AI-toepassingen worden door aanbieders gepresenteerd als systemen die het werk van psychologen aanzienlijk kunnen verlichten. Binnen de psychologische classificatie en diagnostiek wordt de inzet van deze technologie daardoor vaak gezien als een logische volgende stap (Liu, 2018). In de klinische praktijk groeit met name de interesse in toepassingen die tijdsintensieve onderdelen van psychodiagnostiek kunnen automatiseren, zoals spraakgestuurde verslaglegging van anamneses of het automatisch genereren van rapportages op basis van testresultaten met behulp van grote taalmodellen zoals ChatGPT of Claude, of specifiek daarvoor ontwikkelde tools.
Tegelijkertijd worden er belangrijke beperkingen en risico’s geïdentificeerd. Het gebruik van AI in de klinische praktijk stelt hoge eisen aan de technische, communicatieve en normatieve competenties van professionals (Van Wingen, Jongsma, Bertens en Legerstee, 2025). Daarnaast roept het vragen op over ethiek, verantwoordelijkheid, transparantie en de controleerbaarheid van algoritmische besluitvorming.
Tegen deze achtergrond is het van belang stil te staan bij de mogelijke gevolgen van AI-gebruik binnen de psychodiagnostiek. Psychodiagnostiek is geen louter technisch of administratief proces, maar een vorm van klinisch redeneren waarin observatie, hypothesevorming en betekenisgeving in interactie met de cliënt samenkomen. Het is een cognitief én relationeel proces, waarin diagnostische betekenis mede tot stand komt in dialoog. De centrale zorg in dit essay is dat deze kern van het diagnostisch redeneren onder druk kan komen te staan wanneer AI een steeds grotere rol krijgt in het denkproces.
In dit essay worden de risico’s van AI in psychodiagnostiek geanalyseerd, met bijzondere aandacht voor cognitieve achteruitgang (deskilling), het verlies van betekenisvolle samenwerking in diagnostische processen en de mogelijke herverdeling van cognitieve taken tussen mens en technologie. Vervolgens wordt onderzocht onder welke voorwaarden AI wél ondersteunend kan worden ingezet zonder de kern van het diagnostisch redeneren aan te tasten en worden aanbevelingen gegeven. Het doel van dit essay is om psychologen, opleiders en beleidsmakers te stimuleren zich actief te verhouden tot de (on)mogelijkheden van AI in de psychodiagnostiek.
Psychodiagnostiek als klinisch vakmanschap
Psychologische diagnostiek vereist een breed en geïntegreerd repertoire aan kennis en vaardigheden. Allereerst beschikt de diagnosticus over diepgaande inhoudelijke kennis van psychologische theorieën en concepten. Dit omvat kennis van psychopathologie en classificatiesystemen zoals de DSM-5, maar eveneens van ontwikkelingspsychologische, persoonlijkheids- en cognitieve theorieën die inzicht geven in het functioneren van het individu binnen uiteenlopende levensfasen en contexten. Binnen deze theoretische kaders gaat het niet uitsluitend om het herkennen en classificeren van stoornissen zoals depressie, psychose, PTSS of persoonlijkheidsproblematiek, maar vooral om het begrijpen van de wijze waarop dergelijke fenomenen kunnen ontstaan, zich ontwikkelen, in stand worden gehouden en bewerkt kunnen worden binnen een specifieke interactionele en contextuele realiteit.
Naast deze theoretische basis is eveneens diepgaande kennis vereist van psychologische tests en instrumenten. Om deze goed te kunnen gebruiken, dient de diagnosticus inzicht te hebben in wat psychologische instrumenten daadwerkelijk meten, welke theoretische constructen hieraan ten grondslag liggen en in welke mate deze metingen valide, betrouwbaar en klinisch interpreteerbaar zijn. Dit impliceert niet alleen concrete kennis van tests en de resultaten die ze opleveren, maar ook vertrouwdheid met begrippen als meetpretentie, testconstructie, validiteit, betrouwbaarheid en normering.
