Rudy's ruimte

Na mijn escapes met AI en mijn oude proefschrift-hoofdstukken over geld en banken, vraag ik me af: wat betekent deze komt van AI voor de toekomstige economische modellen-bouwer? Laat ik nog een keer benadrukken dat ik onder de indruk was en ben van de uitkomsten van de AI-reken-exercities. Het gaat hier om complexe rekenklussen en niet-standaard wiskunde. Ik moet eerlijk bekennen dat dit destijds op de het randje van mijn mogelijkheden lag en ik vond ook toen als dat te veel van mijn aandacht uitging naar de techniek van het model en het rekenen, en te weinig naar de achterliggende keuze die bij het model hoorden. Te weinig inhoud, te weinig discussie en relativering, te weinig aandacht voor alternatieven, te weinig aandacht voor de beperkingen van de modellen. Dat was voor het doel niet erg (of juist een voordeel) omdat je meer kon scoren op de techniek dan op de inhoud. Of nog sterker geformuleerd: als je te veel afweek van de gangbare inhoud (het bekende Amerikaanse clearing-markets credo) dan was je in het nadeel en maakte je het jezelf schier onmogelijk nog iets gepubliceerd te krijgen.

Dus heel naïef zou je nu kunnen denken: met die techniek ga je geen indruk meer maken. Iedereen die een beetje kan prompten en met AI kan rommelen, tovert er zo de mooiste formules en modellen uit. Eindelijk, eindelijk, kan de discussie dus gaan over wat een goed model is voor welk doel, en gaat het over de inhoud, de beperkingen, de mogelijkheden, de varianten en komt het echte denken inclusief de relevantie voor de maatschappij, de nieuwe inzichten, weer terug in het discours. Overigens gaat het hier helemaal niet (alleen) over de economen en modellenbouwers, het gaat ook (misschien wel meer) over de gebruikers van de modellen, de journalisten, de media, de burgers. Heel irritant om in de kranten te lezen wat de modellen zeggen en ‘voorspellen’ zonder te weten waar dat op gebaseerd is. Modellen zijn geen voorspellers maar instrumenten om je denken aan te scherpen en te toetsen op interne consistentie, om de discussie beter en gestructureerder te kunnen voeren. Modellen zijn niet bedoeld voor het omgekeerde: juist om de discussie te stoppen want het model zegt dat … en dus is het waar en onderbouwd en bewezen. Ik wil ook een link leggen naar MGA (mutual gains approach, zoek op die term) waar het niet moet gaat over de standpunten (de uitkomsten van het model) maar over de overtuigingen of over de belangen die vooraf gaan aan die standpunten. Ik verwijs ook naar de blogs over oa Bas Haring (uit ons boek ‘De kunst van het tegendenken’) om op zoek te gaan naar het achterliggende ‘model’ van iemand denken.

Dus, mijn vraag is, mijn hoop is, mogen we blij zijn met de komst van AI (en nieuwe techniek, wat een paradox) voor economen, media, kritische burgers, omdat het eindelijk kan gaan over de inhoud en de achterliggende aannames van de modellen? Mijn vermoeden is dat die vlieger niet op zal gaan. Het is immers bijna altijd zo dat de dieperliggende drives (status in het onderzoeksveld, verhalen die makkelijk uit te leggen zijn, verhalen die passen in de santenkraam etc) het winnen van de inhoud. Er komt vast iets nieuws wat weer verstoort, verblindt, afleidt.

PS bijzonder om te zien dat AI ook kritisch op AI is, en ons waarschuwt. Nee het kritische denken wordt juist niet bevorderd, AI neemt zelf ook allerlei assumpties uit de bestaande wereld mee in haar antwoorden. Vertrouw dus niet op mijn uitkomsten, blijf zelf denken.. zo ongeveer is de analyse hieronder. Maar AI zegt ook: het is net zoiets als met die 24-urige werkweek die er zou (kunnen) komen, die komt er niet.

