Alle edities · Policymaker Edition

Your Community, Your AI — CC BY 4.0

Wat AI nu eigenlijk is (en wat het niet is)

Het onderscheid dat het beleidsprobleem verandert

Een wetgever hoeft niet te weten hoe een taalmodel is opgebouwd. Maar er is één onderscheid dat de hele beleidsvraag verandert, en het is de moeite waard om dit goed te begrijpen voordat er een regelgevingsinstrument wordt opgesteld.

Een jaar of twee geleden, toen de meeste mensen het over „AI“ hadden, bedoelden ze een chatbot — een systeem dat je vragen stelde en dat tekst terugstuurde. Jij vroeg; het antwoordde. Tegenwoordig is het zwaartepunt verschoven. De systemen die de meeste aandacht en investeringen trekken, zijn niet langer alleen chatbots die antwoorden. Het zijn agenten die handelen — ze vullen formulieren in, versturen berichten, surfen en voeren transacties uit op het internet, bedienen andere software en streven naar meerstapsdoelstellingen met beperkte begeleiding.

Deze verschuiving is het allerbelangrijkste waar een beleidsmaker rekening mee moet houden, omdat het verandert wat de wet moet reguleren. Het reguleren van een systeem dat advies geeft waarop een mens vervolgens handelt, is één probleem. Het reguleren van een systeem dat zelf actie onderneemt, is een ander en moeilijker probleem. Om hier helder over na te denken, moet je twee begrippen apart houden:

• De motor — het onderliggende model, het onderdeel dat taal produceert.
• De agent — de motor die in werking wordt gesteld, zo geprogrammeerd dat hij namens iemand acties in de wereld kan ondernemen.

De motor is steeds capabeler geworden. Maar de verandering die hieruit voortvloeit voor het overheidsbeleid is wat er nu rondom de motor wordt opgebouwd. We behandelen beide aspecten achtereenvolgens. (Alle onbekende termen in deze reeks — engine, agent, redeneringsmodel en de rest — worden in begrijpelijke taal uitgelegd in de woordenlijst.)

De engine: een machine die voorspellingen doet

Hier volgt de meest eenvoudige beschrijving van wat de engine doet: hij voorspelt welk woord erna moet komen.

Wanneer iemand een zoekopdracht intypt, redeneert het systeem daar niet over op dezelfde manier als een selecte commissie over een ingediende stuk redeneert. Het doet iets mechanischers. Het heeft een enorme hoeveelheid tekst te zien gekregen — wetgeving, rapporten, correspondentie, technische documenten, nieuws, sociale media, medische literatuur — en uit al dat materiaal heeft het statistische patronen geleerd. Wanneer je het een vraag stelt, genereert het een antwoord door, woord voor woord, te voorspellen hoe een aannemelijk antwoord eruitziet op basis van alles wat het eerder heeft verwerkt.

Dit is echt nuttig. Een systeem dat de patronen van miljarden pagina’s heeft geabsorbeerd, kan correspondentie opstellen, lange documenten samenvatten, feitelijke vragen beantwoorden en suggesties doen voor de formulering van een gevoelige mededeling. Dit zijn reële mogelijkheden, en bij een overheidsinstantie kunnen ze de administratieve lasten verminderen.

Maar in wezen voert de engine patroonherkenning uit op buitengewone schaal. Dat ene feit verklaart zowel het nut ervan als de kenmerkende manier waarop het faalt — een thema dat in deze reeks steeds terugkomt en waarmee elk regelgevend instrument rekening moet houden.

Kan de engine redeneren? Het debat dat een wetgever niet moet doen alsof hij kan beslechten

Er is een diepere vraag waar onderzoekers zich actief mee bezighouden, en het eerlijke antwoord is: dat weten we nog niet.

