Niemand die dit artikel leest hoeft geïnformeerd te worden over hoeveel er gaande is in de wereld van Artificial Intelligence. Het is ons wel duidelijk, de ontwikkeling gaat hard, en we worden ineens geconfronteerd met allerlei nieuwe mogelijkheden en risico's.
Wanneer je artikelen leest, het nieuws volgt en zéker bij media van niet-Nederlandse origine krijg je snel het idee dat er kampen ontstaan; de optimisten en de pessimisten. De optimisten zien ineens overal AI in, en de pessimisten verwachten dat AI alles om zeep gaat helpen.
Laura Brekelmans
Software developer
Aangemaakt op . Laatst bijgewerkt op .
Niemand die dit artikel leest hoeft geïnformeerd te worden over hoeveel er gaande is in de wereld van Artificial Intelligence. Het is ons wel duidelijk, de ontwikkeling gaat hard, en we worden ineens geconfronteerd met allerlei nieuwe mogelijkheden en risico's.
Wanneer je artikelen leest, het nieuws volgt en zéker bij media van niet-Nederlandse origine krijg je snel het idee dat er kampen ontstaan; de optimisten en de pessimisten. De optimisten zien ineens overal AI in, en de pessimisten verwachten dat AI alles om zeep gaat helpen.
Als nuchtere ambtenaar voel je je waarschijnlijk helemaal niet passen bij een "kamp", jij wil juist graag met mooie en betrouwbare oplossingen komen voor maatschappelijke problemen. De uitdaging zit hier in om met een nuchtere blik te kunnen kijken naar de problemen en de daarbij passende oplossingen.
Gezien de snelheid van de verandering en de soms tegenstrijdig lijkende kampen van de pessimisten en de optimisten: Hoe kan jij je oriënteren naar deze nieuwe ontwikkelingen als je een idee hebt waar AI mogelijk een oplossing in kan bieden? Hoe kunnen we als Nederlanders de voor- én de nadelen nuchter afwegen? De risico's én de grote mogelijkheden? Zonder dat we meegetrokken worden in de wervelwind van verandering, terwijl niemand eigenlijk weet waar deze wind uiteindelijk naartoe zal waaien?
Even kort over hoe het artikel is opgesteld. Ik neem je mee door wat handige conceptuele tools waarmee jij en je omgeving grip kunnen krijgen op AI. Voor wanneer je behoefte hebt aan meer diepgang is er per sectie een bijlage beschikbaar met veel relevante vragen en modellen, deze zijn fijn voor vergaderingen, brainstormsessies en voor discussies met collega's en partners.
En nu verder na deze korte intermissie, wij van Cell[0] willen dat jij je na het lezen van dit artikel gemotiveerd voelt en je vertrouwd genoeg voelt om de juiste vragen te stellen omtrent AI. Zie dit artikel dan ook niet als een oplossing, maar als een kompas en een kaart. Het artikel zelf is het kompas, de bijlagen zijn de kaart, als je van dag tot dag wil navigeren.
Nuchterheid draait niet om optimisme noch om pessimisme, maar om een pragmatische blik.
Kortom, niet linksom, niet rechtsom, maar gezamenlijk met vertrouwen de toekomst tegemoet.
En dat begint bij onze Nederlandse nuchterheid.
Nederlandse nuchterheid
Nederland heeft geen miljardenleger. Geen Silicon valley. We hebben ook geen miljardenbevolking. Daarbovenop is ons land ook nog klein, en er is een continue aanwezige dreiging van de zee. Toch hebben we keer op keer aangetoond dat we ongelooflijke resultaten teweeg kunnen brengen.
Cornelis Lely keek naar de Zuiderzee en zag een provincie. Een eeuw later wonen er honderden duizenden Nederlanders. Nog nooit eerder had een land op zo'n grote schaal aan water en land techniek gedaan.
Rond de eeuwwisseling stond de chipindustrie voor een muur. De volgende generatie chips vereiste een nieuwe lithografiettechniek, EUV, die in theorie prachtig werkte maar in de praktijk zo ingewikkeld was dat geen bedrijf noch overheid zich er aan wilde branden. Het risico was te groot, zelfs voor de grote spelers: Nikon en Canon. ASML, een nietszeggend en klein Nederlands bedrijfje dacht: "Leuke uitdaging". Twintig jaar later is heel de wereld afhankelijk van die machines.
Wij zijn een klein land, maar toch hebben we wereldwijd een significantie positie in de agricultuur op verschillende vlakken. We verzorgen 44% van de wereldwijde sierteelt, meer dan een derde van alle wereldwijde handel in groentezaden komt uit Nederland en daarbovenop zijn we toonaangevend als het gaat om kennis en tech in de agrarische sector. Hoe kan zo'n klein land wereldwijd zo'n grote speler zijn op de agriculturele markt op verschillende vlakken?
