On My 38th Birthday: 38 Hacks That Have Transformed My Life Over the Past 37 Years

On My 38th Birthday: 38 Hacks That Have Transformed My Life Over the Past 37 Years

Today I get to turn 38. What an incredible privilege.
After balancing on the edge of death myself and having to bury far too many people in recent years, I see every day I wake up as a gift. My mother recently told me she hadn’t seen me this happy in years. I’ve never been this fit, I live a truly ‘rich’ life filled with dear family and friends. I face a steady stream of business challenges and countless other experiences that make life more beautiful with each passing year.

Thanks to my personal ‘braintrust’ (loved ones and professionals who support, challenge, and inspire me), I’m constantly working on personal development. Ongoing self-analysis, writing and refining personal plans daily, reading and listening a lot, taking at least one course every year, always seeking meaningful connections and being open to unexpected cross-pollination.

Alongside the positive feedback I receive about my mental and physical state and the way I approach my work, people often ask how I manage certain things—how I structure my mornings, how I stay so organized. On previous birthdays, I’ve shared my top 35 life lessons and 37 questions I ask myself continuously. This year, I thought I’d share 38 hacks that helped shape who I am today.


1. Eat that frog
Our brain loves dopamine snacks—emails, messages, and app notifications it can quickly tick off. But they also create mental noise. That’s why I always start my workday with the biggest or most dreaded task. My coach Paul Rulkens calls it: “Eat your frog.” I pick this task every Friday for the week ahead and re-check it the night before. Sometimes it takes an hour, other times until after lunch. But it ensures I tackle what really matters—and the satisfaction afterward is unbeatable. Only then do I open my inbox.

2. Habit stacking
From James Clear—one of my favorite authors. Combine certain actions until they become habits. My phone lies on the couch in the living room, with a book on top and my meditation bowl on top of that. It reminds me: first meditate, then read, and only then (hardly ever) check my phone. I’ve built up so many habits this way that they now feel automatic.

3. Start by reading
My day starts with reading at least 10–20 pages. Only non-fiction, usually five books on rotation. It sparks great ideas and provides a calm start to my day. The benefits are so clear that I never skip it: reading comes first.

4. Prevent brain rot
A while back, my brain felt completely off. I analyzed it and found my phone usage was the cause—what scientists call “brain rot.” One of the fixes was setting my phone to grayscale (thank you, Irene!). I now spend over an hour less per day on my phone.

[Guide for iPhone / Android]

5. Binaural beats
I’ve become fascinated by non-supplement ways to positively influence the brain. I’ve already defined over 30 tricks for my TalkLikeTED courses on storytelling and presenting. One tool I love: binaural beats. They help me stay mentally sharp and focused. You’ll find plenty of playlists on YouTube or Spotify. Tip: use headphones, not earbuds.

6. Sleep hygiene
Matt Walker’s book Why We Sleep (also a great podcast) opened my eyes. Sleep quality can be greatly improved through small adjustments. I sleep well—likely thanks to six years of no alcohol, enjoyable work, daily exercise, healthy eating, and these habits based on Matt’s advice:

  • I turn off all screens by 6 or 7 PM to allow natural melatonin production.
  • I wear orange-tinted glasses in the evening (Somnoblue or a €1 version from AliExpress).
  • I avoid coffee after noon—caffeine’s half-life is 4–5 hours, and late coffee ruins sleep.
  • I wrap up my workday with a summary and plan for tomorrow—no “oh right!” moments in bed.

7. “You gain strength, courage, and confidence by every experience in which you really stop to look fear in the face.” – Eleanor Roosevelt
Every year, I seek a challenge that scares me—something my reptile brain screams “no!” to. It becomes a year-long project filled with anticipation. Last year: I climbed 7 volcanoes in Ecuador. This year: Manaslu (Nepal, 8,150m). Next year: Everest (8,800m). The reward? Absolutely priceless.

8. Make big tasks small = get big things done
The brain hates big tasks. Too overwhelming. So I break them down into smaller chunks. A paragraph instead of a chapter. A chapter instead of a book. That’s how I’ve written three books, built businesses, and organized large events.

9. Pomodoro technique
One of my favorite time management tools. Besides my “frog,” I work in focused blocks of 25 minutes with 5-minute breaks.

10. No one thinks about you as much as you do
I used to worry a lot about what others thought of me—until I learned about the “spotlight effect.” People are mostly thinking about themselves. Realizing this freed me to stop holding back.

11. “Man muss immer umkehren”
Always turn around. Rethink. Look from another angle. This phrase comes from mathematics, but it applies everywhere. Stuck? Flip it. Don’t seek confirmation, look for the opposite. Rephrase the question. By playing with perspective, you discover solutions you’d never considered. Sometimes, the reverse path is the fastest way forward.

12. Postmortem before the start
Why wait until something goes wrong to learn from it? I flip that logic and do a mental postmortem before a project starts. What could go wrong? What are the pitfalls? By identifying possible mistakes upfront, I avoid them becoming real. This has helped me dodge countless issues in both my own events and those I organize for clients.

13. Walk off the lunch dip
Just five minutes of walking after a meal can stabilize your blood sugar and prevent energy crashes. Since I started this habit, I no longer experience afternoon slumps. Standing helps a little, but walking is far more effective. Tiny habit, huge energy boost.

14. Less switching, more doing
Task-switching drains your brain. Every switch requires you to refocus, costing time and energy. I try to work on one task at a time, start to finish. Fully immerse, then move on. Less noise, more clarity, and by day’s end, I’m still mentally fresh.

15. Clear meetings or no Jan
I got sick of unnecessary meetings—unstructured, chatty, and with no outcomes. So I flipped the script: I only attend meetings (virtual or in-person) when there’s a clear objective, an agenda, and a reason why I specifically need to be there. Otherwise, I don’t show. It keeps my schedule clean and meetings productive. Casual catch-ups? I schedule those separately—and always in person.

16. No multitasking
The brain tempts us to multitask, especially during virtual meetings. But science is clear: multitasking is the #1 brain drainer. Microsoft found it was a major cause of “Zoom fatigue” during COVID. I’ve stopped entirely—if I check email during a call, I feel completely wiped afterward.

17. Slumber with a key
Sometimes I have intense days—multiple talks and trainings with little downtime. Around lunch, I use a trick from Edison and Dalí: nap with a key in hand. As you doze off, the key drops, and you wake up—right in the moment when the brain makes its most creative connections. That dreamy in-between state? Pure gold.

18. 20-20-2 Rule
Learned from Raymond Heunen, an ophthalmologist and former client: every 20 minutes, look at something 6 meters away for 20 seconds, and spend at least 2 hours outside daily. I combine this with Pomodoro breaks. It relaxes the eyes and reduces fatigue—a huge help in a screen-heavy world.

19. The power of looking back
When climbing mountains, it’s tempting to only look forward. But looking back shows how far you’ve come—and reminds you to appreciate the journey. I do the same in daily life. Reflection isn’t standing still; it’s realizing what you’ve achieved. That gives strength to keep going.

20. Giving is all we have
Since I was 15, I’ve volunteered—and it’s given me more than I ever expected. My thesis was on the impact of volunteering—not just globally, but personally. The absence of transactions or expectations means you give because you want to. It creates connection, energy, and perspective. Giving, in the end, is all that truly matters.

21. The energy structure
My day follows a specific energy flow: two hours of thinking/creative work, then execution. Only afterward do I tackle emails and calls, ending with low-energy tasks. This structure optimizes my energy and keeps distractions at bay. I never schedule calls in the morning—it’s sacred time. Emails? I check them at fixed times. I also evaluate my energy monthly: what gives it, what drains it? I use that insight to plan the next month.

22. Bye-bye, chore tasks
McKinsey found that 61% of work is “chores”—repetitive, boring, inefficient. I’ve identified which ones I can outsource to AI. Tasks I used to do myself are now done faster, smarter—or fully automated. That saves time and mental energy. I walk the talk—I speak about AI weekly on stage. Today’s tools aren’t just cool; they’re powerful. Using them smartly frees up space for creativity and impact.

23. Walking meetings
I’ve almost completely stopped doing video calls—except with new contacts. Instead, I walk while calling. It clears my head and boosts creativity. Stanford research shows walking improves creative thinking by 60%. Whether outdoors or on a treadmill—movement enhances mental performance. Søren Kierkegaard already knew: “I walk myself into well-being and away from every illness.”

24. System goals > outcome goals
Instead of chasing end goals, I focus on the systems behind them. Strong routines and consistent action lead to results—no big sprints needed. Want to write a book? Focus on daily writing. Want to get fit? Build a training routine. Nail the process, and the outcome will follow.

25. Stop starting, start finishing
Doing too much at once often means finishing nothing. I aim for fewer, better. One completed task beats five half-done ones. Each finished task fuels momentum and frees up energy for what’s next. Less fragmentation, more impact.

