Alle edities · Conservation Edition

Your Community, Your AI — CC BY 4.0

AI van de grote techbedrijven versus jouw AI voor natuurbehoud — Waarom het verschil ertoe doet

Waar de AI van de grote techbedrijven haar manieren leert

Stel je voor dat je een kind opvoedt in een gezin waar de enige ‘boeken’ marketingbrochures, discussies op sociale media en Wikipedia zijn. Dat kind zou welbespraakt zijn, in zekere zin belezen, en in staat om over vrijwel elk onderwerp vloeiende teksten te schrijven. Maar het zou een specifieke kijk op de wereld hebben — commercieel gevormd, gevoelig voor controverses, en zelfverzekerd van toon, ongeacht de diepgang. Het zou weten hoe het gezaghebbend moet klinken zonder per se zorgvuldig te zijn.

Dit is, grofweg gezegd, hoe AI-systemen van Big Tech worden opgevoed.

De bekendste AI-systemen van Big Tech – de grote commerciële chatbots en, tegenwoordig, de daarop gebaseerde agents – worden getraind op enorme hoeveelheden tekst die van het internet zijn gehaald. Miljarden pagina’s. Het resultaat is een systeem dat over bijna alles kan discussiëren — maar waarvan de standaardinstellingen, aannames en instincten worden gevormd door wat op het internet oververtegenwoordigd is.

Het internet oververtegenwoordigt:

• Engelstalige inhoud (en binnen het Engels: Amerikaans Engels)
• Commerciële en marketingtaal
• Individualistische benadering („wat is het beste voor jou“)
• Zelfverzekerde, onvoorwaardelijke beweringen
• Technisch en professioneel discours
• Inhoud uit de afgelopen twintig jaar, met beperkte historische diepgang

Het internet ondervertegenwoordigt:

• Gekwalificeerde wetenschappelijke rapportage met vermelding van onzekerheden
• Langetermijngegevens over ecologische monitoring
• Tradities van gemeenschappelijke besluitvorming
• Inheemse en lokale ecologische kennis
• De praktijkervaring van kleine, plaatsgebonden organisaties
• De daadwerkelijke veldgegevens, soortenlijsten en beheersgegevens van jouw natuurbeschermingsgroep

Wanneer je vrijwilligerscoördinator een AI-systeem van een Big Tech-bedrijf vraagt naar habitatbeheer, grijpt het terug op de taal van een Wikipedia-samenvatting of een adviesrapport — niet omdat het dat als superieur heeft beoordeeld, maar omdat dat de overhand heeft in de trainingsgegevens waarmee het is gevoed. Het biedt niet de gedetailleerde, locatiespecifieke kennis die voortkomt uit twintig jaar monitoring van hetzelfde stuk rivieroever, omdat dergelijke patronen statistisch gezien zeldzaam zijn in de gegevens waarmee het is getraind.

Dit is geen tekortkoming die met betere prompts kan worden verholpen. Het is structureel. Het karakter van het systeem wordt bepaald door zijn opvoeding, en die opvoeding was het internet.

Wat ‘lokaal getraind’ eigenlijk betekent

Village AI werkt anders, en het verschil zit niet in het feit dat het kleiner of minder capabel is. Het verschil zit hem in waar de AI zijn patronen leert.

Een Village AI voor jouw natuurbeschermingsgroep is getraind op basis van drie inhoudslagen. (Alle onbekende termen in deze serie worden in gewone taal uitgelegd in de woordenlijst.)

De platformlaag. Dit is de basis: hoe het Village-platform werkt, welke functies beschikbaar zijn, hoe je door het systeem navigeert. Elke Village deelt deze laag. Dit betekent dat de AI een nieuwe vrijwilliger kan helpen zijn weg te vinden, kan uitleggen hoe je een veldrapport indient of deelneemt aan een videogesprek, zonder dat deze basisprincipes helemaal vanaf nul hoeven te worden aangeleerd.

