We need to slow down

Elke week is er wel een nieuw model, een nieuwe benchmark, een nieuwe demo die alles wat er twee maanden geleden nog indrukwekkend was, plots gedateerd doet lijken. Grote organisaties gooien er miljarden tegenaan en boeken economisch spectaculaire vooruitgang. Ondertussen zit de gemiddelde KMO nog te zoeken hoe ze een chatbot fatsoenlijk moeten inzetten, laat staan hoe ze een volledig proces moeten laten automatiseren.

Die kloof stoort me. Niet omdat vooruitgang op zich een probleem is, maar omdat de snelheid ons verhindert om na te denken over wat we eigenlijk aan het bouwen zijn.

Onlangs schreef Dario Amodei, CEO van Anthropic, een lang statement waarin hij zelf opriep om de ontwikkeling van AI-modellen te vertragen. Niet om alles stil te leggen, wel om de tijd te nemen die nodig is om veiligheid, afstemming en controle gelijke tred te laten houden met de mogelijkheden van de technologie. Als de CEO van een van de bedrijven die deze modellen zelf bouwt dat zegt, dan mag een kleine Vlaamse consultant dat ook wel eens hardop denken.

Ik ben het daar volledig mee eens. Maar mijn insteek is anders dan die van Amodei. Hij kijkt vanuit veiligheid en existentieel risico. Ik kijk vanuit de dagelijkse praktijk van KMO's en particulieren. En vanuit die hoek zie ik iets anders: we zijn zo bezig met steeds betere modellen, dat we vergeten na te denken over hoe we dat wat we al kunnen, eigenlijk verstandig moeten gebruiken.

Generatieve AI: laat die met rust, kijk naar de andere kant

We kennen ondertussen allemaal generatieve AI. Teksten, foto's, video, audio: het is er, het werkt, en zowel particulieren als ondernemers gebruiken het gretig. Ik denk niet dat die technologie zelf het probleem is. Ze mag van mij blijven zoals ze nu is.

Wat ontbreekt, is de andere kant van het verhaal: wanneer mogen we iets laten genereren, en wanneer gebruiken we dat gegenereerde resultaat? Wanneer moet iets net door een mens gemaakt worden, ongeacht hoe goed een model het zou kunnen nabootsen? Daar hebben we als samenleving, als bedrijf, als individu nog geen antwoord op. En dat antwoord komt er niet vanzelf als we blijven focussen op het volgende model in plaats van op het huidige gebruik.

Agentic AI: dát moet de motor worden

Waar ik wel een uitgesproken mening over heb, is agentic AI. Ik geloof echt dat dit de achterliggende motor moet worden van hoe we werken en leven. En met "motor" bedoel ik letterlijk: iets dat draait op de achtergrond, dat je niet altijd moet zien, en dat zeker niet altijd verkocht moet worden als "AI".

We moeten stoppen met nadenken in scripts en beslisbomen, en beginnen nadenken in een achterliggende, intelligente machine die niet deterministisch reageert op elke situatie, maar menselijk. Een systeem dat je niet moet programmeren voor elk mogelijk scenario, maar dat kan redeneren wanneer een scenario zich voordoet dat je niet had voorzien.

Planily, mijn eigen applicatie om een mailbox terug werkbaar te maken, is daar een klein maar concreet voorbeeld van. Als gebruiker beslis je deterministisch: je zet een vinkje aan of uit voor welke mails je wil doorsturen naar Planily. Het kassaticket van de schoenenwinkel, de planning van de voetbaltraining, de status van een bestelling in een webshop: allemaal mails met echte inhoud, geen spam, geen phishing, maar mails die eigenlijk niet thuishoren in een overvolle inbox. Die deterministische keuze ligt bij jou. Maar wat er daarna gebeurt, het interpreteren en samenvatten van die mail in een overzicht, dat doet de achterliggende AI-motor.

Achter de schermen ziet zo'n flow er in de praktijk uit als een reeks nodes die elkaar opvolgen: een mail wordt opgehaald, geanalyseerd, geclassificeerd en pas dan weggeschreven naar een overzicht. De gebruiker ziet enkel het eindresultaat: een helder overzicht van agenda-items en bestellingen, zonder dat hij ooit beseft hoeveel stappen daarachter zitten.

Domotica is een ander voorbeeld. De meeste huidige systemen werken op basis van "learning": mijn gebruiker zet elke zaterdag om 7u43 het licht aan, dus doet het systeem dat voortaan automatisch. We zijn kuddedieren, en een mens is best voorspelbaar. Maar er zijn altijd situaties waarin je van dat patroon wil afwijken. Een deterministisch systeem kan daar niets mee. Een achterliggende AI-motor die kan redeneren over de situatie, wel.

Van dat soort voorbeelden zijn er honderden, duizenden te bedenken. Maar om dat goed te bouwen, moeten we tijd nemen. Niet om te twijfelen, wel om het degelijk te ontwikkelen in plaats van er halfslachtig een laagje AI-marketing overheen te gieten.

Van uitvoerder naar coördinator

Als agentic AI effectief die motor wordt, verandert de rol van mensen fundamenteel. Ik geloof dat veel mensen zullen evolueren naar coördinatoren en evaluatoren. AI zal veel werk overnemen, en de snelheid en kwaliteit van dat werk zullen alleen maar toenemen. Maar net daarom blijft een mens in the loop essentieel: om bij te sturen, te valideren, te corrigeren. Die menselijke correcties voeden op hun beurt weer terug naar een volgend model.

