Op 30 november 2022 veranderde er iets in de wereld van AI. Niet in de technologie zelf, want die was er al jaren. Er veranderde iets in wie erbij kon. In twee maanden tijd gingen honderd miljoen mensen voor het eerst in gesprek met een AI-model. Dat is geen technologisch verhaal. Het is een beschikbaarheidsverhaal. De technologie is er. Ze is voor iedereen bereikbaar. En daarmee verschuift de vraag: van “wat kan AI?” naar “wat kunnen wij ermee?”
Roland Bieleveldt
Op die datum maakte OpenAI een chatinterface publiek beschikbaar: ChatGPT. Het model erachter was niet nieuw. GPT-3.5 was een variant van dezelfde taalmodellen die onderzoekers al twee jaar gebruikten. De transformer-architectuur was vijf jaar oud. Foundation models, de breed getrainde basismodellen waarop de huidige generatie AI draait, bestonden al langer. Wat wél nieuw was: je kon er nu mee praten. Zonder programmeerkennis, zonder technische setup, zonder wachtlijst. Een tekstveld, een vraag, een antwoord.
Binnen vijf dagen had ChatGPT een miljoen gebruikers. Na twee maanden waren het er honderd miljoen. Ter vergelijking: Instagram had daar ruim twee jaar voor nodig, TikTok negen maanden. Inmiddels telt ChatGPT honderden miljoenen wekelijkse gebruikers. En ChatGPT is één product van één bedrijf. Google bracht Gemini uit, Anthropic lanceerde Claude, Meta publiceerde open modellen die iedereen kon downloaden en aanpassen. Binnen een jaar stond generatieve AI op het bureau van elke kenniswerker die ernaar greep.
Hier zit een inzicht dat vaak wordt gemist. Het kantelmoment was geen technologische doorbraak. De technologie was er al. Het kantelmoment was een interface. Een tekstveld dat iedereen kon gebruiken. Het verschil is vergelijkbaar met dat tussen een stuwmeer en een kraan. Het water was er. Maar pas toen iemand een kraan installeerde, kon iedereen drinken. Voor wie strategische beslissingen neemt over AI is dat onderscheid wezenlijk. De vraag “is de technologie er?” is meestal niet de bepalende vraag. De bepalende vraag is: is de technologie beschikbaar in een vorm die de mensen die ermee moeten werken ook daadwerkelijk kunnen gebruiken?
De twintigste eeuw kende drie grote softwaregolven. De personal computer in de jaren tachtig gaf iedereen een eigen rekenmachine op het bureau. Het commerciële internet in de jaren negentig verbond die bureaus met de rest van de wereld. De smartphone vanaf 2007 maakte diezelfde verbinding draagbaar en permanent. Elke golf veranderde hoe mensen toegang kregen tot informatie en hoe ze met elkaar communiceerden.
De huidige AI-golf doet iets fundamenteel anders. AI verandert hoe je werk doet én welk type werk overblijft voor de mens. Een spreadsheet hielp bij het maken van berekeningen, maar de gebruiker bedacht nog altijd zelf welke berekeningen relevant waren. Een zoekmachine toonde resultaten, maar de gebruiker beoordeelde zelf welke bronnen deugden. AI-systemen kunnen nu in een groeiend deel van het kenniswerk zelf voorstellen formuleren, analyses opzetten en concepten produceren. Goed genoeg om als startpunt te dienen. Lang niet altijd goed genoeg om klakkeloos over te nemen.
De verschuiving zit in het type taken dat de software aankan. Eerdere golven automatiseerden uitvoerende stappen: typen, zoeken, verbinden, opslaan. Deze golf raakt aan oordeelsvorming, redenering en creatie. Dat is een andere categorie. En het verklaart waarom de reacties op deze golf anders zijn dan bij eerdere technologische verschuivingen. Er is niet alleen enthousiasme over efficiency, er is ook onzekerheid over wat het betekent als machines taken overnemen die altijd als exclusief menselijk golden.
En sindsdien gaat het snel. De eerste generatieve modellen konden tekst produceren en vragen beantwoorden. Binnen twee jaar zijn daar capaciteiten bijgekomen die het toepassingsgebied fors verbreden.
Eind 2024 verschenen de eerste modellen die langer doordenken voor ze antwoorden. In plaats van direct een reactie te genereren, doorlopen deze redeneermodellen intern meerdere stappen: ze ontleden het probleem, overwegen alternatieven, corrigeren zichzelf en bouwen stap voor stap een antwoord op. Het verschil is meetbaar. Op wiskundige problemen, wetenschappelijke vraagstukken en complexe codeertaken presteren redeneermodellen structureel beter dan hun voorgangers.
Moderne AI-modellen verwerken niet alleen tekst. Ze verwerken ook beelden, documenten, audio en video. Je kunt een foto van een whiteboard meegeven en vragen om de notities samen te vatten. Je kunt een gesproken vergadering laten transcriberen en analyseren. Je kunt een grafiek uploaden en vragen wat de trend is. Die combinatie van invoertypen maakt AI inzetbaar in situaties waar eerder alleen tekst als input mogelijk was.
De meest recente ontwikkeling zijn AI-agents: systemen die naast het genereren van informatie ook zelfstandig stappen uitvoeren. Een agent kan een doel krijgen, een plan maken, tools gebruiken, resultaten evalueren en de aanpak bijstellen als het eerste plan niet werkt. Het verschil met een chatgesprek is wezenlijk: waar een chatmodel één antwoord geeft op één vraag, voert een agent een reeks handelingen uit om een resultaat te bereiken.