We mogen onszelf er best aan herinneren dat we als klein landje ongelooflijke resultaten voor elkaar krijgen met onwaarschijnlijk gelimiteerde middelen. Júíst wanneer de wereld staat voor grote verandering laten wij als Nederlanders keer op keer zien hoe je enorme resultaten voor elkaar krijgt terwijl we kunnen zeggen "Tsja, zo moeilijk was het toch ook weer niet?", waar we drie minuten later weer heerlijk (en terecht) staan te zeiken over het weer.
Ik mis deze houding in AI.
Wat is nou die nuchtere blik voor AI?
Bij de briefing om een position paper te schrijven werd me gevraagd om te informeren over AI, maar dat geeft me eigenlijk een onprettig gevoel; moderne AI is ongelooflijk nieuw, en elke maand komt gepaard met significante verschuivingen in de mogelijkheden, als je op de hoogte wil blijven moet je er bovenop zitten. Maar dat geeft jou als ambtenaar dus een probleem, als de wereld zó snel veranderd, hoe kan je dan vandaag de juiste keuzes maken die over 10 jaar nog steeds staan als een huis? Zodat je de risico's in de komende 10 of zelfs 25 jaar tot een minimum beperkt, en je de flexibiliteit houdt om van koers te veranderen waar nodig?
Een strategie is om een houding aan te nemen. Voor een houding heb je geschikt denkgereedschap nodig, en dat is wat direct hierna volgt
Intelligentie is nu als water: Los het juiste probleem op. Om productief en gezonde verbeteringen aan te brengen in de Nederlandse maatschappij moet je goed begrijpen waar AI wel en niet goed toegepast kan worden.
Zonder het saaie werk kom je nergens: een radicale blik is niet voldoende, het moet ook uitvoerbaar kunnen zijn en ook nog eens netjes uitgevoerd worden.
Maak het beheersbaar met de kas: de wereld van AI verandert zó snel, net als bij het weer kan waar je de ene maand op vertrouwt de andere maand ineens compleet omslaan.
Cornelis Lely, water als vloeibare intelligentie
"Los het juiste probleem op"
Lely keek niet naar de Zuiderzee en dacht "Laat ik een SWOT analyse maken". Hij stelde een veel fundamentelere vraag: "Wat als deze hindernis juist de oplossing is?". De zee was een probleem, deze zee werd Flevoland. Voor AI is de vraag dan ook niet "Moet ik een chatbot gebruiken voor mijn taak?"? Maar eerder "Welk vraagstuk heb ik in mijn werk altijd als onoplosbaar beschouwd, en is er nu iets waardoor het wel oplosbaar wordt?
Het grootste verschil wat LLMs brengen in de komende jaren is dat je nu systemen op zo'n manier kan inrichten dat ze jouw taal spreken, in plaats van dat jij de taal van het systeem moet leren. Oftewel, het systeem past zich aan aan de doelgroep.
Intelligentie is nu als water. Een eeuw geleden was intelligentie onlosmakelijk verboden aan een mens. Je kon het dus inhuren, maar niet inkopen. Dat kan nu wel. Intelligentie is nu een verhandelbare nutsvoorziening.
Waarom water?
Water stroomt - het neemt de vorm aan van de ruimte die je het geeft. In principe is in de komende jaar alles mogelijk. Een stoplicht met PhD, tomaten die je kunnen vertellen hoe ze zich voelen, boeken, PDFs en websites die je vragen kan stellen. De mogelijkheden zijn eindeloos, de vraag is wat heeft voorrang, wat kan je verzinnen, en wat heeft het meeste nut, en waar werkt het je juist tegen?
Water komt uit de kraan - Het is een gestandaardiseerde nutsvoorziening. Heb je meer nodig? Zet dan de kraan verder open. Is de huidige intelligentie niet goed of slim genoeg voor je probleem? Dan heb je misschien een betere kraan nodig (andere provider of tool), of een loodgieter (technisch specialist).
Water is overal en goedkoop - Water is zó alledaags geworden dat je er niet eens meer bij stil staat dat er in elk gebouw schoon water uit de muur komt. Houdt hier rekening mee dat de prijs per token significant zal blijven dalen.
ASML, saai, langzaam en steengoed
"Zonder het saaie werk kom je nergens"
ASML's truc heeft hem nooit gezeten in visie of durf. De blauwdrukken van EUV machines bestonden al jaren. Waar ASML succes mee bereikte was de bereidheid om saai werk twintig jaar lang efficiënt te blijven doen terwijl anderen afhaakten.
Voor AI in de overheid betekent dat iets heel concreets:
"Degenen die hier de echte impact gaan maken zijn niet degenen die het hardst roepen, maar juist degenen die rustig elke vraag en elk probleem systematisch aflopen. Waar is het geschikt voor? Waar niet? Wanneer loopt het tegen een probleem aan?