Op termijn zullen mensen zich met andere dingen moeten bezighouden. En daar zit meteen het grote pijnpunt: kunnen dat nog bezigheden zijn die geld opleveren? Je krijgt als werknemer een loon, omdat je waarde oplevert voor het bedrijf waar je werkt. Maar is dat nog het geval wanneer een bedrijf zijn winst grotendeels haalt uit acties die een LLM uitvoert?

Ik zeg al enkele jaren hetzelfde: alle jobs die na pakweg 1960 zijn ontstaan, dreigen stilaan overbodig te worden, omdat een computer ze uiteindelijk zelf kan uitvoeren. Het kan dus alle kanten uitgaan, maar zelf geloof ik dat de mens gedeeltelijk terugkeert naar een oudere levensstijl: groenten kweken, dieren houden, schrijnwerken, smeden. Alles wat digitaal is, wordt geautomatiseerd. Alles wat ambachtelijk en fysiek is, blijft over.

Communicatie moet menselijk blijven

Op het vlak van communicatie trek ik een harde lijn. Een brief, een affiche, een kaartje, een boek: dat mag voor mij niet zomaar door AI worden "gegenereerd". En dan bedoel ik specifiek dat woord: genereren.

Ik maak bewust onderscheid tussen genereren en construeren. Een LLM mag niet iemands mening of visie invullen. Een LLM mag wel de woorden in de juiste volgorde zetten, op basis van de context en de inhoud die een mens aanreikt. Dit artikel dat je nu leest, is daar het bewijs van: de visie, de meningen, de voorbeelden zijn van mij. Een LLM heeft me geholpen om dat correct en leesbaar te formuleren. Ik heb niet tegen een agent gezegd "genereer mij een blogartikel over AI die te snel vooruitgaat". Dan krijg je inhoud die volledig is samengesteld uit de meningen van anderen, niet uit de mijne.

Dat verschil lijkt subtiel, maar is fundamenteel. Het is het verschil tussen een tekst die van jou is, en een tekst die toevallig jouw naam draagt.

Waarom KMO's achterblijven

KMO's draaien met weinig overhead op personeel, weinig marge op uitval, en een beperkt budget. AI zou hen net toegang moeten geven tot maatwerk dat vroeger onbetaalbaar was. In de praktijk gebeurt dat te weinig. Leveranciers van AI-oplossingen blijven bakken geld vragen voor diensten die eigenlijk een fractie van de vroegere tijd en kost zouden moeten kosten.

De consultancywereld is de voorbije jaren geëvolueerd naar een absurd dure sector, simpelweg omdat het kon. Een eenvoudig softwareproject resulteerde in een hele resem profielen: een projectmanager aan 150 euro per uur, een developer aan 100 euro, een tweede developer aan 100 euro om de eerste te controleren, een tester, een supportcontract, een trainer. Diensten die vandaag in een fractie van de tijd en de kost geleverd kunnen worden. Maar dat kunnen die softwarehuizen zich niet veroorloven aan te bieden, want dan vallen ze zelf om. Dus wordt er halsstarrig geprobeerd om het laatste beetje eruit te persen door AI zoveel mogelijk binnenshuis en achter gesloten deuren te houden. Dat wordt met de dag moeilijker.

Een concreet voorbeeld uit mijn eigen praktijk. Ik stelde ooit een lijst op van de activiteit van alle Belgische ondernemingen, op basis van de NACE-codes uit de KBO. Die codes zijn redelijk representatief, maar allesbehalve een goede basis: het is wel de enige bron die op zijn minst enigszins gecontroleerd is. Op een bepaald moment kreeg ik de vraag of het mogelijk was om de échte activiteit van een onderneming te bepalen, "met AI".

Ik heb toen geantwoord dat het misschien wel zou kunnen, maar dat je jezelf eerst een menselijke vraag moet stellen: zou een stagiair dit kunnen? Die zou dan websites moeten bezoeken, de inhoud lezen, interpreteren, en koppelen aan een activiteit. Dat kan een AI perfect nadoen. Maar wat met de nauwkeurigheid? Een onderneming kan in de KBO geregistreerd staan als café, terwijl de eigenaar er onder datzelfde ondernemingsnummer ook een fotografiezaak op nahoudt, met een compleet andere website. Op welk moment wordt die koppeling gelegd? Kan een AI dat beter dan een mens? Wellicht wel, door op ondernemingsnummer te zoeken. Maar die websites zijn door mensen gemaakt, dus is het maar de vraag of dat er altijd correct uitkomt.

Mijn conclusie was: we doen dit niet, tenzij het bedrijf zelf duidelijke context en regels opstelt over hoe een AI dit moet interpreteren, in plaats van te verwachten dat een LLM dit blindelings goed doet. Die regels opstellen, zag ik mijn klant helaas niet snel doen. En dat is precies het probleem: iedereen wil de motor, bijna niemand wil de tijd nemen om hem correct af te stellen.

Tot slot

Heb jij als KMO al eens stilgestaan bij wat AI binnen jouw organisatie zou kunnen automatiseren? Niet de generatieve AI die je waarschijnlijk al gebruikt, maar de processen die voor minstens negentig procent repetitief en steeds hetzelfde zijn, en toch nog altijd door een mens met een berg ervaring worden uitgevoerd.

Heb je al eens samengezeten met iemand die jouw KMO in kaart brengt op zoek naar de meerwaarde van AI-agents? Maar die evengoed op zoek gaat naar de plekken waar een mens in the loop net essentieel blijft? Dat is precies waar ik als business- en KMO-analist met specialisatie in AI mee bezig ben.