Voordat je begint: AI «denkt» niet, het rekent
De meest voorkomende verwarring bij mensen die voor het eerst met kunstmatige intelligentie in aanraking komen, is de gedachte dat er iemand of iets binnen het systeem redeneert. Dat is niet zo. Een taalmodel of een computervisiesysteem voert wiskundige bewerkingen uit op getallen. Miljoenen ervan, heel snel, maar bewerkingen uiteindelijk. Dit begrijpen verandert volledig hoe je zijn antwoorden interpreteert en, vooral, zijn fouten.
Volgens de technische documentatie die door de belangrijkste AI-laboratoria is gepubliceerd, kan een huidig taalmodel honderden miljarden parameters bevatten. Elke parameter is een getal dat tijdens de training is afgesteld. Niets meer. Het gevoel van een gesprek ontstaat door de schaal, niet door echt begrip.
Het werkelijke traject van een gegeven tot het antwoord
1. Training: waar het patroon wordt opgebouwd
Tijdens de trainingsfase worden aan het model grote hoeveelheden tekst, afbeeldingen of audio getoond. Het systeem past zijn parameters aan om minder fouten te maken bij een specifieke taak: het voorspellen van het volgende woord, het classificeren van een afbeelding of het vertalen van een zin. Dit proces verbruikt enorme rekenkracht en kan weken duren in gespecialiseerde datacenters.
Een nuance die zelden wordt uitgelegd: het model «bewaart» de originele teksten niet als een database. Het haalt statistische regelmatigheden eruit. Daarom kan het antwoorden op iets wat het nooit eerder in dezelfde formulering heeft gezien, en daarom kan het ook gegevens verzinnen die plausibel klinken maar onjuist zijn.
2. Inferentie: het moment waarop je het gebruikt
Wanneer je in een chat typt, wordt je tekst omgezet in tokens (woordfragmenten). Die tokens worden omgezet in numerieke vectoren en gaan door de lagen van het neurale netwerk. Het resultaat is een waarschijnlijkheidsverdeling over het mogelijke volgende token. Het systeem kiest er één, voegt die toe aan de reeks en herhaalt dit. Zo wordt, woord voor woord, het volledige antwoord gegenereerd.
Hier komt een praktische beperking naar voren die velen niet kennen: het contextvenster. Het model kan slechts een beperkte hoeveelheid eerdere tekst in beschouwing nemen. Als een gesprek erg lang wordt, houdt een deel van wat aan het begin is gezegd op invloed te hebben. Dit verklaart waarom een assistent een instructie die twintig berichten eerder is gegeven «vergeet».
Waarom het soms met volle overtuiging fout zit
Generatieve AI maakt geen onderscheid tussen het beweren van iets waars en iets verzonnens. Het doel is een waarschijnlijke, niet een geverifieerde reeks te produceren. Een typisch geval: vragen naar de bibliografische referentie van een specifieke studie. Het kan een titel, auteurs en jaar teruggeven in onberispelijke vorm die niet bestaan. De juiste vorm wekt onterecht vertrouwen.
Dit patroon staat bekend als hallucinatie en wordt niet volledig opgelost met grotere modellen. Volgens sectorstudies vermindert een groter formaat de frequentie bij sommige taken, maar elimineert die niet. Externe verificatie blijft essentieel in contexten waar de gegevens ertoe doen: gezondheid, juridisch, financiële cijfers.
Welk type AI waarvoor dient
- Taalmodellen: concepten schrijven, samenvatten, herformuleren, programmeren onder toezicht. Slecht voor exacte berekeningen zonder externe hulpmiddelen.
- Computervisie: afbeeldingen classificeren, objecten detecteren. Gevoelig voor veranderingen in belichting of hoeken die niet in de training zijn gezien.
- Aanbevelingssystemen: inhoud of producten filteren. Ze kunnen vooroordelen versterken als de historische gegevens die bevatten.
- Klassieke voorspellende modellen: vraag, risico of prijzen schatten. Ze vereisen goed gelabelde gegevens; zonder die daalt hun prestatie sterk.
Een concreet voorbeeld van een echte beperking
Stel je voor dat je een assistent gebruikt om de notulen van vergaderingen van een uur samen te vatten. Het werkt goed met schone opnames. Zodra er twee mensen tegelijk praten of er achtergrondgeluid is, schrijft het systeem zinnen met volle overtuiging aan de verkeerde gesprekspartner toe. Het waarschuwt niet voor de twijfel: het levert een samenhangende samenvatting maar met onjuiste toeschrijvingen. Wie het origineel niet controleert, kan beslissingen nemen op basis van een gesprek dat nooit zo heeft plaatsgevonden. De praktische les is duidelijk: AI versnelt het voorbereidende werk, maar menselijke validatie blijft de laatste stap in elke serieuze workflow.
Wat AI niet doet (en wat je beter kunt accepteren)
Het begrijpt de betekenis niet zoals een mens. Het heeft geen intenties of gezond verstand buiten de geziene patronen. Het garandeert geen resultaten: twee uitvoeringen van dezelfde query kunnen verschillende antwoorden opleveren. En het vervangt niet het professionele oordeel in gereguleerde contexten. Deze grenzen erkennen is wat een nuttig gebruik onderscheidt van een teleurstelling.
Hoe je kunt beginnen zonder gefrustreerd te raken
- Kies een kleine, repetitieve taak uit je dagelijks leven.
- Test het systeem met een geval dat je al kunt oplossen om de betrouwbaarheid te kalibreren.
- Controleer altijd de concrete gegevens (data, cijfers, namen) voordat je ze gebruikt.
- Documenteer wat werkt en wat faalt; dat overzicht is meer waard dan welke generieke tutorial dan ook.
Kunstmatige intelligentie is een krachtig statistisch hulpmiddel, geen orakel. Het als zodanig behandelen bespaart je meer dan één probleem en stelt je in staat te benutten wat het echt goed doet.