Econoom Carlota Pérez heeft in haar werk een groot scala aan historische revoluties geanalyseerd en heeft hier patronen in gevonden, met het volgende framework om te kijken naar hoe deze revoluties veelal verlopen in de volgende vier fasen:
Irruption: Grote en baanbrekende innovaties, investeringen in infrastructuur en durfondernemers met grote claims
Frenzy (waanzin): Gigantische investeringen, veel financiële speculatie en vergrotende maatschappelijke ongelijkheid
Synergy: Een herbalancerende fase na de waanzin, waar regulatie en beleid de technologie herinrichten op productief gebruik
Maturity: Grote welvaart maar afnemend rendement op verdere investeringen, wat weer zorgt voor sociale onrust en stagnatie, wat weer ruimte creëert voor een volgende technologische revolutie
Het is aan jullie als ambtenaar om de stap te zetten van de waanzin naar de synergie, het is dus ongelooflijk belangrijk om met een goed nuchter kader te kijken naar de mogelijkheden en je niet te laten meeslepen door de claims van de industrie. Volgens Pérez's framework is de belangrijkste factor paradoxaal niet om beste modellen of de grootste investeringen te hebben, het gaat juist om hoe en waar je het uitrolt.
Oftewel: adoptie. Nederland is hét klassieke voorbeeld van een land dat excelleert in de uitrol van grote innovaties, en dit is voor ons dus ook een grote kans. Pérez leert ons dat de eerste fase de grote investeringen omvat — die zijn er duidelijk flink geweest de afgelopen jaren — en dat het daarna de opgaaf is om het op de juiste manier in te gaan zetten. Natuurlijk is dit "slechts" een historisch patroon, maar we zeggen niet voor niets dat de geschiedenis zich nooit herhaalt, maar wel vaak rijmt!
Het is wel belangrijk om op te merken dat we nu nog middenin de waanzinfase zitten, en dat volgens Pérez historisch gezien een financiële crisis nodig is geweest voordat beleidsmakers de nood inzien van een weloverwogen strategie en aanpak voor een waanzinsfase.
Nu jij hier als ambtenaar hier bewust van bent, deel je de verantwoordelijkheid om een crisis voor te zijn.
Het is tevens essentieel dat we niet van onszelf verwachten dat het nieuwe, beste, snelste en slimste model van Nederlandse (of Europese) bodem komt. Dat hoeft immers niet, het kost klauwen met geld en er zit ongelooflijk veel onnodig risico en competitie aan verbonden.
Nee, het is aan ons om de volwassenen in de ruimte te zijn en om te kijken hoe we alledaagse levens en onze omgeving kunnen verbeteren door te kijken naar toepassingen.
Het is dan ook veelzeggend dat juist ASML, dat ik hier heb neergezet als historisch voorbeeld, ook vandaag nog vooroploopt met bijvoorbeeld haar investering van €1,3 miljard in het Frans-Europese Mistral. Mistral is namelijk zelf een bedrijf wat ondanks dat het veel investeert in grote en slimme AI modellen als strategie heel anders kijkt dan haar Amerikaanse concurrenten.
Volgens Mistral's CTO en medeoprichter Timothée Lacroix zit de uitdaging minder in het slimmer maken van modellen en meer in de tooling eromheen, en als contrast met de Amerikaanse bedrijven wil Mistral niet een monopolistische toegangspoort worden voor het web; dat is de route die volgens hem OpenAI en Google nu wel bewandelen, zie bijvoorbeeld Google's recente beslissing om all-in te gaan op AI-first search . Mistral richt zich juist op (saaie) toepassingen in de industrie, (saaie) tools om te voldoen aan regelgeving en voor (saaie) betrouwbare automatisering die integreert in bestaande processen.
Kortom, intelligentie is nu misschien als water, maar wij weten beter dan anderen dat water niet vanzelfsprekend is en ook beheersing en goede techniek nodig heeft.
Je kan prima in het midden van de winter tomaten groeien
"Maak het beheersbaar"
Onze landbouw is niet groot. Het is juist intensief en slim. In plaats van dat we ons lieten meeslepen door de onvoorspelbare seizoenen kwamen we als mensen op het idee idee "Waarom laten wij de seizoenen bepalen wat we kunnen groeien? Laten we gewoon zelf het klimaat bepalen joh". Dit werd al gedaan in de tijden van de Romeinen, maar is hier in Nederland flink uitgewerkt.
Dat is geen klein idee. Lely keek naar de zee en maakte er land van - hij veranderde een probleem in een oplossing. De kas doet iets anders: die stopt de oplossing in een glazen doos: Beheersbaar, voorspelbaar en veilig. Je weet precies welk water er in gaat, welke temperatuur er heerst, wat de luchtvochtigheid is, welke dier- en plantensoorten er leven, je beheerst wat er in en uit gaat. Dit alles veranderd de onvoorspelbaarheid van het weer en het klimaat in iets wat juist wel voorspelbaar en beheersbaar is.
AI is natuurlijk niet zo afhankelijk van of het buiten onweert of dat het zonnetje schijnt, maar ook de AI wereld zit vol met onvoorspelbaarheid en seizoenen:
De modellen veranderen continu, twee jaar terug was het GPT-3, nu zitten we op Claude en Mistral en GPT-5.5 en noem het maar op. Elke keer krijgen ze andere sterktes, nieuwe zwaktes, veranderende prijzen. Je kunt geen beleid bouwen op "we gebruiken ChatGPT", want ChatGPT vandaag is iets anders dan ChatGPT over twee jaar.
