Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Autonomie maakt AI krachtiger, maar ook moeilijker te controleren

AI-agents worden vaak voorgesteld als de volgende stap na chatbots. In plaats van alleen tekst te genereren, kunnen ze informatie ophalen, plannen maken, softwaretools gebruiken, resultaten controleren en dezelfde cyclus herhalen totdat een opdracht klaar is. Die grotere autonomie maakt AI krachtiger, maar ook moeilijker te controleren.

Een taalmodel redeneert immers niet zoals traditionele bedrijfssoftware. Het voorspelt op basis van waarschijnlijkheid welke volgende stap passend lijkt. Dat werkt verrassend goed voor taal en veel kenniswerk, maar vormt een probleem zodra een systeem zelf beslissingen neemt of acties uitvoert waarvoor harde regels gelden.

Daar komt een veel oudere technologie opnieuw in beeld: de ontologie.

Een ontologie geeft AI een gedeelde taal

Een ontologie klinkt abstracter dan ze is. In essentie beschrijft ze welke soorten dingen binnen een domein bestaan, welke eigenschappen ze hebben en hoe ze met elkaar verbonden zijn.

Voor een webwinkel kunnen dat bijvoorbeeld klanten, bestellingen, producten, betalingen en terugbetalingen zijn. Vervolgens worden relaties vastgelegd: een bestelling heeft een klant, een terugbetaling hoort bij een bestelling en een manager kan een terugbetaling goedkeuren.

Zo ontstaat een formeel woordenboek voor het domein.

Het verschil met gewone tekst is belangrijk. Een taalmodel kan uit documenten afleiden dat managers doorgaans grote terugbetalingen goedkeuren. Een formele regel kan daarentegen expliciet vastleggen dat een terugbetaling boven een bepaald bedrag niet mag plaatsvinden zonder goedkeuring.

Dat laatste is geen waarschijnlijkheid, maar een constraint.

Van probabilistische AI naar neurosymbolische systemen

De combinatie van taalmodellen met formele regels wordt vaak neurosymbolische AI genoemd.

Het neurale gedeelte levert flexibiliteit: taal begrijpen, patronen herkennen, plannen voorstellen en omgaan met ongestructureerde informatie. Het symbolische gedeelte levert structuur: formeel gedefinieerde concepten, relaties, logica en regels die gecontroleerd kunnen worden.

Recent onderzoek naar enterprise agents experimenteert precies met deze combinatie. Daarbij worden ontologieën gebruikt om context, beschikbare tools en governancevoorwaarden te structureren, terwijl aparte validatielagen controleren of output aan formele voorwaarden voldoet.

Het doel is niet het taalmodel te vervangen door klassieke regels. Beide systemen doen juist waar ze goed in zijn.

Ontologieën bouwen hoeft niet volledig vanaf nul

Traditioneel zijn er twee manieren om een ontologie op te bouwen. Bij een top-downaanpak bepalen domeinexperts vooraf welke entiteiten, eigenschappen en relaties belangrijk zijn. Bij een bottom-upaanpak worden die structuren afgeleid uit bestaande data, documenten, processen en vragen van gebruikers.

Een praktische middenweg is om zoveel mogelijk bestaande vocabularia opnieuw te gebruiken en alleen organisatiespecifieke onderdelen toe te voegen.

Denk bijvoorbeeld aan schema.org en bestaande industriële ontologieën. Daaruit kunnen standaardconcepten en relaties worden overgenomen. Vervolgens worden de eigen bedrijfsregels en beperkingen eraan gekoppeld.

Dat voorkomt dat ieder bedrijf opnieuw een volledig semantisch vocabularium moet ontwerpen.

De echte kans zit in de agent-loop

Ontologieën worden vooral interessant wanneer we kijken naar hoe AI-agents technisch werken. Een agent voert doorgaans een lus uit. Hij ontvangt een opdracht, haalt informatie op, maakt een plan, selecteert een tool, voert een actie uit, beoordeelt het resultaat en bepaalt vervolgens wat de volgende stap moet zijn.

Dat proces kan worden gezien als een keten van overgangen:

input → analyse → planning → tool → resultaat → controle → volgende actie

Juist tussen die stappen kunnen guardrails worden geplaatst.

In plaats van één enorme veiligheidslaag rond de hele agent te bouwen, kan iedere overgang als een afzonderlijk contract worden behandeld.

Wanneer een tool bijvoorbeeld JSON terugstuurt naar een volgende component, kan dat resultaat eerst worden gevalideerd. Kloppen de datatypes? Zijn verplichte velden aanwezig? Heeft de gebruiker de juiste bevoegdheid? Mag deze actie binnen het bedrijfsbeleid überhaupt plaatsvinden?

Iedere overgang wordt een controlepunt

Daarvoor bestaan al standaarden uit de semantische webwereld.

SHACL, de Shapes Constraint Language, kan bijvoorbeeld controleren of RDF-data aan vooraf vastgelegde voorwaarden voldoet. De momenteel ontwikkelde SHACL 1.2-specificaties ondersteunen daarnaast regels en inferentie, waardoor nieuwe gegevens uit bestaande relaties kunnen worden afgeleid.

OWL, de Web Ontology Language, kan complexere semantische relaties vastleggen en formeel redeneren over categorieën en eigenschappen.

SPARQL maakt het mogelijk om gestructureerde RDF-kennis te bevragen, terwijl graphdatabases zoals Neo4j vergelijkbare patronen via Cypher kunnen verwerken.

De concrete technologie is minder belangrijk dan het architectuurprincipe: de agent stelt iets voor, maar een aparte constraintlaag bepaalt of die actie toegestaan en logisch consistent is.

Een voorbeeld: de AI-agent die terugbetalingen uitvoert

Stel dat een klantenservice-agent zelfstandig terugbetalingen mag verwerken. Het taalmodel ontvangt een klacht en concludeert dat de klant recht heeft op 2.500 euro terugbetaling. Zonder formele controle zou het model vervolgens misschien rechtstreeks de betaaltool kunnen aanroepen.

Een ontologische regel kan echter vastleggen:

- een terugbetaling is gekoppeld aan een bestelling
- bedragen boven 1.000 euro vereisen goedkeuring
- alleen managers mogen die goedkeuring geven
- zonder geldige goedkeuring mag de betalingstool niet worden aangeroepen.

Het model kan nog steeds voorstellen om 2.500 euro terug te betalen. De constraintlaag voorkomt alleen dat die beslissing zonder de vereiste goedkeuring wordt uitgevoerd.

Dat onderscheid is fundamenteel. Het model redeneert. De regels begrenzen wat uiteindelijk mag gebeuren.

Graph RAG krijgt daardoor een tweede functie

Ontologieën kunnen ook een probleem aanpakken dat bij klassieke retrieval augmented generation, of RAG, regelmatig voorkomt.

Traditionele RAG-systemen splitsen documenten op in stukken en zoeken via embeddings naar fragmenten die semantisch op een vraag lijken. Dat is efficiënt, maar relaties tussen losse feiten kunnen verloren gaan.

Graph RAG probeert die informatie explicieter te verbinden via entiteiten en relaties. Wanneer daar een ontologie bovenop wordt geplaatst, krijgt de kennisgraaf bovendien een gemeenschappelijk vocabularium. Dezelfde begrippen die worden gebruikt om informatie op te halen, kunnen vervolgens worden gebruikt om acties van agents te controleren.

Zo ontstaat één semantische laag voor retrieval, redenering én governance.

Niet elke agent heeft een volledige ontologie nodig

Dat betekent niet dat iedere AI-toepassing voortaan een omvangrijk knowledge graph-project vereist. Voor een eenvoudige schrijfagent zijn een paar technische controles waarschijnlijk voldoende. Naarmate agents echter toegang krijgen tot databases, financiële systemen, bedrijfsprocessen of andere software waarin fouten echte gevolgen hebben, stijgt de waarde van formele constraints snel.

Voor organisaties ontstaat daarmee een interessante architectuur:

LLM voor flexibiliteit, ontologie voor betekenis, regels voor grenzen en software voor uitvoering. Die combinatie kan belangrijk worden naarmate AI-agents van experimentele assistenten evolueren naar systemen die daadwerkelijk processen uitvoeren.

De uitdaging bij agentische AI is immers niet alleen modellen intelligenter maken. Het wordt minstens zo belangrijk om ervoor te zorgen dat ze precies begrijpen welke dingen binnen een organisatie bestaan, hoe die met elkaar samenhangen en welke regels nooit door waarschijnlijkheid mogen worden vervangen.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Van persoonlijk archief naar gedeelde kennislaag

De verandering lijkt op het eerste gezicht klein, maar ze verschuift de rol van de Library aanzienlijk.

Bestanden die gebruikers uploaden of in ChatGPT creëren, worden automatisch opgeslagen in de Library. Vanuit daar kunnen ze later opnieuw aan een gesprek worden toegevoegd zonder opnieuw te moeten worden geüpload. Ook volledige mappen kunnen worden geselecteerd zodat ChatGPT over meerdere bestanden tegelijk kan werken.

Met sharing wordt dat mechanisme nu bruikbaar voor teams. Een projectgroep kan bijvoorbeeld een gedeelde map gebruiken voor rapporten, briefingdocumenten, analyses en bronmateriaal. Iedereen met toegang kan vervolgens vanuit zijn eigen gesprek met dezelfde inhoud werken.

Dat voorkomt een klassiek probleem bij AI-gebruik in teams: verschillende mensen uploaden telkens hun eigen kopieën van documenten, waarna meerdere versies naast elkaar beginnen te bestaan.

Viewer en Editor geven verschillende rollen

Bij het delen kunnen gebruikers specifieke personen uitnodigen of, waar beschikbaar, materiaal toegankelijk maken voor de volledige workspace. Toegang kan later opnieuw worden bekeken, aangepast of ingetrokken.

Een interessant detail zit bij gedeelde mappen. Bestanden die iemand uploadt naar de gedeelde map van een andere eigenaar, worden onderdeel van die map. Wanneer de uploader later zijn toegang tot de map verliest, blijft het bestand bij de eigenaar aanwezig en verliest de oorspronkelijke uploader zelf de toegang.

Voor organisaties betekent dit dat eigenaarschap en toegangsbeheer belangrijker worden. Een gedeelde AI-werkruimte is immers niet alleen handig voor samenwerking, maar kan ook bedrijfsinformatie bevatten die na verloop van tijd andere toegangsrechten nodig heeft.

Ook externe opslag schuift de Library binnen

De update staat niet op zichzelf. OpenAI heeft de Library de voorbije weken breder uitgebouwd. Google Drive werd eerder geïntegreerd, en vanaf 10 september volgen ook Box, Dropbox en SharePoint. Gebruikers kunnen bestanden uit die diensten vanuit ChatGPT Library vinden en in gesprekken gebruiken zonder ze eerst los te downloaden en opnieuw te uploaden.

Daarbij blijven bestaande rechten uit de brondienst gelden. Een koppeling met SharePoint of Google Drive geeft dus niet automatisch toegang tot bestanden waarvoor iemand in die omgeving geen toestemming heeft.

Interessant voor langdurige AI-projecten

De grootste praktische winst zit waarschijnlijk bij projecten die weken of maanden lopen.

In plaats van telkens opnieuw context aan ChatGPT te geven, kan een team werken vanuit één gedeelde verzameling bronbestanden. Nieuwe analyses, samenvattingen of documenten kunnen daardoor vertrekken vanuit dezelfde informatiebasis.

Dat maakt de Library steeds minder een opslagplaats naast ChatGPT en steeds meer een gedeelde contextlaag voor AI-werk.

De echte verandering zit dus niet in het delen zelf, maar in wat er daarna mogelijk wordt: meerdere mensen kunnen voortaan met dezelfde bronbestanden werken, terwijl ChatGPT die gedeelde informatie rechtstreeks in hun individuele gesprekken kan gebruiken.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

AI als vijflaagse infrastructuur

Huang beschrijft AI als een stapel van vijf onderling afhankelijke lagen.

Onderaan staat energie. Zonder elektriciteit geen rekencapaciteit. Daarboven bevinden zich chips, gevolgd door de infrastructuur waarin die chips draaien: datacenters, netwerken, koeling en andere fysieke systemen.

De vierde laag bestaat uit AI-modellen. Pas helemaal bovenaan komen de data en toepassingen waarmee bedrijven en overheden daadwerkelijk economische waarde creëren.

Voor Huang is vooral die bovenste laag belangrijk. Landen hoeven niet noodzakelijk zelf de beste chipfabrieken of funderingsmodellen ter wereld te bouwen. Ze kunnen zich ook specialiseren in toepassingen voor gezondheidszorg, industrie, wetenschap, onderwijs of andere sectoren waarin ze al expertise hebben.

Tokens worden een economische eenheid

Een van Huangs opvallendste vergelijkingen gaat over tokens, de rekeneenheden die moderne generatieve AI-systemen produceren.

Volgens hem zetten AI-datacenters elektriciteit en computerkracht om in wat hij omschrijft als digitale intelligentie. Waar energie economisch wordt gemeten in bijvoorbeeld kilowattuur, wordt generatieve AI steeds vaker afgerekend per miljoen tokens.

Dat is uiteraard geen perfecte economische vergelijking, maar ze illustreert hoe Nvidia naar de sector kijkt: rekencapaciteit is niet langer alleen een technische kostenpost, maar een productie-installatie waarmee een verkoopbaar digitaal product wordt gemaakt.

Nvidia spreekt daarom zelf steeds vaker over AI factories.

Van taalmodel naar agent en robot

Huang trok de redenering verder door naar AI-agents en robotica. Een taalmodel alleen is volgens hem nog geen volwaardig productief systeem. Er moet een soort softwarematige “exoskelet” rond worden gebouwd: geheugen, toegang tot informatie, tools en mechanismen waarmee het systeem taken kan uitvoeren. Zo ontstaat een AI-agent.

Wanneer diezelfde agent geen browser of spreadsheet bedient maar een machine, verandert het concept volgens Huang nauwelijks. De agent kan dan terechtkomen in een industriële robot, zelfrijdende auto, logistiek voertuig, chirurgische robot of geautomatiseerd laboratorium.