Naast deze psychologisch theoretische en testspecifieke kennis vereist het opzetten en uitvoeren van een zinvol psychodiagnostisch traject de vaardigheid om systematisch, diagnostisch te redeneren met die kennis. Het bepalen van de doelstelling van een psychologisch traject, het genereren van zinvolle hypotheses en onderzoeksvragen, en daarmee het bepalen van welke informatie verkregen moet worden, en de beslissing hoe die informatie het best verzameld kan worden zijn overwegingen die expliciet gemaakt moeten worden. Hiervoor bestaat geen vast recept en is de klinische expertise van groot belang.
Ook voor het komen tot zinnige uitkomsten in psychologische diagnostiek is systematisch, diagnostisch redeneren van groot belang. In de huidige multimethodische en multiconceptuele psychodiagnostiek (Berghuis, 2024) ontstaat diagnostische informatie niet uit één enkele bron, maar uit de systematische integratie van verschillende datadomeinen, waaronder gestructureerde interviews, psychometrische instrumenten, gedragsobservaties en informatie uit de sociale en ontwikkelingscontext van de cliënt. Deze verschillende bronnen worden niet beschouwd als op zichzelf staande of hiërarchisch geordende waarheden, maar als complementaire perspectieven die gezamenlijk bijdragen aan een gelaagd en complex beeld van het psychisch functioneren. Een DSM-classificatie krijgt binnen dit proces geen verklarende status op zichzelf, maar fungeert als een beschrijvende ordening die pas betekenisvol wordt wanneer deze wordt ingebed in alternatieve theoretische perspectieven en individuele contextuele factoren. Op vergelijkbare wijze geldt dat testuitkomsten slechts interpretatief waardevol zijn wanneer zij worden geïntegreerd in een breder netwerk van klinische informatie, theoretische aannames en individuele levensgeschiedenis.
De kern van het vak van de psychodiagnosticus ligt in het vermogen om deze verschillende lagen van informatie met elkaar te integreren, tegen elkaar af te wegen en in samenhang te interpreteren binnen een coherent klinisch raamwerk. Dit vereist dat de diagnosticus voortdurend kan schakelen tussen verschillende verklaringsniveaus, zoals descriptieve classificaties, dimensionele modellen en verklarende theorieën over ontwikkeling, coping en instandhoudende factoren. Dit integratieve proces veronderstelt dus een vorm van meta-cognitief en epistemologisch redeneren, waarin de diagnosticus niet alleen informatie verwerkt, maar ook voortdurend reflecteert op de status en beperkingen van die informatie. Het diagnostisch oordeel is daarmee geen lineaire afleiding uit gegevens, maar een dynamische synthese van verschillende kennisvormen die elkaar wederzijds beïnvloeden. Juist in dit vermogen tot integratie en reflectie ligt de kern van multiconceptuele diagnostiek besloten. Het diagnostisch redeneren is dus uitermate complex en tegelijkertijd kan gezegd worden dat het dé skill van de psychodiagnosticus is.
AI-systemen zijn steeds beter in staat om teksten te genereren, informatie te structureren, patronen te herkennen en voorlopige diagnostische hypothesen te genereren. Hoewel dit op het eerste gezicht kan bijdragen aan efficiëntie en ondersteuning van het klinisch proces, verandert het tegelijkertijd de rolverdeling binnen het diagnostisch redeneren zelf. Het vermogen om zelfstandig, kritisch en systematisch te denken binnen een dynamisch, multidimensioneel en interpretatief klinisch proces vereist tijd en inspanning om onder de knie te krijgen. Daarnaast vereist het actieve oefening, herhaalde interpretatieve ervaring en voortdurende reflectie op het eigen redeneren. Verslaglegging is geen registratie achteraf, maar onderdeel van klinisch redeneren. Schrijven vertraagt en geeft ruimte tot reflectie en nadenken.
Wanneer een deel van het genereren van hypothesen, het structureren van informatie en het voorstellen van interpretaties wordt uitbesteed door technologische systemen, bestaat het risico dat het actieve karakter van klinisch redeneren bij de professional afneemt. Het diagnostisch proces verschuift dan van een generatief naar een meer checkend proces, waarin niet langer het zelf construeren van betekenis centraal staat, maar het beoordelen van reeds gegenereerde output. Dit heeft niet alleen implicaties voor efficiëntie, maar raakt direct aan de ontwikkeling, instandhouding en overdracht van diagnostische expertise. Met de toepassing van AI in de psychodiagnostiek komt een kernaspect van psychodiagnostisch vakmanschap onder druk te staan.