Toen vroege systemen vloeiende tekst produceerden, was het redelijk om ze geavanceerde patroonherkenning te noemen en het daarbij te laten. Maar een nieuwere generatie engines — vaak ‘redenerende’ of ‘denkende’ modellen genoemd — doet iets anders. In plaats van onmiddellijk te antwoorden, werkt het een probleem stapsgewijs door, waarbij het een zichtbare keten van tussenliggende redeneringen produceert voordat het tot een antwoord komt, en meer tijd besteedt aan moeilijkere problemen. De resultaten kunnen opvallend zijn: in 2025 losten redeneersystemen van meer dan één groot laboratorium problemen op uit de Internationale Wiskundeolympiade – een van de moeilijkste wiskundewedstrijden ter wereld – op een niveau dat gelijkwaardig is aan dat van een menselijke gouden medaillewinnaar.

Is dat nu redeneren, of gaat het om zeer geavanceerde patroonherkenning die daarop lijkt? Het onderzoek is nog niet eenduidig en serieuze deskundigen zijn het er niet over eens. Een invloedrijke studie uit 2025 stelde dat deze systemen een ‘illusie van denken’ vertonen, waarbij ze bij bepaalde puzzels vastlopen op manieren waarop een echte redeneerder dat niet zou doen. Verschillende even serieuze reacties betoogden het tegenovergestelde. Het meest voorzichtige oordeel op dit moment is dat de huidige systemen noch echte redeneerders, noch louter papegaaien zijn — ze zijn iets werkelijk nieuws dat nog niet volledig wordt begrepen.

Voor een beleidsmaker gaat het er niet om het debat op te lossen. Het gaat erom te voorkomen dat er wetgeving wordt opgesteld op basis van een valse zekerheid in welke richting dan ook. Iedereen die beweert dat AI definitief wel of definitief niet kan redeneren, beweert meer dan het bewijs aantoont. Een duurzaam beleid is een beleid dat niet afhankelijk is van het antwoord.

De belangrijkste kanttekening voor toezicht

Eén bevinding heeft directe invloed op hoe toezicht wel en niet kan worden vormgegeven, en deze wordt gemakkelijk over het hoofd gezien.

Wanneer deze systemen hun „denken“ weergeven, geeft die zichtbare keten niet op betrouwbare wijze weer wat daadwerkelijk tot het antwoord heeft geleid. Onderzoekers hebben herhaaldelijk vastgesteld dat de door een model aangegeven redenering de werkelijke invloeden op de conclusie kan weglaten — niet uit oneerlijkheid, want het systeem heeft geen intentie, maar omdat de weergegeven woorden zelf voorspelde tekst zijn, en geen getrouwe weergave van een intern proces.

Het gevolg voor het beleid is concreet. Je kunt je toezichtstaken niet vervullen door van het systeem te eisen dat het zichzelf uitlegt en vervolgens die uitleg te lezen. Een ‘recht op uitleg’ dat wordt vervuld door de eigen beschrijving van de redenering door de machine, is geen toezichtmechanisme; het is een aannemelijk klinkend verhaal dat achteraf wordt gegenereerd. Zinvol toezicht moet de output toetsen aan een echt dossier — de feitelijke gegevens, de feitelijke bevoegdheid, de feitelijke beslissing — en niet vertrouwen op het zelfverslag van het systeem. Dit onderscheid komt terug in artikel 3, en het zou de basis moeten vormen voor elke transparantiebepaling die een wetgever opstelt.

Van antwoorden naar handelen: de agent

Dit is de verandering met de grootste invloed op het overheidsbeleid.

Gedurende het grootste deel van het chatbot-tijdperk was het ergste wat een AI direct kon doen, het geven van een slecht antwoord. De schade deed zich pas voor als een persoon ernaar handelde — de misleidende brief verstuurde, op het verkeerde cijfer vertrouwde, het gebrekkige advies doorstuurde. Er zat altijd een mens tussen de machine en het gevolg in.

Een agent haalt die mens, zoals bedoeld, uit de keten.