Het is ook daadwerkelijk zo dat beide OpenAI en Anthropic de toegang tot oudere modellen hebben afgesloten. Als je dus een werkende oplossing had die afhankelijk was van gedrag van een specifiek model, dan kan het goed zo zijn dat deze oplossing van de een op de andere dag ineens niet meer werkt, en om dezelfde resultaten te krijgen met een nieuwer model is ook niet altijd vanzelfsprekend.
Let dus goed op op wie je bouwt en hoe je onvoorspelbaarheden vastlegt.
De wetgeving verandert continu. De AI Act is nog vers, jurisprudentie moet nog komen. Gemeentelijke richtlijnen zijn er nog maar amper of veranderen continue.
Hou je er rekening mee met dat wat vandaag een grijs gebied is morgen ineens verboden kan zijn?
De capaciteiten veranderen continu. Zeven jaar geleden bracht OpenAI GPT-2 uit, deze kon zinnen schrijven en soms zelfs sommen oplossen. Wow! Nu verslindt hun nieuwste GPT-5.5 een document van 100,000 woorden in luttele minuten, en gebruiken zelfs de wereld's meest geavanceerde wiskundigen AI als assistent.
Het is feit dat de wereld van AI continu in flux is. Het is dan ook belangrijk om in je achterhoofd te houden dat pas wanneer je iets beheersbaar hebt gemaakt dat je het voorspelbaar kan maken.
Stel dan ook duidelijke kaders.
Kortom
Als je één ding meeneemt uit dit artikel, dan is het dat je als Nederlander in de kracht van een nuchtere, saaie maar efficiënte samenwerking mag vertrouwen. Dit is vooral een houding.
In het artikel heb je kort maar snel geleerd over drie stukken denkgereedschap die je altijd in je achterhoofd kan houden als het gaat om de vernieuwing en toepassing van AI. AI is als vloeibare intelligentie, zonder het saaie werk kom je nergens en je moet het beheersbaar maken wil je niet omvergewaaid worden door de wervelwind van verandering.
In de bijlagen staat per onderwerp extra verdieping, je krijgt hier wat voorbeelden, hulpbronnen en een handige lijst van vragen voor jou en je team. Als je hier meer over wil leren of je bent op zoek naar een partner om je casus verder uit te diepen, neem dan gerust contact op.
site: https://cell-0.com/
telnr: +31 40 3041457
email: info@cell-0.com
Bijlagen
Bijlage 1 - AI als Vloeibare intelligentie
"Los het juiste probleem op"
Voorbeelden
Hierbij enkele creatieve manieren om AI in te zetten op manieren die voorheen onmogelijk waren. Dit is om een beeld te geven wat voor dingen er nu en in de nabije toekomst mogelijk worden.
Zo kwam bijvoorbeeld het bedrijf redpepper op het idee om alle sensoren die de gezondheid en groei van een tomatenplant bijhoudt te voeden aan een AI, zodat de tomatenplant je daadwerkelijk kan vertellen wanneer hij water nodig heeft, of wanneer de groei de afgelopen weken slechter ging dan anders. In plaats van dat je zoals normaalgesproken in een app of op een schermpje kijkt hoe het gaat met de tomatenplant, kan je op deze manier op een veel natuurlijkere manier leren over de toestand van je tomatenplant.
Het bedrijf RedPepper heeft AI ingezet om te kunnen praten met een tomatenplant
Een ander voorbeeld is de poetroid, een camera die je net als elke andere camera kan richten op een mooi landschap, persoon of bloem, maar die dan juist een gedicht uitprint van het genomen beeld. Ook dit geeft weer hoe we in de toekomst op een andere manier met technologie om kunnen gaan dankzij de toevoeging van een beetje intelligentie in een bekende en traditioneel apparaat zoals een camera.
Het zal je misschien opvallen dat deze voorbeelden wat minder alledaags zijn, en dat doe ik expres. Ik wil juist laten zien wat zonder AI beduidend onmogelijk was, zodat je een beter gevoel kan ontwikkelen van wat de technologie an sich inhoudt.
Hulpbronnen
Vragen voor jou en je team
Vraag 1: Kan je vijf voorbeelden noemen van dingen die zonder AI niet mogelijk waren om te automatiseren, die nu wel mogelijk zijn?
Voordat je met een nieuw perspectief te werk kan gaan moet je goed weten wat er nieuw mogelijk is geworden dankzij AI.
Om te controleren of je ook daadwerkelijk goed begrijpt wat de nieuwe mogelijkheden zijn, kan je het beste overleggen met een technisch sterk onderlegde collega of kennis.
Vraag 2a: "Wie in mijn omgeving is het meest skeptisch over AI, en wat ziet die persoon wat de rest mist?"