De organisatielaag. Dit is wat jouw Village tot de jouwe maakt. De AI leert van de inhoud die jouw groep daadwerkelijk heeft gecreëerd — veldrapporten, gegevens over het monitoren van soorten, verhalen die leden hebben gedeeld, beschrijvingen van evenementen, documenten die je bestuur heeft gepubliceerd. Als een vrijwilliger vraagt: „Wat was het resultaat van de vogeltelling van afgelopen herfst?“, kan de AI antwoorden op basis van de eigen gegevens van je organisatie, en niet op basis van een gok over hoe vogeltellingen er over het algemeen op internet uitzien.

Toestemming bij elke stap. Er wordt geen inhoud in de training van de AI opgenomen zonder uitdrukkelijke toestemming. Een lid dat een veldrapport deelt, kan kiezen of dat rapport wordt opgenomen in de kennis van de AI. Inhoud die als privé is gemarkeerd, blijft privé — structureel, niet alleen volgens het beleid. De AI heeft geen toegang tot wat haar nooit is gegeven.

Het resultaat is een systeem dat uw organisatie kent — niet het internetbeeld van hoe een natuurbeschermingsorganisatie eruit zou moeten zien. Wanneer het helpt bij het opstellen van een samenvatting van een veldrapport, put het uit de patronen van uw eerdere rapporten, niet uit sjablonen voor bedrijfsnieuwsbrieven. Wanneer de AI een vraag over uw werk beantwoordt, baseert hij zich op de gegevens van uw organisatie, niet op een statistisch gemiddelde van alle organisaties.

Wie heeft de sleutels in handen

Tot nu toe hebben we het gehad over wiens patronen de AI in zich draagt. Maar zoals in artikel 1 werd uitgelegd, is AI niet langer alleen iets dat antwoorden geeft — het is in toenemende mate iets dat handelt. En op het moment dat een AI namens jou kan handelen, wordt een tweede verschil tussen Big Tech-AI en een systeem waarover jij de controle hebt net zo belangrijk als het eerste: wie de sleutels in handen heeft.

Wanneer je een agent van een Big Tech-bedrijf iets voor je laat doen — gegevens indienen bij een regionale dataset, reageren op een raadpleging over ruimtelijke ordening, een aangifte indienen, een lijst beheren — geef je hem de sleutels in handen: toegang tot je gegevens, soms tot je accounts, en de bevoegdheid om namens jou acties te ondernemen. Die acties vinden plaats op de infrastructuur van het bedrijf, volgens de regels van het bedrijf, waarbij de standaardinstellingen van het bedrijf bepalen welke stappen worden genomen. Als het iets verkeerds doet, kom je daar misschien pas achter als het al gebeurd is, omdat een agent die op eigen houtje handelt je minder kansen geeft om in te grijpen. Voor een organisatie die gevoelige gegevens bewaart — locaties van beschermde diersoorten, nog niet gepubliceerde resultaten, relaties met grondeigenaren — is dat een bijzonder soort risico: sommige zaken kunnen, eenmaal gedeeld, niet meer ongedaan worden gemaakt.

Village AI is gebaseerd op het tegenovergestelde principe. Als het al actie onderneemt, gebeurt dat binnen de grenzen van uw organisatie, op infrastructuur die speciaal voor uw groep is bestemd, volgens de regels die uw organisatie vaststelt — en, cruciaal, zijn reikwijdte is opzettelijk beperkt, zodat een mens altijd kan ingrijpen voordat er iets uw grenzen verlaat. Het zal ontwerpen, voorstellen doen, organiseren en prioriteren; het zal niet stilletjes namens u indienen, verzenden of delen zonder dat er een persoon bij betrokken is. De sleutels blijven bij uw organisatie. In artikel 3 beschrijven we precies hoe dit wordt afgedwongen, en in artikel 4 precies wat er vandaag de dag namens u handelt.

