfelt? Een groot voordeel: antwoorden die je voor jezelf ontwikkelt zijn ook relevant voor je gebruikers.

De verschuiving in één beeld

Oude situatieNieuwe situatie
Gebruiker komt met vraagGebruiker komt met antwoord
Jij zoekt, gebruiker beoordeeltAI zoekt, jij helpt beoordelen
Training: ‘Hoe gebruik je database X’Training: ‘Hoe beoordeel je AI-output’
Ieder werkt zelfstandigKennisdeling over AI essentieel

De vraag ‘waar vind ik informatie over onderwerp x’ wordt sinds AI minder gesteld, de vraag ‘klopt dit wat ik gevonden heb’ daarentegen juist vaker. Is jullie afdeling daarop ingericht? Drie verschuivingen die de afdeling raken:

Het werk verandert, de formatie niet. Minder zoek- en leveringsvragen, meer verificatie- en beoordelingsvragen. Maar wie doet het verificatiespreekuur? Is dat een taak erbij, of gaat er iets af? Hebben jullie daar formatie voor? Wie traint de collega’s die dit nog niet kunnen? In veel teams is dit onbesproken. Het werk verandert sluipend en niemand past de taakverdeling aan.

Kennis fragmenteert over individuen. De ene collega heeft drie AI-tools uitgeprobeerd en weet welke wanneer hallucineren. De andere is sceptisch en houdt afstand. Een derde gebruikt AI intensief, maar deelt niets. Resultaat: geen gedeelde aanpak. Geen gezamenlijk begrip van wanneer verificatie nodig is. Geen gedeelde verificatietechnieken. Geen manier om van elkaars ervaringen te leren. De afdeling opereert als een verzameling individuen die toevallig ongeveer dezelfde functie hebben.

De vaardigheden die je overdraagt veranderen fundamenteel. Jarenlang trainde je gebruikers in het werken met databases, zoekstrategieën en bronnen vinden. Dat stopt niet, maar de inhoud verschuift: AI-output beoordelen, hallucinaties herkennen en verificatiestrategieën toepassen. Voor veel van jullie is training dagelijks werk en dat is juist de kracht. Maar dit is niet ‘een module toevoegen aan de bestaande workshop’. De kern van wat je overdraagt verandert. Van ‘hoe vind je het’ naar ‘hoe beoordeel je wat je al hebt’. Dat vraagt een herontwerp van je trainingsaanbod.

En er speelt iets fundamentelers. Jullie afdeling is niet de enige plek waar informatie-expertise nodig is. In veel organisaties zijn er datastewards, privacyofficers, informatiearchitecten, archivarissen en kennismanagers: allemaal vanuit hun eigen logica bezig met informatie. Die versnippering is historisch gegroeid, nooit herijkt, en door AI ineens problematisch. Jullie expertise overlapt deels met die van anderen, maar niemand heeft het overzicht. Geen afstemming, geen regie, geen gezamenlijke aanpak.

Waar wordt AI-beleid gemaakt? ICT kiest de tools en rolt Copilot uit. HR maakt het trainingsbeleid. Bestuur beslist over richtlijnen. Afdelingen dan wel faculteiten bepalen wat mag in werk dan wel onderwijs. Waar zitten jullie? Vaak niet aan tafel. Niet bij de keuze voor AI-tools. Niet bij het ontwerp van trainingen. Niet bij het formuleren van richtlijnen. En dat terwijl jullie al decennia informatievaardigheden trainen, jullie weten hoe bronkritiek werkt, en jullie dagelijks zien waar het misgaat.

AI wordt beschouwd als technologievraagstuk (ICT) of als gedragsvraagstuk (HR), maar het is in de kern een informatievraagstuk. Daar zijn jullie de experts.

De vervuilde fundamenten

En het gaat dieper dan AI-output beoordelen. Vooral bij bedrijfsbibliotheken en kenniscentra zie je dit: organisaties die interne AI-systemen inzetten – Copilot op SharePoint, eigen chatbots op interne kennisbanken – trainen die systemen op hun eigen informatie. Klinkt logisch. Maar welke informatie? In de meeste organisaties laat de informatiehuishouding te wensen over. Concepten naast definitieve versies. Verouderd beleid naast actueel beleid. Werkdocumenten naast formele rapporten. Metadata als status, datum, auteur, goedkeuring ontbreken. En dan komt het: het AI-systeem behandelt dan alles als gelijkwaardig. Een concept uit 2019 weegt even zwaar als het definitieve beleidsstuk van vorig jaar.