Vraag 2b: "Wie in mijn omgeving is het meest pessimistisch over AI, en wat ziet die persoon wat de rest mist?
Deze vraag komt in twee smaken.
Vraag 3: Welk vraagstuk heb je in je werk altijd als onoplosbaar beschouwd, en is er nu iets waardoor het wel oplosbaar wordt?
Vraag 4: Is AI écht de juiste oplossing voor je probleem?
Vaak kunnen technische problemen makkelijker en betrouwbaarder opgelost worden zonder AI, veel mensen komen voor het eerst in aanraking met de mogelijkheden van de automatisering en programmeren dankzij AI. AI is hierbij de voordeur naar een mogelijkheid die er al was, geen nieuwe mogelijkheid.
Let daarom ook goed op dat je niet overal spijkers ziet die je met de AI hamer kan gaan inslaan. Er is ongelooflijk veel mogelijk zonder AI, en in de gevallen waar AI niet nodig is is de oudere methode meestal sneller, goedkoper, betrouwbaarder én duurzamer.
Voorkom dat je jezelf in een gat graaft door afhankelijk te worden van AI waar het niet nodig is, dat is duur, vervuilend en lost het eigenlijke probleem vaak slechter op dan traditionele methoden.
Vraag 5: Hoe maak jij het onderscheid tussen iemand die claimt AI goed te begrijpen en iemand die AI écht goed begrijpt?
Er zijn veel mensen die claimen AI te begrijpen, maar het veld is jong en verandert supersnel. Daarbovenop zijn er veel mensen die snel geld willen verdienen aan de ontwikkelingen. Dit is ook zo als je bijvoorbeeld een auto gaat kopen, toch zal je niet iedere verkoper even snel en even goed vertrouwen.
Welke criteria hanteer jij om onderscheid te maken tussen een betrouwbare expert en een expert die je alleen maar glanzende nieuwe technologie wil verkopen?
Bijlage 2 - Saai, langzaam en steengoed
"Zonder het saaie werk kom je nergens"
Voorbeelden
Het artikel introduceerde het Pérez model om te kijken naar de fases van de economische verandering van een nieuwe technologie. Op dit moment zitten we duidelijk nog in de frenzy fase gezien de exorbitante investeringen en beloften.
Als ambtenaar speel je een rol in de omschakeling van de frenzy fase naar de synergie fase, en een belangrijke benodigdheid om deze verschuiving te faciliteren is dat je een goed begrip nodig hebt van hoe capaciteiten en kosten van LLMs vandaag de dag zijn, en hoe deze zich zullen ontwikkelen in de nabije (over 2-4 jaar) en minder nabije (over 5-20 jaar) toekomst.
Een manier waarop plannen in de frenzy fase soms moeilijk is is doordat capaciteiten en kostenbesparing in de korte termijn overschat wordt, en in de lange termijn onderschat wordt, je hebt een nuchter beeld nodig om weloverwogen beslissingen te kunnen nemen.
Een goede bron en metric voor de ontwikkeling van LLMs over de jaren is de meting waarbij wordt gekeken naar hoe lang een LLM autonoom kan werken aan een probleem.
METR is een onderzoeksinstituut die metingen doet naar allerlei capaciteiten van AI, en een van hun metingen meet dus de lengte van een taak die een LLM autonoom op kan pakken.
De belangrijkste bevinding? Elke 7 maanden verdubbelt deze lengte, en het einde van deze verdubbeling is nog niet in zicht.
In 2019 kon de slimste en beste AI agent slechts vier seconden autonoom werken aan een probleem, in 2023 kon het beste model enkele minuten consistent aan hetzelfde probleem werken, en vandaag de dag kunnen de beste modellen voor enkele uren aan hetzelfde probleem werken.
De capaciteiten zijn dan ook in slechts 7 jaar veranderd van "deze AI kan een zin voor mij vertalen" of "deze AI kan een rekensom voor mij oplossen" tot "deze AI kan een financieel model maken van mijn persoonlijke financiën", "deze AI kan een literatuuronderzoek doen voor een gespitste vraag" tot "deze AI kan autonoom een serieus diepgaand en complex wiskundig probleem oplossen" en "deze AI kan een demo of prototype maken van een idee wat ik in mijn hoofd heb".
Als deze trend doorpakt, en er is op dit moment geen signaal dat de trend in snelheid afneemt, dan is de verwachting dat in 2028-2029 een LLM maandenlang autonoom aan eenzelfde probleem kan werken. Het is nog moeilijk te zeggen wat dit in de praktijk in zal houden, maar je kan je voorstellen dat het bijvoorbeeld een volledig onderzoekstraject op zou kunnen zetten en (gegeven de juiste middelen) het onderzoek ook daadwerkelijk uitgevoerd kan worden.