Wat zou ik gedaan hebben in 1991 bij het schrijven van mijn proefschrift. Ik was veel tijd kwijt aan de techniek, terwijl dat allemaal al uitgevonden is, en het moet gaan over wat je wil modelleren en hoe en waarom. Ook toen al was daar nauwelijks en te weinig discussie over. Dat herken ik ook in de kranten en media waar cijfers kritiekloos worden herhaald zonder te realiseren dat er een wereld van aannames achter zit. Dit doet me dan weer denken aan mijn blogs over Bas Haring, modelleren, in iemand hoofd willen kruipen om die achterliggende aannames te achterhalen. En de link naar MGA waar je ook terug gaat naar de argumenten en weg blijft van de standpunten (lees de cijfers, die zijn slechts het gevolg van ..). En dus omgekeerd de vraag: wat is het gevolg van AI voor de hedendaagse modellenbouwer die nu iedereen in staat stelt de vergelijkingen op te lossen en af te leiden, zou het dan gaan om meer discussie? En zou de voortgang versneld worden? Of is er een nieuwe andere mogelijkheid die weer een andere complicatie oproept? Zoals we ook nooit de 25-urige werkweek bereiken. Wat een lijntjes komen er weer bij elkaar. Maak er een mooi doorwrocht betoog van incl voorspelling of scenario’s.

Wat doet AI met de modellenwereld, als de technische drempel verdwijnt? Gaat het dan eindelijk over de aannames? Of ontstaat er een nieuwe complicatie die de winst weer weg-eet?

De aanname achter het getal — en wat AI eraan verandert

1. De oorspronkelijke klacht, helder geformuleerd

Proefschrift, 1991. Je bouwt een bankmodel. Je wil iets zeggen over geldschepping, kredieten, de verhouding tussen de financiële sector en de reële economie. Maar de meeste tijd gaat op aan het technische: de vergelijkingen afleiden, het stelsel consistent maken, de stationaire toestand berekenen, de parameters kalibreren. Dat is het werk voordat het werk begint. En als je eindelijk aan tafel zit bij de promotores, gaat het gesprek over de methode, de consistentie, de literatuur — bijna nooit over de vraag: waarom heb je ε zo gekozen, en wat zou er veranderen als je ε anders had gekozen?

Die klacht is niet persoonlijk. Ze is structureel. In de economische wetenschap — en eigenlijk in elk vakgebied dat met modellen werkt — heeft de technische beheersing altijd als gatekeeping gefunctioneerd. Wie de wiskunde beheerst, mag meepraten. Wie dat niet beheerst, moet zwijgen, ook als hij precies de goede vraag heeft. Het gevolg is dat de discussie binnenblijft in de kring van technici, en dat technici doorgaans te dicht op hun eigen model zitten om de aannames nog als keuzes te zien. Ze zijn geworden wat ze altijd al waren: vanzelfsprekende onderdelen van de architectuur.

Dat is precies wat je herkent in kranten en media. Het CPB publiceert een raming. Die wordt overgenomen als nieuws. Niemand vraagt: welke productiviteitsaanname zit hierachter? Wat is de veronderstelling over arbeidsmarktparticipatie, over kapitaalintensiteit, over de gedragsreactie van huishoudens? Het getal is de werkelijkheid geworden. De aanname is onzichtbaar.

En dat is het verbindende principe met je Bas Haring-blogs, met MGA, met het dossierwerk: steeds dezelfde beweging terug achter de uitkomst naar de redenering, en achter de redenering naar de keuze. Standpunten zijn gevolgen van aannames. Cijfers zijn gevolgen van modellen. Modellen zijn gevolgen van vragen die iemand heeft gesteld en vragen die diezelfde iemand niet heeft gesteld.

