Waarom AI-agents de bedrijfsarts niet zullen vervangen
De 50-meter wasstraat paradox
Ik testte onlangs een state of the art Large Language Model met een alledaags scenario. Ik vertelde het systeem:
"Ik wil mijn auto wassen. De wasstraat is ongeveer 50 meter van mijn huis, en ik heb de hele dag aan mijn bureau gewerkt. Moet ik rijden of lopen?"
De AI antwoordde met zelfverzekerdheid. Het systeem merkte de korte afstand op, herkende mijn zittende werkdag, en adviseerde om te lopen vanwege de gezondheidsvoordelen. Het miste een fundamentele waarheid van de fysieke werkelijkheid: om een auto te wassen, moet je de auto meenemen.
Dit illustreert precies waarom kant-en-klare generatieve AI niet blindelings vertrouwd kan worden met medische of arbeidsgezondheids-triage. Het systeem denkt niet. Het voorspelt.
Wanneer je te maken hebt met complex verzuim en strikte re-integratiewetgeving, is dit gebrek aan redenering gevaarlijk. Een systeem dat vol vertrouwen de auto thuis laat staan, is een enorm klinisch risico wanneer het menselijke gezondheid beoordeelt.
Onder de motorkap: de "next token"
Om te begrijpen waarom Large Language Models falen bij logisch redeneren, moeten we kijken naar hun onderliggende architectuur. Deze modellen zijn geen synthetische breinen. Het zijn uiterst geavanceerde autocompletes.
Wanneer een LLM een antwoord genereert, berekent het enkel de statistische waarschijnlijkheid van het volgende woordfragment. We noemen deze fragmenten "tokens." Het model leunt op enorme datasets om te voorspellen welk token logischerwijs na het vorige komt.
Het algoritme begrijpt de concepten achter de woorden niet. Het weet niet wat een auto is, noch begrijpt het de biologische of psychologische mechanismen van een burn-out. Het herkent simpelweg dat het woord "lopen" vaak volgt op zinnen over "de hele dag zitten."
Bij creatief schrijven levert het voorspellen van het volgende token briljante, menselijk klinkende resultaten op. De illusie van intelligentie is ongelooflijk overtuigend. Maar in de hoog-risico omgeving van arbeidsgezondheid is "statistisch waarschijnlijk" iets fundamenteel anders dan "medisch juist."
Waarom context in arbeidsgezondheid meer is dan tekst
De bedrijfsarts is onmisbaar, juist omdat die bezit wat de machine mist: begrip van menselijke context. Een arts kijkt naar de hele medewerker achter het digitale intake-formulier.
Professionals begrijpen fysieke beperkingen, psychologische stress en de complexe dynamiek van de werkvloer. Wanneer een medewerker zich ziek meldt, zijn de gesproken of geschreven woorden vaak slechts de oppervlaktelaag van een dieper, systemisch probleem.
Een LLM ontvangt het intake-transcript en matcht woorden met algemene medische tekst van het internet, boeken en andere bronnen. Een arts daarentegen leest tussen de regels door. Die kent de geschiedenis van de afdeling, begrijpt de implicaties van strikte arbeidswetgeving, en legt de verbinding met de werkelijkheid.
Deze menselijke verankering is waarom we een harde grens moeten trekken bij digitale zorginnovatie. AI is een ongelooflijk krachtig hulpmiddel voor het structureren van ongestructureerde data. Het is echter volledig blind voor de menselijke conditie en de sociaaleconomische context van arbeid.
De triage-valkuil: een operationeel scenario
Stel je een standaard maandagochtend voor bij een grote arbodienst. De digitale inbox stroomt over met ziekmeldingen van het weekend. De eerste 72 uur na een ziekmelding zijn cruciaal, maar het triageteam kampt met een forse achterstand aan eersteweekmeldingen die onmiddellijke verwerking vereisen.
Stel dat je een van deze meldingen invoert in een generiek LLM om het triageproces te automatiseren. De medewerker meldt vage lage rugpijn, aanhoudende vermoeidheid en lichte hoofdpijn. Het LLM scant de tekst en identificeert de fysieke symptomen onmiddellijk.
Op basis van brede medische datasets stelt het algoritme een standaard fysiek rustprotocol voor. Het stelt misschien zelfs een geautomatiseerde e-mail op die de medewerker adviseert pijnstillers te nemen en een paar dagen rust te houden. Het systeem sluit het ticket snel af en creëert een vals gevoel van efficiëntie.