Dit brengt het risico van cognitieve deskilling met zich mee, waarbij vaardigheden die niet langer consequent worden geoefend geleidelijk verzwakken. Indien de diagnosticus minder vaak zelf informatie genereert, hypotheses formuleert, verbanden construeert en informatie actief integreert, kan dit leiden tot een afname van diepgang in klinisch redeneren en een verminderde zelfstandigheid in complexe diagnostische besluitvorming.
Psychodiagnostiek als gezamenlijke narratieve constructie
Naast klinisch redeneren is psychodiagnostiek fundamenteel een narratief proces waarin gezamenlijk betekenis wordt geconstrueerd.
Waar in de somatische geneeskunde vaak sprake is van een relatief direct observeerbare biologische oorzaak-gevolgrelatie, is psychologische problematiek intrinsiek betekenis afhankelijk en contextgebonden (De Haan, 2020, Batstra & Frances, 2025). De psychologische realiteit wordt niet enkel gevonden alsof het een of andere externe waarheid betreft, maar mede geconstrueerd in de interactie tussen diagnosticus en cliënt. De diagnosticus fungeert dus niet als externe observator, maar als deelnemer in een werkrelatie waarin samen wordt gezocht naar een coherente formulering van de problematiek samen met de cliënt.
Binnen dit proces speelt de integratie van theoretische kennis én ervaringskennis een centrale rol. Het diagnostisch narratief ontstaat op het snijvlak van wetenschappelijke verklaringsmodellen en de subjectieve beleving van de cliënt. Een adequaat narratief is daarom nooit uitsluitend theoretisch gefundeerd, maar moet tevens aansluiten bij de fenomenologische werkelijkheid van de cliënt. Dit vereist dat zinnige diagnostiek in constante afstemming met de cliënt moet worden uitgevoerd. Alleen dan kan het narratief worden geïnternaliseerd en betekenis krijgen binnen het bredere levensverhaal van de persoon.
Wanneer het narratieve proces zorgvuldig wordt vormgegeven, krijgt diagnostiek een betekenis die verder reikt dan het vaststellen van een beschrijving, verklaring of classificatie. Een gezamenlijk geconstrueerd diagnostisch narratief kan bijdragen aan meer zelfinzicht, verhoogde behandelmotivatie en het herstel van agency binnen het eigen levensverhaal (Durosini & Aschieri, 2021; Poston & Hanson, 2010). Dit proces hangt nauw samen met mentaliseren, waarbij de diagnosticus zich actief inspant om de innerlijke wereld van de cliënt te begrijpen en te verwoorden in de interactie. Het ervaren van dit “in mind zijn” speelt hierbij een sleutelrol, omdat dit epistemisch vertrouwen bevordert: het vertrouwen dat de ander de innerlijke beleving werkelijk begrijpt en serieus neemt (Fonagy & Allison, 2014).
Diagnostiek kan daarmee worden opgevat als een interventie op zichzelf, die psychologische verandering faciliteert (De Saeger et al., 2014). Vanuit dit perspectief is psychodiagnostiek niet alleen gericht op informatieverzameling, maar ook op het creëren van een context waarin de cliënt open blijft staan voor nieuwe inzichten en ervaringen. Dit vraagt van de diagnosticus dat deze actief werkt aan veiligheid, afstemming en het gevoel van begrepen worden. Op die manier kunnen diagnostische bevindingen niet alleen worden gehoord, maar ook betekenisvol worden verwerkt. Psychodiagnostiek vormt zo een eerste stap in verandering, doordat het epistemisch vertrouwen versterkt en de ontvankelijkheid voor nieuwe zelfinzichten vergroot (Fonagy et al., 2015).
