Vraag de meeste leidinggevenden waar AI het eerst zal toeslaan en je krijgt een voorspelbaar antwoord: de laaggeschoolde, repetitieve, "iedereen kan dat"-taken. Het voelt vanzelfsprekend. Het is, technisch gezien, precies omgekeerd. De taken die een mens moeiteloos afgaan zijn juist vaak de taken waar AI het meest mee worstelt, en de taken waar mensen jaren voor leren zijn vaak de taken die AI in seconden afhandelt. Dit is de paradox van Moravec, en zodra je hem ziet, hoef je niet meer te gokken waar AI rendeert — dan weet je het.
Wat de paradox van Moravec precies zegt
In de jaren tachtig merkten robotica-onderzoeker Hans Moravec en zijn tijdgenoten iets op dat hun intuïtie op zijn kop zette. Het was relatief eenvoudig om een computer op volwassen niveau intelligentietests te laten maken of sterk te laten schaken — de dingen die wij als het toppunt van menselijk denken beschouwen. Het was juist verduiveld lastig om een machine de waarneming en beweeglijkheid van een eenjarige te geven: een gezicht herkennen, door een rommelige kamer lopen, een mok oppakken zonder hem te pletten. Zoals Moravec het formuleerde: de moeilijke problemen zijn makkelijk en de makkelijke problemen zijn moeilijk. De vaardigheden waar we het trotst op zijn bleken goedkoop te automatiseren; de vaardigheden die we amper opmerken bleken juist duur.
Waarom de makkelijke dingen moeilijk zijn
De verklaring is evolutionair. Zintuiglijke en motorische vaardigheden — zien, bewegen, grijpen, een ruimte aanvoelen, merken dat een klant stilletjes ontevreden is — zijn over honderden miljoenen jaren verfijnd. Ze draaien onder ons bewustzijn juist omdat ze zo sterk geoptimaliseerd zijn; je voelt niet dat je ze doet, dus lijken ze simpel. Abstract redeneren, algebra, formele logica, gestructureerd schrijven — dat zijn evolutionaire nieuwkomers, hooguit een paar duizend jaar oud. We vinden ze moeilijk en inspannend, dus nemen we aan dat ze "echte" intelligentie zijn. Maar juist omdat ze recent en bewust zijn, zijn ze ook expliciet, regelgebonden en datarijk — precies de omstandigheden waarin machines uitblinken. De moeite die je voelt zegt niets over hoe moeilijk een taak te automatiseren is. Vaak is het omgekeerde waar.
Wat dit betekent voor AI in jouw bedrijf
Moderne AI heeft de paradox eerder vergroot dan opgelost. Grote taalmodellen zijn in feite motoren voor de abstracte laag — patroon, taal, structuur, gevolgtrekking over tekst en getallen. Daarom zijn ze verbluffend goed in juist die delen van kenniswerk die ooit expertise signaleerden: een contract van vijftig pagina's lezen en de lastige clausules eruit halen, een eerste versie van een voorstel schrijven, rommelige spreadsheets afstemmen, een vakgebied samenvatten, een prognose maken uit historische data, tussen talen vertalen, code schrijven en debuggen. Draait een taak vooral om "neem deze informatie en maak er die informatie van," dan zit hij pal aan de sterke kant van AI.
De zwakke kant is alles wat leunt op een lichaam of op echt sociaal oordeel. Een loodgieter die een lek diagnosticeert in een krappe kruipruimte, een verpleegkundige die merkt dat een patiënt er "gewoon niet goed uitziet," een elektricien die improviseert rond een muur die niet staat waar de tekening zei, een verkoper die aanvoelt wanneer het moment is om te zwijgen, een manager die slecht nieuws brengt met precies de juiste warmte — die combineren fijne motoriek, waarneming in het moment en sociale signalen die geen enkele dataset volledig vangt. Ze lijken de "simpele," laaggewaardeerde delen van een baan. Het zijn juist de delen waar AI het slechtst in is en die voorlopig het meest onaangeroerd blijven.