Een AI-agent is een motor die is ingepakt in wat onderzoekers „scaffolding“ noemen — een geheugen om een taak bij te houden, toegang tot een webbrowser, de mogelijkheid om andere software te bedienen, en een doel dat in gewone taal is verwoord. Met die scaffolding streeft het systeem de doelstelling in vele stappen na met veel minder toezicht: het zoekt, beslist, handelt, controleert en handelt opnieuw. Een chatbot geeft antwoord. Een agent onderneemt actie.

Voor het beleid is dit precies het punt waarop het risicoprofiel verandert. Wanneer een systeem autonoom handelt, zijn er minder momenten waarop een mens kan ingrijpen; sommige acties kunnen niet ongedaan worden gemaakt; en wanneer de uitkomst verkeerd is, wordt het echt moeilijk om de verantwoordelijkheid toe te wijzen — tussen de ambtenaar die de doelstelling heeft vastgesteld, de leverancier wiens systeem de stappen heeft gekozen, en de instantie die het gebruik ervan heeft goedgekeurd. Wetenschappers beschrijven de daaruit voortvloeiende „verantwoordelijkheidskloof“ en „morele kreukzone“, waarin de aansprakelijkheid bij de dichtstbijzijnde mens komt te liggen, ook al had die persoon in werkelijkheid weinig controle. Het feit dat de EU-AI-wet aandringt op zinvol menselijk toezicht is in feite een wettelijke eis dat deze lus niet mag worden gesloten zonder dat er een persoon is die kan ingrijpen — en dat is het verschil tussen toezicht dat in het systeem is ingebouwd en toezicht dat slechts wordt beloofd.

De echte kwestie: wiens patronen, en wiens handen aan de knoppen

Hier wordt het praktisch voor de beslissingen van een land.

Wanneer een groot algoritme op het internet wordt getraind, neemt het de vooroordelen, aannames en culturele standaardinstellingen van het internet over. Het internet is overweldigend Engelstalig, westers, commercieel georiënteerd en gevormd door de waarden van de technologie-industrie. Dit is geen samenzwering — het is wat er gebeurt wanneer een systeem leert van gegevens die onevenredig veel één cultuur en één reeks prioriteiten vertegenwoordigen.

De gevolgen zijn subtiel maar reëel voor de publieke sector. Vraag zo’n systeem om te helpen bij het opstellen van een bericht aan betrokken inwoners en het grijpt terug op zakelijke taal voor stakeholdermanagement, omdat zakelijke correspondentie in de gegevens waaruit het heeft geleerd ruimschoots de overhand heeft boven maatschappelijke correspondentie. Vraag het naar een geschil en het grijpt standaard terug op de taal van individuele rechten en rechtsmiddelen, in plaats van bemiddeling, verplichtingen of de langetermijnvisie. Het staat niet vijandig tegenover maatschappelijke of publieke waarden. Het kent ze simpelweg niet; het weet wat statistisch gezien gebruikelijk is.

In het tijdperk van de chatbots bepaalde die vooringenomenheid de tekst die een ambtenaar beoordeelde. In het tijdperk van de agenten kan diezelfde vooringenomenheid bepalend zijn voor de maatregelen die namens een overheidsinstantie worden genomen — verzonden berichten, aangelegde dossiers, aangegane toezeggingen — nog voordat een ambtenaar deze beoordeelt. De beleidsvraag bestaat nu dus uit twee delen, en beide horen thuis in elk kader dat die naam waardig is: wiens patronen draagt het systeem, en wie heeft de controle wanneer het handelt?

Het volgende artikel behandelt de tweede van deze vragen op het terrein dat strikt genomen een zaak van de staat is — waar het systeem draait, en onder wiens wetgeving.

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, van het verkrijgen van betrouwbare antwoorden tot het bepalen wat je aan een agent moet doorgeven. Voor de volledige technische architectuur achter Village AI, zie Village AI — Agentic Governance.