Hoe AI in zeven decennia veranderde van regelsysteem in handelende assistent

Vroege programma’s voor computerspellen lieten zien hoe machines in een afgebakende omgeving mogelijke zetten konden doorzoeken. Later werden vergelijkbare technieken, samen met statistische leermethoden, toegepast op onder meer:

• het opsporen van ongebruikelijke of mogelijk frauduleuze transacties;
• het inschatten van krediet- en wanbetalingsrisico’s;
• het voorspellen van gezondheidsrisico’s, zoals verslechtering of heropname;
• het rangschikken van producten, video’s, muziek en berichten in aanbevelingssystemen; en
• het combineren van spraakherkenning, intentieclassificatie en vaste workflows in spraakassistenten zoals Siri.

Deze systemen presteren vaak goed wanneer een taak beperkt, herhaaldelijk en meetbaar is. Ze kunnen grote hoeveelheden gevallen snel verwerken en consistente resultaten leveren. Regelgebaseerde systemen zijn bovendien vaak eenvoudiger te inspecteren dan complexe modellen, omdat hun beslislogica expliciet is.

De grenzen van voorspellen

Traditionele AI begrijpt niet automatisch waarom een uitkomst ontstaat. Een model kan een statistische samenhang vaststellen zonder causaliteit aan te tonen. Bovendien kan een systeem dat is getraind op bevooroordeelde historische data die bias reproduceren of versterken. Regels kunnen buiten hun oorspronkelijke context kwetsbaar zijn, terwijl complexe voorspellende modellen moeilijk uit te leggen zijn.

De prestaties kunnen afnemen wanneer de werkelijkheid verandert. Dat probleem staat bekend als dataverschuiving of data drift. Bij toepassingen met grote gevolgen, zoals kredietverlening, werkgelegenheid, verzekeringen, politiewerk en gezondheidszorg, zijn daarom controles op datakwaliteit, bias-tests, passende uitleg, menselijke beoordeling, monitoring en bezwaarprocedures nodig.

2. Generatieve AI: nieuwe content maken

Generatieve AI leert patronen uit grote verzamelingen tekst, beelden, audio, video of code en gebruikt die patronen om nieuwe uitvoer te produceren. Grote taalmodellen genereren tekst stap voor stap; multimodale systemen kunnen met meerdere formaten werken.

Dat veranderde de manier waarop mensen AI gebruiken. In plaats van een vaste opdracht te selecteren of alleen een classificatiescore te ontvangen, kunnen gebruikers in gewone taal een doel beschrijven en vragen om materiaal op te stellen, om te vormen of uit te leggen.

Waar generatieve AI wordt toegepast

Veelvoorkomende toepassingen zijn:

• Klantenservice: antwoorden opstellen, gesprekken samenvatten, materiaal vertalen en informatie uit kennisbanken ophalen.
• Juridisch werk: documenten samenvatten, clausules extraheren, juridische bronnen vergelijken en eerste versies voorbereiden. Juridische professionals moeten primaire bronnen en juridische beweringen blijven controleren.
• Onderwijs: concepten uitleggen, oefenvragen maken en feedback geven.
• Creatief werk: brainstormen, teksten opstellen en beelden, muziek, videoconcepten en softwarecode genereren.
• Programmeren: code uitleggen, tests schrijven, oplossingen voor fouten voorstellen en routinematige ontwikkeling versnellen.

De belangrijkste voordelen zijn snelheid, lagere kosten voor eerste versies, interactie in natuurlijke taal en de mogelijkheid om meerdere gepersonaliseerde varianten te maken. Een aannemelijk antwoord genereren is echter niet hetzelfde als betrouwbaar deskundig oordeel vellen.

De belangrijkste risico’s

Hallucinaties en schijnzekerheid. Grote taalmodellen kunnen verzonnen, onjuiste, bevooroordeelde of te sterk vereenvoudigde informatie presenteren in een zelfverzekerde toon. Onderzoek naar grounding en evaluatie wijst op hallucinaties, schadelijke inhoud, manipulatie, auteursrechtinbreuk, privacy en beveiliging als onderwerpen die voortdurend moeten worden getest en gemonitord.