Voor hoe lang deze trend nog vol zou houden is moeilijk te zeggen, er zijn sterke argumenten vanuit beide de pessimistische hoek en vanuit de optimistische hoek. Als deze trend lang aanhoud dan zou het in de theorie inhouden dan een LLM in 2040 tientallen jaren autonoom kan werken. Ik ben hier niet om je te vertellen wat de toekomst zal brengen, maar het is wel belangrijk om in je achterhoofd te houden wanneer je plant voor de langere termijn dat de huidige capaciteiten nog flink kunnen verbeteren in de toekomst. In de korte termijn (komende jaren) is deze verbetering vrijwel zeker, de langere termijn (komende decennia) is een projectie waar actief over gediscussieerd wordt.
Maar wat dit inhoudt voor problemen waar ambtenaren zich mee bezig houden? Dat is nog moeilijk te zeggen. Niet alle problemen passen in het hokje "als ik langer nadenk kan ik het probleem beter oplossen". Ik kan me wel voorstellen dat een LLM kan helpen met het grootschalig analyseren of verwerken van complexe en genuanceerde juridische data, censusdata, archiefdata e.d. Maar het is vooral aan jou als lezer om te gevoel te krijgen voor waar AI waarde kan toevoegen.
Bij deze een lijst met problemen die geschikt zijn om te bepalen of een LLM over enkele jaren geschikt is voor een langdurig autonoom denkproces:
Taken die lang zijn door uitvoeringsvolume. Stel je heb 230,000 documenten in het archief die ongelooflijk genuanceerd, gedetailleerd en complex zijn die zorgvuldig gecategoriseerd moeten worden. Als je dit met mensen zou moeten doen zou dit jaren kosten, met een LLM kan je dit (binnen legale kaders) voltooien in een week.
Taken die lang zijn door sequëntiele afhankelijkheid. Denk bijvoorbeeld aan een beleidsevalutie waarbij je een analyse moet doen op de huidige wetgeving, op basis van de analyse veldonderzoek moet gaan doen en daarna de resultaten van dit onderzoek geanalyseerd moeten worden. De lengte van een taak is hier lang omdat er periodes zijn van wachten. Het is nog half toekomstmuziek en half "dit kan écht", maar er bestaat een reëele kans dat je over een paar jaar zo'n soort traject met vertrouwen door een LLM (binnen legale kaders) kan laten supervisen.
Taken die lang zijn door complexiteit. Dit soort taken komen vooral voor in de wiskunde, software, wetenschap, filosofie en juristische hoek. Dit zijn gevallen waarbij een complex probleem belicht moet worden vanuit 100 hoeken en een lange redenering kan komen tot één oplossing in de vorm van een opleverbaar product.
Mijn verwachting is dat problemen met uitvoeringsvolume het meest relevant zullen zijn voor gemeenten, en dat problemen met complexiteit vooral relevant zijn voor kennisintensieve rijksinstanties zoals het CBS, defensie, KNMI en dergelijke.
Een tweede belangrijke ontwikkeling is hoe de kosten van AI zich ontwikkelen, en dit is een wat genuanceerder beeld.
Er zijn hier twee belangrijke dingen waar je rekening mee moet houden. Als eerste is het zo dat de kosten voor het laten uitvoeren van een taak door eenzelfde AI neemt structureel en consistent af Een onderzoek van Gundlach et al laat zien dat het laten uitvoeren van een taak per jaar ongeveer 5-10x goedkoper wordt. Dus als het opstellen van een simpel financieel model vandaag 1 Euro zou kosten, dan zou het mogelijk volgend jaar 10-20 cent kosten, het jaar erna 1-4 cent, enzovoorts.
In het zelfde document wordt het kostenplaatje ook belicht vanuit een andere invalshoek: het gebruiken van de beste modellen voor de meest complexe problemen die op dit moment opgepakt kunnen worden door een AI worden juist duurder mettertijd. Dit komt doordat de slimste modellen meer en meer rekenkracht nodig hebben om de nieuwste capaciteiten te veroorloven en de soort problemen die kunnen worden opgepakt door LLMs juist groter en complexer worden. De zogenaamde "frontier" modellen (het beste wat de industrie op een gegeven momen te bieden heeft) wordt juist jaar-op-jaar duurder.
Je kan dit het beste samenvatten als intelligentie in voor een gegeven taak wordt steeds goedkoper, terwijl het inzetten van de beste en slimste AI op de grootste en meest complexe problemen wordt steeds duurder.
Met dit beeld kan je als ambtenaar beter onderscheid maken tussen wat AI vandaag de dag kan, wat over twee jaar realistisch is, en wat er gespeculeerd wordt over de wat langere termijn. Dat onderscheid is precies wat de synergiefase vraagt.
Hulpbronnen
METR AI research, een onderzoeksinstituut dat zich bezighoudt met hoe de intelligentie en de capaciteit om autonoom problemen op te lossen van de modellen over de jaren verbeterd en verandert.
The annotated AI act, een boek geschreven door ICT jurist Arnoud Engelfriet met een uitgebreid documentaar over de AI act, voor wanneer je op zoek bent naar juristische diepgang omtrent de AI act.
