Van chatbot tot collega: vijf jaar AI, en de vijf jaar die komen

Inleiding

Er zijn weinig technologieën die in zo'n kort tijdsbestek zo diep zijn doorgedrongen in het dagelijks leven als kunstmatige intelligentie de afgelopen vijf jaar heeft gedaan. Wat in 2021 nog vooral een onderwerp voor onderzoekslaboratoria en techbedrijven was, is in 2026 een instrument geworden waarmee honderden miljoenen mensen dagelijks schrijven, programmeren, plannen en beslissen. Dit essay kijkt terug op die ontwikkeling, blikt vooruit op de komende vijf jaar, en verkent de vragen die er voor gewone mensen — niet voor ingenieurs of investeerders — werkelijk toe doen: wat wordt er beter, wat wordt er moeilijker, en hoe blijven we kunnen onderscheiden wat een mens heeft gemaakt van wat een machine heeft gegenereerd?

[Tekst gaat verder onder de afbeelding]

De afgelopen vijf jaar: van taalmodel naar alledaags gereedschap

• De doorbraak van het gesprek (2022): de lancering van ChatGPT eind 2022 maakte grote taalmodellen in één klap toegankelijk voor het brede publiek. Voor het eerst kon iedereen, zonder technische kennis, in gewone taal met een AI-systeem converseren — en dat bleek de snelst groeiende consumententoepassing ooit.
• Multimodaliteit: modellen leerden niet alleen tekst, maar ook afbeeldingen, geluid en later video te begrijpen én te genereren. Systemen als GPT-4, Gemini en Claude konden een foto analyseren, een schema uitleggen of een handgeschreven notitie lezen, terwijl beeldgeneratoren zoals Midjourney, DALL-E en Stable Diffusion fotorealistische afbeeldingen leerden maken op basis van een enkele zin.
• Redenerende modellen: vanaf 2024-2025 verschenen modellen die niet meer direct antwoordden, maar eerst "nadachten" — stap voor stap redeneerden voordat ze een antwoord gaven. Dit verbeterde prestaties op wiskunde, programmeren en complexe logica aanzienlijk, en bracht AI dichter bij betrouwbaar probleemoplossend vermogen.
• Van chatbot naar handelend agent: de laatste twee jaar verschoof de nadruk van AI die alleen ántwoordt naar AI die zelf handelt — bestanden bewerkt, code schrijft en uitvoert, websites doorzoekt, agenda's beheert en meerdere stappen achter elkaar zet zonder dat een mens bij elke stap hoeft in te grijpen.
• Programmeren als vroege koploper: softwareontwikkeling werd het duidelijkste voorbeeld van praktische impact: AI-assistenten die meekijken, code schrijven, fouten opsporen en zelfs hele functies zelfstandig implementeren, veranderden het werk van programmeurs fundamenteel.
• Open source naast gesloten modellen: naast de grote commerciële spelers (OpenAI, Google, Anthropic, Microsoft) ontstond een sterk open-source ecosysteem (onder andere via Meta's Llama-modellen en Chinese spelers zoals DeepSeek), waardoor krachtige AI niet langer het exclusieve domein van een handvol bedrijven was.
• De race om rekenkracht: de vraag naar gespecialiseerde chips (met name van Nvidia) en datacenters explodeerde, met gigantische investeringen in infrastructuur, en energieverbruik werd een steeds prominenter maatschappelijk discussiepunt.
• De eerste regelgeving: de Europese Unie nam met de AI Act (2024) het eerste brede wettelijke kader ter wereld aan, met verplichtingen die stapsgewijs vanaf 2025-2026 van kracht worden — een teken dat overheden AI niet langer als marginaal fenomeen behandelen.
• Wantrouwen en verwondering tegelijk: in diezelfde periode groeide zowel het enthousiasme (productiviteitswinst, nieuwe mogelijkheden) als de zorg (desinformatie, banenverlies, afhankelijkheid) — vaak binnen dezelfde huishoudens en organisaties.

