Als engineer kijk je misschien met gemengde gevoelens naar de opkomst van AI en AI-technologie. Aan de ene kant zie je de efficiëntie ervan, aan de andere kant is er misschien de vraag: "Heb ik het echt nodig en werkt het in mijn voordeel?” Het antwoord is ja. Want de code die jij vandaag met moeite leert schrijven, wordt morgen sneller en foutlozer gegenereerd door een AI-model. De industrie staat te springen om vaardigheden die jij al jaren beheerst maar wellicht nog niet toepast in een technische omgeving: een scherp analytisch vermogen, een kritische blik, natuurlijk leiderschap en technisch inzicht.
In het kort:
-
Een nieuwe kernvaardigheid is 'Computational Empathy': het vermogen om technische opdrachten zo helder te formuleren dat een AI ze foutloos kan uitvoeren.
-
Behandel AI als een stagiair. Begin met een goede onboarding (wie ben je?), hak grote projecten op in kleine stappen (logische decompositie) en controleer altijd de output (verificatie).
-
Jouw rol verschuift van het zelf doen van het werk naar het valideren van het resultaat. Omdat AI kan 'hallucineren', wordt jouw technische oordeel en controle belangrijker dan ooit.
-
De Nederlandse directheid en de 'niet lullen, maar poetsen'-mentaliteit is perfect voor AI-aansturing. Door repetitieve taken te delegeren aan agents, word je als engineer productiever.
In 2026 is de engineer die zich onderscheidt degene die de software kan aansturen. We noemen dit Computational Empathy. Het is het vermogen om complexe, technische intenties te vertalen naar logica die een machine niet kan misinterpreteren.
Wat is "computational empathy"?
Computational Empathy gaat over het begrijpen van de beperkingen van de robot. Het is het besef dat een Large Language Model (LLM) of een agent geen 'gezond verstand' heeft, geen intuïtie bezit en de context van jouw bouwproject in de Botlek of de Eemshaven niet 'aanvoelt'.
Denk terug aan de eerste keer dat je een pas afgestudeerde junior moest begeleiden. Als je tegen die junior zei: "Kijk even naar de constructie van die brug", dan kreeg je waarschijnlijk een vragende blik terug. Wat moest hij doen? De lasnaden inspecteren? De fundering doorrekenen? De esthetiek beoordelen?
Hieruit kan je afleiden dat je een specifieke en heldere instructie moet geven: "Controleer de momentcapaciteit van de liggers op as 3 volgens de Eurocode."
Dat is Computational Empathy. Het is de kunst van extreme helderheid.. Prompting is niets anders dan het zeer nauwkeurig delegeren van taken. Als jij gefrustreerd raakt omdat een AI-tool je niet begrijpt, ligt dat zelden aan de tool. Het ligt meestal aan een gebrek aan context in je instructie.
De 3 pijlers van agent management (zonder code)
Om de vaardigheden van een AI-manager te ontwikkelen, hoef je niet terug naar de schoolbanken voor een IT-cursus. Je moet je bestaande vaardigheden en kennis projecteren op je digitale werkvloer. Dit rust op drie pijlers.
Pijler 1: Context loading (de onboarding).
Een nieuwe AI-sessie is als een nieuwe medewerker die op zijn eerste werkdag binnenkomt. Hij weet niets. Hij kent de klant niet, hij kent de geschiedenis van het project niet en hij weet niet aan welke normen je moet voldoen.
De meest gemaakte fout is te starten met het stellen van de hoofdvraag r te stellen: "Schrijf een rapport over materiaalmoeheid." Het resultaat is dan te generieken vaak onbruikbaar.
Het is belangrijk de agent tet onboarden. In vakjargon heet dit persona setting. Voordat je de taak geeft, geef je de context.
- De verkeerde aanpak: "Bereken de windbelasting."
- De Computational Empathy aanpak: "Je fungeert nu als een Senior Structural Engineer, gespecialiseerd in hoogbouw in Nederland. We werken aan een renovatieproject in Groningen, dus aardbevingsbestendigheid is een factor. Hanteer strikt de NPR 9998 normering. De doelgroep voor de output is de projectontwikkelaar, dus houd de taal technisch correct maar begrijpelijk. Begrijp je deze rol?"
