Hoe moderne AI-modellen worden gebouwd
Om goed te begrijpen waar Lamers het over heeft, is het belangrijk te weten hoe AI-modellen zoals GPT, Gemini of Claude worden ontwikkeld. Deze ontwikkeling verloopt meestal in drie stappen:

1. De eerste stap heet pretraining. In deze fase wordt een zogenoemd foundation model getraind op enorme hoeveelheden data: websites, boeken, code, artikelen en andere teksten. Het model leert patronen door tokens in een tekstsequentie te voorspellen, meestal door het volgende token te voorspellen. Door dat proces op gigantische schaal te herhalen leert het model statistische patronen in taal herkennen. Uit die patronen ontstaan vaardigheden zoals tekstbegrip en vormen van redeneringsachtig gedrag. Het model slaat daarbij geen feiten op zoals een database dat doet. De kennis zit impliciet in de gewichten van het neurale netwerk.
2. Na pretraining volgt supervised fine-tuning. In deze fase krijgt het model voorbeelden van goede antwoorden op vragen. Dat zijn datasets waarin menselijke experts prompts en gewenste antwoorden hebben gemaakt. Hierdoor leert het model hoe het instructies moet volgen en hoe een goed antwoord wordt geformuleerd.
3. De derde stap is alignment, vaak onderdeel van de bredere post-trainingfase. In deze fase wordt het gedrag van het model bijgestuurd zodat het beter aansluit bij menselijke verwachtingen. Een bekende methode hiervoor is reinforcement learning from human feedback (RLHF). Daarbij beoordelen mensen verschillende antwoorden van het model. Op basis daarvan leert het model welke antwoorden beter of wenselijker zijn. Andere technieken, zoals direct preference optimization (DPO) of constitutional AI, werken op een vergelijkbare manier. Deze fase bepaalt vaak hoe behulpzaam, voorzichtig of analytisch een model aanvoelt. Hier zien we ook verschillen tussen modellen van verschillende bedrijven, bijvoorbeeld tussen GPT-modellen van OpenAI en Claude-modellen van Anthropic.

Door deze drie stappen ontstaat een systeem dat taal statistisch kan analyseren, redeneringsachtige patronen kan volgen en instructies kan uitvoeren.

Nieuwe vaardigheden van AI-modellen
De laatste jaren zien we een duidelijke verschuiving in de AI-ontwikkeling. Moderne AI-modellen verwerken niet alleen tekst. Ze krijgen steeds vaker extra vaardigheden. Ze kunnen code schrijven, afbeeldingen interpreteren, video analyseren en software bedienen. Dat betekent dat AI niet alleen antwoorden geeft, maar ook taken kan uitvoeren, bijvoorbeeld een spreadsheet analyseren, software testen of informatie uit meerdere documenten combineren.

Die nieuwe vaardigheden ontstaan op verschillende manieren:

1. Een eerste manier is training met andere soorten data. Als een model naast tekst ook miljoenen afbeeldingen met beschrijvingen ziet, leert het verbanden tussen beeld en taal. Zo ontstaan multimodale modellen die foto’s kunnen interpreteren of afbeeldingen kunnen genereren.
2. Een tweede manier is specialistische fine-tuning. Modellen worden bijvoorbeeld getraind op enorme hoeveelheden broncode uit repositories zoals GitHub. Daardoor leren ze de structuur van programmeertalen herkennen.
3. Een derde ontwikkeling is toolgebruik. Moderne AI-modellen worden gekoppeld aan externe programma’s, zoals een browser, een programmeeromgeving of een spreadsheet. Het model genereert instructies waarmee die tools acties uitvoeren, bijvoorbeeld code draaien of informatie ophalen.

Door deze combinatie ontstaat een AI-systeem dat meerdere vaardigheden kan combineren: taal, code, beeld en interactie met software.

Van chatbots naar digitale medewerkers
Volgens Lamers zitten we momenteel in een overgangsfase. AI verschuift van systemen die vooral tekst genereren naar systemen die daadwerkelijk werk kunnen uitvoeren via softwaretools en digitale workflows. In dit verband wordt vaak gesproken over AI agents of agentic AI. Zulke systemen combineren taalmodellen met elementen zoals planning, geheugen en toegang tot externe tools.

Een goed voorbeeld daarvan zijn zogenoemde AI-codingagents. Dat zijn AI-systemen die programmeren. Ze schrijven code, testen of die werkt, passen de code aan en proberen het opnieuw. Soms doen ze dat tientallen iteraties achter elkaar totdat het resultaat beter wordt. Onderzoekers gebruiken dit soort systemen inmiddels om nieuwe software te ontwikkelen of experimenten sneller uit te voeren.

Hier ontstaat een interessante ontwikkeling. AI helpt mee om nieuwe AI te bouwen. Onderzoekers gebruiken AI om code te schrijven, experimenten uit te voeren en resultaten te analyseren. Daardoor kan het tempo van AI-onderzoek en ontwikkeling toenemen. Dit wordt soms gezien als een vroege vorm van recursive self-improvement, waarbij AI een rol speelt in het verbeteren van toekomstige AI-systemen.

Waarom AI nog niet alles kan
Toch betekent dit niet dat AI alles al kan. Programmeren is bijvoorbeeld een sterk verifieerbaar domein. Code werkt of werkt niet. Je kunt een programma automatisch testen en meteen zien of het resultaat correct is. Daardoor kan AI snel leren van fouten en verbeteringen. Hetzelfde geldt bijvoorbeeld voor het oplossen van wiskundige vraagstukken of logische puzzels.