Vragen voor jou en je team
Zie de volgende vragen niet als een huiswerkopdracht waarbij je elke vraag achtereenvolgend moet beantwoorden, maar benader ze als een "all you can eat" buffet, pak wat bij je casus past of waarvan je denkt dat het inzicht kan verschaffen in een probleem, casus of situatie waar je op dit moment mee zit.
Capaciteiten, wat LLMs wel en niet kunnen
Vraag 1: Welke van jullie tijdrovende taken zijn lang door volume, door sequentiële afhankelijkheid, of door complexiteit? En welke van die drie is voor jullie organisatie het meest relevant?
Vraag 2: Welke taken passen volgens jou überhaupt nooit bij een LLM? Ongeacht van hoe slim, goed of goedkoop een model in de toekomst ook zal worden?
Vraag 3: Welke van je problemen worden beter opgelost als je er langer en dieper over na kan denken, en welke niet?
Het hele stuk hierboven gaat over het groeien van de capaciteiten van LLMs. Waar houdt die groei volgens jou op? Verwacht jij dat de groei van LLMs nog 10 of 20 jaar zo door blijft gaan? Zo ja, op basis van wat voor onderzoek baseer je dit?
Kosten, wanneer is het wel en niet de moeite waard
Vraag 4: Heb je voor een gegeven probleem het beste model nodig, of is een kleiner en goedkoper model goed genoeg?
Vraag 5: Waar is het nu nog niet de moeite waard om AI in te zetten omdat het te duur is, wat in de komende jaren juist wel betaalbaar zal worden?
De horizon, van frenzy naar synergy
Vraag 6: Steek je je energie in het najagen van de nieuwste AI, of juist in het uitrollen van bewezen toepassingen?
Vraag 7: Pérez laat zien dat beleid pas verandert ná een crisis. Welk incident zou voor jou een omslagpunt zijn, en wat houdt je tegen om nu al preventief te handelen om zo'n incident te voorkomen?
Je kunt hier groot en klein denken, groot zou een doemscenario zijn waar AI misplaatst wordt ingezet als autonoom wapen in een oorlog. Klein is het alledaagse onrecht, frustraties en fouten toegepast op grote schaal.
Wat houdt je vandaag de dag tegen om hier iets aan te doen? Het is vaak niet "we weten niet hoe", maar "het is niemand's taak en er staak nergens iets in brand".
Bijlage 3 - Je kan prima in het midden van de winter tomaten groeien
"Hou het beheersbaar"
Voorbeelden
De kas draait om één ding: je beheerst wat erin en eruit gaat. Het weer doe je niet, maar het klimaat ín de kas wél. Voor AI is het handig om je leverancier en het juridische kader te zien als het weer, en het weer in AI-land slaat hard om, zonder aankondiging, en soms midden in de oogst. Hieronder een paar buien van de afgelopen twee jaar, zodat je weet waar je glas tegen bestand moet zijn:
1. Het model onder je voeten kan zomaar verdwijnen. Toen OpenAI in 2025 GPT-5 lanceerde, trok het in één klap een rits oudere modellen uit ChatGPT. Dit had de nodige verwarring en kapotte werkstromen tot gevolg. Nadat boze gebruikers bleven klagen bracht OpenAI een deel van de oudere modellen terug, inclusief het door veel eindgebruikers geliefde GPT-4o. Anderhalf jaar later werd datzelfde GPT-4o alsnog definitief uitgezet. En volgens OpenAI's eigen deprecatiebeleid kunnen "preview"-modellen met slechts twee weken waarschuwing verdwijnen. Anthropic doet exact hetzelfde met zijn oudere Claude-modellen.
De les is simpel: je kunt geen beleid bouwen op "we gebruiken model X van leverancier Y", want model X of leverancier Y van vandaag is er volgend jaar misschien niet meer.
2. Je leverancier verandert plots van koers. Anthropic profileert zich nadrukkelijk als hét veilige, ethische AI-bedrijf. Datzelfde bedrijf ging eind 2024 een samenwerking aan met Palantir en AWS om Claude beschikbaar te maken voor de Amerikaanse inlichtingen- en defensiewereld, en sloot een defensiecontract van 200 miljoen dollar. Dit is voor een bedrijf dat zich publiekelijk profileert als de enige ethische AI provider al een opvallende keuze.
Maar toen het Pentagon Claude wilde inzetten voor massale surveillance en volledig autonome wapens in 2026, weigerde Anthropic, waardoor de Amerikaanse overheid ze zelfs op een zwarte lijst zette als "supply chain risk", een stempel dat normaal is voorbehouden aan buitenlandse tegenstanders zoals Huawei. Een federale rechter noemde de actie "een poging om het bedrijf kreupel te maken"; de zaak loopt nog.
Wat moet je hier nou mee? De bruikbare conclusie is dat de koers én de politieke status van je leverancier dingen zijn die jij niet stuurt, en die hard kunnen omslaan in een richting die je niet had zien aankomen.