Resultaat: de organisatie bouwt intelligentie op besmette informatie, maar nu met de autoriteit van ‘ons eigen systeem’. En het ergste: niemand merkt het. De output klinkt gepolijst en zeker. De gebruiker vertrouwt het systeem juist méér omdat het intern is.

Onmisbare partner

Dit is waar jullie expertise cruciaal wordt. Maar jullie worden niet gevraagd. De implementatie is een IT-project. De informatieprofessional mag achteraf opruimen wat vooraf had moeten worden ingericht. Dat is geen toeval. In veel organisaties zit een structurele muur tussen de mensen die informatie-expertise hebben en de mensen die beslissingen nemen over informatie. Jullie kennis zit in de uitvoering. Beleid wordt gemaakt zonder die kennis.

AI zou de katalysator kunnen zijn om die muur te doorbreken. Want wat je eerder kon tolereren – matige metadata, ongeordende mappen, concepten tussen definitieve stukken – wordt door AI een structureel kwaliteitsprobleem. De vraag blijft: hoe kom je aan tafel? Niet als criticus, maar als onmisbare partner.

In artikel 20 schetste ik acht rollen die passen bij de bestaande expertise van informatieprofessionals en die in het AI-tijdperk nieuw zijn of veranderen qua benodigde invulling:

  • Waarheidsbewaker: de grote validator
  • Stroomregisseur: behoeder voor fragmentatie
  • Ontsluiter: zorger voor toegankelijkheid
  • Toekomstbewaker: waarborger van verantwoording
  • Voeder: leverancier van goede input en tuning
  • Inrichtingsadviseur: strateeg van de informatiehuishouding
  • Gids: begeleider en stimulator van vaardigheden
  • Risicobeheerder: governancebewaker

Vier van die acht springen eruit voor jullie context. Ze spelen elk op alle drie de niveaus die ik eerder beschreef. En ze brengen elk een eigen dilemma met zich mee.

De Gids: van wegwijzer naar navigator
Je was altijd al gids, maar de vraag verandert van vinden naar verificatie. Dat geldt aan de frontlinie, waar je gebruikers door het AI-landschap loodst. Op de afdeling, waar je collega’s helpt bijblijven. En richting management, waar je AI-kwaliteitsrisico’s informatiekundig moet agenderen in plaats van ICT-technisch.
Het dilemma: je moet zelf echt goed genoeg zijn voordat je anderen kunt begeleiden. Hoeveel informatiespecialisten hebben systematisch geëxperimenteerd met AI? Wie heeft zelf ervaren hoe overtuigend een hallucinatie klinkt? Je kunt geen gids zijn in terrein dat je niet op je duimpje kent.

De Waarheidsbewaker: meer dan bronnen checken
Verifiëren of bronnen bestaan en kloppen is het begin. De diepere laag is helpen herkennen wat je niet kunt zien. Het Copilot-antwoord dat compleet líjkt, maar gebaseerd is op een onbekende selectie van interne documenten. Het rapport met een onzichtbare vertekening omdat bepaalde bronnen zonder reden zwaarder wogen. Op afdelingsniveau: signaleren dat de fundamenten niet deugen. Op organisatieniveau: het bestuur confronteren met het feit dat hun AI-investering onbetrouwbare output levert. Opnieuw: niet door de techniek, maar door de informatie die de techniek voedt.
Het dilemma: je moet slecht nieuws brengen aan mensen die het niet willen horen. Management dat net heeft geïnvesteerd in Copilot. ICT die net een chatbot heeft gebouwd op de kennisbank. Waarheidsbewaking is niet alleen een informatiekundige vaardigheid, het is zeker ook een politieke.

De Stroomregisseur: kennis die niet mag fragmenteren
In je team zit kennis die nergens anders zit. Welke tools werken waarvoor, welke verificatietechnieken zijn effectief, welke bronnen worden vaak fout weergegeven. Die kennis zit bij individuen. De Stroomregisseur organiseert de collectieve leercurve. En kijkt ook breder: in de hele organisatie fragmenteert AI-kennis op dezelfde manier. Hier raakt jullie expertise aan die van kennismanagers, en dat is een samenwerking die je actief moet zoeken.
Het dilemma: kennisdeling organiseren kost tijd die er niet is. En het vraagt dat collega’s – zowel de enthousiastelingen als de sceptici – bereid zijn hun ervaringen te delen. Dat gaat niet vanzelf.

