Waarom AI-enthousiasme geen teken van volwassenheid is — en wat Tully, Longoni & Appel ons leren over AI-governance

Stel je voor: je rolt Microsoft Copilot uit in je organisatie. Na drie maanden rapporteert de CIO: dagelijks 87% actieve gebruikers, hoge tevredenheidsscores, breed enthousiasme. Succes, toch?

Niet per se. Een paper van Tully, Longoni en Appel in de Journal of Marketing (2025) toont aan dat hoge AI-receptiviteit een signaal kan zijn van lage AI-geletterdheid, niet van geïnformeerd vertrouwen. Mensen die AI niet goed begrijpen, ervaren de output als magisch. En magie drijft adoptie harder dan begrip.

---

De contra-intuïtieve kern

De paper rapporteert: "People with lower AI literacy are typically more receptive to AI." Deze bevinding komt uit vier surveys, cross-country data en zes aanvullende studies.

De auteurs testten drie voor de hand liggende verklaringen, en verwierpen ze alle drie:

• "Ze vinden AI capabeler" → geen mediator
• "Ze vinden AI ethischer" → geen mediator
• "Ze zijn minder bang voor de impact op de mensheid" → geen mediator

De werkelijke mediator is "perceptions of AI as magical", ontzag voor AI's vermogen om taken uit te voeren die uniek menselijk lijken. Hoe minder iemand het mechanisme begrijpt, hoe groter de kans dat de prestatie als bovennatuurlijk wordt gecodeerd. Die verwondering verhoogt de acceptatie.

---

Waarom dit AI-governance raakt, niet alleen marketing

De paper verscheen in de Journal of Marketing, maar de implicaties reiken tot aan de bestuurskamer van elke gereguleerde organisatie. Vijf consequenties:

1. Adoptie-KPI's moeten worden aangevuld met literacy-KPI's Meet niet alleen MAU, tokengebruik en tevredenheid. Meet ook begrip van hallucinatierisico, data-lekkage, prompt-injection, modelbeperkingen en escalatieregels.

2. Training moet meer zijn dan promptcursussen Veel AI-trainingen leren mensen hoe ze prompts moeten schrijven. Dat is onvoldoende. Training moet demystificeren: hoe werkt het model? Waar zitten onzekerheid, bias, stochasticiteit en alignment-grenzen?

3. Human-in-the-loop is zwak zonder literacy Een mens die AI-output moet controleren maar het systeem mystificeert, functioneert niet als effectieve controlelaag. Dan ontstaat rubber-stamping: de mens keurt goed wat hij niet begrijpt.

4. AI Act Art. 4 is geen formaliteit De EU AI Act vereist "voldoende AI-geletterdheid" bij personeel van zowel aanbieders als gebruikers. Deze paper levert het empirische bewijs dat dit geen bureaucratische checkbox is, lage geletterdheid creëert een systematische bias richting onkritische adoptie.

5. Magical thinking als AI Act Art. 5-risico Artikel 5 verbiedt AI-praktijken die "misbruik maken van kwetsbaarheden." Als laag-geletterde gebruikers AI als magisch ervaren, is er een risico dat AI-systemen onbedoeld kwetsbare groepen manipuleren, niet door kwaadaardig ontwerp, maar door de perceptiekloof.

---

De governance-paradox: demystificatie vermindert adoptie

De paper bevat een ongemakkelijke conclusie: "Efforts to demystify AI may inadvertently reduce its appeal."

Voor commerciële marketing is dat een probleem. Voor enterprise governance is het precies omgekeerd: demystificatie is een noodzakelijke controlemaatregel. Minder adoptie op basis van beter begrip kan een teken zijn van volwassen risicobewustzijn.

DjimIT's governanceprincipe hieruit:

No AI adoption without AI literacy calibration.

---

Vier governance-lagen voor verantwoorde AI-adoptie

Deze paper ondersteunt een model met vier lagen:

Laag 1, AI Literacy Baseline Meet per doelgroep het basisbegrip van AI. Wat is generatief? Wat is probabilistisch? Wat is hallucinatie? Wat mag juridisch wel en niet?

Laag 2, Use Case Risk Segmentation Onderscheid laag-risico productiviteitstaken van besluitvormende, klantgerichte, juridische of medische toepassingen.

Laag 3, Receptivity Calibration Meet niet alleen enthousiasme, maar ook oververtrouwen, antropomorfisme, magical thinking en automation bias.

Laag 4, Control Design Pas controls aan op literacy-niveau. Lage literacy vraagt om meer guardrails, strakkere templates, verplichte bronverificatie en escalation gates.

---

Wat DjimIT hiermee doet

DjimIT integreert deze inzichten in drie concrete diensten:

1. AI Literacy Assessment Een gestandaardiseerde meting van AI-geletterdheid per afdeling, functie of gebruikersgroep, direct gekoppeld aan AI Act Art. 4 compliance.

2. AI Competence Preservation Audit Een audit die meet of AI-gebruikers niet alleen productief zijn, maar ook kritisch blijven. Kernvraag: controleert de gebruiker output structureel? Of is er sprake van rubber-stamping?

3. Scaffolding-First AI Design Voor OpenCode, Claude Code, Kilo en agentic coding harnesses: laat AI niet standaard "magisch oplossen", maar dwing eerst intentie, constraints en risico's te expliciteren (explain-then-execute). Gebruik calibrated friction: extra verificatiestappen bij secrets, data-export, CI/CD en infra changes.

---

De les voor de bestuurskamer: AI-enthousiasme is geen maturity-indicator. Volwassen adoptie meet je niet in dagelijkse actieve gebruikers, maar in het aantal gebruikers dat kan uitleggen waaróm ze een AI-uitkomst vertrouwen, of juist niet.

---

Tully, Longoni & Appel, "Lower Artificial Intelligence Literacy Predicts Greater AI Receptivity," Journal of Marketing, Vol. 89 (2025). DOI: 10.1177/00222429251314491

Lees ook: Van prompt filter naar control plane, waarom de OWASP Agentic Top 10 alles verandert, Van modelspecificatie naar AI-harness, wat vijf DeepSeek-papers ons leren, en iii: waarom drie primitieven genoeg zijn om je hele backend te herschrijven.