Wat is generatieve AI?
Wat de techniek doet, waarom een taalmodel niets weet, en de zes dingen die in onze projecten het verschil maken tussen slagen en stranden.
Deel 1 van de reeks
Wat generatieve AI is, en wat het niet is
De meeste mensen hebben inmiddels wel iets met een taalmodel gedaan: een mail laten opstellen, een tekst laten samenvatten, of gewoon uitgeprobeerd waar het op vastloopt. Wat een stuk minder vaak lukt, is die techniek écht een plek geven in het werk van een organisatie. Daar zit het gat waar wij dagelijks in staan.
De vragen die ons het meest gesteld worden, zijn ook precies de vragen waarop het antwoord niet in één artikel past. Wat kan AI voor mijn organisatie betekenen? Hoe begin ik? Wat is er technisch voor nodig? En hoe doe ik dat op een manier die je later kunt verantwoorden?
Deze reeks loopt die vragen af. In dit eerste deel: wat generatieve AI is, hoe het onder de motorkap werkt, en welke dingen wij in onze projecten steeds weer zien terugkomen als het verschil tussen slagen en stranden.
Genereren in plaats van alleen analyseren
Generatieve AI is een vorm van kunstmatige intelligentie die data maakt in plaats van alleen data te bekijken. Tekst, beeld, spraak, code, muziek. Dat klinkt abstract, dus een paar toepassingen die je in de praktijk tegenkomt:
- Eerstelijnsvragen van klanten of inwoners beantwoorden, met de bron erbij.
- Een concepttekst opstellen: een nota, een antwoord, een programma.
- Grote hoeveelheden documenten samenvatten en met elkaar vergelijken.
- Code schrijven, nakijken en verbeteren.
Wij richten ons vooral op het eerste soort werk: tekst. Niet omdat beeld en spraak minder interessant zijn, maar omdat de organisaties waar wij komen verzuipen in documenten. Een ministerie dat Kamervragen moet beantwoorden, een gemeente die honderden beleidsstukken in de Omgevingswet moet passen, een onderzoeksbureau dat duizend websites wil afzoeken. Dat is waar tekstverwerkende AI het meeste verschil maakt.
De motor: een model dat woorden voorspelt
Onder een generatieve toepassing zit een taalmodel. Je kunt dat het beste zien als een algoritme dat heeft geleerd hoe taal in elkaar zit, door op enorme hoeveelheden tekst te berekenen welke woorden op elkaar plegen te volgen.
Technisch gaat dat zo: een tekst wordt eerst opgedeeld in stukjes, tokens, die van één teken tot een heel woord kunnen zijn. Die tokens worden omgezet in getallenreeksen, embeddings, waarin de betekenis van een woord en zijn verhouding tot andere woorden vastliggen. Het model is eerst getraind op algemene tekst en kan daarna voor een specifieke taak worden bijgesteld.
Dat laatste is waar het bij ons meestal om gaat. Een model dat alles een beetje kan, is voor een dossier vol vaktaal niet goed genoeg.
Hoeveel weet een AI?
Het misverstand: een model weet niets
Het meest hardnekkige misverstand is dat een systeem als ChatGPT kennis heeft, en op grond van die kennis antwoord geeft. Dat is niet wat er gebeurt. Het model voorspelt welke woorden waarschijnlijk volgen, op basis van de tekst waarop het getraind is. En die tekst komt uit het verleden.
Daar volgt een praktische consequentie uit die de kern van ons werk raakt: als je een betrouwbaar antwoord wilt over jouw dossier, moet je jouw documenten aan het model geven en het antwoord terug laten verwijzen naar de plek waar het vandaan komt. Anders krijg je een vlot geformuleerd antwoord waarvan niemand kan nagaan of het klopt.
Ook voor AI geldt: garbage in, garbage out.
Wat een AI-project laat slagen
Uit onze projecten komen zes dingen steeds terug. Ze zijn niet allemaal technisch, en dat is precies het punt.
- Een echte use case. Zoek een oplossing voor een probleem, niet een probleem bij een oplossing. Dat klinkt als een open deur en het gaat toch elke keer weer mis.
- Een fundament dat het houdt. Het gaat niet alleen om het model, maar vooral om de data en systemen die het voeden.
- Een model dat bij de taak past. Voor de meeste vraagstukken is een kant-en-klare oplossing niet genoeg.
- Ethiek en wet vooraf, niet achteraf. Privacy, bias, uitlegbaarheid. Techniek is niet goed of slecht, maar een verkeerde inrichting brengt risico's mee die je niet nodig had.
- Aannames toetsen in plaats van uitwerken. Een AI-project is per definitie een innovatieproject: je weet vooraf niet of het werkt.
- De mensen meenemen. AI verandert hoe iemand zijn werk doet, en dat vindt niet iedereen prettig. Zonder aandacht daarvoor staat er straks iets dat niemand gebruikt.
De eerste vier werken we uit in de delen hierna. De laatste twee, toetsen en invoeren, staan uitgebreider in onze reeks over de Data Discovery Sprint, waar ze per fase aan de orde komen.
Verder lezen
De reeks over generatieve AI
Vijf stukken die samen één vraag beantwoorden: hoe krijg je AI aan het werk in een organisatie waar de inzet hoog is? Ze staan in leesvolgorde, maar je kunt er ook één uit pakken. Het valideren en het invoeren van een oplossing staan niet meer in deze reeks: die twee onderwerpen hebben we uitgewerkt per fase in de reeks over de Data Discovery Sprint.
Deel 1
Wat is generatieve AI?
Wat de techniek doet, waarom een model niets weet, en welke zes dingen een AI-project laten slagen. Dit stuk lees je nu.
Deel 2
Een geschikte use case kiezen
De klassieke misstap is een probleem zoeken bij een oplossing. Hoe je het omdraait, met de Kamervragen-casus als voorbeeld.
Deel 3
Het fundament eronder
Data, systemen en processen. Het deel onder de waterlijn, waar een AI-project op strandt of niet.
Deel 4
Welk model kies je?
Vier soorten taken vragen vier benaderingen. Plus de vraag die er in Nederland bij hoort: waar draait het model?
Deel 5
Verantwoord inzetten
Zes principes die wij aanhouden, en wat de EU AI Act sinds augustus 2026 van je vraagt.
Meer weten?
Wil je meer informatie over het implementeren van Generatieve AI over dit onderwerp? Niels gaat er graag met je over in gesprek.