AI is niet het probleem: gebruik en implementatie zijn dat wel

In 2022 werd met de komst van ChatGPT AI in één klap zichtbaar voor een breed publiek. Wat eerder sciencefiction was, werd ineens beschikbaar voor iedereen om mee te experimenteren en te leren toepassen. Dat leidde tot een golf van verwachtingen, interpretaties en toepassingen, een pad dat we nog steeds met z’n allen bewandelen.

Het maatschappelijk debat lijkt gesplitst: aan de ene kant gesprekken die vooral focussen op mogelijkheden, nieuwe ontwikkelingen en technische implementaties, en aan de andere kant discussies over onbedoelde negatieve effecten, zowel sociaal, psychologisch als economisch.

Deze serie vertrekt vanuit de aanname dat AI een blijvende ontwikkeling is en zoekt verdieping in hoe we het moeten gebruiken. Niet zozeer vanuit een technisch perspectief, maar vanuit praktische toepassing, met aandacht voor wat we willen, kunnen en hoe we verstandig omgaan met negatieve effecten.

AI bestaat en zal zich blijven ontwikkelen. De vraag verschuift daarmee van wat het kan naar hoe het verantwoord wordt toegepast.

De serie is geen technisch handboek, maar een analyse van mechanismen. Waar nodig wordt techniek uitgelegd, maar altijd als middel om gedrag en effecten te begrijpen. De inhoud is opgebouwd uit studies van universiteiten en grote LLM-providers, aangevuld met anekdotische praktijkvoorbeelden en observaties uit de markt. Het doel is geen volledigheid, maar een scherp en bruikbaar kader om AI beter te kunnen plaatsen en sturen.

Hoe deze serie is opgebouwd

Om AI goed te begrijpen, moet je onderscheid maken tussen wat er gebeurt bij mensen, wat er gebeurt in de technologie en hoe die twee samenkomen in de praktijk. Deze serie is daarom opgebouwd in drie delen die op elkaar voortbouwen.

Deel 1 — Wat AI doet met mensen

Waarom systemen overtuigend lijken, hoe dat leidt tot verkeerde interpretatie en welke cognitieve fouten daardoor ontstaan.

• Sycofantie
• Antropomorfisme
• AI induced psychosis
• AI induced cognitive decline

Deel 2 — Beperkingen van AI

Wat AI daadwerkelijk doet en waar de grenzen liggen. Welke technische eigenschappen van modellen leiden tot fouten, inconsistentie en misinterpretatie.

• Hallucinaties
• Alignment
• Context collapse

Deel 3 — Gebruik en inrichting

Hoe je AI verantwoord inzet binnen systemen en organisaties. Welke principes nodig zijn om AI te gebruiken zonder dat fouten worden versterkt.

• De GenAI divide
• General purpose vs toegepaste AI
• Human in the loop
• Van AI-tool naar bestuurbaar systeem

Veelgebruikte begrippen

Voor de goede orde is hieronder een begrippenlijst opgenomen met technisch correcte, maar begrijpbare definities. De termen overlappen in de praktijk vaak, maar beschrijven verschillende lagen van hetzelfde veld.

In deze serie wordt voor leesbaarheid meestal gesproken over AI, terwijl het in de meeste gevallen concreet gaat over LLM-gebaseerde systemen.

Begrippenlijst

• Artificial Intelligence (AI)
  Verzamelterm voor systemen die taken uitvoeren die normaal menselijke cognitieve functies vereisen, zoals herkennen, voorspellen, beslissen of genereren. AI is geen specifiek type technologie, maar een categorie. Het omvat uiteenlopende benaderingen, van simpele regelsystemen tot complexe neurale netwerken.
• Generative AI (GenAI)
  Subcategorie van AI die nieuwe content produceert op basis van patronen in trainingsdata, zoals tekst, afbeeldingen, audio of code. In tegenstelling tot klassieke AI, die vooral classificeert of voorspelt, ligt de focus hier op het genereren van nieuwe output die statistisch lijkt op wat het systeem eerder heeft gezien.
• Large Language Model (LLM)
  Een type generatief model dat gespecialiseerd is in taal en getraind is op grote hoeveelheden tekstdata.
  Het model genereert tekst door steeds het meest waarschijnlijke volgende stukje tekst (token) te voorspellen gegeven de eerdere context. Belangrijk: het model heeft geen begrip of intentie, maar optimaliseert puur op waarschijnlijkheid en consistentie met taalpatronen.
• Reasoning
  Het vermogen om stappen van redenering te doorlopen richting een conclusie.
  In LLM’s is dit geen echt logisch redeneren, maar het reproduceren van patronen van redenering die in de trainingsdata voorkomen. Wat eruitziet als denken is in feite het genereren van een plausibele reeks tussenstappen.
• Transformer model
  De dominante architectuur achter moderne LLM’s.
  Transformers verwerken tekst niet sequentieel, maar kijken tegelijk naar alle woorden in een context via een mechanisme dat “self-attention” heet. Dit maakt het mogelijk om relaties tussen woorden en zinnen over langere afstanden te modelleren, wat essentieel is voor coherente tekstgeneratie.
• AI-hallucinatie
  Situatie waarin een model output genereert die overtuigend en logisch klinkt, maar feitelijk onjuist of niet onderbouwd is. Dit ontstaat doordat het model optimaliseert op waarschijnlijkheid van taal, niet op waarheid of verificatie.
• Machine Learning
  Subveld van AI waarin systemen patronen leren uit data in plaats van expliciet geprogrammeerde regels te volgen. Het model wordt getraind door voorbeelden te zien en past zijn interne parameters aan om beter te worden in een taak, zoals classificatie, voorspelling of generatie.
• Retrieval-Augmented Generation (RAG)
  Architectuur waarbij een generatief model externe informatie ophaalt uit een database of documenten, en die gebruikt om antwoorden te onderbouwen. Dit vermindert de afhankelijkheid van interne modelkennis en verlaagt de kans op fouten, maar introduceert nieuwe risico’s zoals verkeerde of irrelevante bronnen.
• Reinforcement Learning
  Leermethode waarbij een systeem gedrag aanpast op basis van feedback in de vorm van beloningen of straffen. Binnen LLM’s wordt dit vaak toegepast als reinforcement learning from human feedback (RLHF), waarbij menselijke voorkeuren worden gebruikt om modelgedrag te sturen.
• Artificial General Intelligence (AGI)
  Hypothetisch type AI dat in staat is om een breed scala aan taken op menselijk niveau uit te voeren, inclusief leren, redeneren en aanpassen aan nieuwe situaties. AGI bestaat op dit moment niet. Huidige systemen, inclusief LLM’s, zijn gespecialiseerd en functioneren binnen beperkte contexten, ondanks hun brede toepasbaarheid.