Als je écht wil bouwen op een workflow gebaseerd op een specifiek model, dan is het belangrijk dat je óf dit model zelf in beheer houdt, óf dat je contractuele afspraken hebt over het duurzaam blijven aanbieden van een bepaald model.
3. Je data loopt langs schakels die je niet eens ziet. Eind 2025 lekten persoonsgegevens van zakelijke OpenAI-klanten. Dat kwam niet eens door OpenAI zelf, maar door een Mixpanel, een analytics-partner van OpenAI. De data lag ruim twee weken op straat voordat iemand het doorhad. Eerder dat jaar doken privé-chats van ChatGPT-gebruikers op in Google doordat een "deel"-functie door zoekmachines werd geïndexeerd, en in een Amerikaanse rechtszaak werd OpenAI gedwongen chatlogs af te staan die gebruikers als privé beschouwden. De les sluit naadloos aan op de kas: alleen wat je in een kas stopt is onder jouw beheer.
4. Het juridische klimaat verschuift onder je toepassing. De AI Act is vers, jurisprudentie moet nog komen, en gemeentelijke richtlijnen zijn er amper of veranderen continu. Wat vandaag een grijs gebied is, kan morgen zwart zijn. Dat is geen reden om stil te zitten, maar wél om zó te bouwen dat je een toepassing kunt uitzetten zonder dat je hele proces eromheen instort.
Wat is dan die kas? Geen technisch luxeproduct, maar een houding. Zet een abstractielaag tussen jou en je leverancier, zodat je van kraan kunt wisselen zonder je hele huis te verbouwen. Leg vast wélk model met welke instellingen tot een bepaalde uitkomst kwam, zodat je het over een jaar nog kunt reconstrueren. Stop er geen data in die je niet kwijt wilt. En zorg dat er een uit-knop is die je ook echt durft in te drukken. Pas als je de in- en uitgang beheerst, kun je er iets voorspelbaars omheen bouwen.
Hulpbronnen
OpenAI's deprecatie-overzicht,concreet bewijs dat het uitfaseren van modellen gewoon beleid is, mét data. Nuttig om te zien hoeveel (of hoe weinig) waarschuwingstijd je in de praktijk krijgt voordat iets verdwijnt.
The Annotated AI Act van ICT-jurist Arnoud Engelfriet (ook genoemd in Bijlage 2), voor het juridische klimaat waarbinnen je je kas bouwt.
De Anthropic–Pentagon-zaak als case study in hoe snel de positie van een leverancier kan kantelen, handig leesvoer voordat je je ergens volledig van afhankelijk maakt.
Vragen voor jou en je team
Zie de volgende vragen niet als een huiswerkopdracht waarbij je elke vraag achtereenvolgend moet beantwoorden, maar benader ze als een "all you can eat" buffet, pak wat bij je casus past of waarvan je denkt dat het inzicht kan verschaffen in een probleem, casus of situatie waar je op dit moment mee zit.
Je leverancier en continuïteit
Vraag 1: Als het model waar je nu op bouwt over een jaar verdwijnt of zich anders gaat gedragen. Hoeveel werk is het dan om over te stappen, en wie in je organisatie merkt het als eerste?
Vraag 2: Op hoeveel leveranciers leun je eigenlijk, en wat gebeurt er met je dienst als er eentje de stekker eruit trekt, de prijs verdrievoudigt, of ineens op een zwarte lijst wordt gezet?
Vraag 3: Kies je een leverancier mede om wát hij zegt te zijn, veilig, ethisch, soeverein? En wat is je plan B als die belofte sneuvelt onder commerciële of politieke druk?
Wat gaat erin, wat gaat eruit
Vraag 4: Welke data stop je erin die je niet op de voorpagina van de krant zou willen zien, en waarom stop je die er eigenlijk in?
Vraag 5: Weet je via welke derde partijen je data loopt voordat het bij je hoofdleverancier aankomt? En is de zwakste schakel in die keten toevallig ook de schakel die je het minst vertrouwt?
Het Mixpanel-lek liet zien dat je data niet bij de bekende naam hoeft te lekken, maar bij een onderaannemer waar je het bestaan niet van wist. Een keten breekt bij de zwakste schakel, niet bij de schakel waar je de meeste aandacht aan besteedt.
Vraag 6: Kun je over een jaar nog reconstrueren wáárom het systeem een bepaalde uitkomst gaf — of vertrouw je op een black box die intussen drie keer stilletjes is geüpdatet?
Het klimaat eromheen
Vraag 7: Welke van je toepassingen zitten nu in een juridisch grijs gebied? En wat is je plan als het morgen zwart wordt, kun je het uitzetten zonder dat je hele proces omvalt?
Vraag 8: Heb je een uit-knop, en durf je hem in te drukken? Als je AI-onderdeel zich morgen onverwacht gedraagt, kun je het dan stoppen zonder dat de dienst eromheen meteen instort?
Wij horen graag van je!
Heb jij een fantastisch idee voor een applicatie, zoek je advies of heb je een opmerking? Diede en Bertus gaan graag met je in gesprek!
