Alle edities · Conservation Edition

Your Community, Your AI — CC BY 4.0

Wat AI nu eigenlijk is (en wat het niet is)

AI is veranderd terwijl je toekeek

Je hebt waarschijnlijk wel eens mensen horen zeggen dat kunstmatige intelligentie alles gaat veranderen. Misschien heb je ook wel eens gehoord dat het slechts een modegril is, of dat het niets echt nieuws kan doen. Beide standpunten slaan de plank mis, en als je begrijpt waarom, kun je betere beslissingen nemen voor je organisatie.

Maar er is nog iets anders dat eerst de aandacht verdient: AI is al veranderd, zelfs in de korte tijd dat mensen erover discussiëren.

Een jaar geleden, toen de meeste mensen het over „AI“ hadden, bedoelden ze een chatbot — een venster waarin je een vraag typte en een antwoord terugkreeg. Jij vroeg, het antwoordde. Dat was de hele interactie. Tegenwoordig is het zwaartepunt verschoven. De systemen die de meeste aandacht en de meeste investeringen trekken, zijn niet langer alleen chatbots die antwoorden. Het zijn agenten die handelen — het rapport indienen, de documenten versturen, op websites surfen, het formulier invullen, de code schrijven en uitvoeren, het bericht versturen.

Dit is de allerbelangrijkste verschuiving om te begrijpen, en de rest van dit artikel bouwt hierop voort. Om de huidige AI te begrijpen, moet je twee begrippen van elkaar onderscheiden:

• De motor — het onderliggende model, datgene wat taal produceert.
• De agent — de engine die in actie wordt gezet, zo geconfigureerd dat hij namens jou acties in de wereld kan ondernemen.

De engine is steeds capabeler geworden. Maar de grotere verandering voor een locatiegebonden organisatie is wat mensen nu rondom de engine bouwen. Laten we ze een voor een bekijken. (Alle onbekende termen in deze serie — engine, agent, redeneringsmodel en de rest — worden in gewone taal uitgelegd in de woordenlijst.)

De engine: een machine die voorspelt

Hier volgt de meest eenvoudige beschrijving van wat de engine doet: hij voorspelt welk woord erna moet komen.

Wanneer je een bericht in een chatbot typt, denkt het systeem niet na over je vraag zoals jij of je coördinator dat zou doen. Het doet iets veel mechanischer. Het heeft miljarden pagina’s tekst te zien gekregen — boeken, websites, gesprekken, wetenschappelijke artikelen, juridische documenten, recepten, medische artikelen, discussies op sociale media — en uit al dat gelezen materiaal heeft het patronen geleerd. Wanneer je het een vraag stelt, genereert het een antwoord door, woord voor woord, te voorspellen hoe een aannemelijk antwoord eruitziet op basis van alles wat het eerder heeft gezien.

Dit is echt nuttig. Een systeem dat de patronen van miljarden pagina’s tekst heeft geabsorbeerd, kan je helpen bij het opstellen van een veldrapport, het samenvatten van een lange dataset uit monitoring, het beantwoorden van een feitelijke vraag of het doen van suggesties voor de formulering van een subsidieaanvraag. Dit zijn echte mogelijkheden, en ze besparen daadwerkelijk tijd.

Maar in wezen voert de engine patroonherkenning uit op een buitengewone schaal. Dat ene feit verklaart zowel waar het verbazingwekkend goed in is als waar het stilletjes de fout ingaat — een punt waar we in deze reeks nog op terug zullen komen, omdat het verschil voor wetenschappelijke gegevens belangrijker is dan normaal.

Kan de engine redeneren?

Er is een diepere vraag waar onderzoekers zich actief mee bezighouden, en het eerlijke antwoord is: dat weten we nog niet.

Toen vroege AI-systemen vloeiende tekst produceerden, was het redelijk om ze te omschrijven als geavanceerde patroonherkenning en het daarbij te laten. Maar een nieuwere generatie systemen — vaak „redenerende“ of „denkende“ modellen genoemd — doet iets anders. In plaats van onmiddellijk te antwoorden, werkt het een probleem stapsgewijs door en produceert het een zichtbare keten van tussenliggende redeneringen voordat het tot een antwoord komt. Bij moeilijkere problemen doet het er langer over. De resultaten kunnen opmerkelijk zijn: in 2025 losten redeneersystemen van meer dan één groot laboratorium problemen op uit de Internationale Wiskundeolympiade – een van de moeilijkste wiskundewedstrijden ter wereld – op een niveau dat gelijkwaardig is aan dat van een menselijke gouden medaillewinnaar.

Is dat nu redeneren, of is het zeer geavanceerde patroonherkenning die is vermomd als redeneren?