Veel andere taken zijn minder duidelijk te beoordelen. Denk aan het schrijven van een goed artikel, het interpreteren van een complexe sociale situatie of het geven van persoonlijk advies. Daar bestaat vaak geen simpel testresultaat dat aangeeft of een antwoord correct is.

De huidige systemen hebben wat onderzoekers de jagged edge of intelligence noemen. AI kan op sommige taken zeer goed presteren, terwijl het op andere taken onverwacht zwak blijft. Vooral taken die veel context, gezond verstand of interpretatie vereisen, blijven lastig.

Nieuwe onderzoeksrichtingen: world models
Niet iedereen denkt dat bestaande taalmodellen uiteindelijk alle problemen zullen oplossen. Sommige onderzoekers werken daarom aan nieuwe soorten AI. Zo stelt Yann LeCun dat taalmodellen vooral leren van tekst, terwijl echte intelligentie volgens hem voortkomt uit interactie met de fysieke wereld. Daarom ontwikkelt hij zogeheten world models.

Een voorbeeld daarvan is de architectuur Joint-Embedding Predictive Architecture (JEPA). In plaats van woorden of pixels direct te voorspellen probeert dit model te voorspellen hoe situaties zich ontwikkelen in een abstracte representatieruimte, de latent space van de wereld. Bijvoorbeeld: als je een video ziet van iemand die een bal gooit, kan het model voorspellen waar de bal waarschijnlijk zal landen.

Het idee is dat een AI-systeem op die manier een intern model van de werkelijkheid opbouwt, vergelijkbaar met hoe mensen leren door observatie en ervaring. Deze benadering staat nog relatief vroeg in ontwikkeling, maar onderzoekers zien haar als een mogelijke volgende stap in AI.

Waar staan we nu met AI?
Volgens Lamers bevinden we ons momenteel in een overgangsfase waarin AI verschuift van systemen die vooral tekst genereren naar systemen die daadwerkelijk werk kunnen uitvoeren via softwaretools en digitale workflows. Een belangrijke ontwikkeling daarbij is dat AI steeds vaker helpt bij het bouwen van nieuwe AI. Onderzoekers gebruiken AI-tools om code te schrijven, experimenten uit te voeren en resultaten te analyseren. Daardoor kan het tempo van onderzoek en ontwikkeling toenemen.

Toch zijn we nog ver verwijderd van volledige Artificial General Intelligence (AGI). De huidige systemen blijven probabilistisch, maken nog steeds fouten en zijn daardoor niet overal betrouwbaar inzetbaar.

Op basis van mijn persoonlijke interpretatie van het gesprek met Rick Lamers lijkt het waarschijnlijk dat de grootste impact van AI in de komende jaren vooral zal liggen in praktische toepassingen binnen bestaande beroepen. In plaats van één grote doorbraak richting algemene kunstmatige intelligentie zal AI vermoedelijk vooral worden ingezet als hulpmiddel dat specifieke taken versnelt of ondersteunt.

In softwareontwikkeling is die ontwikkeling al duidelijk zichtbaar. Programmeurs gebruiken AI-systemen steeds vaker om code te genereren, fouten op te sporen en tests te schrijven. Het ligt daarom voor de hand dat AI in de komende jaren uitgroeit tot een standaardonderdeel van de ontwikkelomgeving. Systemen kunnen grotere delen van softwareprojecten ondersteunen, waardoor ontwikkelaars sneller iteraties kunnen maken en zich meer kunnen richten op ontwerp, architectuur en complexe probleemoplossing.

Ook in domeinen zoals de zorg kan AI een ondersteunende rol spelen. Denk bijvoorbeeld aan systemen die medische beelden analyseren, patiëntendossiers samenvatten of artsen helpen bij het doorzoeken van grote hoeveelheden medische literatuur. In dit soort toepassingen fungeert AI waarschijnlijk vooral als hulpmiddel voor professionals en niet als vervanging van hun expertise.

Een ander domein waar AI mogelijk een belangrijke rol kan spelen is wetenschappelijk onderzoek. AI-systemen kunnen helpen bij het analyseren van literatuur, het formuleren van hypotheses of het modelleren en simuleren van experimenten. In dat scenario fungeert AI eerder als onderzoeksassistent die het werk van onderzoekers versnelt dan als zelfstandig opererende onderzoeker.

Tegelijk zijn er ook gebieden waar AI mensen voorlopig waarschijnlijk niet zal vervangen. In domeinen waar context, verantwoordelijkheid en menselijke interactie een grote rol spelen, blijft menselijke expertise essentieel. Denk bijvoorbeeld aan complexe medische besluitvorming, waar naast analyse ook ethische afwegingen nodig zijn, of aan beroepen waarin empathie en vertrouwen centraal staan, zoals onderwijs of zorg. Ook bij strategische besluitvorming en werk in onvoorspelbare fysieke omgevingen, zoals noodsituaties of zorg aan huis, blijven menselijke flexibiliteit en verantwoordelijkheid voorlopig moeilijk te automatiseren.

Als deze ontwikkeling zich doorzet, zal de grootste impact van AI op korte termijn waarschijnlijk niet komen van één allesomvattend intelligent systeem, maar van een groeiend aantal gespecialiseerde toepassingen die specifieke taken efficiënter maken.

Dank heren voor een mooi en inspirerend gesprek dat me weer aan het denken heeft gezet!

Bron:
Hage, W., & Lamers, R. (2026). AI Report: interview met Rick Lamers [podcastaflevering]

Zie ook mijn eerdere blogs:

• De AI-banendiscussie: tussen hype en werkelijkheid
• AI en de ontwrichting van kenniswerk en kapitaal
• Something Big Is Happening