Mensen samenbrengen in het AI-tijdperk

In plaats van te proberen elke sessie bij te wonen en een allesomvattend overzicht te geven – een onmogelijke opgave – volg ik het advies van ervaren EGU-bloggers op: concentreer je op wat je daadwerkelijk hebt meegemaakt. Ik besef dat mijn aantekeningen slechts een fractie van mijn eigen ervaring weergeven – die op haar beurt weer slechts een fractie is van alles wat er op de EGU is gebeurd – en daar laat ik het bij.

Wat hierna volgt, is dan ook een persoonlijke reflectie, gevormd door een terugkerend thema dat in veel van de sessies die ik heb bijgewoond naar voren kwam. Naarmate AI ons werk versnelt, verdwijnt de menselijke rol bij het modelleren en bij beslissingsondersteuning niet, maar wordt deze juist belangrijker. Kortom: AI vervangt fysieke modellen niet, maar versterkt het deskundige oordeel dat ermee gepaard gaat.

Die bredere uitdaging kwam bijzonder duidelijk naar voren in een lezing van Thorsten Wagener. Hij stond stil bij het feit dat onze huidige uitdagingen verder reiken dan het modelleren zelf. Het wordt niet alleen steeds moeilijker om patronen te ontdekken en te begrijpen in gegevens die door complexe, grootschalige modellen worden geproduceerd, maar ook om kennis uit een steeds groeiende hoeveelheid wetenschappelijke literatuur te vinden, te koppelen en te synthetiseren. Veel latere discussies op de EGU – waaronder het grote aantal lezingen over Large Language Modellen die literatuuronderzoek en -synthese ondersteunen – kunnen worden gezien als reacties op deze uitdaging. Toch was de belangrijkste boodschap van Thorsten niet technologisch, maar menselijk:

“Misschien ligt de ware waarde van een professie vooral in het vermogen om mensen bij elkaar te brengen.”

– Antoine de Saint-Exupéry, Terre des Hommes (1939)

De veranderende rol van onderzoekers in het AI-tijdperk

Een terugkerend thema in verschillende keynote-presentaties en sessies was duidelijk: het bouwen, kalibreren en toepassen van modellen verloopt steeds sneller, eenvoudiger en toegankelijker.

Onze gemeenschap heeft haar expertise lange tijd gedefinieerd door het vermogen om complexe modelleringsprocessen op te zetten, te kalibreren en te verfijnen. Tegenwoordig zorgt AI ervoor dat minder tijd en moeite nodig zijn voor het produceren van een model of voorspelling. Daardoor worden delen van dit werk in feite een commodity. Deze verschuiving roept een belangrijke vraag op: waar moeten onderzoekers zich op richten nu het tijdperk van AI aanbreekt? En wat is onze rol in het modelleringsproces?

In zijn keynote De veranderende rol van de hydrologisch modelleur in het AI-tijdperk bracht Alden Sampson deze transitie bijzonder helder in beeld — een invalshoek die zich gemakkelijk uitbreidt van de hydrologie naar onderzoekers in bredere zin. Hoewel deze verschuiving wellicht betekent dat we aspecten van ons werk moeten loslaten die velen van ons leuk vinden, worden de rollen die overblijven steeds invloedrijker en bieden ze aantoonbaar zelfs nog meer voldoening. Alden benadrukte twee rollen die centraal komen te staan:

• De vertaler, die een brug slaat tussen gebruikers en de wetenschap en de besluitvorming ondersteunt – die menselijke uitdagingen vertaalt naar het technische domein, en resultaten weer terugbrengt naar de besluitvormers.
• De architect, die het probleem definieert, specificaties opstelt, nauwkeurige succescriteria formuleert en aangeeft hoe AI moet worden geïmplementeerd en geëvalueerd.

Beide rollen draaien om inzicht: begrip van de context, ethisch bewustzijn en verantwoordelijkheid — eigenschappen die niet geautomatiseerd kunnen worden.

In plaats van deze ontwikkeling als een verlies te zien, kunnen we het als een kans aangrijpen om ons te richten op die onderdelen van het modelleringsproces waar menselijk inzicht de grootste meerwaarde biedt. Dat roept een vraag op die het overwegen waard is: welke rol kies jij?