Pas als de agent bevestigt, geef je de opdracht. Dit kost je twee minuten extra typwerk, maar het bespaart je tijd in het redigeren.
Pijler 2: Logische decompositie (het projectplan)
Dit is waar jouw ervaring als engineer belangrijk is. AI-modellen hebben de neiging om te gaan 'hallucineren' (feiten verzinnen) als een taak te groot of ongedefinieerd is. Vraag je een AI om in één keer een "volledig bestek voor een waterzuivering" te schrijven, dan krijg je onzin.
De oplossing is het toepassen van logische decompositie. In de bouw en techniek noemen we dit een Work Breakdown Structure (WBS). Je hakt het grote probleem in kleine, behapbare brokken.
In plaats van één gigantische prompt ("Ontwerp een HVAC-systeem voor dit kantoor"), voer je een dialoog in stappen:
- Stap 1: "Op basis van deze plattegrond (upload), geef me een schatting van de benodigde koelcapaciteit per ruimte op basis van inhoud en beglazing."
- Stap 2: "Gegeven deze capaciteit, stel drie mogelijke systeemconfiguraties voor die voldoen aan de BENG-eisen."
- Stap 3: "Selecteer optie 2. Genereer nu een lijst met specifieke componenten voor deze configuratie."
Dit is procesbeheersing. Het vereist dat jij als expert de volgorde der dingen snapt. Een AI toolweet niet welke stappen nodig zijn; jij wel. Daarom ben jij de bestuurder en is de AI de motor.
Pijler 3: Verificatie (de code review)
"Vertrouwen is goed, controle is beter" is de kern van werken met AI.
Een AI-agent is zelfverzekerd, zelfs als hij liegt. Hij zal met evenveel overtuiging een compleet verzonnen formule presenteren als een correcte. Het is daarom belangrijk scherp te zijn en verificatie toe te passen.
Zie de output van de AI als het conceptwerk van een starter of stagiair. Je gaat er niet blind vanuit dat de berekening klopt. Je pakt je rekenmachine, je gebruikt je boerenverstand en je controleert de aannames.
- Is de output logisch?
- Kloppen de eenheden (heeft hij geen Imperial en Metrisch door elkaar gehaald)?
- Verwijst de AI naar een NEN-norm die daadwerkelijk bestaat?
Jouw waarde zit niet in het valideren. Je verschuift van creator naar auditor.
Waarom dit cruciaal is voor de nederlandse sector
Waarom hameren we hier zo op? Omdat de Nederlandse engineeringsector unieke kenmerken heeft die perfect aansluiten bij deze nieuwe manier van werken.
- De cultuur van efficiëntie en directheid Wij staan bekend om onze directheid. Niet lullen, maar poetsen. In menselijke interactie wordt dat soms als bot ervaren, maar in interactie met AI is het een superkracht. AI-modellen functioneren het best bij ondubbelzinnige, directe instructies zonder 'sociale ruis'. De Nederlandse communicatiestijl is, ironisch genoeg, perfect voor digitale transformatie.
- Het tekort aan technisch talent We kunnen er niet omheen: er is een schreeuwend tekort aan engineers in Nederland. Vacatures staan maanden open. De werkdruk op de zittende teams neemt toe. We kunnen niet zomaar duizenden nieuwe engineers toveren. Wat we wél kunnen doen, is de huidige engineers slimmer laten werken.
Een engineer die Computational Empathy beheerst, is een zogeheten Force Multiplier. Hij of zij doet niet het werk van één persoon, maar faciliteert het werk van drie. Door bij repetitieve taken (rapportages schrijven, data analyseren, e-mails opstellen, code checken) AI in te schakelen, hou je tijd over voor complexe probleemoplossing en innovatie.
Conclusie
De angst dat AI jouw baan overneemt is ongegrond, zolang je bereid bent je rol te laten evolueren. Het is belangrijk om kritisch te kijken naar hoe je communiceert. Sla jij de brug tussen jouw technische ervaring en digitale intelligentie? Kun jij kennis structureren voor de technologie van morgen?
Dat is de kern van Computational Empathy. Het is de brug tussen jouw menselijke expertise en de rekenkracht van de machine.