De opkomst van AI roept dus ook hier fundamentele vragen op. Wanneer narratieve constructie (gedeeltelijk) wordt gegenereerd door systemen die geen subjectieve betrokkenheid kennen, ontstaat het risico dat het verhaal wordt losgekoppeld van de relationele en intersubjectieve dimensie die juist essentieel is voor betekenisgeving. Bovendien verliest diagnostiek op deze manier vrijwel volledig het proces van ‘in mind’ van de ander zijn. Een door AI gegenereerd narratief kan mogelijk coherentie bieden, maar mist de relationele validatie die voortkomt uit gedeeld begrip tussen cliënt en diagnosticus (Harrison, 2018). Daarmee dreigt het narratief zijn therapeutische en epistemische functie te verliezen.
De spanning tussen automatisering en klinisch vakmanschap
De integratie van AI in psychodiagnostiek introduceert een fundamentele spanning tussen efficiëntie en vakinhoudelijke ontwikkeling. Enerzijds kan AI bijdragen aan het structureren van informatie, het genereren van hypotheses en het verminderen van cognitieve belasting. Anderzijds bestaat het risico dat het diagnostisch vakmanschap verschuift van actieve kennisconstructie naar passieve beoordeling van door technologie gegenereerde output.
Deze verschuiving raakt aan het concept van deskilling (Monteith et al., 2026; Van Zyl, 2026,), waarbij professionele expertise geleidelijk afneemt doordat kernactiviteiten minder vaak zelfstandig worden uitgevoerd. Daarnaast kan sprake zijn van cognitieve verschuiving, waarbij het denken zelf extern wordt gelokaliseerd in technologische systemen. Dit roept de vraag op in hoeverre de diagnosticus nog primair als denkend en voelend subject functioneert, of steeds meer als intermediair tussen cliënt en algoritme. In het geval van psychodiagnostiek betreft dit niet alleen inhoudelijke kennis en technische vaardigheden, maar juist ook het vermogen tot klinisch redeneren, het ontwikkelen van theoretisch geïntegreerde verklaringen en het in een wederkerige relatie met de ander construeren van betekenisvolle narratieven.
Het uiteindelijke schrikbeeld is dat van volledig losgezongen psychodiagnostiek, waarbij AI-tools psychologische tests of interviews uitwerken, zonder dat overwogen is in welk kader en met welke doelstelling deze zijn afgenomen, bevindingen niet meer in relatie staan tot het individu en de diagnosticus niet langer in staat is om door AI gegenereerde informatie op waarde te schatten.
De potentiële meerwaarde van kunstmatige intelligentie in de psychodiagnostiek
Hoewel de inzet van kunstmatige intelligentie in de psychodiagnostiek belangrijke risico’s met zich meebrengt, zou het te eenzijdig zijn om deze ontwikkeling uitsluitend in termen van bedreiging te beschrijven. AI kan, mits zorgvuldig ingebed in de klinische praktijk, ook een betekenisvolle bijdrage leveren aan de kwaliteit van diagnostische processen. Deze meerwaarde ligt echter niet in het vervangen van klinisch redeneren of narratieve constructie, maar juist in het ondersteunen en expliciteren daarvan.
Een eerste potentiële bijdrage van AI betreft de ondersteuning van empirisch en hypothesegericht redeneren. Klinisch redeneren is, zoals eerder beschreven, een iteratief proces waarin hypothesen worden gegenereerd, getoetst en bijgesteld. AI-systemen kunnen dit proces ondersteunen door alternatieve verklaringen aan te reiken, ontbrekende informatie te signaleren en inconsistenties in het klinisch beeld zichtbaar te maken. In die zin kan AI functioneren als een vorm van externe reflectieve dialoogpartner, die de diagnosticus uitdaagt om zijn of haar redeneringen explicieter te formuleren en kritisch te evalueren. (Haselager et al., 2024)
Daarnaast kan AI bijdragen aan het vergroten van theoretische en empirische reikwijdte binnen het diagnostisch proces. Waar de individuele diagnosticus noodzakelijkerwijs beperkt is in cognitieve capaciteit en ervaring, kan een AI-systeem patronen identificeren op basis van grote hoeveelheden data die voor de mens moeilijk toegankelijk zijn. Dit kan leiden tot het genereren van aanvullende hypotheses die anders mogelijk buiten beeld zouden blijven, mits deze hypotheses kritisch worden getoetst binnen het klinisch oordeel van de professional (Van Wingen et al. 2025).