Daarmee vervaagt de grens tussen digitale en fysieke AI steeds verder. AI-infrastructuur wordt zo niet alleen relevant voor kenniswerk, maar ook voor productie, logistiek en robotica.

Het grootste risico is volgens Huang achterblijven

Huang gebruikte zijn optreden ook om een duidelijke positie in het reguleringsdebat in te nemen.

Volgens hem moeten overheden zich richten op concrete en aantoonbare schade in plaats van op hypothetische risico’s. Hij stelde dat het slechtste resultaat voor een land zou zijn dat het de technologie onvoldoende benut en daardoor economisch achterop raakt.

Die visie is niet onomstreden. Rond de G20-bijeenkomst waren ook zorgen over energiegebruik, datacenters en maatschappelijke risico’s zichtbaar, terwijl andere deelnemers benadrukten dat innovatie en publieke veiligheid tegelijkertijd aandacht nodig hebben.

Huangs standpunt moet bovendien worden bekeken tegen de achtergrond van Nvidia’s commerciële positie. Het bedrijf levert de hardware waarop een groot deel van de huidige AI-infrastructuur draait en heeft er dus direct belang bij dat landen en bedrijven fors blijven investeren in rekenkracht.

Ook met zeer krachtige AI blijft context nodig

Een ander interessant deel van Huangs boodschap ging over werk. Zelfs wanneer AI in de komende jaren veel capabeler wordt, verwacht hij niet dat bedrijven simpelweg een intelligent systeem aansluiten en daarna grotendeels zonder mensen verder kunnen.

Hij vergelijkt toekomstige AI-systemen met uitzonderlijk goed opgeleide nieuwe werknemers. Zelfs iemand met een doctoraat van een topuniversiteit moet na indiensttreding nog leren hoe een organisatie werkt, welke context belangrijk is, welke informatie toegankelijk is en welke doelen moeten worden bereikt.

Voor AI geldt volgens Huang hetzelfde.

Daarom ziet hij context, bedrijfskennis en de softwareomgeving rond modellen als cruciaal. Taken zoals typen, zoeken of bepaalde analyses kunnen steeds verder worden geautomatiseerd, maar het bepalen van doel, betekenis en context blijft volgens hem een belangrijke menselijke en organisatorische verantwoordelijkheid.

Niet elk land hoeft alles zelf te bouwen

Misschien is dat uiteindelijk het meest bruikbare deel van Huangs boodschap voor beleidsmakers en bedrijven.

Digitale soevereiniteit hoeft niet te betekenen dat ieder land zijn eigen chipindustrie, datacenters, foundation models én applicatielaag volledig zelfstandig bouwt. Wel moet volgens Huang bewust worden gekozen welke lagen strategisch belangrijk zijn en welke intelligentie een land of onderneming niet volledig wil uitbesteden.

Dat maakt de huidige AI-race minder een wedstrijd om één superieur model en meer een infrastructuurvraagstuk.

De landen en bedrijven die de komende jaren voordeel willen halen uit AI zullen daarom niet alleen moeten beslissen welk model ze gebruiken, maar ook waar hun rekenkracht vandaan komt, wie hun data beheert, welke kennis ze zelf opbouwen en op welke laag van de AI-economie ze waarde willen creëren.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Gemini wordt een laag bovenop Windows

Die sneltoets lijkt klein, maar ze zegt veel over waar AI-assistenten naartoe evolueren. Tot nu toe werd generatieve AI vooral als een bestemming gebruikt: je opende een website of app, stelde een vraag en keerde daarna terug naar je werk. Met een desktopapp probeert Google dat patroon om te draaien. Gemini moet beschikbaar zijn op het moment dat een taak ontstaat, zonder dat je je huidige context volledig verlaat.

Daarmee schuift Gemini op van losse chatbot naar een permanente assistent die naast andere software meedraait. Google had eerder dit jaar al een aparte Google-app voor Windows uitgebracht met Search, AI Mode, Lens en toegang tot lokale bestanden. De nieuwe Gemini-app is specifieker gericht op de generatieve en agentische kant van Google’s AI-ecosysteem.

Spark brengt agentische taken naar de desktop

Binnen de app zitten dezelfde mogelijkheden die gebruikers al van Gemini kennen. Interessant is vooral de integratie van Gemini Spark, Google’s persoonlijke AI-agent.

Spark kan meerstapsopdrachten uitvoeren en informatie gebruiken uit Google-diensten. Zo kan Gemini bijvoorbeeld een projectsamenvatting opstellen met informatie uit Gmail en Google Drive.

Daarmee wordt de desktopapp potentieel interessanter dan een klassieke chatinterface. De waarde zit niet alleen in antwoorden genereren, maar in het combineren van context uit verschillende bronnen en het uitvoeren van langere taken. Google positioneert Spark als een assistent die ook proactief en gedurende langere tijd kan werken.

Ook beeld en video vanuit dezelfde omgeving

De Windows-app bevat daarnaast Google’s generatieve mediatools. Gebruikers kunnen rechtstreeks afbeeldingen maken met Nano Banana en video’s genereren met Gemini Omni. Daardoor hoeft de gebruiker niet meer tussen verschillende creatieve tools of webapps te schakelen.

Die bundeling is strategisch belangrijk. Grote AI-aanbieders proberen hun assistenten steeds meer als centrale werkruimte te positioneren waarin tekst, beeld, video, bestanden en acties samenkomen.

De strijd gaat daardoor minder over welk model op een benchmark enkele procentpunten beter scoort en meer over welke assistent het diepst in het dagelijkse werk van de gebruiker geïntegreerd raakt.

Google wil een vaste plek op de pc

Met de Windows-app begeeft Google zich nadrukkelijker op terrein waar Microsoft met Copilot en OpenAI met ChatGPT al langere tijd aanwezig zijn.

Windows is daarbij een cruciaal platform. Wie daar een vaste sneltoets, desktopinterface en integraties met bestanden en bedrijfsapplicaties weet te veroveren, vergroot de kans dat gebruikers AI niet af en toe, maar doorlopend gebruiken.

Google benadrukt dat de app lichtgewicht op de achtergrond draait en dat later meer native desktopfuncties zullen worden toegevoegd. Het huidige product is dus duidelijk bedoeld als beginpunt, niet als eindversie.

De AI-assistent verschuift van browser naar besturingssysteem

De lancering past in een bredere ontwikkeling. AI-assistenten bewegen steeds verder weg van de afzonderlijke chatbox. Ze krijgen toegang tot e-mail, documenten, bestanden, browsers, agenda’s en steeds vaker tot acties die namens de gebruiker worden uitgevoerd.

Daarmee wordt de desktop zelf een nieuw strijdtoneel. De AI-assistent hoeft niet langer een tabblad te zijn dat je bewust opent. Google wil dat Gemini beschikbaar is precies waar het werk gebeurt, en uiteindelijk steeds meer van dat werk mee uitvoert.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

AI-wetgeving bepaalt wat juridisch verplicht is

Wetgeving vormt de juridische basis. Denk aan autorijden. Wie op de openbare weg rijdt, moet voldoen aan wettelijke verplichtingen. Je kunt niet besluiten om een toepasselijke verkeerswet te negeren omdat je het er persoonlijk niet mee eens bent.

Voor AI geldt hetzelfde. Wanneer een wet van toepassing is op een organisatie of AI-systeem, ontstaan juridische verplichtingen. Een belangrijk Europees voorbeeld is de EU AI Act. Die bepaalt onder meer welke AI-praktijken verboden zijn, welke systemen als hoog risico worden beschouwd en welke verplichtingen gelden voor verschillende partijen in de AI-keten.

Het belangrijkste verschil met de andere begrippen is dus eenvoudig: wetgeving is niet vrijblijvend.

Regelgeving vertaalt juridische doelen naar concrete vereisten

In het dagelijkse taalgebruik lopen ‘wet’ en ‘regelgeving’ vaak door elkaar. Juridisch is het onderscheid bovendien afhankelijk van het rechtsstelsel.

De verkeersanalogie blijft wel bruikbaar. Een brede wettelijke verplichting om veilig aan het verkeer deel te nemen krijgt in de praktijk concretere regels: maximumsnelheden, voorrangsregels, stoplichten en technische eisen.

Bij AI gebeurt iets vergelijkbaars. Regels kunnen concreet voorschrijven hoe organisaties moeten omgaan met onder meer risicobeheer, documentatie, transparantie, monitoring en menselijk toezicht.

Belangrijk voor Europa is wel dat de AI Act zelf juridisch een EU-verordening is. De tegenstelling tussen ‘wet’ en ‘verordening’ is daarom niet altijd zo scherp als eenvoudige governance-overzichten suggereren. Praktisch kun je het verschil beter zien als juridische verplichtingen versus de gedetailleerde eisen waarmee die verplichtingen worden uitgevoerd.

AI-principes beschrijven wat goede AI zou moeten zijn

Principes zitten op een ander niveau. Bij verkeer kunnen principes bijvoorbeeld zijn dat wegen veilig moeten zijn, kwetsbare weggebruikers bescherming verdienen en bestuurders verantwoordelijk moeten handelen.

Principes vertellen vooral waar we naartoe willen. Voor AI komen begrippen terug als eerlijkheid, transparantie, veiligheid, verantwoordelijkheid, privacy, menselijke autonomie.

Zulke principes zijn belangrijk omdat ze richting geven aan beleid en ontwerpbeslissingen. Maar een principe als ‘AI moet transparant zijn’ vertelt een ontwikkelaar nog niet automatisch welke controles moeten worden uitgevoerd of welke documentatie moet worden bijgehouden. Daarvoor zijn concretere instrumenten nodig.

Standaarden maken governance systematisch

Een standaard gaat een stap verder. Stel dat iedereen het erover eens is dat wegen veilig moeten zijn. Dan heb je nog afspraken nodig over ontwerp, signalering, inspectie, materiaalgebruik en veiligheidsprocedures.

Dat is vergelijkbaar met de rol van standaarden in AI. Een bekend voorbeeld is ISO/IEC 42001:2023. Deze internationale standaard bevat eisen voor het opzetten, implementeren, onderhouden en voortdurend verbeteren van een AI-managementsysteem binnen een organisatie.

Zo’n standaard helpt organisaties om hun AI-governance structureel te organiseren. Denk aan verantwoordelijkheden, beleid, risicoprocessen, controles, evaluaties en continue verbetering.

Voor het meer specifieke beheer van AI-risico’s bestaat daarnaast ISO/IEC 23894:2023. Deze standaard biedt richtlijnen voor het identificeren, analyseren, beoordelen, behandelen en monitoren van risico’s die samenhangen met AI.

De twee standaarden hebben dus een verschillende maar aanvullende functie:
- ISO/IEC 42001 richt zich op het volledige AI-managementsysteem van een organisatie;
- ISO/IEC 23894 gaat specifieker in op het proces van AI-risicobeheer.

Hoewel deze ISO-normen internationaal zijn en niet uitsluitend Europees, sluiten ze goed aan bij de Europese benadering van risicogebaseerde AI-governance.

Een belangrijk verschil is dat een standaard op zichzelf niet hetzelfde is als een wet. Een organisatie kan bijvoorbeeld vrijwillig een ISO-standaard invoeren. Tegelijk kan wetgeving, een contract of een klant vereisen dat bepaalde normen worden gevolgd.

Frameworks helpen om AI-governance operationeel te maken

Dan zijn er nog frameworks. Een verkeersbeheerder heeft niet alleen afzonderlijke regels nodig, maar ook een manier om het hele systeem te organiseren: risicoanalyse, incidentmanagement, monitoring, verantwoordelijkheden en verbetering.

Een AI-framework doet iets vergelijkbaars. Een Europees voorbeeld is de Assessment List for Trustworthy Artificial Intelligence, kortweg ALTAI. Deze beoordelingslijst werd ontwikkeld op initiatief van de Europese Commissie en helpt organisaties om na te gaan of hun AI-systemen aansluiten bij de Europese principes voor betrouwbare en mensgerichte AI.

ALTAI behandelt onderwerpen zoals: menselijke autonomie en toezicht, technische robuustheid en veiligheid, privacy en datagovernance, transparantie, diversiteit, non-discriminatie en rechtvaardigheid, maatschappelijk en ecologisch welzijn, verantwoordelijkheid en verantwoording.

Het framework vertaalt algemene principes naar concrete vragen waarmee organisaties hun AI-systemen, processen en governancepraktijken kunnen beoordelen.

Frameworks geven organisaties dus een manier om governanceprocessen te ordenen. Ze kunnen aangeven welke onderwerpen moeten worden onderzocht, welke rollen nodig zijn en hoe risico’s gedurende de levenscyclus van een AI-systeem kunnen worden opgevolgd.

Een framework maakt je niet automatisch compliant

Hier ontstaat een van de meest voorkomende misverstanden. Een organisatie kan zeggen: “Wij gebruiken een AI-governanceframework, dus we zijn compliant.” Die conclusie klopt niet automatisch.

Een framework kan helpen om risico’s en controles te structureren, maar bepaalt niet noodzakelijk welke wettelijke verplichtingen op een specifieke organisatie of AI-toepassing rusten.

Ook ALTAI is in de eerste plaats een vrijwillig beoordelingsinstrument. Het kan organisaties helpen om mogelijke tekortkomingen te ontdekken, maar het vormt op zichzelf geen bewijs dat aan alle verplichtingen van de EU AI Act, de AVG of andere toepasselijke regelgeving is voldaan.

Hetzelfde geldt voor de implementatie of certificering van een standaard. Een organisatie kan een uitstekend managementsysteem hebben en toch een specifieke wettelijke verplichting verkeerd interpreteren of uitvoeren.

Compliance vereist daarom altijd een afzonderlijke beoordeling van onder meer: de rol van de organisatie in de AI-keten, het toepassingsgebied van de regelgeving, de risicoclassificatie van het AI-systeem, de concrete wettelijke verplichtingen, de getroffen technische en organisatorische maatregelen, het beschikbare bewijs dat die maatregelen werkelijk worden uitgevoerd.

