Een belangrijk inzicht uit de literatuur is dat intelligentie niet per se mensgericht hoeft te worden gedefinieerd. Legg en Hutter (2007) verzamelden meer dan zeventig definities van intelligentie en constateerden dat daarin vooral het vermogen terugkeert om zich aan te passen aan een omgeving, doelen te bereiken en problemen op te lossen. In de praktijk wordt intelligentie echter vaak gemeten met instrumenten die sterk leunen op menselijke vaardigheden zoals taalgebruik, abstract redeneren en psychometrische tests. Daardoor kunnen andere vormen van intelligent gedrag onopgemerkt blijven.

De discussie over plantintelligentie is hiervan een illustratief voorbeeld en kent bovendien een lange geschiedenis. Terwijl onderzoekers als Trewavas (2016, 2017) en Calvo et al. (2020) betogen dat planten vormen van leren, geheugen, besluitvorming en adaptief gedrag vertonen, waarschuwen andere onderzoekers juist om zulke observaties niet automatisch te vertalen naar menselijke psychologische begrippen. Galston en Slayman (1979) bekritiseerden al vroeg claims over plantbewustzijn, emotionele communicatie en vermeende paranormale vermogens van planten vanwege het gebrek aan reproduceerbaar bewijs. De discussie laat zien dat dezelfde observaties tot uiteenlopende interpretaties kunnen leiden, afhankelijk van de gebruikte definities en aannames.

Inmiddels is wel bewezen dat planten informatie uit hun omgeving verwerken en reageren op licht, water, concurrentie, aanraking, vraatschade en ziekteverwekkers. Daarbij vertonen zij complexe fysiologische reacties. Karban (2021) beschrijft hoe planten informatie uitwisselen via chemische signalen en maakt onderscheid tussen signalen en zogenoemde cues: informatie die niet noodzakelijk bedoeld is voor communicatie, maar wel door andere organismen wordt gebruikt. Het is daarbij de vraag hoe zulke processen moeten worden geïnterpreteerd: als communicatie, als intelligentie of als iets anders.

Nick (2025) wijst erop dat onderzoekers daarbij in twee valkuilen kunnen stappen. Enerzijds kunnen zij menselijke eigenschappen op planten projecteren, bijvoorbeeld door elektrische reacties op beschadiging te interpreteren als aanwijzing dat planten pijn ervaren op een manier die vergelijkbaar is met dieren of mensen. Anderzijds kunnen zij functionele overeenkomsten juist over het hoofd zien, bijvoorbeeld door elektrische signalering in planten niet serieus te nemen als vorm van informatieverwerking omdat planten geen zenuwstelsel hebben. In beide gevallen bepaalt een menselijk referentiekader wat wel en niet als intelligentie of cognitie wordt herkend.

Ook in onderzoek naar dieren speelt dit probleem. Altman (2015) beschrijft hoe onderzoekers vaak vervallen in twee uitersten: het volledig ontkennen van mentale vermogens bij dieren of het interpreteren van dierlijk gedrag vanuit menselijke psychologische categorieën. Zo kan het volgen van een soortgenoot naar een voedselbron worden verklaard als een eenvoudige gedragsregel, terwijl anderen daarin juist bewijs zien voor inzicht in wat een ander dier weet of waarneemt. Op vergelijkbare wijze wordt het gedrag van chimpansees of olifanten rond overleden groepsgenoten soms geïnterpreteerd als rouw of als een begrip van de dood dat vergelijkbaar is met dat van mensen. Volgens Altman schuilt in beide benaderingen hetzelfde risico: menselijke categorieën bepalen vooraf welke mentale vermogens onderzoekers herkennen. Daarom pleit hij voor een functionele benadering waarin wordt gekeken naar de relatie tussen omgevingsprikkels, interne processen en gedrag, zonder menselijke begrippen als uitgangspunt te nemen.