Een derde mogelijke meerwaarde ligt in het versterken van metacognitieve vaardigheden van de diagnosticus. Wanneer AI niet wordt gebruikt als eindpunt van redenering, maar als instrument om het denkproces te expliciteren, kan het bijdragen aan een meer reflectieve praktijk. Door bijvoorbeeld systematisch te bevragen welke informatie ontbreekt, welke alternatieve verklaringen mogelijk zijn en hoe bepaalde conclusies tot stand zijn gekomen, kan AI helpen om impliciete redeneringsstappen expliciet te maken. Dit sluit aan bij een opvatting van professionele ontwikkeling waarin bewustwording van eigen denkprocessen centraal staat.
Ten slotte kan AI bijdragen aan het verminderen van administratieve belasting, waardoor meer ruimte ontstaat voor het daadwerkelijke klinische contact en de interpretatieve dimensie van diagnostiek. Indien deze tijdswinst daadwerkelijk wordt geherinvesteerd in reflectie, interactie en betekenisgeving, kan dit de kwaliteit van het diagnostisch proces versterken in plaats van verzwakken.
Cruciaal binnen al deze potentiële toepassingen is echter dat AI niet wordt opgevat als substituut voor klinisch denken, maar als een ondersteunend instrument binnen een reeds autonoom functionerend diagnostisch kader. De meerwaarde van AI is daarmee niet intrinsiek, maar afhankelijk van de wijze waarop het wordt ingebed in professionele praktijken en epistemische structuren.
Conclusie
De kern van het psychodiagnostisch vakmanschap bestaat uit het systematisch klinisch redeneren in een gezamenlijk betekenisgevend proces waarbij op gestructureerde wijze een integratie wordt gemaakt tussen enerzijds theoretische kennis en anderzijds de persoonlijke beleving en context van de cliënt. De belofte van kunstmatige intelligentie om dit intensieve proces efficiënter en sneller te laten verlopen, brengt het risico van cognitieve deskilling van de psychodiagnosticus met zich mee als het het klinisch redeneren vervangt in plaats van ondersteunt. Wanneer het denken met en over de cliënt wordt uitbesteed aan kunstmatige intelligentie verliest de diagnosticus ook diens relationele betrokkenheid en het proces daarmee potentieel zijn therapeutische functie. Wanneer AI daarentegen wordt ingezet als reflectief en ondersteunend instrument binnen een stevig verankerd professioneel kader, kan het bijdragen aan de versterking van diagnostische kwaliteit. Om dat voor elkaar te krijgen zijn er aanbevelingen te doen op verschillende gebieden.
6. Aanbevelingen
- De integratie van kunstmatige intelligentie in de psychodiagnostische praktijk vereist een expliciete herdefiniëring van de rol van de diagnosticus als primair verantwoordelijke en denkende actor binnen het diagnostisch proces. Het is hierbij van belang dat AI-systemen uitsluitend worden ingezet als ondersteunende en reflectieve tools, waarbij de output altijd expliciet wordt getoetst aan klinische en theoretische kaders. AI dient hierbij niet te worden opgevat als autoriteit, maar als instrument dat ondergeschikt blijft aan klinisch oordeel en professionele verantwoordelijkheid. Alleen binnen een dergelijk kader kan worden gewaarborgd dat de kern van psychodiagnostiek het gezamenlijk construeren van betekenisvolle, theoretisch onderbouwde en relationeel verankerde narratieven behouden blijft. Het zou goed zijn als het Nederlands Instituut voor Psychologen (NIP) hier een standpunt over formuleert en dit actief uitdraagt naar zowel leden, als andere stakeholders, zoals beleidsmakers, instellingen en/of zorgverzekeraars.
