Wat kunnen moderne AI-modellen?: De Complete Gids

De meeste mensen hebben hun eerste ervaring met AI gehad via een chatvenster. Ze stelden een vraag en kregen een geschreven antwoord. Dat werkte, en het beeld beklijfde: AI is iets dat tekst produceert.

Dat beeld is niet fout. Het is incompleet. En het verschil doet ertoe.

Informatieverwerking

Wanneer een AI-model een tekst produceert, doet het iets dat je van buitenaf niet ziet. Het verwerkt informatie. Het herkent patronen in de invoer, vergelijkt die met patronen die het tijdens de training heeft geleerd, en genereert output die op basis van die vergelijking het meest waarschijnlijk past. Dat mechanisme werkt bij het schrijven van een e-mail. Het werkt ook bij het samenvatten van een rapport van dertig pagina’s. Bij het herstructureren van ongeordende vergadernotulen tot een overzicht met heldere kopjes en actiepunten. Bij het herschrijven van een technisch document in taal die een directie kan lezen.

Schrijven, samenvatten, structureren en vertalen zijn vier toepassingen die er heel verschillend uitzien. Onder de motorkap is het hetzelfde proces: informatie verwerken, patronen herkennen, output genereren. Het is alsof je ontdekt dat het instrument waarmee je brieven schreef, ook tabellen kan lezen, archieven kan doorzoeken en verslagen kan ordenen. Het schrijven was het begin. Het is niet het plafond.

En dan komt het moment dat het beeld kantelt. Want als datzelfde mechanisme van patroonherkenning en informatieverwerking krachtig genoeg wordt, gebeurt er iets dat de meeste mensen niet verwachten.

Analyse

Geef een AI-model een dataset met klantfeedback uit het afgelopen jaar. Honderden reacties, ongestructureerd, verspreid over e-mails en enquêtes. Het model categoriseert de feedback naar thema, analyseert het sentiment per categorie, identificeert verschuivingen over de kwartalen heen, en produceert een overzicht van de vijf belangrijkste trends. Dat is analyse: het destilleert patronen uit honderden individuele datapunten. Werk waar een mens uren voor nodig heeft, geleverd in minuten.

Een zelfstandig organisatieadviseur die vijf documenten van een klant krijgt, twee beleidsnotities, een jaarverslag, notulen van een MT-vergadering en een klanttevredenheidsonderzoek, kan die allemaal tegelijk aan het model geven. Het model leest alles, signaleert patronen, legt tegenstrijdigheden bloot en structureert de bevindingen tot een eerste analyserapport. De adviseur voegt het eigen oordeel en de klantkennis toe. Het eindresultaat staat er in een halve dag in plaats van drie.

Redeneren in stappen

De nieuwste generatie modellen gaat nog verder. Ze voeren meerstapsredeneringen uit: het probleem opdelen in deelvragen, elke deelvraag apart doorwerken, de antwoorden tegen elkaar afwegen, en pas dan tot een conclusie komen.

Vraag zo’n redeneermodel om een juridisch contract te beoordelen op tegenstrijdigheden. Het loopt clausule voor clausule door, vergelijkt definities, signaleert waar voorwaarden botsen, en produceert een gestructureerd overzicht van de gevonden problemen. Het model heeft geen juridische kennis in menselijke zin. Het herkent patronen in contracttaal en vergelijkt die systematisch, met een grondigheid die moeilijk te evenaren is als je hetzelfde handmatig doet.

Wij behandelen redenerende modellen uitgebreid in een ander deel van deze kennisbank, omdat de implicaties groot genoeg zijn voor een eigen pagina. Hier is het kernpunt: het moment waarop een AI-model niet alleen tekst genereert maar informatie analyseert en in meerdere stappen verwerkt, verandert de aard van wat het is. Het is niet langer een schrijfhulp. Het is een instrument voor informatieverwerking.

Datzelfde patroon, informatie verwerken en output genereren, strekt zich uit naar terreinen die je op het eerste gezicht niet verwacht.

Code

Een modern AI-model kan werkende software produceren op basis van een beschrijving in gewone taal. Een dashboard dat data uit een spreadsheet visualiseert. Een formulier dat klantgegevens opslaat en automatisch een bevestiging verstuurt. Een analysetool die facturen doorloopt en afwijkingen signaleert. Complete, werkende programma’s.

