In dit artikel lees je:
In de discussie over kunstmatige intelligentie krijgen twee uiterste verhalen veruit de meeste aandacht. In het ene neemt AI binnen een paar jaar het werk over: campagnes draaien zichzelf, teksten schrijven zichzelf, en wie de techniek niet benut, mist een belangrijke voorsprong. In het andere is het een opgeklopte hype die vanzelf overwaait, net als zoveel techbeloftes waar de torenhoge verwachtingen nooit van werden ingelost.
Beide verhalen overdrijven. Allebei bevatten ze een kern van waarheid, maar drijven die te ver door. En zolang je in een van die kampen zit, neem je waarschijnlijk de verkeerde beslissingen: je zet er te zwaar op in, of je negeert iets wat je werk echt beter kan maken.
Dit artikel helpt je een realistischer beeld te vormen. Niet vanuit angst, niet vanuit enthousiasme, maar vanuit hoe de techniek werkelijk werkt. Want zodra je begrijpt wat er onder de motorkap gebeurt, wordt vanzelf duidelijk wat je er wél en niet van mag verwachten.
Het eerste obstakel is dat AI magisch voelt. Je typt een vraag en er rolt een vloeiend, vaak verrassend goed antwoord uit. Dat gevoel van magie is precies het probleem, want magie nodigt niet uit tot nadenken. Je accepteert de uitkomst, of niet, maar inhoudelijk begrijp je hem niet. En begrip is nu juist wat je nodig hebt om er goed mee te werken.
Eerst even afbakenen. ‘AI’ is een containerbegrip dat al decennia bestaat, maar wie het er nu over heeft, bedoelt bijna altijd taalmodellen: large language models, of LLM’s. Dat zijn de systemen achter ChatGPT, Claude en Gemini. Goed om te beseffen, want vrijwel alle verwachtingen en zorgen die je tegenkomt over AI gaan specifiek over deze technologie.
Een taalmodel is in de kern een voorspelmachine. Het is getraind op enorme hoeveelheden tekst en heeft daaruit één ding geleerd: gegeven een stuk tekst, wat is het meest waarschijnlijke vervolg? Meer is het in de basis niet. Het voorspelt, stukje voor stukje, wat er logischerwijs volgt.
Dat klinkt bijna teleurstellend simpel, en toch werkt het verbluffend goed. Juist doordat het model op zoveel tekst is getraind, zijn die voorspellingen vaak raak, coherent en bruikbaar. Maar: het model houdt zich uitsluitend bezig met de vorm van taal, niet met de betekenis.
Professor of computational linguistics Emily Bender heeft dit scherp uiteengezet: een model leert welke woorden statistisch bij elkaar horen, niet waar ze over gaan. Het ‘denkt’ niet na over wat het zegt; het berekent wat plausibel klinkt.
Het onderscheid lijkt abstract, maar heeft concrete gevolgen; taal is namelijk meer dan vorm. Achter elke tekst zit een afzender met een bedoeling, een toon, kennis van het onderwerp en een relatie met de lezer. Een nieuwsbrief van een culturele instelling is niet zomaar een verzameling plausibele zinnen, maar een boodschap van een specifieke organisatie, aan een specifiek publiek, met een specifiek doel. Die laag zit niet in het model.
Een taalmodel weet niet wie iets schrijft, of waarom. Het heeft geen intentie, geen merkgevoel, geen idee wie jouw bezoekers zijn of wat hen beweegt, tenzij jij dat aanlevert. Het kan een tekst produceren die klinkt alsof hij van jouw organisatie komt, maar het weet niet wat jouw organisatie ís. Het imiteert de vorm.
Belangrijk om te beseffen: dit zijn geen kinderziektes die met de volgende versie verdwijnen, maar fundamentele eigenschappen van de techniek. De modellen worden zeker beter, vloeiender en accurater, maar het gat tussen vorm voorspellen en betekenis begrijpen wordt daarmee niet gedicht. Naar verwachting verandert dat op korte termijn niet. En dat is precies waarom de mens nodig blijft.