26. Memento mori
I’ve been on the edge of death in the ICU. It forces you to face your mortality. The future is uncertain, the past is fixed. What matters is now. Memento mori—remember you will die. Not to scare, but to remind us how precious time is. I live more in the moment now: planning beautiful trips and new experiences. Every day is a chance—use it well.

27. Intermittent fasting
I’ve been doing the 16:8 method (fast 16 hours, eat for 8) and 5:2 variation (weekdays only) for years. I haven’t been sick since, lost fat (thanks also to exercise), and enjoy stable energy all day. No hunger crashes, no afternoon slumps—just focus. Not eating at the right times changed everything.

28. Small gestures, big impact
A compliment to the janitor. A kind word to the barista. No agenda—just kindness. Such simple acts can make someone’s whole day. It costs nothing but means everything. And best of all? It works both ways.

29. Think Week – because breakthroughs start with a break
Every six months, I take a Think Week—no meetings, no tech. It’s not indulgence; it’s essential. Removing noise creates space for ideas, insight, and re-evaluation. Offline, my mind is sharper than ever.

30. Effectiveness > Efficiency
It’s easy to be busy. But are you working on what matters? Efficiency = doing things well. Effectiveness = doing the right things. Peter Drucker’s The Effective Executive nails this. Being productive only counts when it moves you forward in the right direction.

31. Channel focus
Years ago, I was nearly burned out—not from work, but from distractions. I received messages on way too many platforms: email, WhatsApp, Instagram, Facebook, Telegram, Signal… it was chaos. Add the “snack bar” phone model—always on, always reacting—and you’ve got constant stress. I now keep my phone off unless I have scheduled calls. I only use email so everything comes to one place. It’s incredibly effective.

32. Better listening
We don’t listen anymore. Conversations suffer because of it. The book You’re Not Listening (thanks, Daan Eijwoudt!) was a game-changer for me. Even placing your phone on the table signals disrespect—and breaks connection. I always wait until all phones are off the table before starting a real conversation.

33. What if this could be easier?
Our brain loves simplicity. Whether in communication or work, I often ask: “Could this be easier?” Fewer steps, less complexity. In presentations, that means cutting. In work, it means smarter structure. Work smarter—not harder—and you’ll get better results.

34. Avoiding hard conversations? That’s just delayed pain.
Every tough conversation you avoid adds interest to a growing emotional debt. Problems don’t solve themselves. Relationships don’t heal over time without effort. Address issues early, while they’re small. It prevents major fallout later.

35. No
The more you say no, the more you achieve. I’ve learned to see requests differently—and say “no” much more often. The greatest thinkers and entrepreneurs—Steve Jobs, Warren Buffett, Richard Feynman—mastered the art of refusal. Every “no” is a “yes” to what truly matters.

36. Handwritten = impact
In a world of emails and DMs, handwritten cards stand out. They feel sincere, take more effort, and leave a lasting impression. I send at least one every week. Maybe it’s old-school—but some things deserve a comeback.

37. The power of Post-its
I love working with clients using Post-its. No screens, no distractions—just thoughts on paper. It activates the prefrontal cortex, sparks reflection, and leads to sharper insights. Old-school? Maybe. But it works.

38. Broaden and build
I try not to complain. Not because life’s perfect, but because it doesn’t help. Complaining narrows perspective. Gratitude opens it. The more you focus on what’s right, the more room you create for growth. Success isn’t just reaching a goal—it’s how much you expand along the way. In knowledge, in perspective, in possibility. So instead of focusing on what’s missing, I choose to build on what’s already there.

“Life is really simple, but we insist on making it complicated.” – Confucius

admin

Jan Scheele werkt dertien jaar op het snijvlak van deep tech, strategie en leiderschap. Als keynote spreker en dagvoorzitter maakt hij technologie tastbaar voor boardrooms, directieteams en grote podia, zonder de complexiteit te versimpelen of te verbergen achter buzzwords.

Zijn achtergrond ligt in het bouwen. Als CEO van een technologie scale-up, oprichter van meerdere techbedrijven en organisator van meer dan vijftig TED-events wereldwijd zag hij van dichtbij hoe technologische keuzes doorwerken in strategie, governance en cultuur. Vanuit zijn betrokkenheid bij het World Economic Forum en de BCNL Foundation kijkt hij daarbij niet alleen naar wat technisch mogelijk is, maar ook naar wat bestuurlijk houdbaar en maatschappelijk wenselijk is.

Hij publiceerde vijf boeken, waarvan twee Amazon-bestsellers, en schrijft wekelijks over AI, blockchain en de organisatorische gevolgen van deep tech. Zijn blogs bereikten inmiddels meer dan twee miljoen lezers.

Wordt AI ooit zo slim en veelzijdig als een mens? Of is dat het al?

Wordt AI ooit zo slim en veelzijdig als een mens? Of is dat het al?

Het idee van kunstmatige intelligentie die net zo slim en veelzijdig is als een mens klinkt als iets uit sciencefiction. Maar met de razendsnelle vooruitgang in AI stellen steeds meer experts de vraag: hoe lang duurt het nog voordat we kunstmatige algemene intelligentie (AGI) bereiken? Het punt waarop een AI zelfstandig kan redeneren, nieuwe concepten kan bedenken en zich net zo flexibel kan aanpassen als wij. In dit artikel duik ik er in.

Toen ik laatst met mijn vader (69, amateur schaker) een discussie had over AI, hadden we het al snel over Garry Kasparov. Kasparov was in de jaren ’90 schaakgrootmeester en had wereldwijd faam door zijn manier van spelen en uiteraard alle wedstrijden die hij won. Maar in 1997 gebeurde er iets wat de wereld op zijn kop zette: hij verloor van Deep Blue, de supercomputer van IBM. Voor het eerst werd een wereldkampioen schaak verslagen door een computer, iets wat velen voor onmogelijk hielden. Kasparov was verbijsterd en zei later: “Ik voelde een soort intelligentie, een geest in de machine.”

Toch was Deep Blue geen ‘AGI’, zoals we dat nu omschrijven. De supercomuter kon alleen schaken. Maar het moment markeerde een keerpunt: technologie begon taken beter uit te voeren dan mensen. Dat zette een discussie in gang over waar de grenzen van kunstmatige intelligentie liggen. Vandaag de dag zie ik hetzelfde weer gebeuren, maar nu met AI-systemen die niet alleen één spel winnen, maar hele industrieën op z’n kop zetten.

Wanneer krijgen we AGI?

De voorspellingen over wanneer we AGI krijgen, lopen heel sterk uiteen. Sommige onderzoekers, zoals Dario Amodei van Anthropic, denken dat we rond 2026 al systemen zullen zien die de eerste kenmerken van AGI vertonen. Anderen, zoals AI-pionier Geoffrey Hinton, denken dat we tussen de vijf en twintig jaar nodig hebben. Een ruime marge…

Maar niet iedereen is ervan overtuigd dat we er überhaupt komen. Yann LeCun, de zeer gerespecteerde AI-onderzoeker bij Meta, stelt dat AGI nog tientallen jaren op zich zal laten wachten. Hij denkt zelfs dat het misschien wel nooit echt mogelijk is zoals mensen het zich voorstellen.

Demis Hassabis, CEO van DeepMind, is iets voorzichtiger in zijn voorspellingen: “Ik denk dat AI die kan redeneren zoals een mens binnen een decennium mogelijk is, maar het is geen zekerheid. We moeten fundamentele doorbraken blijven maken in ons begrip van intelligentie.”

Als we uitzoomen naar de ontwikkelingen vandaag de dag, dan staat het wel vast in mijn optiek dat de ontwikkeling van AI al een enorme impact heeft. Op ons als individu, op organisaties, op hele industrieën. Positief en negatief. Maar of AGI nu snel komt of niet, de grenzen van wat AI kan, worden steeds verder opgerekt.

Van smalle AI naar algemene intelligentie

De AI-systemen die we vandaag de dag gebruiken, zoals GPT-4 en Gemini, zijn indrukwekkend veelzijdig. Ik verbaas me steeds weer over hoe de LLMs mijn dagelijkse werk ongekend ondersteunen en versterken. Maar de modellen zijn nog steeds gespecialiseerd. Ze kunnen teksten genereren, code schrijven en afbeeldingen creëren, maar ze werken allemaal binnen een duidelijk afgebakend kader. Een taalmodel zoals GPT kan geen complexe financiële analyses maken zoals een AI van Bloomberg. De AI van McKinsey kan geen kunstmatige muziek componeren of medische scans analyseren.

AGI zou al deze vaardigheden in één systeem moeten kunnen combineren. Een AI die net zo flexibel is als een mens zou kunnen leren van ervaringen, zich zelfstandig aanpassen aan nieuwe problemen en taken uitvoeren waarvoor het nooit expliciet getraind is.

Dat is een enorme stap verder dan de AI die we nu hebben. Sam Altman, CEO van OpenAI, noemt AGI “de ultieme technologische sprong” en zegt: “Zodra we AGI bereiken, wordt het de krachtigste tool die de mensheid ooit heeft gehad.”