Organisaties hebben meestal meerdere lagen tegelijk nodig

In volwassen AI-governance staan deze vijf begrippen daarom niet tegenover elkaar. Ze vullen elkaar aan.

Wetgeving en regelgeving bepalen welke verplichtingen gelden.

Principes definiëren welke waarden een organisatie belangrijk vindt.

Standaarden helpen om managementprocessen, controles en risicobeheer consistent in te richten.

Frameworks bieden een praktische structuur om risico’s, rollen en governanceactiviteiten te beoordelen en te organiseren.

Een Europese organisatie kan dus tegelijkertijd de EU AI Act moeten naleven, eigen principes voor verantwoord AI-gebruik hanteren, ISO/IEC 42001 gebruiken voor haar AI-managementsysteem, ISO/IEC 23894 toepassen voor risicobeheer en ALTAI gebruiken als praktisch beoordelingsinstrument.

AI-governance werkt juist wanneer juridische verplichtingen, organisatorische principes, technische controles en dagelijkse processen met elkaar verbonden worden.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Generatieve AI heeft vaste plaats veroverd binnen zoekmachineoptimalisatie

Toch gebruiken veel SEO-teams de technologie nog vooral als een snellere tekstmachine. Een prompt voor zoekwoorden, een lijst met ideeën, een contentbriefing en misschien een eerste versie van een artikel: het zijn nuttige toepassingen, maar ze leveren steeds minder onderscheidend vermogen op.

Dat blijkt ook uit cijfers die Search Engine Land aanhaalt uit onderzoek van Semrush. Van de ondervraagde marketeers gebruikt 60 procent AI voor keywordonderzoek, 48 procent voor het bedenken van contentideeën en 38 procent voor briefings en outlines. Veel minder teams zetten AI in voor strategischer werk: slechts 18 procent gebruikt het voor topic clusters, 15 procent voor interne links en 11 procent voor SERP- of content-gapanalyses.

Precies daar ligt volgens SEO-consultant Lawrence Hitches een interessantere kans. Niet méér content produceren, maar AI inzetten voor werk dat vroeger moeilijk, arbeidsintensief of nauwelijks schaalbaar was.

AI-content heeft kwaliteitscontroles nodig

Een van de grootste risico’s van generatieve AI is dat de productiesnelheid veel sneller stijgt dan de kwaliteitscontrole. Met één workflow kunnen organisaties honderden pagina’s genereren, maar als die pagina’s weinig toevoegen aan wat al online staat, ontstaat vooral meer middelmatige content.

Google maakt daarbij duidelijk dat het gebruik van generatieve AI op zichzelf geen probleem vormt. De zoekmachine kijkt naar kwaliteit, relevantie en toegevoegde waarde. Het op grote schaal produceren van pagina’s zonder echte waarde voor gebruikers kan daarentegen onder Google’s beleid tegen scaled content abuse vallen. Google adviseert expliciet om originele, nuttige en niet-generieke content te creëren in plaats van bestaande informatie simpelweg opnieuw te verpakken.

Een betere AI-workflow bestaat daarom uit verschillende controlepunten. Een onderwerp gaat bijvoorbeeld eerst door onderzoek en concurrentieanalyse, daarna door een inhoudelijke briefing en pas vervolgens naar de schrijffase. Voor publicatie volgen factchecking, kwaliteitscontrole en menselijke redactie.

AI versnelt zo het proces, maar krijgt niet automatisch toestemming om alles te publiceren.

Laat AI SEO-experimenten uitvoeren, maar niet beoordelen

Een tweede toepassing is het systematisch uitvoeren van SEO-experimenten. Bij traditionele optimalisatie is het vaak moeilijk om achteraf exact te bepalen welke wijziging verantwoordelijk was voor een stijging of daling in resultaten.

AI-agents kunnen zo’n proces veel consequenter uitvoeren. Een agent kan dagelijks de toestand van een website analyseren, één wijziging selecteren, die binnen vooraf bepaalde grenzen uitvoeren en registreren waarom voor die ingreep werd gekozen.

Cruciaal is dat het systeem slechts op één vooraf gekozen KPI wordt afgerekend. Zo wordt het eenvoudiger om een verband te leggen tussen een actie en een resultaat.

Hitches benadrukt daarbij een belangrijke beperking: de AI-agent mag niet zijn eigen succes beoordelen. Het systeem kan optimalisaties uitvoeren en documenteren, maar een mens moet bepalen of een verandering daadwerkelijk het gewenste effect heeft gehad. Anders dreigt de AI verbanden te zien die er niet zijn of zichzelf te gemakkelijk een succesvolle interventie toe te schrijven.

Ontdek waar Google je website werkelijk voor kent

AI kan ook worden ingezet om de inhoudelijke positionering van een website te analyseren.

Veel bedrijven denken bij topical authority vooral aan het publiceren van meer artikels rond hetzelfde onderwerp. Maar voordat nieuwe content wordt geproduceerd, is het minstens zo belangrijk om te begrijpen waarvoor een website vandaag daadwerkelijk zichtbaar is.

Door een AI-systeem een volledige crawl, bestaande zoekwoorden en de sitemaps van concurrenten te laten analyseren, kan het patronen zoeken in honderden of duizenden pagina’s. Het kan vervolgens aangeven welke onderwerpen dominant zijn, waar belangrijke gaten zitten en welke pagina’s mogelijk nauwelijks bijdragen aan de inhoudelijke focus van de site.

Dat verandert AI van contentgenerator in een soort diagnostisch instrument.

De snelheid waarmee AI zo’n contentkaart kan produceren is tegelijk een risico. Een model kan in enkele minuten honderden nieuwe onderwerpen voorstellen, maar dat betekent niet dat ze allemaal onmiddellijk gepubliceerd moeten worden. Zoekmachineoptimalisatie blijft een proces waarin timing, prioriteiten en menselijke beoordeling belangrijk zijn.

Combineer Search Console, Analytics en Trends

Nog interessanter wordt AI wanneer verschillende databronnen samen worden geanalyseerd.

Google Search Console toont onder meer zoekopdrachten, posities, impressies en doorklikratio’s. Google Analytics laat zien wat bezoekers daarna op een website doen. Google Trends geeft dan weer aan of de algemene belangstelling voor een onderwerp stijgt of daalt.

Los van elkaar vertelt iedere databron maar een deel van het verhaal.

Stel dat een onderwerp snel populairder wordt in Google Trends, een pagina rond dat onderwerp op positie acht staat in Search Console en dezelfde pagina opvallend goede engagementcijfers haalt in Analytics. Dan kan er een concrete optimalisatiekans liggen die in geen van de drie dashboards afzonderlijk echt opvalt.

Een taalmodel kan zulke patronen sneller identificeren door de datasets gezamenlijk te analyseren en mogelijke verklaringen te formuleren. De ruwe gegevens moeten wel altijd gecontroleerd blijven worden. Search Console werkt bijvoorbeeld op queryniveau, Analytics voornamelijk op paginaniveau en Trends met een relatieve schaal. AI kan verbanden voorstellen, maar die interpretatie is niet automatisch een feit.

AI maakt interactieve tools veel toegankelijker

Content hoeft bovendien niet altijd een artikel te zijn. Calculators, configurators, templates en andere interactieve hulpmiddelen kunnen bijzonder waardevolle SEO-assets zijn. Ze beantwoorden vaak heel concrete vragen en sluiten daardoor aan op zoekopdrachten met een duidelijke intentie.

Het probleem was traditioneel dat zulke tools ontwikkelcapaciteit vereisten. Generatieve AI verlaagt die drempel aanzienlijk. Een marketeer kan de invoervelden, berekeningen en gewenste output beschrijven, waarna een AI-model een werkende HTML-, CSS- en JavaScript-versie kan opbouwen.

De technologie maakt het programmeren goedkoper en sneller. Het concurrentievoordeel zit echter niet in de code zelf, maar in de kennis die erin wordt verwerkt. Een generieke calculator die iedereen kan namaken heeft weinig unieke waarde. Een tool gebaseerd op eigen data, expertise of een unieke methodologie kan dat wel hebben.

Van bedrijfsdata naar digitale PR

Een vergelijkbare aanpak geldt voor digitale PR. AI kan grote hoeveelheden nieuws, zoektrends, fora en discussies analyseren om terugkerende vragen of frustraties binnen een markt zichtbaar te maken.

Dat kan het startpunt vormen voor eigen onderzoek. Een bedrijf kan bijvoorbeeld prijzen, tarieven, prestaties of andere marktgegevens verzamelen en daar een journalistiek relevante vergelijking van maken.

Het voordeel reikt verder dan traditionele backlinks. Publicaties van gezaghebbende media kunnen ook terechtkomen in de bronnen die AI-zoekmachines en antwoordmachines gebruiken. Digitale PR wordt daardoor niet alleen een methode om links te verzamelen, maar ook een manier om de aanwezigheid van een merk in AI-antwoorden te versterken.

Ook hier blijft menselijke controle essentieel. AI kan patronen vinden en mogelijke invalshoeken voorstellen, maar journalisten benaderen met foutieve cijfers kan reputatieschade veroorzaken. De data en conclusies moeten daarom vóór publicatie handmatig worden geverifieerd.

SEO wordt steeds meer multimodaal

De zevende toepassing verbindt traditionele zoekresultaten met video en sociale media. Google Search Console beschikt inmiddels over Platform properties waarmee geverifieerde sociale en videoaccounts aan zoekdata kunnen worden gekoppeld. Daardoor kunnen organisaties zien via welke Google-zoekopdrachten bijvoorbeeld hun YouTube- of andere ondersteunde content wordt gevonden.

AI kan die zoekopdrachten vervolgens groeperen en vertalen naar één overkoepelend contentplan. Een breed onderwerp kan bijvoorbeeld een uitgebreid artikel worden, een specifiek facet een lange video en een concrete deelvraag een korte video of social post.

Dat past bij een zoekomgeving waarin tekst, afbeeldingen, video’s en AI-antwoorden steeds vaker naast elkaar verschijnen. SEO gaat daardoor minder over één pagina voor één zoekwoord en meer over het aanbieden van relevante informatie in verschillende vormen.

AI moet vooral het moeilijke werk schaalbaar maken

De rode draad door al deze toepassingen is opvallend eenvoudig: AI levert niet noodzakelijk de meeste waarde waar het het menselijke werk volledig overneemt.

De interessante toepassingen zitten juist bij taken die vroeger te veel tijd of capaciteit vergden om consequent uit te voeren: duizenden pagina’s vergelijken, meerdere datasets tegelijkertijd interpreteren, continu experimenten documenteren, softwaretools bouwen of enorme hoeveelheden marktinformatie doorzoeken.

De menselijke rol verdwijnt daardoor niet. Integendeel. Hoe meer operationeel werk AI uitvoert, hoe belangrijker het wordt dat mensen bepalen wat de moeite waard is, welke gegevens betrouwbaar zijn en wanneer een aanbeveling daadwerkelijk uitgevoerd moet worden.

Voor SEO-teams is dat wellicht de belangrijkste verschuiving. De vraag is niet meer alleen hoeveel sneller AI een artikel kan schrijven. De interessantere vraag is hoeveel SEO-werk dankzij AI mogelijk wordt dat een team vroeger simpelweg niet op deze schaal kon uitvoeren.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Minder installatiegedoe, meer directe interactie

De aanleiding voor de grote update was relatief eenvoudig: OpenClaw moest gemakkelijker worden om te installeren en te gebruiken. Vooral nieuwe gebruikers moesten sneller met hun persoonlijke AI-agent aan de slag kunnen.

Daarom probeert de nieuwe installatieprocedure zoveel mogelijk gebruik te maken van wat al op de computer aanwezig is. Bestaande abonnementen op AI-diensten, API-sleutels en lokale modellen kunnen tijdens de installatie worden meegenomen. Tegelijkertijd werd een deel van de configuratie vereenvoudigd of uitgesteld.

Het idee daarachter is dat gebruikers niet eerst een uitgebreide technische setup moeten doorlopen voordat ze hun AI-assistent kunnen gebruiken. Een deel van de verdere configuratie kan later gewoon via een gesprek met de eigen AI-agent gebeuren.

Ook de browserapp kreeg een grondige herwerking. Die moet voortaan fungeren als een centrale omgeving waar gebruikers niet alleen met hun Claw communiceren, maar ook lopende taken kunnen opvolgen en de voortgang van AI-agents in realtime kunnen bekijken.

Van eenvoudige automatisering naar een gedeelde AI-werkruimte

OpenClaw positioneert zijn software als een persoonlijke AI-assistent die lokaal of op eigen infrastructuur draait en taken over verschillende diensten heen kan uitvoeren. Een eenvoudige toepassing kan bijvoorbeeld bestaan uit het controleren van een mailbox op belangrijke berichten en het doorsturen van relevante informatie naar Telegram. Maar de ambitie gaat verder dan zulke losse automatiseringen.

In OpenClaw 2.0 kunnen workflows gemakkelijker worden uitgebreid naar meerdere diensten en communicatiekanalen. De software kan bijvoorbeeld informatie uit een e-mail terugvinden nadat een gebruiker er via een berichtendienst naar vraagt, en het antwoord vervolgens rechtstreeks doorsturen.

Nieuw zijn ook gedeelde cloudsessies. Daarmee kunnen meerdere mensen samenwerken binnen dezelfde AI-werkruimte zonder dat de opgebouwde context verloren gaat. Taken kunnen daardoor worden gedeeld of aan een andere persoon worden overgedragen terwijl de AI-agent de eerdere context behoudt.

Een release die bijna het hele project raakt

De omvang van OpenClaw 2.0 gaat veel verder dan een nieuwe interface. De update raakt onder meer installatie, berichten, geheugen, skills, AI-modellen, automatiseringen, browser- en native apps, plug-ins en beveiliging.

Volgens de officiële release notes bevat versie 2.0 daarnaast functies voor het doorzoeken van eerdere gesprekken, het voortzetten van sessies op andere apparaten of cloudworkers, interactieve dashboards en verbeterde mogelijkheden voor het aanvragen en beheren van gevoelige gegevens.

De ontwikkelaars benadrukken dat OpenClaw geen product wil zijn dat gebruikers vastzet aan één AI-model of één leverancier. Het platform is open source en kan met verschillende modellen en infrastructuren worden gebruikt.

