Welke L&D-vaardigheden blijven waardevol nu AI contentproductie automatiseert?
Een instructional designer stelde deze week op Reddit een scherpe vraag: als AI steeds meer routinewerk in Learning & Development kan overnemen, van storyboards en scripts tot quizvragen en template-based courses, waar moet je dan als learning designer of instructional designer naartoe groeien?
De vraag is begrijpelijk. Want veel werk dat jarenlang zichtbaar bewijs was van L&D-productie wordt sneller te maken.
Maar sneller content maken is niet hetzelfde als beter leren organiseren.
De interessantste verschuiving is daarom niet van instructional designer naar één nieuwe functietitel. Ze is van contentproductie naar performance, oordeel en leerstrategie.
Eerst: AI verandert taken, niet automatisch hele beroepen
Het is verleidelijk om rollen in twee bakken te stoppen: veilig en onveilig.
Zo eenvoudig is het niet.
Het World Economic Forum verwacht dat AI en big data tot de snelst groeiende vaardigheden richting 2030 behoren. Tegelijk blijven analytisch denken, veerkracht, leiderschap, creatief denken en technologische geletterdheid belangrijke kernvaardigheden.
Dat patroon is belangrijk voor L&D.
De waarde verschuift niet simpelweg van mens naar technologie. De combinatie verandert.
Ook Coursera's Global Skills Report 2026 wijst daarop. In hun leerdata worden AI-vaardigheden steeds vaker gecombineerd met menselijke vaardigheden zoals kritisch denken, oordeel, ethiek, governance en complex probleemoplossen.
Voor L&D betekent dat: alleen goed zijn in een authoring tool wordt kwetsbaarder. Alleen goed zijn in prompting trouwens ook.
1. Diagnose wordt belangrijker dan productie
Stel dat een manager zegt:
"Mijn team heeft een training nodig over klantgericht communiceren."
AI kan daar snel een outline, presentatie, quiz en scenario's voor maken.
Maar de belangrijkste vraag komt daarvoor:
Is training hier überhaupt de oplossing?
Misschien kennen medewerkers de juiste aanpak al, maar worden ze afgerekend op snelheid.
Misschien ontbreekt informatie in het CRM.
Misschien geeft de manager zelf tegenstrijdige instructies.
Misschien zit het probleem alleen bij nieuwe medewerkers.
Wie direct content produceert, kan een perfect ontworpen oplossing bouwen voor het verkeerde probleem.
Daarom wordt performance consulting interessanter naarmate content goedkoper wordt.
De waarde zit in vragen als:
Wat moet er in het werk anders gebeuren?
Wat gebeurt er vandaag?
Waarom bestaat dat verschil?
Is het een kennisprobleem, vaardigheidsprobleem, motivatieprobleem of systeemprobleem?
En pas daarna: welke leerinterventie helpt?
2. Goed oordeel wordt waardevoller wanneer eerste versies goedkoop worden
AI maakt het steeds makkelijker om iets te genereren.
Dat maakt beoordelen belangrijker.
Een quizvraag kan grammaticaal perfect zijn en toch niets relevants meten.
Een scenario kan realistisch klinken en toch een cruciale nuance uit het werk missen.
Een cursus kan professioneel ogen en deelnemers alsnog belasten met informatie die ze nooit nodig hebben.
De L&D-professional van morgen hoeft daarom niet altijd zelf iedere eerste versie te schrijven.
Maar die moet wel kunnen herkennen:
Is dit correct?
Is dit relevant?
Past dit bij de doelgroep?
Meet deze vraag wat we denken dat ze meet?
Is dit veilig en verantwoord?
Wat ontbreekt hier?
Coursera rapporteert in 2026 sterke groei in leren rond kritisch denken en plaatst critical thinking en judgment centraal in de combinatie van AI- en menselijke vaardigheden.
Dat is precies de laag waar L&D zich kan onderscheiden.
3. Van cursusontwerp naar leerarchitectuur
Wanneer content sneller geproduceerd kan worden, wordt de vraag groter hoe al die content samenhangt.
Welke kennis moet iemand vooraf krijgen?
Wat moet tijdens een training geoefend worden?
Wat hoeft niemand te onthouden omdat het op het werk vindbaar is?
Waar is een manager nodig?
Wanneer geef je feedback?
Wat gebeurt er drie weken later?
Een goede leerervaring is zelden één cursus.
Het is een combinatie van momenten, hulpmiddelen, mensen en feedback.
Daarom worden vaardigheden rond learning experience design en leerarchitectuur belangrijk: niet omdat de term moderner klinkt, maar omdat iemand het volledige leerpad moet blijven ontwerpen.