Maar waar staan we nu in de AGI race?

Hoewel AGI in mijn optiek echt nog toekomstmuziek is, zien we nu al AI-systemen die taken uitvoeren die tot voor kort onmogelijk leken.

AI-modellen zoals GPT-4 en Gemini kunnen complexe examens beter maken dan de meeste mensen. OpenAI’s GPT-4 scoorde in de top 10% op het Uniform Bar Exam voor juristen in de VS en DeepMind’s Med-PaLM kan medische vragen beantwoorden op het niveau van een ervaren arts. Deze systemen slagen niet alleen in het geven van correcte antwoorden, maar kunnen ook redeneren over complexe vraagstukken, patronen ontdekken in data en zelfs hypotheses vormen.

AI’s vermogen om zelfstandig problemen op te lossen en verbanden te leggen groeit met elke versie. AlphaFold, een doorbraak van DeepMind, voorspelde de 3D-structuur van bijna alle bekende eiwitten—een probleem waar wetenschappers zoals mijn broertje decennialang mee worstelden. Dit toont in mijn optiek aan dat AI al functioneert als een intelligent systeem dat verder gaat dan simpele patroonherkenning.

Geoffrey Hinton, een van de grondleggers van deep learning, zegt: “We zijn aangekomen op een punt waar AI begint te leren zoals mensen leren. Dat is zowel spannend als zorgwekkend.”

Maar ondanks deze vooruitgang zijn AI-modellen nog steeds beperkt. Ze missen een eigen motivatie, kunnen geen abstracte concepten ontwikkelen zoals mensen dat doen en zijn afhankelijk van enorme hoeveelheden trainingsdata. Dit maakt de stap naar AGI nog steeds complex.

Wat is de volgende stap in de AGI-ontwikkelingen?

Als we kijken naar de uitdagingen en huidige ontwikkelingen van de modellen, dan blijft AGI in mijn optiek voorlopig nog een ambitieus doel. Kijk naar allerlei technologieën die in de afgelopen eeuw zijn ontstaan. De vooruitgang hiervan ging in geleidelijke stappen: van de gloeilamp tot het internet, van de eerste computer tot smartphones. Maar AGI is in mijn optiek echt een ander verhaal. Het is geen kwestie van kleine verbeteringen; het is een bizarre sprong naar een fundamenteel nieuwe realiteit.

Sam Altman, CEO van OpenAI, zei dit afgelopen maand nog: “We zijn nu zeker dat we weten hoe we AGI moeten bouwen.” En niet over tientallen jaren, maar mogelijk al binnen de presidentstermijn van Trump; dus 3,5 jaar. Zijn voorspelling is geen sciencefiction meer. De rekencapaciteit, de modellen en de schaalbaarheid laten zien dat de laatste barrières sneller vallen dan verwacht.

AGI zal zich niet van de ene op de andere dag aandienen, maar de eerste systemen die er sterk op lijken, komen nu al in zicht. Als de voorspellingen kloppen, dan zal het niet lang meer duren voordat we ons in mijn optiek moeten afvragen: hoe gaan we samenwerken met een intelligentie die ons op alle fronten kan overtreffen?

admin

Jan Scheele werkt dertien jaar op het snijvlak van deep tech, strategie en leiderschap. Als keynote spreker en dagvoorzitter maakt hij technologie tastbaar voor boardrooms, directieteams en grote podia, zonder de complexiteit te versimpelen of te verbergen achter buzzwords.

Zijn achtergrond ligt in het bouwen. Als CEO van een technologie scale-up, oprichter van meerdere techbedrijven en organisator van meer dan vijftig TED-events wereldwijd zag hij van dichtbij hoe technologische keuzes doorwerken in strategie, governance en cultuur. Vanuit zijn betrokkenheid bij het World Economic Forum en de BCNL Foundation kijkt hij daarbij niet alleen naar wat technisch mogelijk is, maar ook naar wat bestuurlijk houdbaar en maatschappelijk wenselijk is.

Hij publiceerde vijf boeken, waarvan twee Amazon-bestsellers, en schrijft wekelijks over AI, blockchain en de organisatorische gevolgen van deep tech. Zijn blogs bereikten inmiddels meer dan twee miljoen lezers.

The Road to AGI: How Close Are We to Human-Level Artificial Intelligence?

The Road to AGI: How Close Are We to Human-Level Artificial Intelligence?

The idea of artificial intelligence being as smart and versatile as a human being sounds like science fiction. But with the rapid pace of AI development, more and more experts are asking: how long will it take before we reach Artificial General Intelligence (AGI)? The moment an AI can reason independently, invent new concepts, and adapt as flexibly as we do. In this article, I dive into that question.

Recently, I had a discussion about AI with my father (69, amateur chess player), and before long we were talking about Garry Kasparov. In the 1990s, Kasparov was a world-renowned chess grandmaster, famous for his playing style and numerous victories. But in 1997, something happened that shocked the world: he lost to IBM’s supercomputer Deep Blue. For the first time, a world chess champion was defeated by a computer—something many had thought impossible. Kasparov was stunned and later said: “I felt a new kind of intelligence, a spirit in the machine.”

Yet Deep Blue wasn’t what we’d now call AGI. The supercomputer could only play chess. But the moment marked a turning point: technology began outperforming humans at specific tasks. It sparked a debate about the limits of artificial intelligence. Today, I see the same discussion flaring up again—but now it’s not just about winning a game, but disrupting entire industries.

When Will We Have AGI?

Predictions on when we’ll achieve AGI vary widely. Some researchers, like Dario Amodei of Anthropic, believe we’ll see systems with early AGI traits as soon as 2026. Others, like AI pioneer Geoffrey Hinton, think it might take five to twenty years. Quite a margin…

But not everyone is convinced we’ll ever get there. Yann LeCun, the highly respected AI researcher at Meta, argues that AGI is still decades away. He even suggests it may never be possible in the way people imagine.

Demis Hassabis, CEO of DeepMind, is more cautious in his forecasts: “I think human-like reasoning in AI is possible within a decade, but it’s far from certain. We still need to make fundamental breakthroughs in our understanding of intelligence.”

Zooming out, though, it’s clear to me that AI is already having a huge impact—on individuals, organizations, and entire industries. Both positive and negative. Whether AGI arrives soon or not, the boundaries of what AI can do are already expanding rapidly.

From Narrow AI to General Intelligence

Today’s AI systems, like GPT-4 and Gemini, are impressively versatile. I’m continually amazed by how these LLMs support and amplify my daily work. But these models are still specialized. They can generate text, write code, create images—but all within clearly defined boundaries. A language model like GPT can’t perform complex financial analysis like Bloomberg’s AI. McKinsey’s AI can’t compose music or analyze medical scans.

AGI would need to combine all of these skills into one system. An AI as flexible as a human would learn from experience, adapt to new problems, and perform tasks it was never explicitly trained for.

That’s a massive leap beyond today’s AI. Sam Altman, CEO of OpenAI, calls AGI “the ultimate technological leap” and says: “Once we reach AGI, it will become the most powerful tool humanity has ever created.”

So Where Are We in the AGI Race?

While AGI is still a thing of the future in my view, we’re already seeing AI systems perform tasks that were recently thought impossible.

AI models like GPT-4 and Gemini outperform most humans on complex exams. OpenAI’s GPT-4 scored in the top 10% on the Uniform Bar Exam for U.S. lawyers, and DeepMind’s Med-PaLM can answer medical questions at the level of an experienced doctor. These systems not only provide correct answers but also reason through complex problems, spot patterns in data, and even generate hypotheses.

AI’s ability to independently solve problems and make connections grows with each version. AlphaFold, a breakthrough from DeepMind, predicted the 3D structure of almost all known proteins—a problem researchers, like my younger brother, had struggled with for decades. To me, this proves that AI already functions as an intelligent system, going beyond simple pattern recognition.

Geoffrey Hinton, one of the founding fathers of deep learning, says: “We’re reaching a point where AI is starting to learn like humans do. That’s both exciting and worrying.”

But despite this progress, AI models are still limited. They lack motivation, can’t develop abstract concepts like humans do, and rely heavily on vast amounts of training data. This makes the leap to Artificial General Intelligence (AGI) complex.

What’s the Next Step in AGI Development?

Looking at current challenges and developments, AGI remains, in my view, an ambitious goal for now. Think of the technologies we’ve developed over the past century. Progress came in gradual steps—from the lightbulb to the internet, from the first computer to smartphones. But AGI is a different story. It’s not a matter of incremental improvements; it’s a bold leap into a fundamentally new reality.

Sam Altman recently said: “We’re now confident we know how to build AGI.” And not decades from now—but possibly within Trump’s next presidential term, meaning in just 3.5 years. His prediction no longer feels like science fiction. The computing power, models, and scalability show that final barriers are falling faster than expected.