Deze nieuwe invalshoek helpt ook verklaren waarom veel bijdragen op de EGU-conferentie minder gericht waren op ‘weer een nieuw algoritme’ maar meer op workflows, platforms en integratie. Er sprongen verschillende concrete voorbeelden in het oog. Baoying Shan presenteerde een intelligente agent voor overstromingsvoorspellingen die Large Language Modellen combineert met gestructureerde hydrologische workflows, expliciet ontworpen om het oordeel van experts te ondersteunen in plaats van te vervangen. In dezelfde geest demonstreerde het SeaScope-project hoe agentic-AI satellietgegevens, wetenschappelijke literatuur en uitvoerbare analyse-workflows kan koppelen, terwijl gebruikers de controle behouden door middel van transparante codegeneratie en validatie. Andere bijdragen, zoals het Living AI Platform for Earth System Science gepresenteerd door Özge Kart Tokmak, gingen in op de vraag hoe retrieval-augmented systemen onderzoekers kunnen helpen om grote en groeiende hoeveelheden literatuur op een traceerbare en controleerbare manier te synthetiseren.

Hoge deskundigheid betekent niet altijd diepgaand begrip

“De hele natuurkunde is ofwel onmogelijk, ofwel triviaal. Ze is onmogelijk totdat je haar begrijpt, en dan wordt ze triviaal.”

– Ernest Rutherford

Naarmate modellen steeds krachtiger worden, stelden verschillende sprekers een cruciale vraag: wat houdt het in om een systeem te leren kennen of te begrijpen, in plaats van er alleen maar goed mee te presteren?

De lezing van Hans Korving (Deltares) over Hoge vaardigheid en oppervlakkig leren illustreerde duidelijk dit spanningsveld. Hij liet zien hoe deep learning-modellen uitstekende voorspellende prestaties kunnen leveren, terwijl ze de onderliggende fysische mechanismen niet weten te vatten. James Kirchner bracht een soortgelijk punt naar voren: hij pleitte voor evaluatiemaatstaven die meer inzicht geven in de fysische aspecten en waarschuwde dat veel gangbare prestatiemaatstaven het gedrag van modellen eerder verhullen dan onthullen.

Dit onderscheid tussen voorspelbaarheid en leerbaarheid is niet alleen van belang voor de manier waarop we modellen ontwerpen en evalueren, maar ook voor de manier waarop we onderzoekers opleiden. Als AI-tools de complexiteit steeds meer verdoezelen, moet het onderwijs zich nog meer richten op het stellen van de juiste vragen en het signaleren wanneer modellen misleidend zijn.

Tegelijkertijd vergroot AI onmiskenbaar wat een enkel individu kan bereiken. Het kan enorme hoeveelheden informatie verwerken en helpen bij het omgaan met een van de grootste uitdagingen van onze tijd: een overweldigende en steeds groeiende hoeveelheid gegevens, modellen en wetenschappelijke publicaties. Maar dit roept een ongemakkelijke vraag op: zal deze versterking ons helpen om te vertragen en na te denken – of zal het ons juist aanzetten om meer te doen, en sneller? Het is een vraag die direct aansluit bij een thema waarover ik eerder dit jaar nadacht tijdens de Waterinfodag: Vertragen in een tijdperk van versnelling (Data, AI en de digitale toekomst van de watersector – KWR).

Deze vragen worden met name in het onderwijs steeds urgenter. In het artikel Geoscience Education in the Age of Generative AI: What Do Students Actually Learn? toonde Ola Fredin aan dat AI geen uitdaging voor de toekomst is, maar nu al realiteit in de collegezalen van universiteiten. Studenten maken al op grote schaal gebruik van generatieve AI – om argumenten te structureren, gegevens te analyseren, literatuur te begrijpen en schrijfangst te verminderen. De vraag is daarom niet of studenten AI zullen gebruiken, maar hoe. Universiteiten zullen zich moeten aanpassen als ze willen beoordelen wat studenten daadwerkelijk begrijpen, in plaats van wat hun tools kunnen produceren.

Ook hier kwamen verschillende spanningen naar boven. Studenten en onderzoekers gaven aan onzeker te zijn over de ethische verwachtingen, waaronder zorgen over de milieukosten van het gebruik van AI: het vermijden van AI kan principieel aanvoelen, maar kan ook betekenen dat men achterop raakt bij collega’s die er wel gebruik van maken. Het opleiden van de volgende generatie onderzoekers vereist daarom meer dan alleen technische richtlijnen. Het vereist dat onderzoekers leren hoe ze met AI kunnen werken – door het in te zetten als assistent en versterker – terwijl ze zelf de verantwoordelijkheid behouden voor hun oordeel, reflectie en begrip.