Dat heeft twee gevolgen. Voor ontwikkelaars verschuift de rol: minder tijd aan routinematig programmeerwerk, meer aan ontwerp en kwaliteitsbewaking. En voor mensen zonder programmeerkennis daalt de drempel naar software bouwen radicaal. Een marketingmanager die een concept wil demonstreren, kan binnen een uur een werkend prototype laten zien. Dit fenomeen heet vibe coding: je beschrijft wat je wilt, het model genereert de code, en je stuurt bij op basis van het resultaat.

Programmeerexpertise wordt daardoor niet overbodig. Een prototype is geen productiesysteem. De code moet onderhoudbaar zijn, veilig, en bestand tegen onverwacht gebruik. Daar blijft vakkennis voor nodig. Maar de afstand tussen een idee en een werkende demonstratie is fundamenteel verkleind.

Multimodaliteit

Moderne AI-modellen verwerken meer dan tekst alleen. Ze combineren verschillende typen informatie in dezelfde opdracht. Een foto van een beschadigd product analyseren en op basis daarvan een schaderapport genereren. Een gesproken vergadering omzetten in tekst, samenvatten en structureren als actiepuntenlijst. Een financieel overzicht in tabelvorm combineren met een geschreven toelichting en daar een geïntegreerde analyse van maken.

Dit heet multimodaliteit: het vermogen om tekst, beeld, audio, video en gestructureerde data te verwerken en te combineren. De term klinkt technisch. De implicatie is praktisch: het model kan werken met informatie zoals die in de echte wereld bestaat. Documenten, afbeeldingen, spreadsheets, gesproken woord en keurig getypte tekst gaan allemaal door dezelfde deur.

Een concrete toepassing die veel organisaties direct raakt: documentverwerking. Een AI-model kan een pdf van vijftig pagina’s inlezen, de inhoud analyseren en gerichte vragen beantwoorden over wat erin staat. Het kan tien offertes naast elkaar leggen en de verschillen in kaart brengen. Het kan een archief aan correspondentie doorzoeken op patronen die handmatig onvindbaar zouden zijn.

Plannen en probleemontleding

AI-modellen stellen projectplannen op: welke stappen zijn nodig, in welke volgorde, welke afhankelijkheden bestaan er, waar zitten de risico’s. Ze ontleden complexe vraagstukken in mogelijke oorzaken en suggesties voor aanpak. Het model genereert geen oplossing uit het niets. Het brengt structuur aan in een probleem dat tot dan toe als één grote kluwen voelde.

De kracht zit niet in de creativiteit van het plan. Die verantwoordelijkheid blijft bij de mens. De kracht zit in de snelheid en systematiek waarmee het model een eerste versie produceert die als vertrekpunt dient. De metafoor is die van een analist die niet zelf de besluiten neemt, maar de informatie ordent zodat de beslisser een helder beeld heeft. Met het verschil dat het AI-model in minuten levert waar die analist uren voor nodig heeft.

Elke mogelijkheid die hierboven staat, is op zichzelf al bruikbaar. Maar het punt waarop het beeld definitief verandert, is wanneer die mogelijkheden samenwerken.

Een AI-model kan een rapport analyseren, de belangrijkste bevindingen samenvatten, op basis daarvan een memo schrijven voor het directieteam, en dat memo structureren volgens een voorgeschreven format. Vier stappen, uitgevoerd als één doorlopend proces. Één instrument dat een heel werkproces doorloopt: van ruwe input tot bruikbaar eindproduct.

Dat is de verschuiving die ertoe doet. Wie AI ziet als een schrijfhulp, zoekt toepassingen voor schrijfwerk. Wie het spectrum ziet, ziet mogelijkheden in analyse, codering, documentverwerking en procesoptimalisatie. En dat leidt tot een andere vraag. “Welke processen in mijn organisatie bestaan uit het verzamelen, verwerken en structureren van informatie?” Overal waar dat antwoord ja is, raakt AI aan het werk.

Wie wil begrijpen waar AI tekortschiet en welke verwachtingen niet kloppen, leest verder bij Wat AI niet is (cluster 1.4).

Wie wil weten hoe redeneermodellen werken en waarom ze de grens van mogelijkheden verleggen, vindt dat bij Redenerende modellen (cluster 5.1).

Wie wil begrijpen hoe een AI-model wordt ingebed in een groter geheel met kennisbronnen, tools en beveiligingslagen, leest verder bij Van model naar systeem (cluster 4.1).