Artificial General Intelligence  (AGI) won’t arrive overnight, but the first systems that resemble it are already on the horizon. If the predictions are right, it won’t be long before we’ll have to ask ourselves: how do we collaborate with an intelligence that can outperform us in every domain?

admin

Jan Scheele werkt dertien jaar op het snijvlak van deep tech, strategie en leiderschap. Als keynote spreker en dagvoorzitter maakt hij technologie tastbaar voor boardrooms, directieteams en grote podia, zonder de complexiteit te versimpelen of te verbergen achter buzzwords.

Zijn achtergrond ligt in het bouwen. Als CEO van een technologie scale-up, oprichter van meerdere techbedrijven en organisator van meer dan vijftig TED-events wereldwijd zag hij van dichtbij hoe technologische keuzes doorwerken in strategie, governance en cultuur. Vanuit zijn betrokkenheid bij het World Economic Forum en de BCNL Foundation kijkt hij daarbij niet alleen naar wat technisch mogelijk is, maar ook naar wat bestuurlijk houdbaar en maatschappelijk wenselijk is.

Hij publiceerde vijf boeken, waarvan twee Amazon-bestsellers, en schrijft wekelijks over AI, blockchain en de organisatorische gevolgen van deep tech. Zijn blogs bereikten inmiddels meer dan twee miljoen lezers.

Wat is AGI? Wordt AI ooit zo slim en veelzijdig als een mens?

Wat is AGI? Wordt AI ooit zo slim en veelzijdig als een mens?

Het idee van kunstmatige intelligentie die net zo slim en veelzijdig is als een mens klinkt als iets uit sciencefiction. Maar met de razendsnelle vooruitgang in AI stellen steeds meer experts de vraag: hoe lang duurt het nog voordat we kunstmatige algemene intelligentie (AGI) bereiken? Het punt waarop een AI zelfstandig kan redeneren, nieuwe concepten kan bedenken en zich net zo flexibel kan aanpassen als wij. In dit artikel duik ik er in.

Toen ik laatst met mijn vader (69, amateur schaker) een discussie had over AI, hadden we het al snel over Garry Kasparov. Kasparov was in de jaren ’90 schaakgrootmeester en had wereldwijd faam door zijn manier van spelen en uiteraard alle wedstrijden die hij won. Maar in 1997 gebeurde er iets wat de wereld op zijn kop zette: hij verloor van Deep Blue, de supercomputer van IBM. Voor het eerst werd een wereldkampioen schaak verslagen door een computer, iets wat velen voor onmogelijk hielden. Kasparov was verbijsterd en zei later: “Ik voelde een soort intelligentie, een geest in de machine.”

Toch was Deep Blue geen ‘AGI’, zoals we dat nu omschrijven. De supercomuter kon alleen schaken. Maar het moment markeerde een keerpunt: technologie begon taken beter uit te voeren dan mensen. Dat zette een discussie in gang over waar de grenzen van kunstmatige intelligentie liggen. Vandaag de dag zie ik hetzelfde weer gebeuren, maar nu met AI-systemen die niet alleen één spel winnen, maar hele industrieën op z’n kop zetten.

Wanneer krijgen we AGI?

De voorspellingen over wanneer we AGI krijgen, lopen heel sterk uiteen. Sommige onderzoekers, zoals Dario Amodei van Anthropic, denken dat we rond 2026 al systemen zullen zien die de eerste kenmerken van AGI vertonen. Anderen, zoals AI-pionier Geoffrey Hinton, denken dat we tussen de vijf en twintig jaar nodig hebben. Een ruime marge…

Maar niet iedereen is ervan overtuigd dat we er überhaupt komen. Yann LeCun, de zeer gerespecteerde AI-onderzoeker bij Meta, stelt dat AGI nog tientallen jaren op zich zal laten wachten. Hij denkt zelfs dat het misschien wel nooit echt mogelijk is zoals mensen het zich voorstellen.

Demis Hassabis, CEO van DeepMind, is iets voorzichtiger in zijn voorspellingen: “Ik denk dat AI die kan redeneren zoals een mens binnen een decennium mogelijk is, maar het is geen zekerheid. We moeten fundamentele doorbraken blijven maken in ons begrip van intelligentie.”

Als we uitzoomen naar de ontwikkelingen vandaag de dag, dan staat het wel vast in mijn optiek dat de ontwikkeling van AI al een enorme impact heeft. Op ons als individu, op organisaties, op hele industrieën. Positief en negatief. Maar of AGI nu snel komt of niet, de grenzen van wat AI kan, worden steeds verder opgerekt.

Van smalle AI naar algemene intelligentie

De AI-systemen die we vandaag de dag gebruiken, zoals GPT-4 en Gemini, zijn indrukwekkend veelzijdig. Ik verbaas me steeds weer over hoe de LLMs mijn dagelijkse werk ongekend ondersteunen en versterken. Maar de modellen zijn nog steeds gespecialiseerd. Ze kunnen teksten genereren, code schrijven en afbeeldingen creëren, maar ze werken allemaal binnen een duidelijk afgebakend kader. Een taalmodel zoals GPT kan geen complexe financiële analyses maken zoals een AI van Bloomberg. De AI van McKinsey kan geen kunstmatige muziek componeren of medische scans analyseren.

AGI zou al deze vaardigheden in één systeem moeten kunnen combineren. Een AI die net zo flexibel is als een mens zou kunnen leren van ervaringen, zich zelfstandig aanpassen aan nieuwe problemen en taken uitvoeren waarvoor het nooit expliciet getraind is.

Dat is een enorme stap verder dan de AI die we nu hebben. Sam Altman, CEO van OpenAI, noemt AGI “de ultieme technologische sprong” en zegt: “Zodra we AGI bereiken, wordt het de krachtigste tool die de mensheid ooit heeft gehad.”

Maar waar staan we nu in de AGI race?

Hoewel AGI in mijn optiek echt nog toekomstmuziek is, zien we nu al AI-systemen die taken uitvoeren die tot voor kort onmogelijk leken.

AI-modellen zoals GPT-4 en Gemini kunnen complexe examens beter maken dan de meeste mensen. OpenAI’s GPT-4 scoorde in de top 10% op het Uniform Bar Exam voor juristen in de VS en DeepMind’s Med-PaLM kan medische vragen beantwoorden op het niveau van een ervaren arts. Deze systemen slagen niet alleen in het geven van correcte antwoorden, maar kunnen ook redeneren over complexe vraagstukken, patronen ontdekken in data en zelfs hypotheses vormen.

AI’s vermogen om zelfstandig problemen op te lossen en verbanden te leggen groeit met elke versie. AlphaFold, een doorbraak van DeepMind, voorspelde de 3D-structuur van bijna alle bekende eiwitten—een probleem waar wetenschappers zoals mijn broertje decennialang mee worstelden. Dit toont in mijn optiek aan dat AI al functioneert als een intelligent systeem dat verder gaat dan simpele patroonherkenning.

Geoffrey Hinton, een van de grondleggers van deep learning, zegt: “We zijn aangekomen op een punt waar AI begint te leren zoals mensen leren. Dat is zowel spannend als zorgwekkend.”

Maar ondanks deze vooruitgang zijn AI-modellen nog steeds beperkt. Ze missen een eigen motivatie, kunnen geen abstracte concepten ontwikkelen zoals mensen dat doen en zijn afhankelijk van enorme hoeveelheden trainingsdata. Dit maakt de stap naar AGI nog steeds complex.

Wat is de volgende stap in de AGI-ontwikkelingen?

Als we kijken naar de uitdagingen en huidige ontwikkelingen van de modellen, dan blijft AGI in mijn optiek voorlopig nog een ambitieus doel. Kijk naar allerlei technologieën die in de afgelopen eeuw zijn ontstaan. De vooruitgang hiervan ging in geleidelijke stappen: van de gloeilamp tot het internet, van de eerste computer tot smartphones. Maar AGI is in mijn optiek echt een ander verhaal. Het is geen kwestie van kleine verbeteringen; het is een bizarre sprong naar een fundamenteel nieuwe realiteit.

Sam Altman, CEO van OpenAI, zei dit afgelopen maand nog: “We zijn nu zeker dat we weten hoe we AGI moeten bouwen.” En niet over tientallen jaren, maar mogelijk al binnen de presidentstermijn van Trump; dus 3,5 jaar. Zijn voorspelling is geen sciencefiction meer. De rekencapaciteit, de modellen en de schaalbaarheid laten zien dat de laatste barrières sneller vallen dan verwacht.

AGI zal zich niet van de ene op de andere dag aandienen, maar de eerste systemen die er sterk op lijken, komen nu al in zicht. Als de voorspellingen kloppen, dan zal het niet lang meer duren voordat we ons in mijn optiek moeten afvragen: hoe gaan we samenwerken met een intelligentie die ons op alle fronten kan overtreffen?

admin

Jan Scheele werkt dertien jaar op het snijvlak van deep tech, strategie en leiderschap. Als keynote spreker en dagvoorzitter maakt hij technologie tastbaar voor boardrooms, directieteams en grote podia, zonder de complexiteit te versimpelen of te verbergen achter buzzwords.