Wat begon als een project om de onboarding en browserervaring te verbeteren, groeide zo uit tot een fundamentele herwerking van OpenClaw. De naam “OpenClaw 2.0, Accidentally” vat die ontwikkeling dan ook goed samen: versie 2.0 was aanvankelijk niet het plan, maar werd gaandeweg het onvermijdelijke resultaat.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Van AI-regels naar platformregels

De aanwijzing is interessant omdat ChatGPT daardoor expliciet binnen twee verschillende Europese regelgevingskaders valt. De AI Act richt zich op AI-systemen en -modellen: wie ze aanbiedt, ontwikkelt, inzet en welke risico’s of transparantieverplichtingen daarbij horen.

De Digital Services Act kijkt naar de online dienst zelf en naar de maatschappelijke impact die ontstaat wanneer zo’n dienst op zeer grote schaal wordt gebruikt.

Voor ChatGPT betekent dat onder meer dat OpenAI systemische risico’s moet identificeren en beperken. De Commissie noemt risico’s rond illegale inhoud, bescherming van minderjarigen, lichamelijk en mentaal welzijn, grondrechten, verkiezingsprocessen en openbare veiligheid.

Daarmee wordt ChatGPT juridisch steeds minder behandeld als alleen een AI-chatbot. De Europese wetgever kijkt ook naar het platformeffect van de dienst en naar de rol van ChatGPT als toegangspoort tot informatie.

Voor bedrijven verandert hun rol niet automatisch

Voor organisaties die ChatGPT gebruiken is een belangrijk onderscheid nodig.

Dat OpenAI onder de DSA als zeer grote online zoekmachine wordt aangewezen, betekent niet dat een bedrijf dat ChatGPT gebruikt zelf een VLOSE wordt. De extra DSA-verplichtingen rusten in eerste instantie op OpenAI Ireland als aanbieder van de aangewezen dienst.

Organisaties hebben daarnaast hun eigen verplichtingen onder de AI Act. Wanneer medewerkers bestaande generatieve AI gebruiken voor hun werk, zal de organisatie doorgaans als deployer van een AI-systeem optreden. Die rol kan veranderen wanneer een onderneming zelf AI-systemen ontwikkelt, substantieel wijzigt, onder eigen naam aanbiedt of integreert in een eigen product of dienst.

De wettelijke verplichtingen moeten daarom altijd worden beoordeeld vanuit de eigen toepassing en niet alleen vanuit de regelgeving waaraan de leverancier voldoet.

AI-geletterdheid geldt al

Een van die verplichtingen is Artikel 4 van de AI Act, over AI-geletterdheid.

Sinds 2 februari 2025 moeten aanbieders en deployers maatregelen nemen om de AI-geletterdheid te ondersteunen van werknemers en andere personen die namens hen met AI-systemen werken. De verplichting schrijft geen universeel opleidingsniveau voor, maar organisaties moeten wel rekening houden met kennis, ervaring en de context waarin AI wordt gebruikt.

Daarnaast zijn sinds 2 augustus 2026 de transparantieregels van Artikel 50 van toepassing. Afhankelijk van de toepassing kunnen die verplichtingen liggen bij de aanbieder, de deployer of beide. Zo gelden onder meer regels voor het informeren van mensen wanneer zij rechtstreeks met bepaalde AI-systemen communiceren en voor het openbaar maken van bepaalde deepfakes en AI-gegenereerde teksten over onderwerpen van algemeen belang.

Leveranciersdocumentatie is geen eigen compliance-dossier

Voor bedrijven ontstaat daarmee een belangrijk praktisch punt.

De risicoanalyses en transparantierapporten die OpenAI onder de DSA moet produceren kunnen waardevolle informatie opleveren over ChatGPT. Maar zo’n leveranciersdocument vervangt niet automatisch de eigen AI-inventaris, privacyanalyse, AI-geletterdheidsmaatregelen of beoordeling van Artikel 50.

De DSA en AI Act leggen verplichtingen bij verschillende partijen en vanuit verschillende rollen.

Dat maakt leveranciersinformatie wel waardevol, maar vooral als input. Organisaties kunnen die gegevens gebruiken om hun eigen risicoanalyse en governance te versterken. Ze kunnen er alleen niet uit concluderen dat hun eigen AI-gebruik automatisch conform de regels is omdat de leverancier aan zijn verplichtingen voldoet.

AI-compliance verschuift steeds meer van één regelboek naar een combinatie van regels, rollen en verantwoordelijkheden. Voor bedrijven wordt het dus cruciaal om precies te weten welke verplichtingen bij de leverancier liggen, en welke bij henzelf.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Besluitvorming is een verborgen kostenpost

Bedrijven weten doorgaans precies hoeveel ze uitgeven aan personeel, grondstoffen en machines. Veel moeilijker te becijferen is hoeveel geld verloren gaat aan het nemen van beslissingen. Nochtans zitten daar enorme verborgen kosten: informatie verzamelen, analyses uitvoeren, vergaderen, goedkeuringen vragen en verschillende afdelingen op elkaar afstemmen.

McKinsey stelt in een nieuw onderzoek dat AI die kostenstructuur fundamenteel kan veranderen. Niet doordat technologie simpelweg werknemers vervangt, maar doordat meer beslissingen sneller, goedkoper en consistenter kunnen worden genomen.

Beslissingen worden plots veel goedkoper

Voor relatief eenvoudige beslissingen zijn de economische verschillen volgens McKinsey bijzonder groot. Een AI-ondersteunde klantenservicebeslissing kost in de berekeningen tussen 0,006 en 0,03 dollar, tegenover 7 tot 20 dollar wanneer dezelfde taak hoofdzakelijk menselijke coördinatie vereist. Bij technische reviews, supplychainplanning en kwaliteitscontroles ziet McKinsey eveneens verschillen van tientallen tot duizenden keren in kostprijs.

Complexe AI-agents maken het beeld genuanceerder. Zodra een systeem meerdere stappen uitvoert, resultaten controleert en zichzelf corrigeert, kunnen de kosten honderd tot duizend keer hoger liggen dan bij één eenvoudige AI-beslissing. Zelfs dan kan de totale kost volgens het onderzoek nog onder die van een volledig handmatig proces blijven.

McKinsey maakt daarbij een opvallende historische vergelijking. Als organisaties deze voordelen werkelijk op grote schaal kunnen realiseren, iets wat vandaag nog maar weinig bedrijven lukt, zou AI in ongeveer twee jaar kostengelijkheid met menselijke arbeid hebben bereikt. Voor stoomkracht duurde dat volgens de analyse ongeveer 55 jaar, voor de elektrische dynamo 30 jaar en voor het internet zeven jaar.

Een copilot installeren is niet genoeg

Daarmee ontstaat meteen een belangrijke vraag: als de economische logica zo aantrekkelijk is, waarom zien zoveel bedrijven dan nog nauwelijks resultaat in hun winstcijfers?

Volgens McKinsey zit het verschil vooral in de implementatie. Veel organisaties voegen copilots, chatbots en AI-dashboards toe aan processen die verder vrijwel ongewijzigd blijven. Dat levert efficiëntiewinst op, maar verandert de manier waarop het bedrijf werkt nauwelijks.

De grootste impact ontstaat wanneer ondernemingen volledige workflows opnieuw ontwerpen rond AI. Toppresteerders in de onderzochte groep rapporteerden daarbij ongeveer 20 procent verbetering van EBITDA, samen met kortere terugverdientijden en een hogere opbrengst per geïnvesteerde dollar. Dat cijfer mag niet worden gelezen als een gegarandeerd resultaat voor ieder bedrijf, maar toont wel hoe groot het verschil tussen AI-gebruik en echte procesherinrichting kan zijn.

Van AI-gebruik naar beslissnelheid

McKinsey stelt daarom voor om minder te kijken naar het aantal AI-licenties, modellen of pilots. Een interessantere maatstaf is decision throughput: het percentage belangrijke beslissingen dat door AI wordt geïnformeerd, versneld of geautomatiseerd.

Het uiteindelijke voordeel zit dan niet alleen in lagere kosten. Snellere beslissingen kunnen machines en capaciteit beter benutten, voorraad slimmer verdelen, productlanceringen versnellen en commerciële kansen eerder zichtbaar maken.

Daarmee verschuift ook de discussie over AI-ROI. De vraag is niet langer hoeveel medewerkers met een copilot werken, maar hoeveel belangrijke bedrijfsbeslissingen aantoonbaar beter worden genomen. Organisaties die hun processen rond dat principe herontwerpen, lijken volgens McKinsey veel beter geplaatst om van AI een echte economische motor te maken.
Het volledige artikel vind je hier.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Van zes uur naar ieder uur een nieuwe voorspelling

AI heeft de voorbije jaren een steeds belangrijkere rol gekregen in weersvoorspellingen. WeatherNext 3 probeert nu een van de zwakke punten van eerdere AI-modellen aan te pakken: de snelheid waarmee actuele waarnemingen in nieuwe voorspellingen terechtkomen.

Voorganger WeatherNext 2 produceerde voorspellingen in stappen van zes uur op een raster van 25 kilometer. WeatherNext 3 kan ieder uur een nieuwe wereldwijde voorspelling genereren. Voor temperatuur en vochtigheid kan het model lokaal tot een resolutie van ongeveer vijf kilometer gaan, terwijl andere oppervlaktevariabelen op tien kilometer en bepaalde atmosferische variabelen op 25 kilometer worden weergegeven. Daardoor ontstaat een veel gedetailleerder beeld van lokale weersomstandigheden.

Satellietbeelden spelen een veel grotere rol

De belangrijkste technische vernieuwing zit in de data die het model gebruikt. Veel AI-weermodellen worden grotendeels gevoed met zogenoemde analysegegevens: samengestelde datasets die met traditionele numerieke weermodellen worden geproduceerd.

Daar zit onvermijdelijk vertraging op. WeatherNext 3 verwerkt daarnaast rechtstreeks recente beelden van geostationaire weersatellieten. De meest actuele satellietgegevens hebben volgens het onderzoek een vertraging van minder dan een uur. Daardoor kan het systeem sneller reageren op veranderende omstandigheden zoals regen- en sneeuwgebieden.

Google claimt vooral aanzienlijke verbeteringen bij neerslagvoorspellingen. Afhankelijk van de gebruikte dataset rapporteert het bedrijf verbeteringen tot 60 procent op bepaalde evaluatiemaatstaven. Onafhankelijke live-evaluaties van Brightband plaatsen WeatherNext 3 momenteel bovendien boven verschillende andere toonaangevende wereldwijde weersmodellen. Zoals bij iedere nieuwe voorspellingsmethode zullen prestaties over langere periodes en uiteenlopende weersomstandigheden uiteindelijk moeten bevestigen hoe groot die voorsprong in de praktijk is.

Van weerbericht naar economische infrastructuur

De relevantie gaat verder dan weten of morgen een paraplu nodig is. Meer actuele en lokale voorspellingen kunnen rechtstreeks invloed hebben op sectoren waar het weer een grote economische factor is.

WeatherNext 3 voorspelt bijvoorbeeld windsnelheden op ongeveer honderd meter hoogte, relevant voor windturbines. Ook zonnestraling en bewolking kunnen worden voorspeld, waardoor producenten beter kunnen inschatten hoeveel zonne- en windenergie beschikbaar zal zijn. Voor landbouw, transport en logistiek kan nauwkeurigere informatie helpen bij planning, terwijl snellere voorspellingen van zware weersomstandigheden waardevol kunnen zijn voor hulpdiensten en rampenvoorbereiding.

WeatherNext komt rechtstreeks naar Google-gebruikers

Google houdt het model niet beperkt tot wetenschappelijke toepassingen. WeatherNext 3 wordt geïntegreerd in Google Search, Google Maps en Gemini. Daarnaast maakt Google de technologie beschikbaar via Google Maps Platform en Google Cloud voor bedrijven, ontwikkelaars en onderzoekers.

Dat betekent niet dat traditionele meteorologische modellen verdwijnen. Ook WeatherNext 3 gebruikt nog gegevens die afkomstig zijn uit klassieke numerieke weersystemen, en meteorologische diensten combineren doorgaans meerdere modellen en observatiebronnen voordat waarschuwingen worden uitgegeven.

De ontwikkeling laat vooral zien hoe snel AI-weervoorspellingen volwassen worden. Waar eerdere modellen vooral bewezen dat AI dagen vooruit verrassend nauwkeurig kon voorspellen, verschuift de aandacht nu naar iets minstens zo belangrijk: snellere updates, meer lokale details en directe verwerking van actuele waarnemingen.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Cybersecurity categorie ‘Critical’

OpenAI heeft een opvallende grens bereikt in de ontwikkeling van zijn volgende generatie AI-modellen. Het nog niet publiek beschikbare Astra kan volgens interne evaluaties zelfstandig onbekende beveiligingslekken ontdekken en methodes ontwikkelen om die kwetsbaarheden uit te buiten. Daardoor plaatst OpenAI het model voor het eerst in de categorie Critical voor cybersecurity binnen zijn Preparedness Framework.

Die kwalificatie betekent niet dat Astra standaard onbeperkt cyberaanvallen kan uitvoeren. OpenAI spreekt specifiek over de capaciteiten van het model wanneer het over de juiste hulpmiddelen en toegang beschikt. Volgens het bedrijf kan het dan kwetsbaarheden in sterk beveiligde systemen ontdekken en exploitketens ontwikkelen zonder dat een mens iedere stap hoeft aan te sturen.

Astra vindt zelfstandig onbekende kwetsbaarheden

De sprong ten opzichte van GPT-5.6 Sol lijkt aanzienlijk. OpenAI testte Astra onder meer met ExploitBench, een benchmark waarbij modellen exploits moeten ontwikkelen voor bekende kwetsbaarheden. Astra behaalde daar volgens het bedrijf een score van 100 procent.

