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?

Jan Scheele

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.

janscheele.nl

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?

Jan Scheele

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.

janscheele.nl

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.

Jan Scheele

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.

janscheele.nl

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!

Jan Scheele

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.

janscheele.nl

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?

Jan Scheele

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.

janscheele.nl

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?

Jan Scheele

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.

janscheele.nl

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.

Jan Scheele

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.

janscheele.nl