Zijn achtergrond ligt in het bouwen. Als CEO van een technologie scale-up, oprichter van meerdere techbedrijven en organisator van meer dan vijftig TED-events wereldwijd zag hij van dichtbij hoe technologische keuzes doorwerken in strategie, governance en cultuur. Vanuit zijn betrokkenheid bij het World Economic Forum en de BCNL Foundation kijkt hij daarbij niet alleen naar wat technisch mogelijk is, maar ook naar wat bestuurlijk houdbaar en maatschappelijk wenselijk is.

Hij publiceerde vijf boeken, waarvan twee Amazon-bestsellers, en schrijft wekelijks over AI, blockchain en de organisatorische gevolgen van deep tech. Zijn blogs bereikten inmiddels meer dan twee miljoen lezers.

AI geletterdheid is verplicht voor organisaties vanaf 2025

AI geletterdheid is verplicht voor organisaties vanaf 2025

AI is nog geen must. Maar AI-geletterdheid? Die wel. Vanaf 2025 wordt het verplicht voor organisaties om ervoor te zorgen dat hun medewerkers AI op de juiste manier gebruiken.
Ik merk bij veel organisaties met wie ik aan AI mag werken, dat zij hier totaal nog niet van op de hoogte zijn, dan wel mee aan de slag zijn gegaan. 

Wat betekent ‘AI geletterdheid’ in de praktijk? Moet je iedereen een AI-opleiding laten volgen? Moet de receptioniste hetzelfde weten als een data-analist? 


AI-geletterdheid betekent dat je begrijpt hoe AI werkt, wat de risico’s zijn en hoe je het verantwoord gebruikt. Niet iedereen hoeft een AI-engineer te zijn, maar wél op zijn of haar eigen niveau de juiste kennis hebben.

Een marketeer die AI gebruikt voor advertentiecampagnes, moet weten hoe AI besluit wie welke advertenties ziet. Een HR-manager die AI gebruikt voor sollicitaties, moet begrijpen hoe bias in algoritmes kan leiden tot discriminatie. En een IT’er die AI-systemen beheert? Die moet snappen hoe ze werken, maar ook wat de juridische en ethische kaders zijn.


Kort gezegd:
iedereen die met AI werkt, moet snappen wat hij of zij doet – en wat de gevolgen kunnen zijn.

Waarom wordt AI-geletterdheid verplicht?
De Europese AI Act stelt dat bedrijven moeten zorgen voor een ‘toereikend niveau’ van AI-geletterdheid bij hun medewerkers. Dit is geen bureaucratische regel, maar een manier om risico’s te beperken en AI verantwoord in te zetten.

Fouten in AI-gebruik kunnen leiden tot:
❌ Discriminatie bij werving en selectie
❌ Foute beslissingen op basis van AI-data
❌ Datalekken en privacyproblemen
❌ Gebrek aan controle over AI-systemen

Wie AI slim wil gebruiken, moet weten hoe het werkt. AI-geletterdheid helpt bedrijven innovatiever, veiliger en efficiënter te werken – en voorkomt boetes en reputatieschade.

Hoe implementeer je AI-geletterdheid in jouw organisatie?

Ik gebruik zelf als ik met organisaties hier aan werk, deze vier stappen.

1️⃣ Inventariseren – Wat gebruik je al?
Breng in kaart welke AI-tools en systemen binnen je organisatie worden gebruikt. Van geavanceerde AI-modellen tot simpele chatbots. Vraag je af:

  • Wie gebruikt deze AI-tools?
  • Waarvoor worden ze ingezet?
  • Wat zijn de mogelijke risico’s?
  • Hoe afhankelijk zijn we van AI?

2️⃣ Doelen stellen – Wie moet wat weten?
Niet iedereen hoeft hetzelfde te leren. Bepaal per functie welke AI-kennis nodig is. Denk aan:

  • Basiskennis AI voor iedereen
  • Geavanceerde training voor IT & data-teams
  • Ethische en juridische kennis voor HR en management
  • Praktische AI-tools en toepassingen per afdeling

3️⃣ Uitvoeren – Hoe zorg je voor AI-geletterdheid?
Maak AI-geletterdheid onderdeel van je bedrijfsstrategie:

  • Organiseer interne trainingen en workshops
  • Zorg voor certificeringen en e-learningmodules
  • Laat externe experts AI-geletterdheidssessies geven
  • Stel een AI-officer aan die toezicht houdt op AI-gebruik

Belangrijk: AI-geletterdheid is geen statisch doel. AI ontwikkelt zich razendsnel, dus zorg dat je trainingen en kennisupdates regelmatig vernieuwt.

4️⃣ Evalueren – Blijven verbeteren
AI-geletterdheid is een continu proces. Zorg voor een cyclus van:

  • Regelmatige kennischecks en updates
  • Feedback van medewerkers over AI-tools
  • Een AI-beleid dat meegroeit met de technologie
  • Periodieke audits om te zien of iedereen nog op niveau is

AI verandert, en jouw organisatie moet meebewegen. Door AI-geletterdheid te monitoren en te blijven verbeteren, blijf je future-proof.

Wat als je dit niet regelt?
Vanaf augustus 2025 kan de Autoriteit Persoonsgegevens AI-geletterdheid meenemen in handhavingsbesluiten. Dat betekent: als jouw bedrijf AI verkeerd gebruikt en dat leidt tot fouten of datalekken, kun je een boete of andere sancties verwachten. Geen actie ondernemen is dus een groot risico.

admin

Jan Scheele werkt dertien jaar op het snijvlak van deep tech, strategie en leiderschap. Als keynote spreker en dagvoorzitter maakt hij technologie tastbaar voor boardrooms, directieteams en grote podia, zonder de complexiteit te versimpelen of te verbergen achter buzzwords.

Zijn achtergrond ligt in het bouwen. Als CEO van een technologie scale-up, oprichter van meerdere techbedrijven en organisator van meer dan vijftig TED-events wereldwijd zag hij van dichtbij hoe technologische keuzes doorwerken in strategie, governance en cultuur. Vanuit zijn betrokkenheid bij het World Economic Forum en de BCNL Foundation kijkt hij daarbij niet alleen naar wat technisch mogelijk is, maar ook naar wat bestuurlijk houdbaar en maatschappelijk wenselijk is.

Hij publiceerde vijf boeken, waarvan twee Amazon-bestsellers, en schrijft wekelijks over AI, blockchain en de organisatorische gevolgen van deep tech. Zijn blogs bereikten inmiddels meer dan twee miljoen lezers.

Hoe kan je AI beter laten redeneren? Probeer Chain-of-Thought prompting!

Hoe kan je AI beter laten redeneren? Probeer Chain-of-Thought prompting!

Grote AI-taalmodellen zijn goed in taken zoals het schrijven van teksten en vertalingen, maar hebben moeite met complexe problemen zoals rekenen en logische redenering. Dit komt doordat ze niet van nature stap voor stap denken. In dit artikel vertel ik hoe jij zelf de modellen wél stap voor stap kan laten denken.

We hebben lang gedacht dat AI-modellen simpelweg beter moesten worden door méér data en méér rekenkracht toe te voegen. Maar ondanks enorme sprongen in taalbegrip, bleven modellen worstelen met complexe redeneringen, zoals wiskunde of logische puzzels. Ze gaven vaak antwoorden die klonken alsof ze klopten, maar bij nadere inspectie complete onzin waren.

De keten van het denken

Dit veranderde toen onderzoekers een slimme truc ontdekten: Chain-of-Thought (CoT) prompting. In plaats van het model direct een antwoord te laten geven, voegden ze simpelweg een zinnetje toe: “Laten we dit stap voor stap oplossen.” Opeens begon AI de problemen wél logisch te ontleden en nauwkeurigere antwoorden te geven.

Eerder schreef ik over de Chinese uitdager van GPT, Llama en Gemini: DeepSeek. CoT werd in mijn optiek recent een hype toen DeepSeek liet zien hoe krachtig CoT-prompting kan zijn. Dit omdat het model standaard getraind is om deze manier van redeneren toe te passen.

Hierdoor werd het voor iedereen makkelijker om AI’s écht te laten ‘nadenken’ in plaats van alleen maar een gok te laten doen. CoT-prompting wordt nu gezien als een van de meest effectieve manieren om AI-modellen slimmer en betrouwbaarder te maken. Of het nu gaat om wiskunde, klantenservice of bedrijfsanalyses: AI kan eindelijk écht redeneren, en dat allemaal dankzij een simpele maar geniale prompting-techniek.

De kunst van het aansturen van AI

We hebben inmiddels verschillende typen prompting zien ontstaan.

Zero-shot prompting

Hierbij geef je het model een opdracht zonder voorbeelden. Dit is handig voor eenvoudige taken, maar minder geschikt voor complexe problemen.