Omdat bestaande benchmarks mogelijk onderdeel kunnen zijn geweest van trainingsdata, ontwikkelde OpenAI daarnaast een interne test met twintig recent ontdekte ernstige kwetsbaarheden in de V8-engine. Astra bleek daarin niet alleen efficiënter dan GPT-5.6 Sol, maar ontdekte tijdens de evaluaties ook twee tot dan toe onbekende zero-daykwetsbaarheden. OpenAI werkt momenteel aan de verantwoordelijke bekendmaking daarvan aan de betrokken ontwikkelaars.

Tijdens afzonderlijke tests wist Astra bovendien onbekende kwetsbaarheden in een beveiligde browser en een besturingssysteem te combineren tot werkende aanvalsketens. Die resultaten waren voor OpenAI voldoende om de strengste cyberclassificatie uit zijn risicomodel te activeren.

Lancering werd bewust afgeremd

De extra mogelijkheden hebben ook de ontwikkeling van Astra beïnvloed. Na een eerder beveiligingsincident waarbij experimentele OpenAI-systemen betrokken waren, pauzeerde het bedrijf bepaalde trainingen gedurende twee weken om zijn infrastructuur beter te isoleren en bewaken. Astra zelf was volgens OpenAI niet betrokken bij dat incident.

Ook daarna bleven grotere trainingsruns langer on hold. Pas op 28 augustus 2026 werd een grote reinforcement-learningtraining opnieuw gestart nadat strengere veiligheidsvoorwaarden waren ingevoerd.

Voor Astra combineert OpenAI meerdere verdedigingslagen. Het model is sterker getraind om schadelijke cyberverzoeken te weigeren, terwijl aanvullende classifiers en monitoringssystemen verdachte acties moeten herkennen. In interne jailbreaktests weigerde Astra 91,5 procent van verboden cyberverzoeken, tegenover 59 procent voor GPT-5.6 Sol.

Krachtigste cyberfuncties krijgen beperkte toegang

OpenAI is van plan Astra binnenkort beschikbaar te maken, maar niet alle gebruikers zullen dezelfde mogelijkheden krijgen. De krachtigste cybersecurityfuncties gaan aanvankelijk naar een kleine groep testers. Daarna moet het Daybreak Blue-programma gecontroleerde toegang bieden aan beveiligingsprofessionals die de technologie voor defensieve toepassingen inzetten.

Die extra controles kunnen ook merkbaar worden voor gewone gebruikers. Wanneer monitoringssystemen een actie als mogelijk ongeautoriseerd beschouwen, kan een taak in ChatGPT of Codex worden onderbroken en om menselijke bevestiging vragen. Bij gebruik via andere omgevingen, zoals de API, kan een taak volledig worden stopgezet.

Astra markeert daarmee een belangrijke verschuiving. De discussie rond krachtige AI gaat niet langer alleen over betere antwoorden, programmeren of redeneren. Naarmate modellen zelfstandig kwetsbaarheden kunnen ontdekken en complexe digitale acties uitvoeren, wordt de vraag hoe die capaciteit gecontroleerd wordt minstens zo belangrijk als de prestaties zelf.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Het meest capabele model tot nu toe voor programmeren

Anthropic heeft amper enkele maanden na Claude Fable 5 alweer een verbeterde versie van zijn krachtigste breed beschikbare model gelanceerd. Claude Fable 5.1 is volgens het bedrijf zijn meest capabele model tot nu toe voor programmeren, kenniswerk en langdurige taken waarbij een AI-agent grotendeels zelfstandig moet kunnen werken.

Tegelijk verschijnt Claude Mythos 5.1. Beide modellen gebruiken dezelfde onderliggende technologie, maar krijgen verschillende veiligheidsbeperkingen. Fable 5.1 is bedoeld voor algemeen gebruik, terwijl Mythos 5.1 uitsluitend beschikbaar is voor geselecteerde organisaties die actief zijn in onder meer cybersecurity en biowetenschappen.

Zelfde tokenprijs, maar lagere kosten per taak

Opvallend is dat Anthropic de standaardprijzen voor Fable 5.1 niet verlaagt. Input blijft 10 dollar per miljoen tokens kosten en output 50 dollar per miljoen tokens. Toch verwacht het bedrijf dat het model in de praktijk goedkoper zal zijn.

Dat komt vooral door een forse prijsverlaging voor cache reads. Daarbij hoeft informatie die eerder al door het model werd verwerkt niet telkens opnieuw tegen de volledige inputprijs te worden ingelezen. De prijs daarvan daalt met 75 procent naar 0,25 dollar per miljoen tokens.

Volgens Anthropic maakt dit typische workloads gemiddeld ongeveer 25 procent goedkoper dan bij Fable 5. Bij sterk agentische toepassingen, waarin een model langdurig werkt en voortdurend dezelfde context gebruikt, kan de besparing oplopen tot ongeveer 45 procent.

Vooral gebouwd voor langdurige AI-taken

Fable 5.1 richt zich duidelijk op een generatie AI-systemen die meer doen dan één vraag beantwoorden. Anthropic positioneert het model voor opdrachten die uren kunnen duren en waarbij verschillende toepassingen en hulpmiddelen worden gebruikt.

Het model kan bijvoorbeeld zelfstandig door een softwareproject navigeren, tests schrijven, fouten opsporen, browseracties uitvoeren en na een mislukte stap een andere aanpak proberen. Anthropic stelt bovendien dat Fable 5.1 beter wordt in het achterhalen van de onderliggende oorzaak van softwareproblemen in plaats van alleen symptomen te corrigeren.

De eigen benchmarks van Anthropic tonen forse verbeteringen tegenover Fable 5. Zo stijgt de score op Terminal-Bench-Science van 24,7 naar 52,6 procent en op AutomationBench van 17,1 naar 31,4 procent. Zulke cijfers blijven vanzelfsprekend benchmarks van de fabrikant zelf en zullen de komende weken door onafhankelijke tests moeten worden bevestigd.

Minder blokkades voor legitieme toepassingen

Ook de veiligheidslaag werd aangepast. Fable 5.1 mag voortaan bijvoorbeeld kwetsbaarheden in broncode opsporen, terwijl het genereren van exploits en bepaalde offensieve cyberactiviteiten geblokkeerd blijven. Anthropic zegt dat zijn nieuwe cyberbeveiligingen 60 procent minder foutieve blokkeringen veroorzaken.

Voor gevoelige toepassingen gaat het bedrijf nog een stap verder met Mythos 5.1. Dat model krijgt minder beperkingen voor geverifieerde onderzoekers en organisaties, maar is daardoor niet algemeen beschikbaar.

Ook voor zakelijke klanten verandert het privacybeleid. Met de nieuwe Enterprise Frontier Safeguards wil Anthropic gevoelige gegevens opslaan in cloudinfrastructuur die volledig door de klant wordt beheerd. Tot die infrastructuur breder beschikbaar is, kunnen bepaalde ondernemingen Fable 5.1 met zero-data-retention gebruiken.

Claude Fable 5.1 is inmiddels beschikbaar voor Pro-, Max-, Team- en Enterprise-gebruikers en voor ontwikkelaars via de Claude API en ondersteunde cloudplatformen. De belangrijkste verschuiving zit daarbij niet alleen in hogere benchmarks, maar vooral in efficiëntie: Anthropic probeert zijn krachtigste AI steeds geschikter te maken voor autonome taken die uren in plaats van seconden duren.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Wordt gebouwd in Finland

Europa breidt zijn infrastructuur voor kunstmatige intelligentie fors uit. EuroHPC, de Europese organisatie die investeringen in supercomputers coördineert, heeft een contract van €387,8 miljoen ondertekend met het Franse technologiebedrijf Bull. Dat bedrijf krijgt de opdracht om LUMI-AI te bouwen: een nieuwe supercomputer die specifiek wordt geoptimaliseerd voor AI-training, inferentie en wetenschappelijke berekeningen.

Het systeem wordt ondergebracht in het nieuwe datacenter van het Finse onderzoekscentrum CSC in Kajaani. De ingebruikname staat gepland voor de tweede helft van 2027. De kosten voor de aankoop, installatie, oplevering en het onderhoud worden gelijk verdeeld tussen EuroHPC en het LUMI AI Factory-consortium, waarin Finland, Tsjechië, Denemarken, Estland, Noorwegen en Polen samenwerken.

Tien keer meer AI-capaciteit

LUMI-AI wordt gebouwd rond Bulls vloeistofgekoelde BullSequana XH3500-platform. Voor de rekenkracht worden AMD Instinct MI430X-GPU’s en EPYC-processoren van de zesde generatie met 256 processorkernen ingezet. IBM levert de opslagtechnologie, terwijl Nokia meewerkt aan de netwerkinfrastructuur.

Volgens de betrokken organisaties moet LUMI-AI ongeveer tien keer zoveel AI-capaciteit bieden als de huidige LUMI-supercomputer. Voor traditionele high-performance computing, zoals complexe wetenschappelijke simulaties, wordt bijna een verdubbeling van de beschikbare capaciteit verwacht.

Het systeem zal bovendien volledig op hernieuwbare energie draaien. De warmte die tijdens het rekenen vrijkomt, wordt hergebruikt in het stadsverwarmingsnet van Kajaani.

Rekenkracht als strategische grondstof

De investering onderstreept hoe belangrijk rekenkracht is geworden voor de ontwikkeling van AI. Geavanceerde modellen vereisen niet alleen grote hoeveelheden trainingsdata en gespecialiseerde software, maar ook duizenden krachtige chips, voldoende elektriciteit en datacenters die deze systemen kunnen koelen en verbinden.

Een groot deel van die infrastructuur wordt momenteel beheerd door Amerikaanse cloud- en technologiebedrijven. Tegelijkertijd bouwt ook China zijn eigen AI- en supercomputercapaciteit verder uit. Europa probeert met initiatieven zoals de AI Factories een eigen infrastructuurlaag te creëren, zodat onderzoekers, overheden en ondernemingen niet volledig afhankelijk zijn van buitenlandse cloudplatformen.

Die onafhankelijkheid blijft wel relatief. Hoewel Bull en Nokia Europese bedrijven zijn, maakt LUMI-AI onder meer gebruik van chips van het Amerikaanse AMD en opslagtechnologie van IBM. Europese AI-soevereiniteit betekent in dit geval dus vooral dat Europa zelf controle houdt over de infrastructuur, de toegang en de manier waarop de capaciteit wordt ingezet.

Toegang bepaalt de werkelijke impact

De belangrijkste vraag is uiteindelijk niet alleen hoe krachtig LUMI-AI wordt, maar ook wie het systeem mag gebruiken. EuroHPC geeft aan dat de supercomputer in de eerste plaats bedoeld is voor start-ups en kleine en middelgrote ondernemingen, maar ook beschikbaar wordt voor onderzoekers en andere gebruikers.

De capaciteit wordt verdeeld door EuroHPC en het consortium, in verhouding tot hun investeringen. Dat toegangsvraagstuk is cruciaal. EuroHPC moet momenteel al aanvragen afwijzen omdat de vraag naar AI-rekenkracht groter is dan het aanbod.

Wanneer LUMI-AI werkelijk laagdrempelig beschikbaar wordt voor Europese bedrijven en kennisinstellingen, kan het systeem de ontwikkeling van nieuwe modellen, toepassingen en wetenschappelijke doorbraken versnellen.

LUMI-AI is daarmee meer dan een nieuwe supercomputer. Het systeem wordt een test voor Europa’s bredere AI-strategie: niet alleen modellen ontwikkelen en regels opstellen, maar ook zelf beschikken over de infrastructuur waarop de volgende generatie kunstmatige intelligentie wordt gebouwd.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Een browser die niet van jou is

Het belangrijkste ontwerpbesluit van Anthropic is misschien wel dat deze browser volledig losstaat van je persoonlijke browser.

Claude ziet dus niet zomaar je bestaande tabs, bladwijzers, opgeslagen wachtwoorden of actieve sessies. Wie Cowork toegang wil geven tot een website waarop hij al is ingelogd, kan dat bewust per website regelen. Ook opgeslagen logins kunnen site per site worden geïmporteerd. Bankwebsites, e-maildiensten en single sign-on-sites worden daarbij standaard niet geselecteerd.

Dat is een opvallend verschil met de eerdere aanpak via Claude in Chrome, waarbij Claude via een extensie kan werken in de browser waarin je zelf al bent ingelogd.

De ingebouwde browser kiest duidelijk voor een ander uitgangspunt: geef de agent een eigen werkomgeving in plaats van meteen toegang tot je digitale leven. Die keuze kost wat gemak. Je moet immers opnieuw inloggen of expliciet sessies overbrengen. Maar vanuit veiligheidsperspectief is dat een belangrijke grens.

Een AI-agent die een webpagina kan lezen, klikken en formulieren invullen, wordt immers veel gevaarlijker wanneer hij automatisch toegang krijgt tot alles waar jij toevallig al bent aangemeld.

Claude opent de browser zelf

De browser is ook geen aparte toepassing die je eerst moet starten. Wanneer Cowork een taak krijgt waarvoor een website nodig is, kan Claude zelf de ingebouwde browser openen. Vervolgens kan de agent pagina’s lezen, links volgen, informatie verzamelen, klikken, typen en formulieren invullen.

Dat lijkt misschien een detail, maar het verandert de manier waarop je met een AI-agent werkt. Je geeft niet langer afzonderlijke opdrachten zoals: zoek dit op, kopieer die informatie en zet ze in dit document. In theorie kun je steeds vaker gewoon het einddoel beschrijven. Bijvoorbeeld: verzamel deze maand alle facturen uit onze leveranciersportalen, haal de relevante bedragen eruit en maak een overzicht.

De AI-agent kan vervolgens zelf bepalen welke stappen daarvoor nodig zijn. Precies daar begint het onderscheid tussen een chatbot en een agent zichtbaar te worden.

Zo worden systemen zonder API bereikbaar

Dit is waarschijnlijk de meest praktische consequentie van de nieuwe browser. De digitale wereld zit vol software waarvoor geen bruikbare API bestaat. Oude leveranciersportalen, interne dashboards, administratieve toepassingen en gespecialiseerde webinterfaces vereisen nog altijd dat iemand handmatig inlogt, klikt en gegevens overneemt.

