Wat is kunstmatige intelligentie en hoe zet je het in?

Kunstmatige intelligentie (AI) is niet langer een onderwerp voor onderzoekslaboratoria alleen. Marketingteams gebruiken het om content te versnellen, klantenservice zet het in voor eerste antwoorden en finance-afdelingen laten modellen meekijken bij forecasts. Tegelijk bestaat er veel verwarring over wat AI precies is, hoe het werkt en waar de grenzen liggen.

Deze pagina legt uit wat kunstmatige intelligentie is, hoe de techniek zich heeft ontwikkeld, welke vormen er bestaan en hoe organisaties er verantwoord mee aan de slag gaan.

Wat is kunstmatige intelligentie?

Kunstmatige intelligentie is de verzamelnaam voor technologie die taken uitvoert waarvoor normaal gesproken menselijke intelligentie nodig is: taal begrijpen, patronen herkennen, beslissingen nemen, voorspellingen doen. Het is geen bewustzijn en geen "denkende machine" in de menselijke zin — het is software die op basis van data en wiskundige modellen output genereert die op intelligent gedrag lijkt.

Belangrijk om te onderscheiden:

• AI is het brede vakgebied: alle technieken die menselijke intelligentie nabootsen.
• Machine learning is een deelgebied van AI waarbij systemen leren van data in plaats van expliciet geprogrammeerd te worden.
• Deep learning is een deelgebied van machine learning dat gebruikmaakt van neurale netwerken met meerdere lagen.
• Generatieve AI is een toepassing van deep learning die nieuwe content genereert: tekst, beeld, audio, code.

Kort: AI is de paraplu, machine learning en deep learning zijn de techniek eronder, generatieve AI is een concrete toepassing die de afgelopen jaren het meest zichtbaar is geworden.

Een korte geschiedenis van AI

Het idee van kunstmatige intelligentie is ouder dan de meeste mensen denken.

• Jaren veertig-vijftig — de basis: Alan Turing stelde in 1950 de vraag of machines kunnen "denken" en introduceerde een test om machine-intelligentie te beoordelen, later bekend als de Turing-test.
• 1956 — Dartmouth Conference: op deze conferentie werd de term "artificial intelligence" officieel geïntroduceerd. Dit moment geldt als het formele startpunt van AI als vakgebied.
• AI-winters: in de decennia daarna volgden meerdere periodes waarin de verwachtingen hoger waren dan wat de techniek kon waarmaken. Financiering droogde op en onderzoek stagneerde — bekend als "AI-winters".
• Opkomst van machine learning: vanaf de jaren negentig en tweeduizend groeide de beschikbaarheid van data en rekenkracht, waardoor statistische leermethoden praktisch bruikbaar werden.
• Doorbraak van deep learning: in de jaren 2010 zorgden neurale netwerken met veel lagen voor grote sprongen in beeldherkenning en spraakverwerking.
• Transformers en generatieve AI: de introductie van de transformer-architectuur maakte het mogelijk om grote taalmodellen te trainen die tekst, code en later ook beeld en audio kunnen genereren. Dit bracht AI in een paar jaar tijd van onderzoeksveld naar dagelijks gebruikte technologie.

Betekenis: de huidige golf van AI is geen losstaand fenomeen, maar het resultaat van decennia onderzoek dat samenkwam met genoeg data en rekenkracht.

Hoe werkt kunstmatige intelligentie?

Op hoofdlijnen leren AI-systemen patronen herkennen in data en die patronen toepassen op nieuwe situaties. De belangrijkste leermethoden binnen machine learning zijn:

• Supervised learning (gesuperviseerd leren): het model leert van gelabelde voorbeelden, bijvoorbeeld duizenden e-mails die zijn gemarkeerd als spam of niet-spam.
• Unsupervised learning (ongesuperviseerd leren): het model zoekt zelf structuur in ongelabelde data, bijvoorbeeld het clusteren van klanten met vergelijkbaar gedrag.
• Reinforcement learning (versterkend leren): het model leert via trial-and-error op basis van beloning en straf, vaak gebruikt bij robotica en spelomgevingen.