De Ontsluiter: van bronnen naar vaardigheden
Je ontsluit niet langer alleen bronnen, je ontsluit vaardigheden. Hoe beoordeel je AI-output? Hoe herken je een hallucinatie? Hoe verifieer je een claim als je niet eens doorhebt dat er iets te verifiëren is? Voor sommigen van jullie is training dagelijks werk, dat is juist de kracht. Maar de kern van wat je overdraagt verandert. Op organisatieniveau word je de architect van AI-geletterdheid: niet de e-learning die HR laat maken, maar een programma geworteld in jullie dagelijkse praktijk.
Het dilemma: je ontsluit vaardigheden waarvan de houdbaarheid beperkt is. Wat je vandaag leert over GPT-5 is morgen deels achterhaald door GPT-6. Bovendien zul je zoveel voortschrijdend inzicht ervaren. Je moet een programma bouwen dat verandering als constante heeft.

De paradox van zelfstandigheid

Nu wordt het spannend. Want er zit een fundamentele tegenstrijdigheid in alles wat ik net beschreef. Jullie willen gebruikers AI-geletterd maken. Jullie willen ze leren zelf te beoordelen, zelf te verifiëren, zelf de risico’s te herkennen. Maar als ze dat allemaal kunnen, waarom zouden ze dan nog naar jullie komen? Dit is de paradox van zelfstandigheid. En die raakt niet alleen aan je werkdruk of je relevantie. Die raakt aan de identiteit van het beroep. Wat bén je als informatiespecialist als jouw gebruikers je niet meer nodig hebben? Laat ik eerlijk zijn: die paradox is niet op te lossen, maar hij is wel hanteerbaar te maken. Op vijf manieren:

  • Complexe cases blijven altijd. Werk als systematic reviews, hoog-risico verificatie en interdisciplinair onderzoek vraagt expertise die niet in een workshop past. Nieuwe tools, nieuwe scenario’s, nieuwe risico’s. Je blijft de specialist die bijhoudt wat er verandert.
  • Je verschuift van dienstverlening naar inbedding. Van: gebruiker komt met vraag. Naar: jij bent ingebed in processen waar verificatie nodig is. Standaard checkmoment bij scripties. Betrokkenheid bij systematic reviews vanaf de start. Verificatie als service bij publicaties. Je wacht niet op vragen, je zit in het proces.
  • Training is doorlopend, niet eenmalig. AI verandert continu. Er is altijd nieuwe kennis nodig. Jij houdt bij wat er verandert, zij concentreren zich op hun werk. Dat is een permanente functie.
  • Je opereert op drie niveaus tegelijk. Niet alleen individuele gebruikers helpen, maar ook je afdeling organiseren en je organisatie adviseren. De meeste gebruikers worden wellicht zelfstandig op de frontlinie, maar op afdelings- en organisatieniveau is de behoefte aan jullie expertise structureel. Daar zit géén paradox.
  • Je verschuift de vraag. Niet: ‘hebben ze mij nodig?’ Maar: ‘wat gaat er mis zonder mij?’ Documenteer wat je signaleert. Kwantificeer het. Maak de onzichtbare schade zichtbaar. De paradox verdwijnt natuurlijk niet, maar hij wordt hanteerbaar als je kunt laten zien wat er gebeurt als jouw expertise ontbreekt. De organisatie heeft dat nodig.
NUNODIG
Zoeken & leverenBeoordelen & verifiëren
Bronnen ontsluitenVaardigheden ontsluiten
Beschikbaar voor vragenIngebed in processen
Incidenteel & reactiefStructureel & proactief
Individuele expertiseCollectieve leercurve
Vakexpertise volstaatVakexpertise + AI-expertise vereist

Hier kunnen we heel diep gaan en dat doe ik ook in mijn workshops voor staf en leiding, maar de ruimte hier is beperkt en details veranderen sterk per organisatie en functie. Toch een voorzet op hoofdlijnen.

Aan de frontlinie: morgen beginnen
Start een verificatiespreekuur. Vast tijdstip, laagdrempelig. ‘Breng je AI-antwoord mee, we checken samen.’ Documenteer wat je tegenkomt: dat is input voor training én beleid. En geef gebruikers de vijfsecondencheck mee: noemt AI een bron? Open hem. Geeft AI cijfers? Zoek de originele bron. Klinkt het té perfect? Wees extra kritisch.
De weerstand: gebruikers komen niet. Ze weten niet dat ze een probleem hebben. De kunst is niet wachten tot ze komen. Eén goed voorbeeld van een voorkomen fout doet meer dan tien posters.

Op de afdeling: komende maand
Caseoverleg starten. Maandelijks, één uur. Iedereen brengt één AI-case in. Documenteer wat werkt. En: bespreek de werkverdeling. Wie doet de verificatievragen? Wat kost het aan tijd? Formaliseer het: maak het zichtbaar in taakbeschrijvingen.
De weerstand: tijd en prioriteit. Begin klein. Eén caseoverleg. Eén gezamenlijke verificatieoefening. Laat het resultaat spreken.