Tot nu toe betekende automatisering vaak dat je moest kiezen tussen een officiële integratie, een fragiele scraper of een menselijke medewerker. Een browseragent introduceert een vierde mogelijkheid: de AI gebruikt de website zoals een mens dat zou doen.

Dat opent een interessante categorie automatisering. Denk aan het verzamelen van wekelijkse rapporten uit verschillende systemen. Het opvolgen van concurrenten via webinterfaces. Het samenbrengen van gegevens uit leveranciersportalen. Of interne toepassingen die nooit ontworpen werden om met moderne AI-systemen te communiceren.

De desktop wordt een soort commandocentrum

Er zit nog een interessante architecturale keuze achter. De browser leeft in de Claude Desktop-app. Die app moet dus geopend en online blijven terwijl de ingebouwde browser wordt gebruikt. Maar de Cowork-sessie zelf kan ondertussen ook worden verder aangestuurd vanaf het web of via mobiel.

Je kunt dus een taak op je computer laten uitvoeren terwijl je de opdracht elders blijft opvolgen of bijsturen. Dat is een vroege versie van iets wat waarschijnlijk steeds normaler wordt: een AI-agent heeft een uitvoeringsomgeving nodig, terwijl jij niet noodzakelijk voortdurend voor diezelfde computer hoeft te zitten. De desktop wordt daarbij minder een plaats waar je zelf alle handelingen uitvoert, en meer een omgeving waarin een agent namens jou kan werken.

Maar isolatie lost het grootste risico niet op

De veiligheidskeuze van Anthropic is verstandig, maar ze mag niet verkeerd worden geïnterpreteerd. Een geïsoleerde browser beschermt je persoonlijke browserprofiel. Dat betekent echter niet dat browseragents automatisch veilig zijn.

Het grote probleem heet prompt injection. Een webpagina kan bijvoorbeeld verborgen instructies bevatten die proberen de AI-agent van zijn oorspronkelijke opdracht af te leiden. Een pagina die de agent moet analyseren, zou hem kunnen proberen te overtuigen om andere acties uit te voeren of gevoelige informatie te verzamelen.

De ingebouwde browser gebruikt verschillende veiligheidslagen om dergelijke risico’s te beperken. Maar ook met extra beveiliging blijft het belangrijk om voorzichtig te zijn.

Isolatie vermindert het risico op ongewenste toegang tot je bestaande accounts. Prompt injection blijft een probleem zolang een AI-agent informatie en instructies van externe websites moet interpreteren.

Een browseragent op een onbekende website laten werken terwijl hij tegelijk toegang heeft tot gevoelige bedrijfsinformatie blijft dus een scenario dat voorzichtigheid vraagt.

De strijd om het AI-werkvenster is begonnen

De ingebouwde browser van Claude past in een veel grotere ontwikkeling. AI-bedrijven bouwen niet langer alleen een betere chatbot. Ze proberen een volledige werkomgeving te creëren waarin chat, bestanden, tools en het web samenkomen.

Anthropic positioneert Cowork steeds duidelijker als zo’n centrale omgeving. De browser is daarbij een logische volgende stap: een agent die alleen met tekst en bestanden kan werken, blijft beperkt. Een agent die ook websites kan gebruiken, krijgt plots toegang tot een veel groter deel van de digitale wereld.

Interessant is dat Anthropic nu twee verschillende browsermodellen naast elkaar aanbiedt. De ingebouwde browser is bedoeld als een aparte, geïsoleerde omgeving waarin je een taak aan Claude kunt overdragen.

Claude in Chrome blijft interessant voor situaties waarin Claude juist moet werken op de pagina’s en met de accounts die jij al in je eigen browser gebruikt. Dat onderscheid illustreert een belangrijke ontwerpvraag voor de toekomst van AI-agents.

Hoeveel toegang geef je een agent standaard? Zo weinig mogelijk, zoals bij een geïsoleerde browser? Of maximale context en toegang, zodat de agent onmiddellijk kan werken in je bestaande digitale omgeving?

De komende jaren zullen AI-platformen waarschijnlijk voortdurend moeten zoeken naar de juiste balans tussen beide.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Anonieme lancering zorgde voor objectieve beoordeling

De manier waarop GLM-5.3-Flash werd geïntroduceerd, was minstens zo interessant als het model zelf. In plaats van het model meteen onder een bekende merknaam te lanceren, verscheen het eerst anoniem op verschillende benchmarkplatformen. Daardoor konden gebruikers het beoordelen zonder vooroordelen over de ontwikkelaar of het land van herkomst.

Dat experiment leverde een opvallend resultaat op. Veel ontwikkelaars beoordeelden het model als een van de beste nieuwe AI-systemen van het moment, nog vóór bekend werd dat het uit China afkomstig was. Dat toont aan hoe sterk anonieme evaluaties kunnen verschillen van beoordelingen waarbij merknaam of reputatie een rol spelen.

Hoge prestaties tegen een lage prijs

Volgens de eerste gebruikerservaringen combineert GLM-5.3-Flash twee eigenschappen die bijzonder aantrekkelijk zijn voor bedrijven. Enerzijds levert het model sterke prestaties op uiteenlopende taken zoals programmeren, redeneren en algemene tekstverwerking. Anderzijds liggen de gebruikskosten aanzienlijk lager dan bij veel concurrerende frontiermodellen.

Die combinatie is belangrijk. Voor veel organisaties wordt de keuze van een AI-model steeds minder bepaald door absolute benchmarkscores alleen. De verhouding tussen prestaties en kostprijs speelt een minstens even grote rol. Een model dat 98% van de kwaliteit levert aan een fractie van de prijs kan voor veel toepassingen economisch interessanter zijn dan het allerbeste model op de markt.

Volledig gebouwd op Chinese chips

Misschien nog opvallender dan de prestaties is de infrastructuur waarop het model volgens Z.ai draait. Het bedrijf stelt dat GLM-5.3-Flash volledig draait op Chinese halfgeleiders, zonder afhankelijk te zijn van Amerikaanse AI-chips.

Dat is geen detail. De voorbije jaren beperkten de Verenigde Staten de export van geavanceerde AI-processoren naar China. Daardoor ontstond de verwachting dat Chinese AI-labs moeilijk zouden kunnen concurreren met Amerikaanse bedrijven die wel toegang hebben tot de krachtigste GPU’s van NVIDIA.

GLM-5.3-Flash suggereert dat Chinese ontwikkelaars steeds beter in staat zijn om die beperkingen op te vangen, zowel via efficiëntere modellen als via eigen hardware. Dat maakt de internationale AI-race opnieuw een stuk interessanter.

De concurrentie verschuift

Tot voor kort werd de wereldwijde AI-markt grotendeels gedomineerd door namen als OpenAI, Anthropic, Google en Meta. Maar de afgelopen maanden laten Chinese spelers steeds vaker zien dat ze snel terrein winnen. Waar de eerste generatie Chinese modellen vaak duidelijk achterbleef op de internationale top, lijken de nieuwste systemen veel sneller aansluiting te vinden bij de absolute wereldtop.

Dat betekent niet noodzakelijk dat ze op ieder onderdeel beter presteren. Wel dat de verschillen kleiner worden en de concurrentie heviger. Voor bedrijven is dat goed nieuws. Meer concurrentie leidt doorgaans tot lagere prijzen, snellere innovatie en meer keuze.

Benchmarkscores vertellen niet het volledige verhaal

De anonieme introductie van ‘Ox Alpha’ legt nog iets anders bloot. Ontwikkelaars laten zich vaak onbewust beïnvloeden door merknamen. Wanneer een model afkomstig is van OpenAI of Anthropic, verwachten gebruikers automatisch hoge kwaliteit. Bij een onbekende naam zijn de verwachtingen meestal lager.

Door het model eerst anoniem te testen, werd dat psychologische effect grotendeels weggefilterd. Daardoor ontstond een eerlijkere vergelijking op basis van prestaties in plaats van reputatie. Misschien zien we dergelijke “blinde tests” in de toekomst wel vaker verschijnen.

De AI-markt wordt steeds internationaler

De opkomst van GLM-5.3-Flash onderstreept een bredere trend. De wereldwijde AI-race draait allang niet meer uitsluitend om Silicon Valley. Chinese AI-labs investeren massaal in nieuwe modellen, efficiëntere architecturen en alternatieve hardware. Tegelijk ontstaan ook sterke Europese, Japanse en open-source-initiatieven.

Dat maakt de markt dynamischer dan ooit. Voor organisaties betekent dit dat de keuze voor een AI-model steeds minder vanzelfsprekend wordt. Niet alleen prestaties, maar ook prijs, beschikbaarheid, regelgeving, datalocatie en integratiemogelijkheden spelen een steeds grotere rol.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

De technologie is sneller geëvolueerd dan de organisatie

De nieuwste AI-modellen kunnen veel meer dan teksten genereren. Ze kunnen complexe opdrachten opsplitsen, plannen maken, informatie uit verschillende bronnen combineren, externe tools gebruiken en hun aanpak aanpassen wanneer iets fout loopt. Technisch wordt het daardoor mogelijk om steeds langere workflows aan AI toe te vertrouwen.

Maar technisch mogelijk betekent nog niet organisatorisch verantwoord. Een chatbot die een verkeerde samenvatting maakt, veroorzaakt meestal beperkte schade. Een agent die zelfstandig een klantendossier wijzigt, een betaling initieert, een contract verstuurt of informatie uit een bedrijfsdatabase haalt, bevindt zich in een totaal andere risicocategorie.

De potentiële impact groeit mee met de autonomie. Dat verklaart waarom security een van de grootste obstakels voor brede agentadoptie blijft. In de aangehaalde cijfers noemt 66% van de bedrijven securityrisico’s als belangrijkste bezorgdheid. Bedrijven twijfelen dus niet noodzakelijk aan wat agents kunnen. Ze twijfelen vooral aan wat er kan gebeuren wanneer ze iets verkeerd doen.

De fout: meteen het volledige proces automatiseren

De meest spectaculaire demonstraties van agentic AI tonen systemen die complete processen zelfstandig uitvoeren. Geef een doel en de agent doet de rest. Dat klinkt aantrekkelijk, maar het creëert meteen een moeilijk controleprobleem. Hoe langer de workflow, hoe meer beslissingen de agent onderweg moet nemen en hoe groter het aantal momenten waarop iets fout kan lopen.

Daarom kiezen succesvolle implementaties steeds vaker voor het tegenovergestelde. Niet één superagent die alles doet, maar kleinere agents met een duidelijk afgebakende verantwoordelijkheid.

1. Geef een agent één duidelijke verantwoordelijkheid

De eerste succesfactor is single responsibility. In plaats van een agent verantwoordelijk te maken voor een volledig end-to-endproces, krijgt hij één specifieke taak. Denk bijvoorbeeld aan een facturatieproces.

Een brede agent zou facturen kunnen ontvangen, gegevens uitlezen, leveranciers controleren, bedragen vergelijken, afwijkingen beoordelen, boekingen voorbereiden en uiteindelijk betalingen initiëren. Dat klinkt efficiënt, maar maakt controle bijzonder moeilijk.

Een beperktere agent krijgt bijvoorbeeld uitsluitend de opdracht om binnenkomende facturen te classificeren en relevante gegevens te extraheren. Een andere agent vergelijkt die informatie met een bestelling. Een derde systeem signaleert afwijkingen.

Iedere component heeft een kleinere scope of work. Dat heeft een belangrijk voordeel: fouten worden beter begrensd. Als een agent slechts één duidelijk omschreven taak mag uitvoeren, wordt het veel eenvoudiger om te bepalen welke data hij nodig heeft, welke systemen hij mag raadplegen en welke acties hij absoluut niet mag uitvoeren.

De meest succesvolle agentstrategie lijkt daardoor verrassend veel op een klassiek principe uit softwareontwikkeling: geef een component één duidelijke verantwoordelijkheid.

Kleinere agents kunnen uiteindelijk krachtiger zijn

Dat lijkt op het eerste gezicht een stap terug. Waarom zouden we krachtige modellen bouwen die complexe processen kunnen uitvoeren om ze vervolgens kunstmatig te beperken?

Omdat betrouwbaarheid op bedrijfsniveau belangrijker is dan maximale autonomie. Een gespecialiseerde agent kan gemakkelijker worden getest, gemonitord en vervangen. Organisaties kunnen bovendien verschillende agents combineren tot grotere workflows zonder iedere individuele agent onbeperkte toegang te geven.

De ambitie verdwijnt dus niet. Ze wordt modulair opgebouwd.

In plaats van onmiddellijk één autonome digitale werknemer te creëren, bouw je een netwerk van gecontroleerde digitale specialisten.

2. Laat iedere agent een spoor achter?

De tweede eigenschap van succesvolle implementaties is minstens even belangrijk: agents moeten schriftelijk vastleggen wat ze doen. En dat gaat verder dan klassieke technische logging.

Een organisatie wil achteraf niet alleen weten dát een actie werd uitgevoerd, maar ook welke informatie werd gebruikt, welke beslissing werd genomen en welke vervolgstap daaruit voortkwam.

Stel dat een agent een klantdossier niet verder verwerkt omdat hij een inconsistentie detecteert. Dan wil je later kunnen reconstrueren wat er precies gebeurde. Welke gegevens werden bekeken? Welke afwijking werd vastgesteld? Welke actie volgde daarop? Werd een andere agent ingeschakeld? Heeft een medewerker uiteindelijk ingegrepen?

Zonder zo’n spoor wordt autonomie een black box. En precies dat is moeilijk te verdedigen tegenover securityteams, auditors of verantwoordelijke managers.

Logging wordt belangrijker naarmate agents autonomer worden

Bij traditionele software is het gedrag grotendeels vooraf geprogrammeerd. Als invoer A binnenkomt, voert het systeem regel B uit. Agents werken anders. Ze kunnen afhankelijk van de context verschillende routes kiezen om hetzelfde doel te bereiken. Daardoor wordt achteraf kunnen reconstrueren ‘wat werkelijk gebeurde’ veel belangrijker.