Een simpele test om AI-toepassingen te kiezen
Je kunt de paradox omzetten in een selectievraag voor elke kandidaat-toepassing: speelt deze taak zich vooral af in informatie, of vooral in de fysieke en sociale wereld? Zijn de invoer en uitvoer documenten, data, tekst en code, dan is het een sterke kandidaat — automatiseer of versterk hem, en verwacht echte hefboomwerking. Hangt hij af van handen in het veld, lichamen in een ruimte of het lezen van onuitgesproken menselijke signalen, wees dan sceptisch over een belofte van volledige automatisering en denk juist aan het ondersteunen van de persoon die het doet. Een handige aanscherping: hoe dichter een taak bij iets ligt wat een vakman achter een bureau doet, hoe AI-rijper hij meestal is; hoe dichter hij bij iets ligt wat een peuter moeiteloos doet — grijpen, bewegen, herkennen, meevoelen — hoe hardnekkiger hij moeilijk blijft.
Het praktische gevolg is dat de AI-projecten met het hoogste rendement zelden de projecten zijn die een hele functie vervangen. Ze snijden meestal het informatiezware werk uit een baan — het lezen, schrijven, controleren, samenvatten en voorspellen — en geven de fysieke en menselijke delen terug aan de professional, die nu meer tijd besteedt aan precies het oordeel dat AI niet kan. Die splitsing goed krijgen, in plaats van jagen op een machine die alles doet, is waar de meeste waarde zit. Wil je een tweede paar ogen op welke van je processen aan welke kant van de lijn vallen, dan is dat het soort vraag dat ons team uitwerkt in AI-consultingtrajecten — maar de paradox alleen vertelt je al het meeste van wat je moet weten.
Onze AI Act-check (€950, vaste prijs) geeft binnen een week uw risicoclassificatie, verplichtingen en een concrete to-dolijst — inclusief wat u gerust kunt negeren.
Bekijk de AI Act-check →Veelgestelde vragen
Wat is de paradox van Moravec in gewone taal?
Het is de constatering dat taken die mensen moeilijk vinden — abstract redeneren, rekenen, gestructureerde analyse — vaak makkelijk zijn voor machines, terwijl taken die mensen moeiteloos afgaan — waarneming, beweging, sociaal oordeel — juist extreem moeilijk zijn voor machines. Kort gezegd: moeilijk-voor-mensen is makkelijk voor AI, makkelijk-voor-mensen is moeilijk voor AI.
Waarom is de paradox van Moravec belangrijk voor AI-strategie?
Omdat het de intuïtie corrigeert dat AI eerst laaggeschoolde banen raakt. De echte scheidslijn is informatie versus de fysieke en sociale wereld. Het stuurt investeringen naar document-, data- en taalzwaar werk waar AI echt levert, en weg van beloftes van volledige automatisering voor taken die afhangen van handen, aanwezigheid of menselijk aanvoelen.
Welke bedrijfstaken zitten aan de sterke kant van AI?
Werk met informatie erin en informatie eruit: contracten en lange documenten beoordelen, voorstellen en e-mails opstellen, data afstemmen en opschonen, onderzoek samenvatten, prognoses maken uit historische cijfers, vertalen, en code schrijven of debuggen. Zijn zowel de invoer als de uitvoer tekst, data of documenten, dan is het meestal een sterke AI-kandidaat.
Betekent de paradox van Moravec dat AI geen banen vervangt?
Het betekent dat AI vaker taken vervangt dan hele functies. De projecten met het hoogste rendement snijden het informatiezware werk uit een baan en geven de fysieke en menselijke delen terug aan de professional. Banen die vrijwel volledig uit informatiewerk bestaan veranderen het meest; banen verankerd in handen, aanwezigheid en sociaal oordeel zijn voorlopig veerkrachtiger.