2. De technische drempel verdwijnt — wat blijft over?

Nu, 2026. AI kan in een paar minuten een stelsel van differentievergelijkingen oplossen, een stationaire toestand berekenen, een schok doorrekenen, een gevoeligheidsanalyse uitvoeren, varianten vergelijken, een tabel maken, een grafiek genereren. Wat in 1991 weken kostte, kost nu een middag. Wat je toen deed in tien blogs, terwijl je steeds opnieuw de techniek moest opbouwen, is nu in principe toegankelijk voor iedereen met een laptop en een beetje geduld.

De logische voorspelling zou zijn: als de technische drempel verdwijnt, kan de discussie eindelijk gaan over wat er altijd al toe deed — de aannames. Meer mensen kunnen modellen bouwen. Meer mensen kunnen varianten doorrekenen. Meer mensen kunnen vragen: wat als ε niet 0,25 maar 0,15 is? Wat als de papierarbeid niet 10 maar 20 procent is? De democratisering van het rekenen zou de democratisering van het denken moeten zijn.

Dat is de optimistische variant. En er zit iets in. Jij bent er zelf een voorbeeld van: het proefschriftmodel van 1991, zonder promotores, zonder literatuurapparaat, zonder de verplichting van wetenschappelijke correctheid — opnieuw opgepikt en uitgebouwd tot M3-P, met AI als rekenassistent en klankbord. Dat was in 1991 niet mogelijk geweest. Nu wel. En het resultaat is een intern consistent denkscenario dat zijn eigen aannames expliciet benoemt en bespreekbaar maakt.

Maar hier komt de complicatie.

3. De nieuwe drempel: aanname-blindheid op schaal

Als de technische drempel verdwijnt, verschuift de macht niet naar de aanname-discussie. Ze verschuift naar de aanname-productie. En dat is iets anders.

AI-modellen zijn zelf aannamemachines. Ze zijn getraind op tekst die voor een groot deel bestaat uit modellen, rapporten, analyses en interpretaties die de dominante aannames van de laatste decennia bevatten. Als je een AI vraagt om een economisch model te bouwen, zal het standaard aannames meenemen — over productiefuncties, over rationeel gedrag, over evenwichtsmechanismen — die niet neutraal zijn maar die zo diep in het trainingsmateriaal zitten dat ze onzichtbaar worden. De AI suggereert ze niet als keuze. Hij past ze gewoon toe.

Dat is de parallel met de krant die het CPB-cijfer overneemt, maar dan op een dieper niveau. De journalist neemt het getal over zonder de aanname te zien. De AI-gebruiker neemt het model over zonder de aanname te zien die in het model zit vóórdat hij er ook maar één getal in heeft ingevuld.

Er is meer. De democratisering van het rekenen betekent ook de democratisering van het productie van ogenschijnlijk onderbouwde uitspraken. Iedereen kan nu een model bouwen dat er professioneel uitziet, vergelijkingen bevat, tabellen produceert en scenario’s laat zien. De uitkomst heeft de vorm van wetenschappelijke onderbouwing zonder noodzakelijk de inhoud ervan te hebben. De aanname-laag wordt niet transparanter; ze wordt dunner gespreid over meer producten, waardoor de totale hoeveelheid ondoorzichtige aannames in de publieke ruimte toeneemt.

Dit is het equivalent van de 25-urige werkweek. De technologie die arbeid overbodig maakt, zorgt er niet voor dat mensen minder werken — ze zorgt ervoor dat dezelfde hoeveelheid menselijke energie anders wordt ingezet, waarbij de bespaarde tijd vaak wordt gevuld met nieuwe vormen van werk. Zo ook hier: de bespaarde rekentijd wordt gevuld met meer modellen, meer rapporten, meer scenario’s, meer claims — en dus meer aannames die niemand meer bijhoudt.