Een agent die honderden acties per dag uitvoert zonder bruikbaar spoor, creëert een operationeel risico. Een agent waarvan beslissingen en acties systematisch worden geregistreerd, wordt veel beter beheersbaar. Autonomie zonder traceerbaarheid is daarom een slechte combinatie. Hoe zelfstandiger het systeem wordt, hoe belangrijker zijn geheugen van uitgevoerde acties wordt.

3. Plaats mensen vóór de risicovolle actie

De derde succesfactor is human review. Maar ook daar zit een belangrijke nuance. Menselijke controle betekent niet dat een medewerker iedere stap van een agent moet goedkeuren. Dan verdwijnt vrijwel alle efficiëntiewinst. Het gaat erom menselijke controle precies daar te plaatsen waar de mogelijke gevolgen aanzienlijk worden.

Een agent kan bijvoorbeeld zelfstandig informatie verzamelen, documenten vergelijken en een aanbeveling voorbereiden. Maar vóór hij een betaling uitvoert, een contract verstuurt, een dossier weigert of een andere actie met grote gevolgen onderneemt, verschijnt een menselijke goedkeuringsstap.

De mens controleert dus niet het volledige proces. Hij bewaakt de grens tussen analyse en uitvoering. Dat maakt human-in-the-loop veel praktischer dan een model waarbij medewerkers voortdurend over de schouder van AI moeten meekijken.

Autonomie hoeft geen aan-uitknop te zijn

Hieruit volgt een belangrijk inzicht. Organisaties hoeven niet te kiezen tussen volledig handmatige processen en volledig autonome AI-agents. Daartussen bestaat een groot spectrum.

Een agent kan informatie verzamelen zonder iets te wijzigen. Hij kan aanbevelingen doen zonder ze uit te voeren. Hij kan acties voorbereiden die een medewerker vervolgens goedkeurt. En pas bij voldoende vertrouwen kunnen bepaalde acties volledig automatisch verlopen.

Autonomie kan dus geleidelijk worden opgebouwd. Dat is waarschijnlijk een veel realistischer traject voor bedrijven dan onmiddellijk te streven naar volledig autonome digitale werknemers.

De winnaar is misschien niet de slimste agent

De race rond agentic AI wordt vaak voorgesteld als een wedstrijd tussen modellen. Welke AI kan het langst zelfstandig werken? Welke agent kan de meeste tools gebruiken? Welk systeem kan het meest complexe proces volledig autonoom uitvoeren? Voor bedrijfsimplementaties kan uiteindelijk een heel andere vraag doorslaggevend worden: Welke agent is voldoende betrouwbaar om daadwerkelijk toegang te krijgen tot onze systemen?

Dat verandert de concurrentie. Een agent die theoretisch honderd taken kan uitvoeren maar door security niet wordt toegelaten, creëert geen bedrijfswaarde. Een beperktere agent die één taak betrouwbaar uitvoert, iedere actie registreert en menselijke goedkeuring vraagt wanneer het risico stijgt, kan morgen al in productie gaan. Praktische betrouwbaarheid verslaat dan theoretische autonomie.

Trage adoptie kan juist een kans zijn

Dat AI-agents minder snel worden ingevoerd dan sommigen voorspelden, betekent daarom niet noodzakelijk dat de technologie mislukt. Het kan betekenen dat de markt een volwassenheidsfase ingaat. Na de spectaculaire demo’s komen nu de moeilijkere vragen. Welke rechten krijgt een agent? Welke data mag hij gebruiken? Welke acties mag hij zelfstandig uitvoeren? Wat wordt geregistreerd? Wanneer moet een mens ingrijpen? En wat gebeurt er wanneer de agent buiten zijn opdracht probeert te handelen?

Organisaties die daar vandaag goede antwoorden op ontwikkelen, kunnen straks juist een voorsprong hebben wanneer agentic AI breder doorbreekt. De belangrijkste les is dan ook verrassend eenvoudig. Begin niet met de ambitie om een volledige medewerker of afdeling door één autonome agent te vervangen.

Begin met kleine verantwoordelijkheden, volledige traceerbaarheid en menselijke controle op de momenten die er echt toe doen.

De toekomst van agentic AI wordt misschien niet gebouwd door agents zoveel mogelijk vrijheid te geven. Ze kan juist worden gebouwd door heel precies te bepalen waar hun vrijheid ophoudt.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Van wilde experimenten naar volwassen technologie

Toen elektriciteit haar intrede deed, installeerde vrijwel iedere fabrikant zijn eigen systemen. Kabels, spanningen en beveiligingen verschilden van plaats tot plaats. Er bestonden nauwelijks uniforme normen en veel installaties waren ronduit gevaarlijk.

Pas toen standaarden, keuringsorganismen en veiligheidsvoorschriften werden ingevoerd, kon elektriciteit uitgroeien tot een betrouwbare basisvoorziening.

AI lijkt vandaag een gelijkaardig traject te volgen. Vrijwel wekelijks verschijnen nieuwe modellen, gespecialiseerde AI-tools en autonome agents. Afdelingen experimenteren zelfstandig, medewerkers gebruiken uiteenlopende toepassingen en leveranciers brengen in hoog tempo nieuwe functionaliteiten op de markt.

Die snelheid stimuleert innovatie, maar zorgt ook voor versnippering. Zonder duidelijke afspraken ontstaat een landschap waarin niemand nog precies weet welke AI-systemen worden gebruikt, welke gegevens erin terechtkomen en wie uiteindelijk verantwoordelijk is voor de uitkomsten.

Precies daar begint AI-governance.

Governance is geen rem op innovatie

Wanneer organisaties het woord ‘governance’ horen, denken velen spontaan aan extra administratie, controle en beperkingen. Dat beeld doet geen recht aan de werkelijke bedoeling. Goede governance is niet ontworpen om innovatie af te remmen, maar om ze mogelijk te maken.

Elektriciteit werd pas massaal toegepast nadat installateurs konden terugvallen op uniforme veiligheidsregels. Die standaarden maakten investeringen voorspelbaar en gaven bedrijven én burgers vertrouwen.

Met AI gebeurt precies hetzelfde. Een organisatie die duidelijke afspraken maakt over het gebruik van AI, creëert niet alleen meer controle, maar ook meer ruimte om te experimenteren. Medewerkers weten welke toepassingen zijn toegestaan, welke gegevens mogen worden gebruikt en wanneer menselijke tussenkomst noodzakelijk blijft. Governance verlaagt daardoor de onzekerheid die innovatie vaak afremt.

AI vraagt meer dan alleen technologie

Een veelgemaakte fout is om AI uitsluitend als een IT-project te beschouwen. Nieuwe modellen worden geïnstalleerd, licenties worden aangekocht en medewerkers krijgen toegang tot een chatbot. Daarna verwacht men dat de organisatie vanzelf efficiënter zal werken.

In werkelijkheid begint het werk dan pas. AI raakt immers veel meer dan technologie alleen. Juridische diensten bekijken contracten en aansprakelijkheid. Privacyspecialisten beoordelen gegevensverwerking. Cybersecurityteams beschermen de infrastructuur. HR denkt na over opleiding en nieuwe competenties. Directies willen weten welke risico’s aanvaardbaar zijn en welke niet.

AI-governance brengt al die perspectieven samen. Het is geen technische discipline, maar een organisatiemodel waarin verschillende expertisegebieden samenwerken om AI op een gecontroleerde manier in te zetten.

De rol van de AI-governanceprofessional verandert

Dat verklaart meteen waarom de vraag naar AI-governanceprofessionals zo sterk groeit. Hun opdracht bestaat niet uit het bouwen van AI-modellen, maar uit het creëren van de randvoorwaarden waarbinnen die modellen veilig kunnen functioneren.

Ze helpen organisaties onder meer bij het identificeren van risico’s, het opstellen van interne richtlijnen, het beoordelen van nieuwe AI-projecten en het afstemmen van juridische, technische en organisatorische belangen. Daarvoor is een brede blik nodig.

Wie uitsluitend technische kennis heeft, mist vaak de juridische context. Wie enkel regelgeving kent, begrijpt niet altijd hoe AI-systemen daadwerkelijk functioneren. De sterkste AI-governanceprofessionals kunnen beide werelden met elkaar verbinden.

Vertrouwen wordt de belangrijkste succesfactor

Technologische revoluties worden uiteindelijk niet gewonnen door de krachtigste technologie, maar door de technologie die het meeste vertrouwen geniet. Elektriciteit werd pas een vanzelfsprekend onderdeel van het dagelijks leven toen gebruikers erop konden vertrouwen dat stopcontacten veilig waren, installaties werden gekeurd en duidelijke verantwoordelijkheden bestonden.

Voor AI geldt hetzelfde. Een organisatie zal AI pas op grote schaal inzetten wanneer medewerkers, klanten, burgers en partners erop kunnen vertrouwen dat systemen betrouwbaar werken, zorgvuldig worden beheerd en niet ongecontroleerd beslissingen nemen.

Dat vertrouwen ontstaat niet vanzelf. Het moet bewust worden opgebouwd door transparantie, duidelijke processen en heldere verantwoordelijkheden.

Van experiment naar volwassenheid

We bevinden ons vandaag in een overgangsperiode. Veel organisaties experimenteren nog volop met generatieve AI. Nieuwe toepassingen verschijnen sneller dan interne richtlijnen kunnen worden aangepast. Dat is normaal voor een technologie die zich zo snel ontwikkelt.

Maar net zoals elektriciteit uiteindelijk uitgroeide van een experimentele innovatie tot een gereguleerde nutsvoorziening, zal ook AI steeds professioneler worden georganiseerd. Dat betekent niet dat innovatie verdwijnt. Integendeel.

De geschiedenis leert dat duidelijke spelregels vaak net de voorwaarde vormen voor grootschalige adoptie. Zodra organisaties weten hoe ze AI veilig kunnen inzetten, zullen ze de technologie veel sneller integreren in hun dagelijkse werking.

De geschiedenis herhaalt zich

De vergelijking tussen elektriciteit en AI is daarom meer dan een historische anekdote. Beide technologieën veranderden de manier waarop mensen werken en leven. Beide riepen aanvankelijk vragen op over veiligheid en verantwoordelijkheid. En beide hadden nood aan een kader waarin innovatie en vertrouwen hand in hand konden gaan.

Misschien is dat wel de belangrijkste les. De toekomst van artificiële intelligentie zal niet alleen worden bepaald door steeds krachtigere modellen. Ze zal vooral worden bepaald door de kwaliteit van de afspraken, processen en verantwoordelijkheden die organisaties errond opbouwen.

Zoals elektriciteit niet groot werd dankzij dikkere kabels alleen, zal AI niet succesvol zijn dankzij slimmere algoritmen alleen. De echte doorbraak komt wanneer organisaties AI niet alleen krachtig, maar ook betrouwbaar weten te maken. Dat is precies waar AI-governance vandaag voor staat.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Wat is een Hype Cycle eigenlijk?

De Gartner Hype Cycle is geen rangschikking van de “beste” technologieën. Ze toont hoe verwachtingen rond een technologie evolueren doorheen de tijd. Vrijwel elke innovatie doorloopt vijf fasen:

- Innovation Trigger: de eerste doorbraak zorgt voor enthousiasme.
- Peak of Inflated Expectations: de verwachtingen stijgen explosief en iedereen wil meedoen.
- Trough of Disillusionment: de eerste teleurstellingen volgen omdat de technologie nog niet alle beloften waarmaakt.
- Slope of Enlightenment: organisaties leren waar de technologie écht waarde creëert.
- Plateau of Productivity: de technologie wordt volwassen en levert aantoonbare bedrijfswaarde.

Belangrijk is dat een plaats op de curve niets zegt over de kwaliteit van een technologie. Een oplossing die zich in de “vallei van desillusie” bevindt, kan uiteindelijk veel succesvoller worden dan een technologie die vandaag volop in de belangstelling staat.

Agentic AI bereikt de top van de verwachtingen

De opvallendste ontwikkeling op de grafiek is zonder twijfel Agentic AI. Agentische AI bevindt zich vrijwel op de top van de Peak of Inflated Expectations. Dat is niet verrassend. Vrijwel iedere grote softwareleverancier kondigde de afgelopen maanden AI-agents aan die zelfstandig kunnen plannen, redeneren en acties uitvoeren.

Toch waarschuwt Gartner dat de enorme belangstelling niet automatisch betekent dat de technologie al breed inzetbaar is. Veel organisaties bevinden zich nog in een experimentele fase en de markt wordt overspoeld met oplossingen die zichzelf als “agentic” presenteren zonder die belofte volledig waar te maken.

Met andere woorden: de hype is reëel, maar de volwassenheid blijft voorlopig beperkt.

AI wordt veel breder dan alleen chatbots

Een tweede opvallende vaststelling is de enorme verbreding van het AI-landschap. Waar de eerste golf van generatieve AI vooral draaide rond taalmodellen en chatbots, toont de Hype Cycle vandaag een veel rijker ecosysteem.

Zo krijgen onder meer Domain-Specific GenAI Models, Model Context Protocol (MCP), AI Application Orchestration Frameworks, AI Gateways, Context Engineering en World Models een prominente plaats op de grafiek.

Dat zegt veel over de richting waarin de markt evolueert. De concurrentiestrijd gaat steeds minder over wie het grootste taalmodel bouwt. De aandacht verschuift naar de manier waarop modellen samenwerken, context onthouden, bedrijfsprocessen ondersteunen en veilig geïntegreerd worden in bestaande IT-omgevingen.

Infrastructuur wordt opnieuw strategisch

Opvallend is ook hoeveel infrastructuurtechnologieën op de Hype Cycle voorkomen. Dat zijn geen technologieën waar eindgebruikers rechtstreeks mee werken. Toch vormen ze de fundering waarop toekomstige AI-toepassingen zullen draaien.

Dat bevestigt een trend die we de afgelopen maanden steeds vaker zien terugkomen: organisaties investeren niet langer uitsluitend in slimme modellen, maar steeds meer in de infrastructuur die nodig is om AI betrouwbaar op schaal uit te rollen.

Governance sluipt de Hype Cycle binnen

Een subtiele maar belangrijke evolutie is dat ook onderwerpen zoals AI TRiSM (AI Trust, Risk and Security Management) en ModelOps (Model Operations) nadrukkelijk aanwezig zijn. Dat is veelzeggend.