Neurale netwerken en large language models

Een neuraal netwerk is een wiskundig model dat losjes is geïnspireerd op de werking van hersencellen: lagen van verbonden "knopen" die signalen doorgeven en aanpassen tijdens het trainen. Large language models (LLM's), zoals de modellen achter veel chatbots, zijn neurale netwerken die getraind zijn op enorme hoeveelheden tekst om taal te begrijpen en te genereren.

Trainingsdata en hallucinaties

De kwaliteit en samenstelling van trainingsdata bepalen grotendeels wat een model kan en niet kan. Twee aandachtspunten die daaruit voortkomen:

• Een model reproduceert patronen uit zijn trainingsdata, inclusief eventuele fouten, vooroordelen of verouderde informatie.
• Large language models kunnen hallucineren: met overtuiging informatie presenteren die feitelijk onjuist of verzonnen is. Dit gebeurt omdat het model taal genereert op basis van waarschijnlijkheid, niet op basis van geverifieerde feiten.

Betekenis: output van AI moet altijd worden gecontroleerd, zeker bij feitelijke claims, cijfers en juridische of medische informatie.

Soorten AI: narrow, general en super

• Narrow AI (smalle AI): gespecialiseerd in één taak, zoals tekst genereren, beeld herkennen of routes optimaliseren. Alle AI die vandaag bestaat en wordt gebruikt, valt in deze categorie — inclusief geavanceerde taalmodellen.
• General AI (AGI): een hypothetisch systeem dat op menselijk niveau kan redeneren over uiteenlopende taken, vergelijkbaar met menselijke veelzijdigheid. Dit bestaat op dit moment niet.
• Super AI: een nog verder gaand, theoretisch concept van intelligentie die de menselijke intelligentie op alle vlakken overtreft. Dit blijft vooralsnog speculatief.

Kort: wanneer bedrijven het over "AI" hebben, gaat het vrijwel altijd om narrow AI die is toegespitst op een specifieke taak.

Toepassingen van AI per bedrijfsfunctie

Functie	Typische toepassing
Marketing	contentgeneratie, personalisatie, campagne-optimalisatie, data-analyse
Sales	leadscoring, voorspellende analyses, geautomatiseerde opvolging
Klantenservice	chatbots, automatische ticketclassificatie, samenvatten van gesprekken
Finance	fraudedetectie, forecasting, automatisering van facturatie
Operations	planning en logistiek, voorspellend onderhoud, kwaliteitscontrole
HR	cv-screening, matching van kandidaten, opstellen van vacatureteksten

AI in marketing

Binnen marketing wordt AI onder meer ingezet voor het genereren en optimaliseren van content, het segmenteren van doelgroepen en het automatiseren van herhalende taken. Steeds vaker gebeurt dit via AI-agents: systemen die zelfstandig een reeks stappen uitvoeren, van onderzoek tot concept. Voor de kwaliteit van de output blijft een doordachte contentstrategie leidend — AI versnelt de uitvoering, maar vervangt geen strategie.

Risico's en aandachtspunten

• Bias: als trainingsdata scheve of onvolledige patronen bevat, neemt het model die over. Dit kan leiden tot oneerlijke uitkomsten, bijvoorbeeld bij cv-screening.
• Privacy en AVG: het verwerken van persoonsgegevens in AI-systemen moet voldoen aan de AVG. Dit speelt zowel bij trainingsdata als bij invoer die gebruikers aan een AI-tool geven.
• Auteursrecht: de juridische status van trainingsdata en gegenereerde content is nog in ontwikkeling en verschilt per rechtsgebied.
• Betrouwbaarheid: zoals eerder genoemd kunnen modellen hallucineren; controle door mensen blijft nodig.
• Energieverbruik: het trainen en draaien van grote modellen vraagt aanzienlijke rekenkracht en dus energie.
• Afhankelijkheid: te sterk leunen op één leverancier of model kan een organisatie kwetsbaar maken bij prijswijzigingen, storingen of beleidswijzigingen.