Een ervaren triage-assistent of een gespecialiseerd, protocolgestuurd systeem leest exact dezelfde melding anders. Ze merken op dat de medewerker werkzaam is op een afdeling die midden in een vijandige reorganisatie zit.
De fysieke symptomen worden herkend als stressmanifestaties van een sluimerend arbeidsconflict. De juiste triage-actie is geen fysieke rust, maar directe bemiddeling en een consult met de bedrijfsarts.
Het generieke LLM miste het conflict volledig omdat de tekst geen expliciete triggers bevatte. Dit leidt tot vertraagde interventie, langdurig verzuim en hogere kosten voor de werkgever.
De arts als "last mile" van de waarheid
Pure gen-AI heeft geen plaats in autonome medische besluitvorming. De bredere tech-industrie pusht vaak het verhaal dat algoritmen binnenkort artsen kunnen vervangen. Dit getuigt van een fundamenteel onbegrip van zowel technologie als arbeidsgezondheid.
De bedrijfsarts blijft de "last mile" van de waarheid. Alleen een geregistreerde medisch professional draagt het wettelijke mandaat, het ethische kader en de menselijke empathie die nodig zijn om een medewerker veilig terug naar het werk te begeleiden.
Technologie moet de professional dienen, niet andersom. Door geautomatiseerde triage correct te implementeren, met het proces als vertrekpunt, verminderen we administratieve last en data-invoer ruis. Zo besteedt de arts alleen tijd aan de casussen die daadwerkelijk hun uitgebreide medische expertise vereisen.
Praktische aanbevelingen: AI-triage veilig inzetten
Het implementeren van AI in je organisatie vereist strikte kaders. De technologie moet het triageproces ondersteunen, zonder autoriteit te delegeren aan een black box. Zo zet je AI veilig en effectief in.
Ten eerste: beperk AI. Gebruik de technologie om rommelige intake-formulieren of transcripten te lezen. Laat het relevante data, symptomen en medewerkergegevens extraheren en structureren in een overzichtelijk dashboard. Vraag de AI nooit om een medische beoordeling.
Ten tweede: implementeer een strikte "Human-in-the-loop"-architectuur. De AI bereidt het dossier voor en organiseert de context, maar een menselijke professional klikt altijd op de definitieve goedkeuringsknop.
Ten derde: gebruik deterministische protocollen in plaats van generatieve voorspellingen. Bij het bouwen van een intelligent triagesysteem moet de AI de geëxtraheerde data toetsen aan vastgestelde medische richtlijnen en strikte arbocompliance-wetgeving.
Deze onderliggende logica moet uitlegbaar en traceerbaar zijn. Als er een audit plaatsvindt, of een arbeidsgeschil ontstaat, moet je exact kunnen aantonen waarom bepaalde keuzes gemaakt zijn.
De toekomst: synergie tussen algoritme en arts
De toekomst van arbeidsgezondheid draait niet om het vervangen van professionals door algoritmen. Het draait om het creëren van naadloze synergie tussen snelle dataverwerking en deskundig klinisch oordeel.
De sector verschuift naar een model waarin technologie het volume aan data verwerkt, en mensen de complexiteit van de medische casussen. Machines doen het zware tilwerk van de administratie.
Wanneer we de frictie van handmatige triage wegnemen, geven we de arts tijd terug. Een arts die bevrijd is van eindeloze data-invoer kan zich volledig richten op de medewerker die tegenover hen zit. Dit resulteert in snellere interventies en betere zorgkwaliteit.
Conclusie
We moeten AI beoordelen op basis van wat het daadwerkelijk kan, in plaats van mee te gaan in de hype van de tech-industrie. Een Large Language Model (taalmodel) is een ongekende prestatie in softwareontwikkeling. Het blijft echter in de kern een next-token predictor.
Als je het de verkeerde vraag stelt, vertelt het je vol vertrouwen om naar de wasstraat te lopen zonder je auto. Het beschermen van de integriteit van het verzuimproces betekent dat we deze structurele beperkingen onder ogen moeten zien.
Intelligente triage schaalt de ondersteuning van medewerkersgezondheid alleen wanneer het stevig verankerd is in de praktijk van arbeidsongezondheid. Door te vertrouwen op protocolgestuurde automatisering in plaats van statistische giswerk, stellen we arboprofessionals in staat om te doen waar ze het beste in zijn.
Stefan Samba - CTO, Triagen