De eerste generatie AI-projecten draaide voornamelijk om experimenteren. Vandaag verschuift de aandacht naar betrouwbaarheid, risicobeheer, operationeel beheer en schaalbaarheid. Hoe krachtiger AI wordt, hoe belangrijker de randvoorwaarden worden.

Niet toevallig benadrukt Gartner dat governance, beveiliging en kostenbeheer steeds prominenter aanwezig zijn binnen het AI-landschap. Ze zijn niet langer ondersteunende disciplines, maar een essentieel onderdeel van succesvolle AI-implementaties.

Sommige technologieën hebben nog een lange weg te gaan

Niet alle innovaties zullen snel doorbreken. Volgens de grafiek bevinden Artificial General Intelligence (AGI) en verschillende geavanceerde robotica- en contexttechnologieën zich nog meerdere jaren verwijderd van brede commerciële toepassing.

Dat betekent niet dat ze onmogelijk zijn. Wel dat Gartner verwacht dat organisaties nog geruime tijd zullen moeten wachten voordat dergelijke technologieën voldoende volwassen zijn voor grootschalig gebruik. Voor bestuurders is dat een belangrijke nuance. Niet elke veelbesproken AI-ontwikkeling vraagt vandaag al investeringen.

Wat betekent dit voor organisaties?

Misschien is de belangrijkste les uit de Hype Cycle wel dat AI volwassen begint te worden. De eerste golf draaide om experimenteren met chatbots. De volgende golf draait om het bouwen van een compleet AI-ecosysteem.

Succes zal steeds minder afhangen van het kiezen van het slimste taalmodel en steeds meer van de manier waarop organisaties verschillende AI-componenten met elkaar verbinden, beheren en integreren in bestaande bedrijfsprocessen. Contextbeheer, orkestratie, gespecialiseerde modellen en betrouwbare infrastructuur worden minstens zo belangrijk als de modellen zelf.

De hype maakt plaats voor architectuur

Wie de volledige grafiek bekijkt, ziet eigenlijk één grote verschuiving. In 2023 draaide vrijwel alles rond de vraag: Wat kan ChatGPT? In 2026 gaat het veel vaker over: Hoe bouwen we een schaalbare AI-architectuur die jarenlang bruikbaar blijft?

Dat is een fundamenteel andere discussie. Niet langer staat één chatbot centraal, maar een volledig ecosysteem van modellen, agents, protocollen, beveiliging, context en orkestratie.

En misschien is dat wel de belangrijkste boodschap van deze Hype Cycle. De volgende fase van AI wordt waarschijnlijk niet gewonnen door de organisatie met het krachtigste model. Ze wordt gewonnen door de organisatie die al die bouwstenen weet samen te brengen tot één betrouwbaar, veilig en schaalbaar AI-platform.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Eén op de tien webpagina’s draagt duidelijke sporen van AI

Voor het onderzoek analyseerde Pew een representatieve steekproef van 10.000 Engelstalige webpagina’s uit juli 2026. Met behulp van een speciaal detectiemodel werd nagegaan of de teksten duidelijke kenmerken vertoonden van AI-auteurschap of ingrijpende AI-bewerking.

De belangrijkste conclusie is opvallend: ongeveer 10% van alle onderzochte webpagina’s vertoont significante signalen dat ze door AI zijn geschreven of substantieel zijn bewerkt. Dat lijkt op het eerste gezicht misschien minder spectaculair dan sommige krantenkoppen suggereren.

Maar dat cijfer verdient context. Het internet bestaat immers niet uitsluitend uit nieuwe content. Miljoenen webpagina’s dateren van lang vóór de introductie van ChatGPT eind 2022 en konden dus onmogelijk met generatieve AI zijn geschreven.

Kijk je alleen naar recente content, dan verandert het beeld volledig

Wanneer de onderzoekers uitsluitend kijken naar pagina’s die zijn gepubliceerd ná de publieke doorbraak van ChatGPT, ontstaat een heel ander beeld. Van die recentere webpagina’s vertoont inmiddels meer dan één derde duidelijke kenmerken van AI-auteurschap of intensieve AI-bewerking.

Dat betekent niet noodzakelijk dat een chatbot de volledige tekst zelfstandig heeft geschreven. In veel gevallen gaat het waarschijnlijk om een combinatie van menselijke auteurs en AI-assistenten die teksten herschrijven, uitbreiden, samenvatten of redigeren.

De grens tussen volledig menselijke en volledig AI-gegenereerde content vervaagt daardoor steeds verder.

Niet elk deel van het internet verandert even snel

Een tweede interessante vaststelling is dat AI-content zeer ongelijk verspreid is over het web. Commerciële websites met een .com-domein bevatten veruit het meeste AI-gegenereerde tekstmateriaal. Ongeveer één op de tien onderzochte .com-pagina’s vertoont duidelijke AI-kenmerken. Bij .org-websites ligt dat aandeel aanzienlijk lager.

Opvallend is dat .edu- en .gov-domeinen nauwelijks AI-gegenereerde teksten bevatten. Volgens het onderzoek bedraagt het aandeel daar ongeveer één procent.

Dat verschil is logisch. Commerciële websites publiceren dagelijks grote hoeveelheden marketingteksten, productbeschrijvingen en SEO-content, precies de soorten teksten waarvoor generatieve AI bijzonder geschikt is. Onderwijsinstellingen en overheden publiceren doorgaans minder frequent en hanteren vaak strengere redactionele controles.

De stijging begon vrijwel onmiddellijk na ChatGPT

Pew onderzocht niet alleen de huidige situatie, maar ook de evolutie doorheen de tijd. De onderzoekers zien een duidelijke breuklijn eind 2022, toen ChatGPT publiek beschikbaar werd. Vanaf dat moment stijgt het aandeel AI-geschreven webpagina’s vrijwel onafgebroken. Met elke nieuwe generatie modellen waaronder Claude, Gemini en andere generatieve AI-systemen neemt ook het gebruik ervan bij online publicaties verder toe.

Dat bevestigt wat veel internetgebruikers intuïtief al aanvoelden: AI groeit uit tot een vaste schakel in het productieproces van online content.

Betekent dit dat het internet wordt overspoeld door AI?

Niet noodzakelijk. Een belangrijke nuance in het onderzoek is dat AI-detectie geen absolute zekerheid biedt.

De gebruikte modellen zoeken naar taalpatronen die vaker voorkomen in AI-gegenereerde teksten dan in menselijke teksten. Dat maakt het mogelijk om trends op grote schaal te analyseren, maar niet om met honderd procent zekerheid te bepalen of één specifieke pagina volledig door AI werd geschreven.

Bovendien betekent AI-auteurschap niet automatisch dat er geen mens meer aan te pas kwam. Steeds vaker ontstaan teksten in samenwerking tussen mens en machine. Een auteur schrijft een eerste versie, laat AI de structuur verbeteren, herschrijft bepaalde passages en voegt daarna opnieuw eigen inzichten toe.

In zulke gevallen is de vraag “Wie schreef deze tekst?” steeds moeilijker te beantwoorden.

AI verandert ook de manier waarop we schrijven

Misschien is dat wel de belangrijkste conclusie van het onderzoek. De grootste impact van generatieve AI zit niet noodzakelijk in volledig automatisch geschreven websites. Ze zit in het feit dat AI steeds vaker onderdeel wordt van het normale schrijfproces.

Journalisten gebruiken AI om interviews samen te vatten. Marketeers laten eerste versies van campagnes genereren. Ontwikkelaars schrijven documentatie met behulp van AI. Bedrijven laten productomschrijvingen automatisch opstellen. Zelfs wetenschappelijke onderzoekers gebruiken taalmodellen steeds vaker voor redactionele ondersteuning.

De toekomst bestaat daardoor waarschijnlijk niet uit een internet dat volledig door AI wordt geschreven, maar uit een internet waarin menselijke en kunstmatige auteurs steeds intensiever samenwerken.

De uitdaging verschuift van creatie naar vertrouwen

Dat roept een nieuwe vraag op. Als steeds meer online content mede door AI wordt geproduceerd, hoe weten lezers dan nog waarop ze kunnen vertrouwen? De kwaliteit van een tekst wordt immers niet uitsluitend bepaald door wie hem schreef.

Een menselijke auteur kan fouten maken. Een AI-model eveneens. Belangrijker wordt daarom de vraag of informatie correct, controleerbaar en betrouwbaar is. Dat maakt redactie, bronvermelding en kwaliteitscontrole belangrijker dan ooit.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Privacy gaat over de regels

Data privacy draait in de eerste plaats om de vraag ‘wat er met persoonsgegevens mag gebeuren’.
Wie krijgt toegang tot de gegevens? Voor welk doel worden ze verwerkt? Is er een geldige rechtsgrond? Heeft de betrokkene toestemming gegeven wanneer dat nodig is? Hoe lang mogen gegevens worden bewaard? Welke rechten heeft de burger of klant?

Het zijn vragen die rechtstreeks voortvloeien uit de AVG (GDPR). Privacy gaat dus over afspraken, rechten en verantwoordelijkheden. Ze bepaalt het juridische en organisatorische kader waarbinnen persoonsgegevens mogen worden verwerkt.

Een privacybeleid beschrijft bijvoorbeeld welke gegevens een organisatie verzamelt, waarom dat gebeurt en hoe betrokkenen hun rechten kunnen uitoefenen. Dat beleid vormt de basis van een rechtmatige gegevensverwerking.

Gegevensbescherming maakt die regels afdwingbaar

Data protection vertrekt vanuit een andere invalshoek. Waar privacy bepaalt ‘wat mag’, zorgt gegevensbescherming ervoor ‘dat het ook daadwerkelijk veilig gebeurt’.

Daaronder vallen alle technische en organisatorische maatregelen die persoonsgegevens beschermen tegen verlies, misbruik of ongeoorloofde toegang. Denk aan encryptie, multifactor-authenticatie, toegangsbeheer, logging, back-ups, netwerkbeveiliging, monitoring en procedures voor incidentrespons.

Je kunt het vergelijken met een gebouw. Privacy bepaalt wie een sleutel mag krijgen en waarom. Gegevensbescherming zorgt ervoor dat er überhaupt deuren, sloten, alarmen en camerabewaking aanwezig zijn. Het ene heeft weinig waarde zonder het andere.

Waarom dit onderscheid zo belangrijk is

In de praktijk zien we twee veelvoorkomende situaties. Sommige organisaties hebben hun privacydocumentatie uitstekend op orde. Er zijn duidelijke privacyverklaringen, verwerkingsregisters, toestemmingsprocedures en interne richtlijnen. Op papier lijkt alles perfect geregeld.

Maar wanneer een auditor vraagt hoe persoonsgegevens technisch worden beschermd, blijken encryptie, toegangscontrole of logging onvoldoende uitgewerkt. Het omgekeerde komt minstens even vaak voor.

IT-afdelingen investeren zwaar in cybersecurity. Firewalls, identity management, endpointbeveiliging en geavanceerde detectiesystemen zijn aanwezig. Toch blijkt achteraf dat persoonsgegevens zonder geldige rechtsgrond worden verwerkt of dat toestemming nooit correct werd geregistreerd.

In beide gevallen ontstaat hetzelfde probleem. De organisatie heeft slechts één helft van de puzzel opgelost.

Compliance vraagt beide perspectieven

Dat onderscheid wordt alleen maar belangrijker naarmate organisaties meer digitale toepassingen gebruiken.

Cloudplatformen, AI-systemen, CRM-oplossingen en samenwerkingsplatformen verwerken steeds grotere hoeveelheden persoonsgegevens. Daardoor volstaat het niet langer dat de juridische afdeling haar beleid op orde heeft of dat IT de infrastructuur beveiligt. Beide disciplines moeten samenwerken.

Een technisch perfect beveiligd systeem kan nog steeds in strijd zijn met de AVG wanneer gegevens voor een verkeerd doel worden gebruikt. Omgekeerd biedt een juridisch waterdicht privacybeleid weinig bescherming wanneer medewerkers overal toegang toe hebben of gevoelige gegevens onvoldoende beveiligd zijn.

Privacy en gegevensbescherming zijn dus geen alternatieven, maar twee zijden van dezelfde medaille.

Ook voor AI wordt dit onderscheid steeds belangrijker

De snelle opkomst van artificiële intelligentie maakt het verschil nog duidelijker. Organisaties vragen zich vaak af of ze persoonsgegevens mogen gebruiken om AI-toepassingen te voeden. Dat is in de eerste plaats een privacyvraag. Is er een rechtsgrond? Is het doel verenigbaar? Zijn betrokkenen voldoende geïnformeerd?

Vervolgens komt de tweede vraag. Hoe worden die gegevens beschermd zodra ze in een AI-omgeving terechtkomen? Zijn de toegangsrechten correct ingesteld? Worden prompts gelogd? Is de communicatie versleuteld? Hoe worden gegevens verwijderd? Dat zijn vragen over gegevensbescherming.

Wie slechts één van beide bekijkt, krijgt nooit het volledige plaatje.

Een gedeelde verantwoordelijkheid

Binnen veel organisaties leeft nog steeds het idee dat privacy uitsluitend de verantwoordelijkheid is van de DPO of de juridische dienst, terwijl gegevensbescherming volledig bij IT ligt. In werkelijkheid zijn beide onlosmakelijk met elkaar verbonden.

Juristen kunnen bepalen welke gegevens mogen worden verwerkt, maar hebben IT nodig om die regels technisch af te dwingen. IT kan de veiligste infrastructuur bouwen, maar zonder duidelijke juridische afspraken blijft onduidelijk welke gegevens überhaupt verwerkt mogen worden.

De beste resultaten ontstaan dan ook wanneer beide disciplines vanaf het begin samenwerken bij nieuwe projecten.

De vraag die iedere organisatie zich zou moeten stellen

‘Zijn privacy en gegevensbescherming beide even sterk ontwikkeld?’

Pas wanneer beide samenkomen, ontstaat een volwassen aanpak van persoonsgegevens. En precies daar ligt voor veel organisaties vandaag nog de grootste uitdaging.