Leren en academische integriteit. Een grootschalig veldexperiment op een middelbare school liet zien dat AI-begeleiding de prestaties verbeterde zolang de tool beschikbaar was. Leerlingen die zonder passende waarborgen op de technologie vertrouwden, presteerden echter slechter toen de toegang werd weggenomen, wat kan wijzen op een beperktere vaardigheidsopbouw. Hints die door docenten waren ontworpen werkten beschermender dan simpelweg het antwoord geven. Generatieve tools kunnen bovendien plagiaat makkelijker maken of verhullen of een leerling de stof daadwerkelijk beheerst.

Auteursrecht en herkomst. De herkomst van trainingsdata, stilistische imitatie en uitvoer waarin beschermd materiaal wordt gereproduceerd, blijven onderwerp van discussie. Onderwijskundige richtlijnen noemen inbreuk op intellectueel eigendom als een belangrijk risico, naast onnauwkeurige, bevooroordeelde of onveilige content.

Schadelijke en manipulatieve content. Generatieve systemen kunnen misinformatie, intimidatie, seksueel of gewelddadig materiaal en gevaarlijke instructies produceren. Veiligheidsrichtlijnen adviseren daarom tests, beschermingsmaatregelen, activiteitenlogboeken en monitoring, in plaats van ervan uit te gaan dat een model zich altijd gedraagt zoals bedoeld.

Jongeren en welzijn. Onderzoek naar de risico’s van generatieve AI voor jongeren noemt zorgen rond mentaal welzijn, gedragsmatige en sociale ontwikkeling, giftige content, privacy en misbruik of uitbuiting. De risico’s zijn extra ernstig wanneer gebruikers een chatbot gaan zien als vervanging voor gekwalificeerde menselijke ondersteuning.

Privacy en vertrouwelijkheid. Prompts kunnen persoonsgegevens, bedrijfsgeheimen, cliëntinformatie of juridisch beschermd materiaal bevatten. Organisaties hebben duidelijke regels nodig over welke data in welke dienst mag worden ingevoerd. Niet-goedgekeurde systemen zijn ongeschikt voor gevoelige informatie.

Praktische waarborgen voor generatieve AI

Een redelijke basisregel is om modeluitvoer te behandelen als een concept, niet als bewijs. Belangrijke feitelijke beweringen moeten worden gecontroleerd aan de hand van gezaghebbende bronnen. Voor medische, juridische, financiële, personeels- en veiligheidskritische beslissingen hoort menselijke beoordeling verplicht te zijn.

Nuttige maatregelen zijn zoekfuncties die antwoorden baseren op goedgekeurd bronmateriaal, bronverwijzingen, red-teamtests, inhoudelijke veiligheidsfilters, leeftijdsgericht ontwerp, auditlogs, transparantie richting gebruikers en beleid voor gegevensverwerking, academisch gebruik, herkomst en auteursrecht. Ook overheidsrichtlijnen wijzen op risico’s rond onnauwkeurige of bevooroordeelde inhoud, privacyschendingen, inbreuk op intellectueel eigendom en academische integriteit.

3. Agentische AI: systemen die kunnen handelen

Agentische AI voegt een actielaag toe. Een agent kan een doel interpreteren, het opdelen in stappen, hulpmiddelen gebruiken zoals browsers, code-opslagplaatsen, databases of berichtendiensten, tussentijdse resultaten controleren en verdergaan binnen de machtigingen die hij heeft gekregen.

Daarmee verschilt een agent van een chatbot, ook wanneer beide een groot taalmodel gebruiken. Een chatbot kan een e-mail opstellen; een agent kan informatie zoeken, het bericht voorbereiden, het versturen en een ander systeem bijwerken. Een programmeerassistent kan een fout uitleggen; een agent kan een codebase onderzoeken, bestanden aanpassen, tests uitvoeren en een wijziging voorbereiden voor beoordeling.

Voorbeelden op de huidige markt zijn softwareontwikkelingsagenten zoals Google Jules, hulpmiddelen voor wervingsworkflows zoals LinkedIn Hiring Assistant en persoonlijke-agentframeworks zoals OpenClaw. Volgens het projectmateriaal is OpenClaw een persoonlijke, opensource-assistent die op apparaten van gebruikers draait en via kanalen en tools kan worden gekoppeld. Wat de assistent daadwerkelijk kan doen, hangt af van de ingeschakelde integraties en machtigingen.

Waarom agenten nuttig kunnen zijn

Agentische systemen kunnen:

• complete workflows uitvoeren in plaats van alleen losse teksten opstellen;
• routinematige coördinatie en administratie verminderen;
• informatie uit versnipperde bedrijfssystemen samenbrengen; en
• continu werken binnen vooraf bepaalde grenzen.