Onzekerheid: van iets dat moet worden uitgebannen naar iets om mee te werken

In veel sessies op de EGU-bijeenkomst werd onzekerheid niet langer gezien als een technisch ongemak dat moet worden teruggedrongen, maar als een fundamenteel gegeven waarmee we moeten leren omgaan. Of het nu ging om koolstofbudgetten en overschrijding daarvan, extreme gebeurtenissen, concurrentie om grondwater of een kettingreactie van defecten aan de infrastructuur, telkens weer bleek dat onzekerheid eerder structureel dan toevallig van aard is.

In verschillende lezingen over het klimaat werd dit punt duidelijk gemaakt. Aannames die vaak ten grondslag liggen aan beleid — zoals lineaire temperatuurreacties of beperkte toezeggingen voor nuluitstoot — bleken te berusten op wankele compensaties binnen aardesysteemmodellen. Zoals een spreker ons in herinnering bracht: “Het klimaat is een woest beest en wij porren er met stokken naar.” De boodschap was duidelijk: zelfs onze meest verfijnde modellen kunnen onzekerheid niet volledig bedwingen.

Veel bijdragen richtten zich daarom op verhaallijnen en scenario’s als aanvullende manieren om mogelijke toekomsten te verkennen. In plaats van uitkomsten te voorspellen, volgen verhaallijnen fysisch consistente ontwikkelingen van voorbije of plausibele gebeurtenissen, zonder hier waarschijnlijkheden aan toe te kennen. Dit zorgt ervoor dat onzekerheid expliciet en bespreekbaar wordt.

In diverse toepassingen — van verhaallijnen over extreme gebeurtenissen tot participatieve scenario’s voor grondwaterbeheer, aanpassing aan droogte en communicatie over klimaatrisico’s — werden verhaallijnen gebruikt om onderlinge afhankelijkheden en domino-effecten te onderzoeken die moeilijk in afzonderlijke modellen te vatten zijn. Sprekers benadrukten herhaaldelijk dat verhaallijnen geen vervanging zijn voor modellen. Ze plaatsen modellen juist in een context en vullen ze aan, door kwantitatieve resultaten te koppelen aan menselijke ervaringen, bestuurlijke keuzes en maatschappelijke waarden.

Wat opviel, was hoe vaak dit werk in samenwerking met belanghebbenden, kunstenaars en lokale gemeenschappen tot stand kwam. Via participatieve workshops, verhalende beelden en samenwerkingsverbanden tussen kunst en wetenschap werd onzekerheid niet gezien als iets om te verbergen, maar als iets om te delen en te bespreken.

Alles bij elkaar wijzen deze bijdragen op een belangrijke verschuiving: in een wereld vol onzekerheid is het niet langer de bedoeling om onduidelijkheid weg te nemen, maar om deze beheersbaar te maken — wat niet alleen betere modellen vereist, maar ook betere verhalen die het oordeelsvermogen en de besluitvorming ondersteunen.

Verhalen en kunst als instrumenten om betekenis te geven

Een terugkerend thema op de EGU dit jaar was de groeiende rol van verhalende elementen, visualisatie en artistieke praktijken in wetenschappelijk werk. Dit is geen recente ontwikkeling: de EGU zet zich al jaren in voor de verbinding tussen kunst en wetenschap, met name via haar Artist-in-Residence-programma.

Verschillende sessies lieten zien hoe verhaallijnen tastbaar kunnen worden gemaakt door middel van visuele en participatieve methoden. Bij het werk aan ‘verhalende beelden’ voor stedelijke wateraanpassing in Hamburg werden bijvoorbeeld alternatieve toekomsten in beeld gebracht als verschillende steden in 2050 — variërend van het hoofd bieden aan de situatie tot transformatieve aanpassing. Deze beelden boden gezamenlijke aanknopingspunten voor complexe sociaal-ecologische dynamieken die moeilijk te vatten zijn via tekst of vergelijkingen alleen.