Bij kunstmatige intelligentie (AI) doet zich eigenlijk het omgekeerde probleem voor. Large language models (LLM’s) worden regelmatig als intelligent of zelfs bewust beschreven omdat zij overtuigend menselijke communicatie produceren. Daardoor worden eigenschappen als begrip, intentie of bewustzijn er gemakkelijk aan toegeschreven, ook wanneer daarvoor beperkt empirisch bewijs bestaat. Tegelijk worden AI-systemen soms onderschat wanneer zij problemen op een andere manier oplossen dan mensen. Vroege schaakprogramma’s werden bijvoorbeeld vaak niet als werkelijk intelligent beschouwd omdat zij niet volgens menselijke strategieën werkten. Millière en Rathkopf (2024) beschrijven dit als een antropocentrische denkfout waarbij afwijkende mechanismen worden verward met het ontbreken van intelligentie. Ook bij AI kan de menselijke meetlat daardoor zowel tot overschatting als onderschatting leiden.

Tot slot vormen ook collectieve systemen een uitdaging voor mensgerichte opvattingen over intelligentie. Zwermen, kolonies en ecosystemen kunnen probleemoplossend gedrag vertonen dat niet vanuit afzonderlijke individuen te verklaren is. Mierenkolonies vinden bijvoorbeeld efficiënte routes naar voedselbronnen zonder dat één mier het geheel overziet. Zwermen komen via lokale interacties tot collectieve besluitvorming zonder centrale aansturing. Fields, Glazebrook en Levin (2021) stellen daarom voor cognitie niet te definiëren vanuit een zenuwstelsel of individueel brein, maar vanuit het vermogen van een systeem om informatie te verwerken, grenzen te herkennen en gedrag aan te passen. Zo laat collectieve intelligentie zien dat de menselijke meetlat niet alleen bepaalt welke eigenschappen als intelligent gelden, maar ook waar onderzoekers intelligentie verwachten te vinden.

Planten, dieren, zwermen en kunstmatige systemen zijn niet vergelijkbaar met mensen op dezelfde manier waarop mensen onderling vergelijkbaar zijn. Mensgerichte definities en meetmethoden beïnvloeden in belangrijke mate wat onderzoekers herkennen als intelligentie, communicatie of bewustzijn. Daardoor bestaat het risico dat we niet-menselijke systemen onderschatten of verkeerd interpreteren. Het zou daarom beter zijn meer functionele en contextafhankelijke evaluatiekaders te ontwikkelen. Daarbij staan niet menselijke kenmerken centraal, maar de manier waarop een systeem informatie verwerkt, zich aanpast aan zijn omgeving en doelen realiseert.

Of het nu gaat om planten, dieren, kunstmatige intelligentie of collectieve systemen, telkens blijkt dat de herkenning van intelligentie mede afhangt van de maatstaven die onderzoekers gebruiken. De menselijke meetlat is daarom niet alleen een vraagstuk over intelligentie zelf, maar ook over de instrumenten, definities en aannames waarmee intelligentie wordt onderzocht.

Bronnen

• Altman, M. C. (2015). Decentering anthropocentrisms: A functional approach to animal minds. Between the Species, 18(1), 27–50.
• Calvo, P., Gagliano, M., Souza, G. M., & Trewavas, A. (2020). Plants are intelligent, here’s how. Annals of Botany, 125(1), 11–28.
• Fields, C., Glazebrook, J. F., & Levin, M. (2021). How do living systems create meaning? A scale-free approach to cognition, information, and goal-directedness. Neuroscience of Consciousness, 2021(2), niab013.
• Galston, A. W., & Slayman, C. L. (1979). The not-so-secret life of plants: In which the historical and experimental myths about emotional communication between animal and vegetable are put to rest. American Scientist, 67(3), 337–344.
• Karban, R. (2021). Plant communication. Annual Review of Ecology, Evolution, and Systematics, 52, 1–24.
• Legg, S., & Hutter, M. (2007). A collection of definitions of intelligence. arXiv.
• Millière, R., & Rathkopf, C. A. (2024). Anthropocentric biases in evaluations of artificial intelligence. arXiv.
• Nick, P. (2025). Understanding otherness—The anthropocentrism trap. Protoplasma, 262, 219–221.
• Trewavas, A. (2016). Plant intelligence: An overview. BioScience.
• Trewavas, A. (2017). The foundations of plant intelligence. Interface Focus, 7(3), 20160098.