Hoe geef je die samenwerking dan vorm?
De essentie is dat AI geen vervanger is, maar een verlengstuk van de professional. Het maakt je productiever, mits je de regie in eigen hand houdt.
Dat volgt uit het bovenstaande. Omdat een model met vorm werkt en niet met betekenis, maakt het fouten: een verzonnen statistiek, een conclusie die niet uit de data volgt, een toon die net naast je merk zit. Om die eruit te halen heb je kennis nodig. Je moet het resultaat kunnen beoordelen, en dat kan alleen als je zelf snapt waar het over gaat.
Daar zit een scherpe grens. AI maakt van een leek geen expert, maar van een expert een snellere expert. Het kan een tekort aan vaardigheid deels compenseren, maar die compensatie heeft grote beperkingen. Want als je niet zelf kunt beoordelen of de uitkomst klopt, weet je ook niet wanneer het misgaat.
Een voorbeeld uit ons eigen vakgebied. Je vraagt AI om je publiek te segmenteren. Wat je terugkrijgt oogt overtuigend: duidelijke segmenten met precieze percentages en zelfverzekerde omschrijvingen. Het ziet er gedegen en data-gedreven uit. Maar of het klopt, hangt volledig af van de onderliggende logica. Het model doet aannames over wie jouw publiek is, maar waar baseert het die op?
Vaak is die interne logica een ‘black box’ die je niet kunt controleren. Je kunt niet nagaan welke (soms verouderde of irrelevante) datapunten het model heeft gebruikt om tot deze conclusie te komen. Wie die vragen niet kan beantwoorden, ziet het verschil niet tussen een waardevol inzicht en een fraai opgemaakte gok. De vorm overtuigt; over de betekenis kun alleen jij oordelen.
Daarom moet je AI niet als blackbox behandelen. Verleidelijk is het wel: vraag stellen, antwoord overnemen, klaar. Maar wie de uitkomst klakkeloos overneemt zonder hem te begrijpen, leert niets en verliest de controle. Het draait dus niet om menselijke kennis vervangen, maar om de twee combineren. AI maakt vooral het verschil in handen van iemand die weet wat hij doet.
Tot slot een vraag die steeds vaker opkomt nu de modellen capabeler worden: kun je AI ook zelfstandig laten draaien, zonder dat er steeds iemand meekijkt?
Soms wel, maar de gevallen zijn beperkter dan je zou hopen. De vuistregel: autonomie is pas verantwoord als de uitkomst objectief en automatisch te valideren is, zonder dat er voor elk resultaat een deskundige naar hoeft te kijken.
Dat soort harde, objectieve controle bestaat vooral in technische hoeken. Denk aan een AI die een stukje software schrijft en dat meteen tegen een geautomatiseerde test aanhoudt: slaagt de test of niet, dat is een ondubbelzinnig antwoord dat geen menselijk oordeel vereist. In de marketing ontbreekt zo’n signaal bijna altijd.
Neem een AI die zelf bepaalt welke doelgroep welke boodschap krijgt. Of die keuze goed was, blijkt pas veel later, indirect, vermengd met tientallen andere factoren. Zonder heldere terugkoppeling laat je een systeem los dat zijn eigen fouten niet ziet, en jij ook niet. In de meeste marketingbeslissingen zit precies die ruis. Daarom is volledige autonomie voorlopig eerder uitzondering dan regel.
Als je één ding meeneemt: AI is geen tovenaar en geen vervanger, maar gereedschap dat scherper wordt in deskundige handen. Het voorspelt vorm, niet betekenis. Het maakt een professional productiever, maar van een leek geen professional. En je kunt er pas echt op vertrouwen als je begrijpt wat eruit komt.
Dat klinkt nuchter, en dat is de bedoeling. Vanuit dat realistische beeld maak je verstandige keuzes, en dat levert meer op dan meegaan in de hype of hem afdoen als luchtbel.