Dit resoneerde sterk met onze eigen ervaringen bij KWR in het kader van het Artist-in-Residence-programma met Mariko Hori. Zoals Joost van Summeren aangaf, ligt de waarde van dergelijke samenwerkingen niet alleen in het illustreren of overbrengen van wetenschap – de meest gangbare, instrumentele benadering – maar in het creëren van een ruimte waar artistieke en wetenschappelijke praktijken elkaar oprecht uitdagen. In deze synergetische benadering gaan kunstenaars en wetenschappers een gelijkwaardige interactie aan, waarbij ze gezamenlijk de vragen, verhalen, taal en uitkomsten van het proces vormgeven.

Digitaal water en onderling verbonden stedelijke infrastructuur

Deze thema’s kwamen ook aan bod tijdens de sessie die ik samen met Andrea Cominola, Stefano Alvisi, Janelcy Alferes en Robert Sitzenfrei organiseerde op de EGU, getiteld ‘Digitaal water en onderling verbonden stedelijke infrastructuur’. Tijdens deze sessie werd verkend hoe digitalisering stedelijke watersystemen ingrijpend verandert — en hoe de toenemende onderlinge verbindingen met andere infrastructuren vragen om nieuwe benaderingen die expliciet rekening houden met complexiteit, onzekerheid en integratie op verschillende schaalniveaus.

In een op verzoek gehouden lezing zette Riccardo Taormina (TU Delft) de discussie in het teken van twee opkomende paradigma’s binnen AI: fundamentele modellen en intelligente agents. Aan de hand van voorbeelden uit de stedelijke afwatering en afvalwaterzuivering, waaronder recent werk met Waternet en het Waterschap Amstel, Gooi en Vecht, liet Riccardo zien hoe AI-systemen kunnen fungeren als snelle, robuuste alternatieven voor traditionele simulators. Cruciaal was dat hij ook benadrukte dat deze fundamentele modellen voor hun leerproces nog steeds afhankelijk zijn van op fysica gebaseerde simulators, waardoor ze in feite fundamentele surrogaten worden in plaats van vervangingen.

Andere bijdragen benadrukten het belang om digitale benaderingen zowel verklaarbaar als operationeel relevant te houden. Ines Mastouri presenteerde een ensemble-learning-benadering voor het opsporen van lekken in waterdistributienetwerken, die prestaties expliciet combineert met transparantie. Hierbij wordt de modeloutput gekoppeld aan de inspectie-inspanning via een fysisch interpreteerbare maatstaf. Stefano Alvisi liet zien hoe druksensoren met hoge resolutie kunnen worden gebruikt om patronen in het waterverbruik van huishoudens af te leiden — een benadering die steeds meer aandacht krijgt als alternatief voor methoden op basis van slimme meters. In tegenstelling tot debietmeters bieden druksensoren technische en economische voordelen, terwijl ze in combinatie met passende modellering en signaalverwerking toch een gedetailleerd inzicht in het waterverbruik bieden. Samen illustreren deze voorbeelden hoe digitale methoden nieuwe inzichten kunnen opleveren, terwijl ze toch gebaseerd blijven op de natuurkunde en direct toepasbaar zijn in de praktijk.

Een conferentie die mensen samenbrengt

Afgezien van de inhoud is het vooral de sfeer bij EGU die me altijd een warm gevoel geeft: informeel, open, nieuwsgierig en constructief. In die zin bracht EGU26 me terug bij de zin waarmee ik deze beschouwing begon: “Misschien ligt de ware waarde van een professie vooral in het vermogen om mensen bij elkaar te brengen.” Naarmate onze instrumenten krachtiger worden en onze modellen geavanceerder, wordt dit vermogen alleen maar belangrijker.

Dit alles is inspirerend en versterkt onze ambities op het gebied van hydroinformatica bij KWR, met name op het gebied van datawetenschap en AI en geïntegreerde infrastructuurmodellering. Tegelijkertijd sluiten de discussies op de EGU sterk aan bij onze bredere digitale ambities om samen met de drinkwaterbedrijven te investeren in een gedeelde digitale kennisinfrastructuur – die zowel als faciliterend platform als vliegwiel fungeert: het mogelijk maken van uitwisseling en implementatie, terwijl onderzoek, innovatie en acceptatie in de hele drinkwatersector worden gestimuleerd.

Vanuit dit perspectief staan de inzichten van EGU26 niet los van ons dagelijkse werk. Ze dragen actief bij aan de koers die is uitgezet in ons KWR-masterplan, waarin digitale transformatie uiteindelijk draait om het versterken van het beoordelingsvermogen, de samenwerking en verantwoorde besluitvorming in een steeds complexer wordend watersysteem.