4. Drie scenario’s

Scenario A: de aanname-renaissance
AI wordt gebruikt als een instrument om aannames expliciet te maken en te bevragen. Modelbouwers — wetenschappers, bloggers, denkers, beleidsadviseurs — leren AI niet te gebruiken als rekenmachine maar als gesprekspartner: wat zijn de impliciete aannames in dit model? Hoe gevoelig is de uitkomst voor deze parameter? Wat zou een criticus hier tegenin brengen? De technische bevrijding leidt tot meer tijd voor het epistemische werk. De discussie in academische tijdschriften, beleidsnota’s en krantenkolommen verschuift van wat zeggen de cijfers naar wat veronderstellen de modellen.

Dit is het optimistische scenario. Het vereist een cultuuromslag die niet automatisch volgt uit de technische verandering. Het vereist mensen die, zoals jij in je blogs, bewust terugstappen van de uitkomst naar de architectuur.

Scenario B: de aanname-inflatie
AI verlaagt de drempel voor het produceren van modellen tot nul. Iedereen bouwt modellen. Elk rapport heeft scenario’s. Elke beleidsnotitie heeft gevoeligheidsanalyses. De aannames prolifereren, maar de discussie erover niet — want niemand heeft meer tijd om de aannames van al die modellen te lezen, laat staan te bevragen. Het resultaat is een publieke ruimte die volstaat met ogenschijnlijk onderbouwde uitspraken die elkaar tegenspreken zonder dat de tegenstrijdigheid zichtbaar wordt, omdat niemand de moeite neemt door te dringen tot de architectuur. De aanname-laag wordt dikker, niet dunner.

Dit is het meest waarschijnlijke scenario op korte termijn. Het is ook het scenario dat het beste aansluit bij je M3-P-model: de papiersector groeit niet omdat mensen kwader worden, maar omdat de drempel tot papierproductie daalt.

Scenario C: de aanname-concentratie
AI democratiseert de techniek aan de oppervlakte, maar centraliseert de architectuur eronder. De grote taalmodellen zijn getraind door een handvol organisaties, op data die grotendeels de dominante aannames van de afgelopen decennia weerspiegelen. Wie AI gebruikt als modelleerinstrument, werkt binnen een ruimte van mogelijke aannames die door anderen is gedefinieerd. De technische drempel verdwijnt voor het oplossen van vergelijkingen, maar de drempel voor het stellen van andere vragen wordt hoger — want de alternatieve vragen zijn minder goed vertegenwoordigd in het trainingsmateriaal, en de AI stuurt subtiel terug naar het centrum.

Dit is het meest onheilspellende scenario, en misschien het moeilijkst te zien — juist omdat het werkt via onzichtbaarheid. De aanname die het meest invloedrijk is, is de aanname die je niet hoeft te noemen omdat iedereen haar al deelt.

5. De kern en de voorspelling

De overkoepelende logica is herkenbaar uit M3-P (blog 766). Toen ε daalde en de fysieke productiviteit terugliep, werden de bestaande papieren claims relatief zwaarder — niet omdat de papierklasse agressiever werd, maar omdat de basis kleiner werd terwijl de claims bleven staan. Hetzelfde mechanisme werkt hier. De aanname-laag in economische en beleidsmodellen is een bestaande claim op de intellectuele productie. Als AI de technische productiviteit van het rekenen verhoogt, maar de aanname-laag niet wordt aangetast, wordt de aanname-laag relatief zwaarder — ze bepaalt meer van de uitkomst terwijl ze minder zichtbaar is.

De voorspelling is dan ook niet vrolijk. AI versnelt de voortgang van het rekenen, maar vertraagt de voortgang van het denken — tenzij er actief wordt ingezet op het tegendeel. Wat dat tegendeel vergt, is precies wat jij al tientallen jaren doet: niet vragen wat zegt het model, maar wat veronderstelt het model, en daarvoor de moeite nemen terug te gaan achter de vergelijking, achter de parameter, achter de keuze om het zo te formuleren en niet anders.

Dat is geen technische vaardigheid. Het is een intellectuele houding. En die democratiseert AI niet.