Waarom AI anders voelt

Nieuwe technologie roept bijna altijd angst op. Al bij het ontstaan van het geschreven woord werd gevreesd dat het het menselijk geheugen zou aantasten. De drukpers zou kennis ontwrichten en het internet zou sociale structuren ondermijnen. Dat patroon is herkenbaar: zodra technologie verandert hoe wij informatie verwerken, ontstaat weerstand. AI past in dat rijtje, maar de reactie erop is intenser, omdat het niet alleen een nieuwe tool is, maar een andere vorm van interactie introduceert.

AI voelt anders omdat het de mens imiteert op een fundamenteel niveau. Het communiceert in taal, spiegelt redeneringen en presenteert zich als iets dat lijkt te begrijpen. Waar een boek statisch is en herleidbaar tot een auteur, voelt een LLM als iets losstaand, zonder duidelijke bron, maar met toegang tot een enorme hoeveelheid kennis. Dat maakt het tegelijk krachtig en vervreemdend. Zeker wanneer AI wordt gekoppeld aan tools en acties uitvoert, ontstaat de indruk van autonomie. Daarbovenop komt een diepere onzekerheid: als systemen nu al overtuigend zijn ondanks hun fouten, wat gebeurt er als die fouten verdwijnen? De angst verschuift dan van gebruik naar vervanging.

Tegelijkertijd is het belangrijk om terug te keren naar de huidige realiteit. Er is op dit moment geen sprake van AGI en de weg daarheen is onzeker. Wat er wel is, zijn systemen die fouten maken, gedrag beïnvloeden en processen verstoren wanneer ze verkeerd worden ingezet. Dat is minder spectaculair dan existentiële vervanging, maar veel concreter en directer relevant. Die problemen zijn niet hypothetisch, maar praktisch en in veel gevallen beheersbaar. Daar ligt de focus van deze serie: niet op wat mogelijk ooit gebeurt, maar op hoe we omgaan met wat er nu al gebeurt, en hoe we AI op een verstandige manier inzetten binnen systemen en organisaties.

Van gebruik naar inrichting

De meeste problemen met AI ontstaan niet doordat de technologie faalt, maar doordat deze wordt gebruikt zonder duidelijke inrichting. Systemen worden benaderd als losse tools, terwijl ze in de praktijk invloed hebben op denken, besluitvorming en processen. Zonder structuur, context en controle ontstaat voorspelbaar verkeerd gebruik.

Deze serie is opgezet om dat stap voor stap te ontleden en bij te sturen.

1. In het eerste deel worden de effecten zichtbaar gemaakt. Wat gebeurt er met mensen wanneer ze met AI werken? Denk aan bevestiging van aannames, overschatting van begrip en afname van kritisch denken. Dit zijn geen incidenten, maar terugkerende patronen die invloed hebben op hoe beslissingen tot stand komen.
2. Het tweede deel gaat een laag dieper en kijkt naar de oorzaak in de technologie zelf. Welke beperkingen hebben AI-systemen, en hoe leiden die direct of indirect tot deze effecten? Door die mechanismen te begrijpen, wordt duidelijk waarom bepaald gedrag niet toevallig is, maar logisch volgt uit hoe de systemen werken.
3. Het derde deel verschuift naar inrichting. Als de effecten en oorzaken helder zijn, ontstaat ruimte voor gerichte interventie. Hier ligt de focus op het ontwikkelen van werkbare principes en best practices, niet alleen voor individuen, maar vooral op systeem- en organisatieniveau. Hoe richt je processen zo in dat AI ondersteunt zonder fouten te versterken?

De kern is dat verbetering niet begint bij beter gebruik alleen, maar bij het expliciet ontwerpen van hoe AI onderdeel wordt van een geheel.