Dat kan complexe werkprocessen toegankelijker maken voor kleinere organisaties en individuele gebruikers. Tegelijk verschuift de centrale vraag van ‘Is het antwoord juist?’ naar ‘Wat mag het systeem doen, en hoe controleren we die acties?’

Waarom autonomie het risicogebied vergroot

Een generatief model kan een fout antwoord geven. Een agent kan een verkeerde gevolgtrekking, een kwaadaardige instructie of een gecompromitteerde tool omzetten in een externe actie.

Een agent met toegang tot financiële systemen zou bijvoorbeeld een ongeautoriseerde betaling, aankoop, overschrijving of annulering kunnen uitvoeren. Een agent met toegang tot e-mail, browsers of clouddiensten kan via een kwaadaardige webpagina of een gemanipuleerd document worden aangezet om inloggegevens prijs te geven of vertrouwelijke bestanden te versturen. Te ruime machtigingen, zwakke identiteitscontroles en onvoldoende scheiding van taken kunnen een kleine modelfout laten uitgroeien tot een ernstig incident.

Ook de vraag wie verantwoordelijk is, wordt ingewikkelder wanneer een uitkomst voortkomt uit de interactie tussen model, instructies, data, tools en andere agenten. De beheerder moet daarom niet alleen het eindresultaat kunnen zien, maar ook de voorgestelde actie, het bewijs erachter en de gebruikte machtigingen.

Governance moet meegroeien met de mogelijkheden

Voor alle drie de ontwikkelingsfasen gelden in de kern dezelfde principes: wijs een verantwoordelijke eigenaar aan, beperk het systeem tot een duidelijk doel, bescherm gegevens, test vóór ingebruikname, monitor de prestaties, bereid incidenten voor en zorg voor betekenisvolle menselijke controle of een mogelijkheid tot ingrijpen bij beslissingen met grote gevolgen.

Agentische systemen hebben extra maatregelen nodig omdat ze externe systemen kunnen beïnvloeden. Praktische waarborgen zijn onder meer:

• toegangsrechten volgens het principe van minimale bevoegdheden en met een beperkte geldigheidsduur;
• afzonderlijke accounts en een duidelijke identiteit voor elke agent;
• expliciete grenzen rond wat een agent mag lezen, schrijven, versturen, kopen, verwijderen of implementeren;
• bevestigingsmomenten voor onomkeerbare of ingrijpende acties;
• lijsten met goedgekeurde tools, sandboxing en bescherming tegen promptinjectie;
• transactielimieten en detectie van afwijkend gedrag;
• gedetailleerde, fraudebestendige actielogboeken;
• functiescheiding en menselijke goedkeuring die in verhouding staan tot het risico; en
• een snelle pauze- of noodstopfunctie.

Singapore publiceerde op 22 januari 2026 zijn Model AI Governance Framework for Agentic AI. Dit is richtsnoer voor organisaties die dergelijke systemen inzetten, geen afzonderlijke AI-wet. Het framework stelt menselijke en organisatorische verantwoordelijkheid centraal en beveelt risicobeheer en controles aan die aansluiten bij de mate van autonomie van een agent.

Voor de financiële sector beschrijft het SAFR-document van de Monetary Authority of Singapore een vorm van runtime-governance. Daarbij wordt in een gestructureerd dossier vastgelegd wat een agent van plan is, waarom hij dat wil doen en welk bewijs de voorgestelde actie ondersteunt.

De kern in één zin

De evolutie van AI is geen simpele overgang van ‘oude AI’ naar ‘nieuwe AI’. Regelgebaseerde en voorspellende systemen blijven de beste keuze voor veel afgebakende beslissingen. Generatieve AI voegt flexibele productie en interactie in natuurlijke taal toe. Agentische AI voegt het vermogen toe om via tools doelen na te streven en externe acties uit te voeren.

Naarmate die mogelijkheden groeien, wordt ook governance belangrijker. Voorspellen vraagt om aandacht voor nauwkeurigheid, bias en dataverschuiving. Genereren vraagt om verificatie, veiligheid, privacy en herkomst. Handelen vraagt om al die maatregelen, aangevuld met toegangsbeheer, goedkeuringsmomenten, verantwoordelijkheid en herstelplannen. De betrouwbaarste AI-producten combineren daarom krachtige modellen met gedisciplineerd systeemontwerp en menselijk toezicht.