Het punt is voorlopig simpel: in het tijdperk van de chatbots was de vraag „wiens patronen draagt mijn AI?“ In het tijdperk van de agenten moet je je ook afvragen „wiens handen zitten aan de knoppen — en kan ik die terugnemen?“

Waarom gegevensintegriteit hier belangrijker is

Natuurbeschermingsorganisaties nemen een bijzondere positie in binnen het AI-landschap. In tegenstelling tot een sociale vereniging of een bedrijf heeft een groot deel van je gegevens wetenschappelijke waarde. Tellingen van diersoorten, beoordelingen van de toestand van leefgebieden, metingen van de waterkwaliteit, gegevens over broedsucces – dit zijn niet zomaar administratieve gegevens. Het is bewijsmateriaal. Ze kunnen als basis dienen voor planningsbeslissingen, bijdragen aan regionale datasets of deel uitmaken van ecologische referentiepunten voor de lange termijn.

Wanneer een AI dit soort gegevens samenvat, staat er veel meer op het spel. Een socialemediapost die enigszins onnauwkeurig is, is een kleine ergernis. Een soortentelling die naar boven is afgerond, een habitatbeoordeling waarin een voorbehoud ontbreekt, of een trend die is gladgestreken tot een mooier verhaal dan de gegevens rechtvaardigen — dit alles kan de wetenschappelijke geloofwaardigheid ondermijnen waarop natuurbeschermingsorganisaties vertrouwen.

De AI van Big Tech is getraind om zelfverzekerde, vloeiende tekst te produceren. Zelfvertrouwen en vloeiendheid zijn echter de verkeerde standaardinstellingen voor wetenschappelijke gegevens. Wat je nodig hebt, zijn nuanceringen, precisie en een systeem dat zijn eigen onzekerheid signaleert in plaats van deze te verdoezelen.

Daarom is lokale training voor natuurbeschermingsgroepen van een belang dat verder reikt dan het algemene geval. De AI moet niet alleen je inhoud leren kennen, maar ook je normen — het verschil tussen een bevestigde waarneming en een waarschijnlijke, het belang van het vastleggen van de onderzoeksinspanning naast de resultaten, de discipline om zowel te vermelden wat er niet is gevonden als wat er wel is gevonden.

Guardian Agents: De Wachters bij de Poort

Zelfs een lokaal getrainde AI kan fouten maken. Het kan een detail verkeerd onthouden, twee onderzoeksseizoenen door elkaar halen of een antwoord genereren dat klopt, maar niet gebaseerd is op je daadwerkelijke gegevens. Dit is de aard van de technologie — het voorspelt aannemelijke tekst, en aannemelijk is niet hetzelfde als nauwkeurig.

Dit is waar Guardian Agents in beeld komt.

Guardian Agents zijn onafhankelijke verificatielagen die elk AI-antwoord controleren voordat het de gebruiker bereikt. Het is geen extra AI — het zijn op metingen gebaseerde controles die structureel los staan van de AI die ze bewaken, zodat de bewaker niet dezelfde blinde vlekken heeft als degene die wordt bewaakt.

Dit is wat ze doen, in eenvoudige bewoordingen:

De eerste bewaker neemt het antwoord van de AI en meet in hoeverre dit overeenkomt met de daadwerkelijke inhoud in de gegevens van je organisatie. Niet of het klopt – maar of het wiskundig gezien vergelijkbaar is met echte documenten. Als de AI zegt: „Het otteronderzoek registreerde in september drie holen langs de bovenloop”, controleert de bewaker of uw monitoringgegevens die informatie daadwerkelijk bevatten.

De tweede bewaker splitst het antwoord op in afzonderlijke beweringen en controleert ze stuk voor stuk. Een AI-antwoord kan drie uitspraken bevatten – twee correcte en één verzonnen. De tweede bewaker ontdekt de verzinsel, zelfs als het antwoord in zijn geheel overtuigend klinkt.