Wet- en regelgeving in Europa: de AI Act

De Europese Unie heeft met de AI Act een wettelijk kader ingevoerd voor AI-systemen. Op hoofdlijnen werkt de wet met een risicogebaseerde indeling:

• Onaanvaardbaar risico: toepassingen die worden verboden, zoals bepaalde vormen van sociale scoring.
• Hoog risico: toepassingen met strenge eisen rond documentatie, transparantie en menselijk toezicht, bijvoorbeeld in sollicitatieprocedures of kredietbeoordeling.
• Beperkt risico: toepassingen met transparantieverplichtingen, zoals het duidelijk maken dat een gebruiker met een chatbot communiceert.
• Minimaal risico: de meeste huidige AI-toepassingen, zonder aanvullende verplichtingen.

De regelgeving wordt gefaseerd van kracht, waarbij verplichtingen voor de meest risicovolle categorieën eerder ingaan dan voor de bredere regels. Organisaties die AI inzetten doen er goed aan om per toepassing te bepalen in welke risicocategorie deze valt en welke verplichtingen daaruit voortvloeien.

Betekenis: niet elke AI-toepassing valt onder zware verplichtingen, maar het is aan te raden om vooraf te toetsen in welke categorie een specifieke toepassing valt.

Hoe start je als organisatie met AI?

1. Kies een concrete usecase. Begin bij een terugkerend, tijdrovend probleem in plaats van bij de technologie zelf.
2. Start met een pilot. Test op kleine schaal, met duidelijke succescriteria, voordat je opschaalt.
3. Stel intern beleid op. Leg vast welke data wel en niet gebruikt mag worden, wie verantwoordelijk is voor controle van output en hoe wordt omgegaan met privacygevoelige informatie.
4. Investeer in training. Medewerkers moeten weten wat een tool wel en niet kan, en hoe output te beoordelen is.
5. Evalueer en schaal op. Meet resultaten, stel bij en breid pas uit naar andere afdelingen als de pilot aantoonbaar waarde oplevert.

De rol van mensen

Ondanks de vooruitgang blijft menselijke betrokkenheid essentieel. Mensen bepalen de doelen, beoordelen de kwaliteit van AI-output, dragen verantwoordelijkheid voor beslissingen en zorgen voor de context die een model zelf niet heeft. AI is een hulpmiddel dat taken versnelt en ondersteunt — de eindverantwoordelijkheid en het oordeelsvermogen blijven bij de mens.

Veelgestelde vragen

Wat is het verschil tussen AI en machine learning?

AI is het bredere vakgebied van technologie die menselijke intelligentie nabootst. Machine learning is een specifieke aanpak binnen AI waarbij systemen leren van data in plaats van expliciet geprogrammeerd te worden.

Wat is generatieve AI?

Generatieve AI is AI die nieuwe content genereert, zoals tekst, beeld, audio of code, op basis van patronen die het heeft geleerd uit trainingsdata.

Wat is een hallucinatie bij AI?

Een hallucinatie is het verschijnsel waarbij een AI-model met overtuiging informatie presenteert die feitelijk onjuist of verzonnen is. Dit komt doordat het model taal genereert op basis van waarschijnlijkheid, niet op basis van geverifieerde feiten.

Bestaat general AI (AGI) al?

Nee. Alle huidige AI-toepassingen zijn narrow AI: gespecialiseerd in specifieke taken. Algemene, mensachtige intelligentie bestaat op dit moment niet.

Wat regelt de Europese AI Act?

De AI Act deelt AI-toepassingen in naar risiconiveau en stelt op basis daarvan eisen, variërend van een verbod bij onaanvaardbaar risico tot transparantieverplichtingen bij beperkt risico. De regels worden gefaseerd ingevoerd.

Moet ik als bedrijf nu al met AI aan de slag?

Dat hangt af van de organisatie en de use case. Een gerichte pilot rond een concreet probleem is doorgaans een verstandigere start dan AI breed uitrollen zonder duidelijk doel.