De komende vijf jaar: waar staan we in 2031?

• Agentische AI wordt de norm, niet de uitzondering: in plaats van één alwetende chatbot zullen gespecialiseerde AI-"teams" samenwerken aan complexere taken, met standaardprotocollen (zoals nu al in ontwikkeling) die verschillende AI-systemen met elkaar en met bedrijfssoftware laten communiceren — vergelijkbaar met hoe HTTP ooit het web mogelijk maakte.
• Van experiment naar productie: waar bedrijven nu vaak nog experimenteren met AI-agents zonder ze echt operationeel te maken, zal de komende jaren de nadruk verschuiven naar betrouwbare, verantwoorde inzet — met duidelijke grenzen, controlemechanismen en audit-sporen, vooral in sectoren waar fouten grote gevolgen hebben.
• Menselijk toezicht verschuift, verdwijnt niet: in plaats van dat mensen elke individuele AI-actie goedkeuren, zal toezicht zich richten op de uitzonderingen en de situaties met hoge inzet, terwijl routinematige beslissingen aan AI worden overgelaten — een samenwerkingsvorm waarin mens én machine samen beter presteren dan beide afzonderlijk.
• AI dichter bij wetenschap en gezondheid: verwacht wordt dat AI een grotere rol gaat spelen bij het versnellen van medicijnontwikkeling, eiwitvouwing, materiaalonderzoek en gepersonaliseerde diagnostiek — gebieden waar de combinatie van patroonherkenning en enorme rekenkracht al veelbelovende resultaten laat zien.
• AI dichterbij, letterlijk: meer AI-verwerking zal lokaal op apparaten plaatsvinden (telefoons, laptops) in plaats van uitsluitend in datacenters, wat privacy kan verbeteren en vertraging kan verminderen.
• Robotica haalt taalmodellen in: de combinatie van taalbegrip en fysieke actuatoren zal robots beter laten omgaan met de onvoorspelbaarheid van de echte wereld, al blijft praktische, betaalbare huishoudrobotica waarschijnlijk nog beperkt in bereik.
• Volwassen wordende regelgeving: meer landen en regio's zullen concrete wetgeving invoeren rond transparantie, aansprakelijkheid en etikettering van AI-content, voortbouwend op de eerste golf van regels die nu net van kracht wordt.
• Blijvende onzekerheid over "hoe ver" AI komt: experts blijven het oneens over de vraag of en wanneer AI-systemen menselijk niveau op vrijwel alle taken zullen bereiken; wat wel zeker is, is dat de discussie zelf een steeds grotere rol zal spelen in beleid, onderwijs en publiek debat.

De uitdagingen, vanuit menselijk oogpunt

Achter elke technologische sprong schuilt een menselijke aanpassing, en die aanpassing verloopt zelden zonder wrijving. De meest tastbare zorg is die van werk: niet zozeer de vraag of banen verdwijnen — dat gebeurde bij elke grote technologische omwenteling — maar hoe snel dat gebeurt, en of mensen de tijd en middelen krijgen om mee te veranderen. Waar de stoommachine en de computer decennia de tijd hadden om de arbeidsmarkt te herschikken, dreigt AI dat proces in jaren te laten verlopen, wat vooral drukt op mensen in administratief, creatief en instapwerk — vaak degenen met de minste buffer om die overgang op te vangen.

Een tweede uitdaging is minder zichtbaar maar niet minder ingrijpend: de sluipende erosie van het eigen denkvermogen. Wanneer een AI-systeem altijd klaarstaat met een antwoord, een samenvatting of een eerste concept, verschuift de menselijke rol van "zelf bedenken" naar "beoordelen wat is aangeboden" — een prettige verschuiving zolang het kritisch vermogen intact blijft, maar een riskante als mensen dat vermogen geleidelijk minder trainen. Scholen en universiteiten worstelen hier zichtbaar mee: hoe leer je iemand schrijven, redeneren of programmeren als de makkelijkste weg altijd een prompt verwijderd is?