Voorbeeld: “Schrijf een gedicht over AI.” Het model genereert een gedicht zonder verdere uitleg.

Few-shot prompting

Bij few-shot prompting geef je enkele voorbeelden om het model te helpen de structuur van een taak beter te begrijpen. Dit is nuttig voor meer gestructureerde taken, zoals samenvattingen of tekstvertalingen.

Voorbeeld: “Hier zijn twee samenvattingen van artikelen. Gebruik deze stijl om het volgende artikel samen te vatten.”

Active prompting

Bij active prompting evalueer je de output van het model en geef je feedback, zodat het zich kan aanpassen en verbeteren. Ik ben soms wel een uur bezig met een dergelijk gesprek te voeren.

Voorbeeld: “Dit antwoord is niet precies genoeg. Geef een gedetailleerdere uitleg en herformuleer de conclusie.”

Hoe kan je zelf Chain-of-Thought prompting gebruiken?

De afgelopen tijd heb ik veel geëxperimenteerd met het gebruik van CoT. Deze tips werken erg goed bij mij:

1. Gebruik een stapsgewijze prompt

Voeg “Laten we stap voor stap nadenken” toe aan je prompt om het model aan te moedigen logisch te redeneren.

Voorbeeld: “Wat is de wortel van 144? Laten we dit stap voor stap oplossen.”

2. Geef een goed voorbeeld

Laat het model leren van een zorgvuldig uitgewerkte redenering.

Voorbeeld: “Dit is hoe je een budgetanalyse maakt: eerst tel je alle inkomsten, daarna trek je de uitgaven af…”

3. Laat het model meerdere antwoorden genereren

Vergelijk de antwoorden en kies het meest consistente antwoord.

Voorbeeld: “Geef drie verschillende manieren om deze tekst samen te vatten en kies de beste.”

4. Gebruik active prompting

Geef feedback en laat het model de fout corrigeren.

Voorbeeld: “Je hebt de derde stap overgeslagen. Probeer het opnieuw en voeg die stap toe.”

Niet alle modellen werken goed met Chain-of-Thought prompting

Niet alle modellen werken goed met CoT heb ik gemerkt. Onderzoek toont ook aan dat CoT-prompting het beste werkt met grote taalmodellen (100+ miljard parameters) zoals GPT-4, en DeepSeek. Kleinere modellen hebben moeite met lange, logische denkstappen.

Een aantal andere zaken die in mijn optiek belangrijk zijn in het CoT-gebruik:

  • Zelf-consistentie: het model meerdere keren hetzelfde probleem laten oplossen en het meest logische antwoord kiezen. Dit helpt fouten verminderen en zorgt voor betrouwbaardere antwoorden.
  • Robuustheid: CoT prompting werkt goed, ongeacht de schrijfstijl van de voorbeelden. Dit betekent dat je niet perfect geformuleerde voorbeelden hoeft te geven.
  • Gevoeligheid voor prompts: Een slecht geformuleerde prompt kan ervoor zorgen dat CoT niet goed werkt. Zorg ervoor dat je duidelijke instructies geeft en de vraag helder is.
  • Coherentie: De denkstappen moeten logisch op elkaar volgen. Als een tussenstap ontbreekt of verkeerd is, leidt dat tot fouten in de uiteindelijke conclusie.

Chain-of-Thought prompting is in mijn optiek echt grensverleggend voor AI. Ik merk echt dat het de output heel sterk verbetert. Met de juiste prompts en het juiste gebruik, stel je AI in staat om beter na te denken, meer accurate antwoorden te geven en complexe problemen op te lossen.

Begin met eenvoudige taken en voeg stap voor stap redenering toe. Je zult merken dat AI niet alleen slimmer reageert, maar ook inzichten geeft die anders verborgen blijven. Heb je nog een aanvullende tip? Deel hem hieronder in de reacties!

admin

Jan Scheele werkt dertien jaar op het snijvlak van deep tech, strategie en leiderschap. Als keynote spreker en dagvoorzitter maakt hij technologie tastbaar voor boardrooms, directieteams en grote podia, zonder de complexiteit te versimpelen of te verbergen achter buzzwords.

Zijn achtergrond ligt in het bouwen. Als CEO van een technologie scale-up, oprichter van meerdere techbedrijven en organisator van meer dan vijftig TED-events wereldwijd zag hij van dichtbij hoe technologische keuzes doorwerken in strategie, governance en cultuur. Vanuit zijn betrokkenheid bij het World Economic Forum en de BCNL Foundation kijkt hij daarbij niet alleen naar wat technisch mogelijk is, maar ook naar wat bestuurlijk houdbaar en maatschappelijk wenselijk is.

Hij publiceerde vijf boeken, waarvan twee Amazon-bestsellers, en schrijft wekelijks over AI, blockchain en de organisatorische gevolgen van deep tech. Zijn blogs bereikten inmiddels meer dan twee miljoen lezers.

Want to Make AI Think Better? Try Chain-of-Thought Prompting!

Want to Make AI Think Better? Try Chain-of-Thought Prompting!

Large language models are great at tasks like writing and translation, but they often struggle with complex problems like math and logical reasoning. That’s because they don’t naturally think step by step. In this article, I’ll show you how you can make them reason step by step—with a surprisingly simple trick.

For a long time, we assumed that AI models just needed more data and more computing power to improve. But even with major advances in language understanding, models kept struggling with complex reasoning—math, logic puzzles, you name it. They often produced answers that sounded right but turned out to be complete nonsense.

The Chain of Thought

This began to change when researchers discovered a clever trick: Chain-of-Thought (CoT) prompting. Instead of asking the model to give a direct answer, they simply added the phrase: “Let’s solve this step by step.” Suddenly, the AI started breaking problems down logically and producing more accurate answers.

I previously wrote about the Chinese challenger to GPT, Llama, and Gemini: DeepSeek. In my view, CoT became a real hype when DeepSeek showcased how powerful CoT prompting can be—because the model is trained to apply this step-by-step reasoning by default.

This made it easier for everyone to get AI to truly think, instead of just guessing. CoT prompting is now seen as one of the most effective ways to make AI models smarter and more reliable. Whether it’s for math, customer service, or business analysis—AI can now reason, all thanks to a simple but brilliant prompting technique.

The Art of Prompting AI

We’ve now seen various prompting styles emerge.

Zero-shot prompting

You give the model a task with no examples. This works well for simple tasks, but not for complex problems.

Example: “Write a poem about AI.”
The model generates a poem without further guidance.

Few-shot prompting

You give a few examples to help the model understand the structure of the task. This is useful for more structured outputs like summaries or translations.

Example: “Here are two article summaries. Use the same style to summarize this next one.”

Active prompting

You evaluate the model’s output and provide feedback so it can improve. I’ve sometimes spent an hour having this kind of back-and-forth.

Example: “This answer isn’t precise enough. Please give a more detailed explanation and rewrite the conclusion.”

How Can You Use Chain-of-Thought Prompting Yourself?

Lately, I’ve been experimenting a lot with CoT, and these tips work really well for me:

1. Use a step-by-step prompt

Add “Let’s think through this step by step” to your prompt to encourage logical reasoning.

Example: “What’s the square root of 144? Let’s solve this step by step.”

2. Provide a good example

Let the model learn from a carefully worked-out reasoning process.

Example: “Here’s how to do a budget analysis: first, list all income sources, then subtract expenses…”

3. Let the model generate multiple answers

Compare the outputs and choose the most consistent one.

Example: “Give three different summaries of this text and select the best one.”

4. Use active prompting

Give feedback and let the model correct its mistake.

Example: “You skipped the third step. Try again and include that step.”

Not All Models Handle Chain-of-Thought Prompting Well

In my experience, not all models respond well to CoT. Research also shows that CoT prompting works best with large models (100+ billion parameters) like GPT-4 and DeepSeek. Smaller models struggle with long, logical reasoning chains.

Here are a few other important factors in using CoT effectively:

  • Self-consistency: Let the model solve the same problem multiple times and pick the most logical answer. This helps reduce errors and leads to more reliable responses.
  • Robustness: CoT prompting works even if your examples aren’t perfectly worded. You don’t need flawless language to get results.
  • Prompt sensitivity: A poorly written prompt can ruin your CoT attempt. Make sure your instructions are clear and your question is well-defined.
  • Coherence: The steps should logically follow one another. If a step is missing or flawed, the final conclusion may be incorrect.

Chain-of-Thought Prompting is a Game-Changer

In my view, Chain-of-Thought prompting is truly a game-changer for AI. I’ve seen firsthand how much it improves the quality of output. With the right prompts and techniques, you enable AI to think better, provide more accurate answers, and solve complex problems.