De derde bewaker let op ongebruikelijke patronen in de loop van de tijd — veranderingen in het gedrag van de AI, herhaalde fouten, uitkomsten die de vastgestelde grenzen benaderen. Hij houdt de gezondheid van het systeem in de gaten, niet alleen individuele antwoorden.

De vierde bewaker leert van de feedback van uw organisatie. Wanneer een medewerker een AI-antwoord als niet-nuttig markeert — een simpele ‘duim omlaag’ is voldoende — onderzoekt het systeem wat er mis is gegaan, classificeert de hoofdoorzaak en past zich aan. Moderatoren kunnen deze correcties beoordelen en verfijnen, maar het leerproces begint bij gewone vrijwilligers. Na verloop van tijd sluit de AI steeds beter aan bij de feitelijke kennis van uw organisatie, in plaats van minder.

Elk AI-antwoord in Village is voorzien van een betrouwbaarheidsindicator die het lid laat zien hoe goed onderbouwd het antwoord is. Een hoge betrouwbaarheid betekent dat de bewaker sterke overeenkomsten in uw gegevens heeft gevonden. Een lage betrouwbaarheid betekent dat het antwoord meer speculatief is. Leden kunnen elke bewering van de AI terugvoeren naar de bron – het specifieke document, veldrapport of dossier dat deze ondersteunt.

Dit is geen functie die de AI van Big Tech biedt, omdat de AI van Big Tech niet is gebaseerd op uw gegevens. Deze is gebaseerd op het internet, en er is geen praktische manier om miljarden pagina’s aan trainingsgegevens te verifiëren aan de hand van één enkel antwoord.

Specifiek voor natuurbeschermingsgegevens is deze traceerbaarheid geen luxe — het is een vereiste. Als iemand vraagt: „Heeft de populatie van de kerkuil zich hersteld sinds de start van het nestkastprogramma?“, moet het antwoord herleidbaar zijn tot daadwerkelijke onderzoeksgegevens, niet tot een aannemelijk klinkend verhaal.

De afweging

Village AI is bewust beperkter dan de grote commerciële systemen. Het is niet gebouwd om sonnetten te schrijven, fotorealistische beelden te genereren of elk denkbaar onderwerp te bestrijken — en in het tijdperk van de agents draait het niet echt om pure breedte. De afweging die ertoe doet, is niet welsprekendheid omwille van de welsprekendheid; het gaat om beheer en controle. Een gericht systeem dat uw organisatie kent, uw gegevens binnen uw eigen grenzen houdt en verantwoording aflegt aan uw bestuur — en dat, wanneer het handelt, alleen handelt waar een mens nog kan ingrijpen — is voor een natuurbeschermingsorganisatie meer waard dan een meer oogverblindend systeem waarover zij geen controle heeft.

Wat het in plaats daarvan biedt, is een systeem dat trouw is aan uw organisatie — de inhoud, de waarden, de gegevensstandaarden — met de zekerheid dat de reacties zijn gebaseerd op uw daadwerkelijke gegevens in plaats van op statistische patronen van het internet.

Voor een natuurbeschermingsorganisatie die hulp nodig heeft bij het samenvatten van veldrapporten, het beantwoorden van vragen van vrijwilligers over onderzoeksprotocollen, het opstellen van subsidieverslagen op basis van monitoringgegevens of het coördineren van activiteiten op het gebied van landbeheer — is dit geen beperking. Het is juist het juiste hulpmiddel voor deze taken. En wanneer dat hulpmiddel actie onderneemt in plaats van alleen maar antwoorden te geven, gebeurt dat terwijl de touwtjes nog steeds in handen van uw organisatie liggen.

De vraag is niet „welke AI is krachtiger?“ De vraag is „welke AI staat ten dienste van mijn organisatie – en wie heeft de controle wanneer het in actie komt?“

Wil je dit soort AI-tools goed en veilig gebruiken? Onze gratis cursussen — Werken met Claude en Agents at Work — leren je de praktische vaardigheden. Zie Village AI — Agentic Governance voor de volledige Guardian Agents-architectuur achter Village AI.