- Diagnostici zouden ook zelf een ethische en professionele houding moeten ontwikkelen ten aanzien van het gebruik van kunstmatige intelligentie voor psychodiagnostiek. Hierin moet AI niet worden gezien als vervanging van klinisch denken, maar als aanleiding tot verdieping daarvan. Dit impliceert een verschuiving van technische implementatie naar reflectieve integratie, waarin AI wordt gebruikt om denken te ondersteunen in plaats van uit te besteden. Dit vereist dat professionals actief hun theoretische kennis, klinische redeneervaardigheden en kennis over en vaardigheid met AI ontwikkelen en op peil houden. Verder moeten zij hun eigen redeneringen documenteren en expliciteren, inclusief de overwegingen om AI-gegenereerde suggesties wel of niet over te nemen. Op deze wijze kan worden voorkomen dat automatiseringsbias leidt tot ongecontroleerde overname van systeemuitkomsten.
- In opleidingscontexten zou nadrukkelijk aandacht moeten worden besteed aan het ontwikkelen van diagnostische vaardigheden in samenhang met AI-gebruik. Dit betekent dat toekomstige professionals niet alleen leren hoe zij AI kunnen toepassen, maar vooral hoe zij AI-output kritisch kunnen beoordelen, bevragen en integreren binnen eigen klinisch redeneren. Het ontwikkelen van dit soort metacognitieve vaardigheden, zoals het expliciteren van hypothesen, het analyseren van redeneringslijnen en het herkennen van alternatieve verklaringen, zou hierbij centraal moeten staan. De diagnosticus als dirigent die ideeën vanuit AI samenvoegt met eigen geluid tot een samenhangende melodie
- Daarnaast is het noodzakelijk dat instellingen duidelijke kaders formuleren met betrekking tot verantwoordelijkheid, transparantie, privacy en datagebruik. De inzet van AI in diagnostiek moet gepaard gaan met expliciete afspraken over juridische aansprakelijkheid en ethische verantwoordelijkheid, zodat de eindverantwoordelijkheid voor diagnostische conclusies altijd bij de professional blijft liggen. Dit voorkomt een diffuse verdeling van verantwoordelijkheid waarbij de diagnosticus als laatste schakel fungeert in een grotendeels geautomatiseerd besluitvormingsproces. Daarnaast moet niet blindgestaard worden op efficiëntie, maar ook oog gehouden worden voor het fenomeen van cognitieve deskilling.
- AI-tools die speciaal ontwikkeld worden voor gebruik in de psychodiagnostiek zouden door de makers primair moeten worden ingericht om het klinisch redeneren te ondersteunen. Dit houdt in dat het gebruik van deze tools moet leiden tot heldere doelstellingen van psychodiagnostiek, passende hypotheses en onderzoeksvragen, ondersteuning bij het uitzoeken van adequate manieren om data te verzamelen en het verbinden van algemene bevindingen met het individuele verhaal. Idealiter voorkomt een professionele AI-tool voor psychodiagnostiek de cognitieve deskilling van de psychodiagnosticus.
- Tot slot is het, voor makers én gebruikers van AI-tools, belangrijk om het principe van “garbage in, garbage out” (Teno, 2023) in gedachten te houden. Waar AI-tools speciaal voor psychodiagnostiek mogelijk getraind worden op adequate psychodiagnostische data, is van algemene LLM’s, zoals ChatGPT of Claude, onduidelijk op wat voor data deze modellen zijn getraind. Daarnaast moet er rekening mee gehouden worden met het feit dat de informatie die gebruikt wordt om al deze modellen te trainen voortkomt uit een specifiek wetenschappelijk paradigma; waarschijnlijk is dat het prevalente medische model en de DSM-5. Het is belangrijk om te beseffen dat met gebruik van deze tools er impliciet theoretische kaders worden aangenomen en voortgezet. Met de komst van andere manieren om naar psychisch lijden te kijken (bijvoorbeeld met dimensionele modellen zoals HiTOP (Kotov et al., 2017) of als probleem instandhoudende patronen (Voermans et al., 2025) is het van groot belang om ervoor te zorgen dat AI-tools met dergelijke verschuivingen meebewegen door ze voortdurend te blijven trainen op state-of-the-art data.
Voor de totstandkoming van dit artikel is geen kunstmatige intelligentie gebruikt.