Op organisatieniveau: komend kwartaal
Inventariseer waar AI-beleid zit en leg contact. Niet alleen met waarschuwingen, maar zeker ook met oplossingen: ‘Wij zien wat er misgaat met AI-output. Dit kunnen wij bijdragen.’ Eén bewezen fout is overtuigender dan tien theoretische risico’s. En: zoek bondgenoten. De privacyofficer, de datasteward, de kennismanager die ook niet aan tafel zit. Samen sta je sterker.
Bij bedrijfsbibliotheken is dit urgenter dan waar ook. De notitie aan het MT is geen luxe, het is overlevingsstrategie. Koppel je expertise aan risico’s die het management wél serieus neemt: reputatieschade, juridische aansprakelijkheid en besluitvorming op basis van foutieve informatie.

Afsluiting: van gatekeeper naar gids

We zagen het: ICT begrijpt de techniek, maar niet hoe informatie betekenis krijgt. Management begrijpt strategie, maar niet de complexiteit van AI-output. Gebruikers begrijpen hun werk, maar niet wat eronder ligt. Jullie zitten op het snijpunt. Dat maakt jullie de missing link. Maar die positie moet je claimen. Hij wordt je niet gegeven.

Jullie werk was altijd vooral: mensen helpen betrouwbare informatie te vinden en te beoordelen. Dat verandert niet. Alleen de context. De expertise die jullie hebben is relevanter dan ooit, maar je moet die expertise zichtbaar maken, op drie niveaus tegelijk, met de moed om slecht nieuws te brengen, en met het besef dat je zelf eerst moet excelleren voordat je anderen kunt begeleiden. Niet alleen op je vertrouwde vakgebied, maar vooral ook over nut en nukken van AI.

Je staat er niet alleen voor. Archivarissen worstelen met vergelijkbare vragen rond verantwoording. Kennismanagers met fragmentatie. Communicatieprofessionals met betrouwbaarheid van externe informatie. Samen vormen jullie de informatieprofessie. De vraag is niet óf jullie expertise nodig is. De vraag is of jullie die expertise zichtbaar maken. Voordat anderen concluderen dat jullie overbodig zijn.


Accenten per context

Vakreferent universiteitsbibliotheek. Kernvraag: hoe bewaak je wetenschappelijke integriteit in een AI-tijdperk? Je werkt met onderzoekers, promovendi, systematic reviews: langdurige trajecten in een hoog-risico context. De rol van embedded librarian wordt urgenter: niet alleen beschikbaar zijn, maar aanwezig waar het werk gebeurt. En universitaire repositories hebben dezelfde metadataproblemen als bedrijfssystemen. Daar heb je een unieke invalshoek.

Informatiespecialist hogeschool. Kernvraag: hoe integreer je AI-geletterdheid in praktijkgericht onderwijs? Kortere contactmomenten dan bij universiteiten, maar de scriptiebegeleider is je primaire partner. Zorg dat je in het begeleidingsproces zit, niet alleen aan het eind als de bronnen al verzameld zijn. En realiseer je: jouw studenten worden de professionals die straks in organisaties met AI werken. Wat je ze nu leert over verificatie werkt door.

Bibliothecaris openbare bibliotheek. Kernvraag: hoe help je burgers navigeren in een wereld vol AI-gegenereerde informatie? De existentiële dreiging is hier minder. De maatschappelijke functie is breder erkend. Maar burgers die met foutieve AI-informatie over toeslagen of gezondheid thuiskomen, zijn kwetsbaarder dan studenten. Juist mensen met lagere digitale vaardigheden hebben geen kader om AI-output te beoordelen.

Bedrijfsbibliotheek/kenniscentrum. Kernvraag: hoe toon je meerwaarde in een organisatie die denkt dat Copilot alles kan? Hier is de dreiging het meest acuut. Dalende vraagaantallen worden geïnterpreteerd als dalende relevantie, terwijl het omgekeerde waar is. De notitie aan het MT is geen optie, het is noodzaak. En de vervuilde fundamenten zijn hier jullie sterkste argument: als de organisatie Copilot draait op een SharePoint waar niemand metadata beheert, raakt dat direct aan de betrouwbaarheid van de besluitvorming.

De vorige 21 afleveringen in deze serie lezen? Je vindt ze in het archief op informatieprofessional.nl (trefwoord ‘AI informatiedomein’).


Simon Been is trainer en klankbord voor AI in het informatiedomein en directeur van het Papieren Tijger Netwerk.

Deze bijdrage komt uit de papieren IP #2-2026. Het hele nummer kun je hieronder lezen of downloaden.