Start with simple tasks and gradually introduce step-by-step reasoning. You’ll soon notice that AI not only responds more intelligently, but also reveals insights that would otherwise remain hidden.
Got your own tip? Share it in the comments!

admin

Jan Scheele werkt dertien jaar op het snijvlak van deep tech, strategie en leiderschap. Als keynote spreker en dagvoorzitter maakt hij technologie tastbaar voor boardrooms, directieteams en grote podia, zonder de complexiteit te versimpelen of te verbergen achter buzzwords.

Zijn achtergrond ligt in het bouwen. Als CEO van een technologie scale-up, oprichter van meerdere techbedrijven en organisator van meer dan vijftig TED-events wereldwijd zag hij van dichtbij hoe technologische keuzes doorwerken in strategie, governance en cultuur. Vanuit zijn betrokkenheid bij het World Economic Forum en de BCNL Foundation kijkt hij daarbij niet alleen naar wat technisch mogelijk is, maar ook naar wat bestuurlijk houdbaar en maatschappelijk wenselijk is.

Hij publiceerde vijf boeken, waarvan twee Amazon-bestsellers, en schrijft wekelijks over AI, blockchain en de organisatorische gevolgen van deep tech. Zijn blogs bereikten inmiddels meer dan twee miljoen lezers.

Effortless Art: Creatieve Revolutie of Het Einde van Authentieke Kunst?

Effortless Art: Creatieve Revolutie of Het Einde van Authentieke Kunst?

Stel je voor: een boek, een film, een kunstwerk dat in twee weken is geschreven, ontworpen, bewerkt en gepubliceerd. Niet door een gepassioneerde auteur, filmmaker of kunstenaar, maar door… AI. Welkom in de wereld van effortless art. Maar willen we dit eigenlijk wel?

Het is deze week boekenweek en na het publiceren van 3 boeken in de afgelopen jaren, krijg ik regelmatig de vraag of ik ze zelf heb geschreven, of toch ook door AI.

In 2024 zag de boekenwereld een explosie van AI-gedreven creaties. Microsoft lanceerde 8080 Books, TikTok‘s moederbedrijf ByteDance begon met 8th Note Press, en startups zoals Spines brengen duizenden boeken per jaar uit, volledig geoptimaliseerd door kunstmatige intelligentie. We zien inmiddels ook op Amazon bijvoorbeeld, dan 20% van de e-books, door AI gegenereerd is.

Maar wat is effortless art? Simpel: boeken, muziek, films en kunst, gemaakt met minimale menselijke input. Een paar prompts, een beetje fine-tuning, en klaar is kees. Je hebt bijvoorbeeld al meer dan 40 AI platformen waar je heel makkelijk een compleet boek kan laten genereren.

Het Chinese Tencent heeft al meer dan 1000 muzieknummers laten genereren door AI, waarvan het best beluisterde nummer via streaming al meer dan 100 miljoen geluisterd is. Vorig jaar waren er op de AI Film awards 8000 inzendingen, waar de top 100 niet meer van echt te onderscheiden is.

Het ontstond uit de drang naar snelheid, efficiëntie en toegankelijkheid. Geen maanden ploeteren aan een manuscript, geen eindeloze redactierondes—alles kan sneller, goedkoper, makkelijker.”

Maar hier wringt het. Kunst is toch meer dan een product? Het is zweet, frustratie, passie. Kan een AI dat vangen? Een algoritme voelt geen verdriet, geen euforie, geen verwarring. Kan het dan wel iets maken dat raakt?”

“Toch verandert onze definitie van kunst. Misschien gaat het niet meer alleen om de maker, maar om de ervaring van de ontvanger. AI als creatieve partner, niet als vervanger. Maar stel jezelf de vraag: als alles moeiteloos is, wat is dan nog de waarde van moeite?”

Dus, wat vind jij? Is effortless art de toekomst van creativiteit of het einde van authentieke kunst?

admin

Jan Scheele werkt dertien jaar op het snijvlak van deep tech, strategie en leiderschap. Als keynote spreker en dagvoorzitter maakt hij technologie tastbaar voor boardrooms, directieteams en grote podia, zonder de complexiteit te versimpelen of te verbergen achter buzzwords.

Zijn achtergrond ligt in het bouwen. Als CEO van een technologie scale-up, oprichter van meerdere techbedrijven en organisator van meer dan vijftig TED-events wereldwijd zag hij van dichtbij hoe technologische keuzes doorwerken in strategie, governance en cultuur. Vanuit zijn betrokkenheid bij het World Economic Forum en de BCNL Foundation kijkt hij daarbij niet alleen naar wat technisch mogelijk is, maar ook naar wat bestuurlijk houdbaar en maatschappelijk wenselijk is.

Hij publiceerde vijf boeken, waarvan twee Amazon-bestsellers, en schrijft wekelijks over AI, blockchain en de organisatorische gevolgen van deep tech. Zijn blogs bereikten inmiddels meer dan twee miljoen lezers.

Voorspellen = Verdienen? De opkomst van voorspellingsmarkten

Voorspellen = Verdienen? De opkomst van voorspellingsmarkten

Vorig jaar sprak ik in Singapore met de oprichter en CEO van Polymarket, een van de snelst groeiende blockchainplatformen voor voorspellingsmarkten. Hier kunnen gebruikers geld inzetten op de uitkomst van toekomstige gebeurtenissen, van politieke verkiezingen tot wie de volgende James Bond wordt. De markt bepaalt de kansen: hoe meer mensen geloven in een bepaalde uitkomst, hoe hoger de prijs.

We houden als mensen van voorspellen. Of het nu gaat om sportuitslagen, de verkiezingen of de volgende grote AI-doorbraak – het geeft ons een gevoel van controle. Maar wat als je geld kon verdienen met die voorspellingen? Enter: voorspellingsmarkten zoals Polymarket.

Wat maakt voorspellingsmarkten zo krachtig? Het draait allemaal om de ‘wisdom of the crowd’. Individuele meningen kunnen fout zijn, maar collectief blijkt de massa verrassend accuraat. Tijdens de Amerikaanse verkiezingen in 2024 voorspelde Polymarket al vroeg dat Trump zou winnen met een waarschijnlijkheid van 60%, terwijl de meeste media het hielden op een nek-aan-nekrace. En ze kregen gelijk.

Maar het blijft niet alleen bij politiek. Op Polymarket en andere platforms zijn er bizarre voorspellingen te vinden, zoals:

  • Gaat Taylor Swift in 2025 trouwen?
  • Wordt er een buitenaards signaal ontvangen binnen de komende vijf jaar?
  • Wanneer komt de eerste menselijke missie naar Mars?
  • Wordt er dit jaar een nieuwe pandemie aangekondigd door de WHO?

Deze markten zijn niet alleen leuk, maar ze geven ook een interessant inkijkje in wat mensen écht denken dat er gaat gebeuren. Polymarket heeft inmiddels meer dan $3,7 miljard aan contracten verwerkt, een enorme groei ten opzichte van voorgaande jaren.

De keerzijde? Voorspellingsmarkten kunnen gemanipuleerd worden door grote spelers die met forse bedragen de odds beïnvloeden. Daarnaast liggen ze juridisch onder vuur. In de VS zijn er al rechtszaken over de legaliteit van het wedden op politieke gebeurtenissen. Sommigen zien deze markten als een gokspel, terwijl anderen het beschouwen als een innovatieve manier om data te verzamelen en te benutten.

Wat brengt de toekomst? AI zal een grote rol gaan spelen. Stel je voor: miljoenen micro-voorspellingsmarkten, aangedreven door AI die patronen herkent en automatisch beslissingen neemt. Dit kan impact hebben op sociale media, wetenschap, besluitvorming en zelfs governance.

Zijn voorspellingsmarkten de toekomst van informatievoorziening of blijven ze vooral een gokspel voor de slimste spelers?

admin

Jan Scheele werkt dertien jaar op het snijvlak van deep tech, strategie en leiderschap. Als keynote spreker en dagvoorzitter maakt hij technologie tastbaar voor boardrooms, directieteams en grote podia, zonder de complexiteit te versimpelen of te verbergen achter buzzwords.

Zijn achtergrond ligt in het bouwen. Als CEO van een technologie scale-up, oprichter van meerdere techbedrijven en organisator van meer dan vijftig TED-events wereldwijd zag hij van dichtbij hoe technologische keuzes doorwerken in strategie, governance en cultuur. Vanuit zijn betrokkenheid bij het World Economic Forum en de BCNL Foundation kijkt hij daarbij niet alleen naar wat technisch mogelijk is, maar ook naar wat bestuurlijk houdbaar en maatschappelijk wenselijk is.

Hij publiceerde vijf boeken, waarvan twee Amazon-bestsellers, en schrijft wekelijks over AI, blockchain en de organisatorische gevolgen van deep tech. Zijn blogs bereikten inmiddels meer dan twee miljoen lezers.

Vergeet de mens; is jouw marketing al AI-agent proof?

Vergeet de mens; is jouw marketing al AI-agent proof?