4. Data gebruiken om te verbeteren, niet alleen te rapporteren
AI kan ook de hoeveelheid leerdata vergroten.
Maar dashboards creëren nog geen inzicht.
L&D-professionals die data kunnen koppelen aan echte werkvragen krijgen een sterkere positie.
Niet alleen:
"87% heeft de module voltooid."
Maar:
"Op welk onderdeel blijven vragen terugkomen?"
"Welke vaardigheid wordt na de training nauwelijks toegepast?"
"Waar haken nieuwe medewerkers af?"
"Welke ondersteuning heeft een deelnemer nodig nadat de formele training stopt?"
Dat vraagt geen data-scientist van iedere trainer.
Wel basiskennis van meten, goede vragen stellen, patronen interpreteren en voorzichtig omgaan met causaliteit.
5. AI-geletterdheid hoort erbij, maar prompting is niet het einddoel
AI negeren is voor L&D geen sterke langetermijnstrategie.
Microsoft beschreef in zijn Work Trend Index 2025 een verschuiving richting teams waarin mensen AI-agents aansturen. In het onderzoek verwachtte een deel van de leiders dat medewerkers binnen vijf jaar agents zullen trainen en managen.
Voor L&D zijn daarom vaardigheden nodig zoals:
weten wanneer AI geschikt is;
goede context en bronnen meegeven;
output controleren;
privacy en vertrouwelijkheid begrijpen;
menselijke controle inbouwen;
en workflows ontwerpen waarin AI een taak ondersteunt zonder blind beslissingen over te nemen.
Dat is breder dan "goed kunnen prompten".
Het gaat om kunnen samenwerken met AI én weten wanneer je dat beter niet doet.
6. Domeinkennis wordt niet minder belangrijk
Generieke content wordt goedkoop.
Context niet.
Een model kan een rollenspel over feedback schrijven. Maar weet het niet automatisch hoe feedback in jouw organisatie werkelijk gegeven wordt, welke uitzonderingen bestaan of welke fouten risicovol zijn.
Daarom blijft het vermogen om met subject matter experts te werken belangrijk.
Sterke L&D-professionals halen impliciete kennis boven water, toetsen aannames en vertalen expertise naar iets waarmee een beginner kan handelen.
AI kan dat proces versnellen.
Het vervangt de nood aan betrouwbare context niet.
Welke richting moet je dan uit?
Je hoeft niet onmiddellijk een nieuwe functietitel te kiezen.
Kijk liever naar je huidige werk en verdeel het in drie lagen.
Productie: slides, scripts, quizzen, samenvattingen en standaardcontent.
Ontwerp: leerdoelen, scenario's, oefening, feedback, transfer en leerpaden.
Performance: diagnose, stakeholdervragen, data, werkprocessen en businessresultaten.
Gebruik AI om delen van de eerste laag sneller te doen.
Investeer je eigen ontwikkeling vooral in de tweede en derde laag.
Dat kan leiden naar rollen zoals performance consultant, learning experience designer, learning analyst, learning strategist of AI enablement specialist.
Maar de functietitel is minder belangrijk dan het onderliggende vermogen:
kun je aantonen dat je meer doet dan content produceren?
Een praktisch ontwikkelplan voor de komende 12 maanden
Je hoeft je carrière niet in één beweging om te gooien.
Begin met één project.
Neem een trainingsvraag en doe eerst een performanceanalyse voordat je iets bouwt.
Gebruik AI daarna bewust voor een deel van de productie.
Documenteer welke beslissingen jij nam die het model niet kon nemen.
Meet na oplevering iets dat dichter bij gedrag of performance ligt dan completion.
En maak van dat proces een case.
Dan bouw je tegelijk vaardigheden op in AI, diagnose, ontwerp, data en stakeholdermanagement.
Dat is veel sterker dan simpelweg nog een AI-tool aan je cv toevoegen.
Conclusie
AI maakt een deel van L&D-productie sneller en goedkoper.
Dat is geen reden om instructional design af te schrijven.
Het is wel een reden om opnieuw te kijken waar de echte waarde zit.
Niet in hoeveel slides je kunt bouwen.
Niet in hoeveel quizvragen je kunt schrijven.
En ook niet in hoeveel prompts je kent.
De waarde zit steeds meer in het juiste probleem herkennen, goede leerbeslissingen nemen, betrouwbare context gebruiken en aantonen wat er in het werk verandert.
Misschien is dat de beste carrièrevraag voor L&D in het AI-tijdperk:
Als content morgen bijna gratis wordt, welk probleem kan ik dan beter oplossen dan vandaag?