Vertrouwen vormt een derde, fundamentele laag onder alles. Naarmate AI-gegenereerde tekst, beeld en video steeds moeilijker te onderscheiden zijn van door mensen gemaakt materiaal, staat het vermogen om te weten wát je gelooft onder druk — niet alleen bij overduidelijke desinformatie, maar ook bij de dagelijkse stroom van nieuws, recensies en persoonlijke berichten. Daarbovenop komt een geopolitieke en economische dimensie: de ontwikkeling van de krachtigste AI-systemen is geconcentreerd bij een klein aantal bedrijven en landen, wat vragen oproept over macht, afhankelijkheid en wie uiteindelijk bepaalt hoe deze technologie zich ontwikkelt. En niet te vergeten: de fysieke voetafdruk van dit alles — de energie en het water die datacenters verbruiken — is een reëel en groeiend maatschappelijk kostenplaatje, dat zelden in hetzelfde gesprek wordt genoemd als de gemakken die het oplevert.

Hoe AI het dagelijks leven écht beter kan maken

Tegenover deze zorgen staat een reeks concrete, menselijke voordelen die verder gaan dan productiviteitswinst voor bedrijven. Voor mensen met een beperking kan AI drempels wegnemen die decennialang onoverkomelijk leken: spraak-naar-tekst en tekst-naar-spraak van hoge kwaliteit, real-time beeldherkenning voor slechtzienden, en communicatiehulpmiddelen voor mensen met spraakbeperkingen. In de zorg kan AI artsen helpen vroege signalen van ziekten te herkennen in scans en labresultaten, administratieve lasten verlichten zodat er meer tijd overblijft voor de patiënt, en drempels verlagen voor mensen die anders geen toegang zouden hebben tot gespecialiseerde medische kennis — zeker in regio's met een tekort aan zorgpersoneel.

In het onderwijs biedt gepersonaliseerd leren, op het tempo en niveau van elk individueel kind, een kans om het klassieke "one size fits all"-onderwijs te doorbreken — mits het wordt ingezet als aanvulling op, niet vervanging van, de leraar. Taalbarrières, van reizen tot internationale samenwerking, vervagen door realtime vertaling die steeds natuurlijker aanvoelt. En op huishoudelijk niveau verlicht AI de mentale belasting van het dagelijks bestaan: het plannen van boodschappen, het beantwoorden van routinematige e-mails, het uitpluizen van een polisvoorwaarde, of — zoals in dit gesprek zelf — het samen uitzoeken van een technisch probleem op een server of een netwerk, zonder dat je daar eerst een specialisatie voor hoeft te hebben gevolgd. De belofte van AI in het dagelijks leven zit niet in spectaculaire doorbraken, maar juist in de opeenstapeling van kleine, alledaagse wrijving die wegvalt.

AI-gegenereerde content herkenbaar maken: waar staan we, en wat is er nog nodig?

Dit is misschien wel de meest concrete en oplosbare van alle uitdagingen, en er wordt al hard aan gewerkt. Twee technische benaderingen vormen momenteel de basis. De eerste is herkomstregistratie (provenance), zoals de C2PA-standaard ("Content Credentials"): hierbij wordt aan een bestand een digitaal, cryptografisch ondertekend "paspoort" gekoppeld dat vastlegt hoe het is gemaakt, met welk model, en welke bewerkingen het daarna heeft ondergaan — zichtbaar te maken via een herkenbaar "CR"-icoon dat je kunt aanklikken om de herkomst te bekijken. Grote spelers als Google, OpenAI, Adobe en Meta ondersteunen dit inmiddels, net als cameramerken als Leica, Sony, Nikon en Canon, en persbureaus als AP, Reuters en AFP eisen al ondertekende herkomstgegevens bij beeldmateriaal van grote nieuwsgebeurtenissen.