Elk van deze ontwikkelingen verdient een eigen uitleg en die volgt elders op deze website. Wat hier telt is het patroon. Binnen drie jaar na het kantelmoment zijn er capaciteiten bijgekomen die het toepassingsgebied van AI met elke stap verbreden. Dat tempo is geen toeval. Het is het gevolg van een fundament dat na zeventig jaar ontwikkeling eindelijk stevig genoeg bleek om snel op door te bouwen.
Wie de vijf fases van de AI-geschiedenis naast elkaar legt, ziet een patroon dat voor koersbepalers direct relevant is. Dertig jaar zat er tussen symbolische AI en de doorbraak van machine learning. Twintig jaar tussen machine learning en deep learning. Vijf jaar tussen deep learning en de transformer-architectuur. En weer vijf jaar tussen de transformer en de huidige golf.
De intervallen worden korter. Elke fase bouwt voort op wat de vorige opleverde, en elke fase creëert de voorwaarden waardoor de volgende sneller komt. Dat betekent dat de volgende verschuiving niet over twintig jaar komt. Die komt waarschijnlijk sneller dan de meeste organisaties in hun strategische planning veronderstellen.
Dat is geen reden voor paniek. Het is een reden om drie dingen tegelijk te doen.
Het eerste is kennis opbouwen. Wie niet begrijpt wat AI-modellen wel en niet kunnen, hoe ze zijn opgebouwd en waar hun grenzen liggen, neemt beslissingen in het donker. Dat geldt voor de directeur die beslist over een AI-investering, voor de manager die een pilot opzet, en voor de medewerker die dagelijks met AI-output werkt. Kennis is het fundament onder elke volgende stap.
Het tweede is verkennen. Experimenteren met de modellen, intuïtie opbouwen voor wat in de eigen context werkt en wat niet, begrijpen waar de ontwikkeling heen gaat. Die ervaring bouw je alleen op door het te doen.
Het derde is gedegen. Wat daadwerkelijk wordt geïmplementeerd, krijgt zorgvuldige opzet, evaluatie en menselijk toezicht. Enthousiasme zonder architectuur leidt tot projecten die vastlopen zodra de eerste problemen opdoemen.
Die drie lagen, kennis, verkenning en solide uitvoering, versterken elkaar. Kennis maakt de verkenning gerichter. Verkenning maakt de implementatie realistischer. En de ervaringen uit implementatie maken de volgende ronde kennisontwikkeling concreter. Organisaties die nu met dat vliegwiel beginnen, staan er over twee jaar anders voor dan organisaties die wachten tot de stof is neergedaald.
Wat dit concreet betekent op de werkvloer, maakt het verschil met eerdere golven pas echt voelbaar. Drie situaties uit de praktijk.
Een huisartsenpraktijk met acht huisartsen gebruikt een AI-model om consulten samen te vatten. De arts spreekt met de patiënt, het model luistert mee via audio, en na afloop staat er een gestructureerde samenvatting klaar voor het dossier. De arts controleert en past aan waar nodig, maar het basiswerk is gedaan. Dat scheelt per consult twee tot vier minuten aan administratie. Op een dag met dertig consulten is dat anderhalf uur die terugvloeit naar patiëntenzorg. Drie jaar geleden bestond deze mogelijkheid niet buiten gespecialiseerde onderzoekslaboratoria. Nu is het een abonnement.
Een ingenieursbureau met vijftig medewerkers zet generatieve AI in om offertes te versnellen. Bij elke nieuwe aanvraag doorzoekt een AI-model de interne database van eerdere projecten, herkent vergelijkbare opdrachten, en produceert een eerste versie van het voorstel. De projectleider beoordeelt het resultaat en past het aan op de specifieke klant. Het opstellen van een offerte kostte voorheen een tot twee werkdagen. Nu is de eerste versie er binnen een uur. De projectleider besteedt de gewonnen tijd aan de inhoudelijke afstemming met de klant in plaats van aan het bij elkaar zoeken van eerdere referenties.
Wie wil zien wat moderne AI-modellen concreet kunnen, van redeneren en analyseren tot schrijven en coderen, leest verder bij Wat kunnen moderne AI-modellen? (cluster 1.3).
Wie wil begrijpen hoe de fase vóór de huidige golf eruitzag en hoe de transformer-architectuur het fundament legde, leest verder bij Transformers en foundation models: de architectuursprong (cluster 1.2d).
Wie wil weten wat redeneermodellen, multimodaliteit en AI-agents precies inhouden en wat ze betekenen voor organisaties, vindt dat bij pillar 5: Wat kan AI nu?
Een zelfstandig adviseur gebruikt een AI-model als sparringpartner bij strategische analyses. Ze uploadt het jaarverslag van een klant, stelt gerichte vragen over de financiële prestaties, en laat het model de belangrijkste risico’s en kansen samenvatten. Vervolgens laat ze het model drie scenario’s uitwerken voor een strategische heroriëntatie, elk met onderbouwing. Het model vervangt haar oordeel niet. Maar het levert in een uur het analytische voorwerk op waar ze eerder een halve dag voor uittrok. De andere helft van die dag besteedt ze nu aan het gesprek met de klant.