Al duizenden jaren wordt marketing bedreven, gefocust op de mens. Door mijn werk met AI-agents en een tool als GPT Operator, zie ik de manier waarop mensen producten ontdekken en kopen razendsnel veranderen. Niet langer nemen ze zelf beslissingen; steeds vaker laten ze AI-agents al het werk doen. Hoe speel je daar op in? Daar vertel ik in dit artikel over.

Van reisplanners tot online shopping-assistenten; AI-modellen zoals ChatGPT, Google Gemini en Meta’s Llama worden steeds vaker de tussenpersoon tussen consument en merk. Maar werkt dit wel zoals bedrijven hopen? Gaan AI-agents echt bepalen welk merk consumenten kiezen? Of lopen bedrijven het risico zichzelf onzichtbaar te maken door zich blind te staren op AI-optimalisatie?

AI bepaalt straks je winkelmandje – maar op basis waarvan?

Volgens een studie van Boston Consulting Group gebruikt 28% van de consumenten AI om producten zoals cosmetica te kiezen. Maar betekent dat ook dat AI-agenten straks alle aankopen bepalen? Dat is in mijn optiek nog maar de vraag.

Kijk naar Google’s ‘featured snippets’ in de zoekresultaten. Ik heb met mijn bedrijven jarenlang mijn SEO-strategie aangepast om bovenaan te verschijnen. Maar nu AI’s zoals Gemini en ChatGPT zelf antwoorden genereren, is het de vraag of consumenten überhaupt nog gaan klikken op websites.

Hetzelfde kan gebeuren met AI-agents trouwens. Bedrijven kunnen veel tijd en moeite investeren in AI-agent-vriendelijke branding, alleen om later te ontdekken dat AI’s zonder duidelijke reden toch een ander merk aanbevelen.

Daarnaast blijft in mijn optiek de vraag hoe beïnvloedbaar AI-agenten écht zijn. Google, OpenAI en Meta houden grotendeels geheim hoe hun modellen tot bepaalde aanbevelingen komen. Ik had de stille hoop dat dit verplicht zou worden gesteld door wet- en regelgevers, zoals die vanuit de EU, maar helaas. Maar zelfs als bedrijven ontdekken welke factoren meetellen, kunnen AI-ontwikkelaars de regels aanpassen. Dat zien we bijvoorbeeld ook bij Google, wat haar zoekalgoritme regelmatig aanpast.

Een ander risico wat ik voorzie, is dat AI-agenten mogelijk niet de beste producten aanbevelen, maar de producten waarvoor ze de meeste data of commerciële prikkels ontvangen. Net zoals zoekmachines en social media beïnvloed worden door advertenties en SEO-strategieën, kunnen AI-agenten ook worden gemanipuleerd. Dit betekent dat bedrijven niet alleen met concurrenten concurreren, maar ook met de ondoorzichtige besluitvorming van AI zelf.

Slimme AI, domme keuzes: hoe merken worstelen met AI-aanbevelingen

Ik deel een paar voorbeelden waar ik de laatste tijd over las, die in mijn optiek nu al goed weergeven wat er gebeurt. En wat er goed, maar ook echt fout kan gaan.

Ballantine’s Whisky, een product bedoeld voor een breed publiek, werd door AI’s zoals Meta’s Llama ten onrechte als een premium product geclassificeerd. Dit kwam doordat er veel online content was over de luxe varianten van het merk. Om dit beeld te corrigeren, veranderde Ballantine’s hun advertenties en contentstrategie om de toegankelijkheid van hun standaard whisky te benadrukken. Al blijft het onduidelijk of AI’s hun beeld daadwerkelijk hebben aangepast.

Klarna introduceerde begin 2024 een AI-klantenservice-assistent op basis van OpenAI’s technologie. Binnen de eerste maand behandelde deze AI het equivalent van 700 fulltime-medewerkers, waardoor de klantenservicekosten drastisch daalden.

Klanten waren aanvankelijk net zo tevreden over de AI als over menselijke medewerkers. Maar toen Klarna de AI uitbreidde met productvergelijkingen en aanbevelingen, begonnen er problemen te ontstaan. De AI gaf soms tegenstrijdige adviezen of bevoordeelde bepaalde merken op basis van ondoorzichtige criteria.

Booking.com en Expedia experimenteren met AI-gestuurde zoekresultaten, waarbij AI-agenten suggesties geven op basis van voorkeuren en eerdere boekingen. Hotels en reisaanbieders moeten niet alleen concurreren op prijs en kwaliteit, maar ook op hoe goed hun aanbod wordt opgepikt door AI-modellen. Dit dwingt bedrijven om hun marketingstrategie aan te passen aan de criteria van AI-agenten, maar zonder te weten welke factoren AI’s precies meenemen in hun beslissingen.

Hoe je AI voor je laat werken in plaats van tegen je

AI-agenten bepalen steeds vaker wat consumenten te zien krijgen. Dat vraagt echt om een andere manier van denken. Traditionele marketingtechnieken blijven belangrijk in mijn optiek, maar ze moeten worden uitgebreid met strategieën die zich specifiek richten op hoe AI-agenten informatie verwerken en aanbevelingen doen.

  • Zorg voor een consistente en geloofwaardige digitale aanwezigheid. AI-modellen baseren hun aanbevelingen op alles wat over je merk te vinden is. Als er tegenstrijdige informatie online staat, kan dat leiden tot verwarrende of zelfs negatieve AI-representaties van je merk.
  • Begrijp hoe AI’s jouw merk zien en beïnvloed dat beeld pro-actief. Gebruik tools zoals Share of Model om te analyseren hoe AI-agenten jouw merk zien. Zorg dat AI’s toegang hebben tot betrouwbare bronnen over je merk, zoals artikelen op gerespecteerde platforms.
  • Optimaliseer je contentstructuur voor AI-crawlers. Net zoals SEO belangrijk is voor zoekmachines, is het structureren van content cruciaal voor AI-agenten. Gebruik schema.org markup, duidelijke metadata en snelle laadtijden om je content beter interpreteerbaar te maken voor AI’s.
  • Experimenteer met prompt-invloeden en online conversaties. Onderzoek van Carnegie Mellon toont aan dat kleine aanpassingen in hoe vragen worden gesteld een enorme invloed kunnen hebben op AI-aanbevelingen. Test strategisch prompts en stuur conversaties op platforms zoals Reddit en Quora.

De opkomst van AI-agenten verandert hoe consumenten keuzes maken, maar dat betekent niet dat bedrijven hun marketing blindelings moeten richten op algoritmes. AI’s zijn grillig, veranderlijk en beïnvloedbaar—en vaak niet in het voordeel van bedrijven.

Bedrijven die nu volledig inzetten op AI-optimalisatie zonder bredere strategie lopen het risico onzichtbaar te worden als AI’s hun beslisregels wijzigen. De spelregels van AI veranderen sneller dan bedrijven zich kunnen aanpassen.

Wat wél telt, is een hybride strategie: blijf aantrekkelijk voor AI-agenten, maar verlies de menselijke connectie niet uit het oog. Consumenten bouwen nog steeds emotionele banden op met merken, en een AI kan die band niet zomaar repliceren. Het beste is om AI slim in te zetten, zonder de controle over je eigen verhaal te verliezen.

admin

Jan Scheele werkt dertien jaar op het snijvlak van deep tech, strategie en leiderschap. Als keynote spreker en dagvoorzitter maakt hij technologie tastbaar voor boardrooms, directieteams en grote podia, zonder de complexiteit te versimpelen of te verbergen achter buzzwords.

Zijn achtergrond ligt in het bouwen. Als CEO van een technologie scale-up, oprichter van meerdere techbedrijven en organisator van meer dan vijftig TED-events wereldwijd zag hij van dichtbij hoe technologische keuzes doorwerken in strategie, governance en cultuur. Vanuit zijn betrokkenheid bij het World Economic Forum en de BCNL Foundation kijkt hij daarbij niet alleen naar wat technisch mogelijk is, maar ook naar wat bestuurlijk houdbaar en maatschappelijk wenselijk is.

Hij publiceerde vijf boeken, waarvan twee Amazon-bestsellers, en schrijft wekelijks over AI, blockchain en de organisatorische gevolgen van deep tech. Zijn blogs bereikten inmiddels meer dan twee miljoen lezers.

Mijn wekelijkse

Shot inspiratie

Elke week ontvangen 400+ mensen een shot deep-tech inspiratie. Ook ontvangen? Schrijf je hier rechts gratis in.

Ik spam nooit en gebruik het mailadres
alleen voor deze nieuwsbrief.

Copyright © 2026 Jan Scheele

Ook elke week een shot deeptech inspiratie?

Meld je aan om elk weekend een gratis shot inspiratie te ontvangen in de mailbox.

Ik spam nooit en gebruik het mailadres
alleen voor deze nieuwsbrief.

Paid Search Marketing
Search Engine Optimization
Email Marketing
Conversion Rate Optimization
Social Media Marketing
Google Shopping
Influencer Marketing
Amazon Shopping
Explore all solutions