De tweede benadering is onzichtbare watermerking, zoals Google's SynthID: een technisch signaal dat in de content zelf wordt verweven — subtiele pixelaanpassingen in beeld, onhoorbare frequentieveranderingen in audio, of statistische patronen in de woordkeuze van tekst — en dat detecteerbaar blijft, zelfs na compressie of lichte bewerking. Het is geen perfecte oplossing: een watermerk in tekst is bijvoorbeeld relatief eenvoudig te verwijderen door de tekst te herschrijven, en vastberaden kwaadwillenden met toegang tot de onderliggende modellen kunnen watermerken proberen te verzwakken. Techniek alleen is dus niet genoeg.

Daarom is de derde, minstens zo belangrijke pijler regelgeving: sinds januari 2026 verplicht de Amerikaanse staat Californië (SB 942) zichtbare labels, machinaal detecteerbare watermerken en gratis detectiehulpmiddelen voor AI-gegenereerde beelden, audio en video, en vanaf augustus 2026 verplicht Artikel 50 van de Europese AI Act vergelijkbare, machinaal leesbare labeling — met boetes tot 3% van de wereldwijde jaaromzet voor bedrijven die zich er niet aan houden. Wat nog ontbreekt, is échte wereldwijde consistentie: zolang niet elk land en elk platform meedoet, blijft er ruimte om labeling te omzeilen door content simpelweg via een ander kanaal te verspreiden. Wat er dus nog moet gebeuren, is drieledig: bredere internationale afstemming tussen wetgevers, verplichte ondersteuning van herkomststandaarden door alle grote platforms (niet alleen de welwillende koplopers), en — minstens zo belangrijk — mediawijsheid bij het publiek, zodat mensen niet blind vertrouwen op de afwezigheid van een label, maar leren om bronnen kritisch te blijven beoordelen, ongeacht het label dat erop staat.

Wat ik zelf als de grootste uitdaging zie

Als ik moet kiezen, is mijn antwoord niet de meest besproken angst — dat AI op zichzelf "kwaadaardig" wordt — maar iets veel banaler en daardoor gevaarlijker: het tempo waarin deze technologie zich verspreidt, gecombineerd met hoe traag menselijke instituties, wetgeving en gewoontes zich aanpassen. Een medicijn wordt jarenlang getest voordat het op de markt komt; een AI-systeem dat miljoenen mensen dagelijks beïnvloedt, kan binnen enkele maanden wereldwijd uitgerold worden. Die kloof tussen de snelheid van technologische verspreiding en de snelheid van maatschappelijke aanpassing — in wetgeving, onderwijs, arbeidsmarktbeleid, en ons eigen kritisch vermogen — is volgens mij de kern van bijna elk ander probleem dat in dit essay is genoemd: van desinformatie tot baanverlies tot afhankelijkheid.

De technologie zelf is in de kern niet het probleem; hoe zorgvuldig we haar inbedden in de manier waarop we werken, leren, zorgen voor elkaar en beslissingen nemen, is dat wel. Dat vraagt niet om AI af te remmen uit angst, maar om net zoveel menselijke energie te investeren in de instituties eromheen — onderwijs dat kritisch denken traint in plaats van te verbieden, regelgeving die meebeweegt in plaats van jaren achterloopt, en bedrijven die verantwoordelijkheid nemen die verder reikt dan hun eigen kwartaalcijfers — als we de afgelopen vijf jaar hebben geïnvesteerd in de technologie zelf. Die balans, en niet de technologie op zichzelf, bepaalt uiteindelijk of de komende vijf jaar een periode wordt waarin AI het leven van gewone mensen echt beter maakt, of een periode waarin een klein aantal mensen profiteert terwijl de rest de gevolgen probeert bij te benen.

Tot slot