Het onderzoek is nog volstrekt onbeslist, en serieuze deskundigen zijn het er niet over eens. Een invloedrijke studie uit 2025 stelde dat deze systemen deels een „illusie van denken“ zijn — dat ze bij bepaalde puzzels vastlopen op manieren waarop een echte redeneerder dat niet zou doen. Verschillende even serieuze reacties stelden het tegenovergestelde. Het meest voorzichtige oordeel op dit moment is dat de huidige redeneringsmodellen noch echte redeneerders, noch louter papegaaien zijn — ze zijn iets werkelijk nieuws dat we nog niet volledig begrijpen. Iedereen die je vertelt dat AI zeker wel of zeker niet kan redeneren, overdrijft wat het bewijs aantoont.

Eén bevinding is wel van belang voor je werk, en die is gemakkelijk verkeerd te interpreteren, dus lees deze aandachtig door. Wanneer deze systemen je hun ‘denken’ laten zien, geeft die zichtbare keten niet op betrouwbare wijze weer wat daadwerkelijk tot het antwoord heeft geleid. Onderzoekers hebben herhaaldelijk vastgesteld dat de door een model aangegeven redenering de werkelijke invloeden op de conclusie buiten beschouwing kan laten — niet omdat de machine in menselijke zin oneerlijk is (ze heeft geen intenties), maar omdat de woorden die ze je laat zien zelf slechts voorspelde tekst zijn, geen getrouwe weergave van een innerlijk proces. Het praktische gevolg: je kunt de conclusie van een AI niet verifiëren door simpelweg de uitleg te lezen die het zelf geeft — wat, voor een organisatie waarvan gegevens het bewijs vormen, precies de reden is waarom het bestuur de output moet toetsen aan je werkelijke gegevens in plaats van te vertrouwen op het zelfrapport van de AI. We komen hierop terug in artikel 3.

Wat we wel kunnen zeggen is dit: de ontwikkeling verloopt razendsnel. Een paar jaar geleden konden deze systemen amper een samenhangende alinea opstellen. Tegenwoordig schrijven ze essays, slagen ze voor beroepsexamens, genereren ze werkende computercode en grijpen ze steeds vaker in op de wereld in plaats van deze alleen maar te beschrijven. De komende jaren zullen weer nog grotere mogelijkheden brengen.

„AI kan niets nieuws doen“ — Het hangt ervan af wat je onder ‘nieuw’ verstaat

Mensen die AI afdoen met de bewering dat het niets origineels kan creëren, doen een uitspraak die in enge zin waar is, maar in bredere zin misleidend.

Een engine kan niet voortkomen uit ervaring. Het heeft nog nooit bij zonsopgang in een moeras gestaan om waadvogels te tellen. Ze heeft nog nooit de last gevoeld van een beslissing over het al dan niet ingrijpen bij een afnemende populatie. Ze kan niet begrijpen waarom een dataset van dertig jaar aan broedgegevens van belang is — ze kan alleen patronen reproduceren die statistisch gezien op begrip lijken. In die zin is alles wat ze produceert een recombinatie van materiaal dat ze tijdens de training heeft opgenomen.

Maar bedenk eens wat „hercombinatie“ op deze schaal eigenlijk betekent. Geen enkele ecoloog heeft elk peer-reviewed artikel over habitatconnectiviteit gelezen, elk vrijwilligersmonitoringrapport van de afgelopen honderd jaar, elk wetgevingsstuk over beschermde gebieden en elk beheerplan van elke natuurbeschermingsstichting in Europa. Wanneer de AI een verband legt tussen de theorie over het beheer van gemeenschappelijke goederen en de nieuwste literatuur over teledetectie, is dat verband voor elke individuele mens werkelijk nieuw, ook al bestonden beide ideeën afzonderlijk al. Een veldecoloog die Ostrom wel heeft gelezen maar niet het werk over teledetectie, zou de synthese verhelderend vinden; een specialist in teledetectie die Ostrom niet heeft gelezen, zou het vanuit de andere richting verhelderend vinden. De atomen zijn niet nieuw, maar de moleculen wel.

Dus “AI kan niets nieuws doen” is waar op het niveau van het ontstaan en onwaar op het niveau van de synthese. Beide aspecten zijn belangrijk, en een serieuze omgang met deze technologie vereist dat je beide in ogenschouw neemt.

Van antwoorden naar handelen: de agent

Nu naar de verandering die het belangrijkst is voor jouw organisatie.

Gedurende het grootste deel van het chatbot-tijdperk was het ergste wat een AI je rechtstreeks kon aandoen, het geven van een slecht antwoord. De schade ontstond pas als een persoon ernaar handelde — het foutieve cijfer indiende, vertrouwde op de afgevlakte trend, de ongefundeerde bewering doorstuurde. Er stond altijd een persoon tussen de machine en het gevolg.

Een agent haalt die persoon, per definitie, uit de keten.

Een AI-agent is een motor die is ingepakt in wat onderzoekers „scaffolding“ noemen — een geheugen zodat hij een taak kan bijhouden, toegang tot een webbrowser, de mogelijkheid om softwaretools en andere programma’s te gebruiken, en een doel dat je hem in gewone taal geeft. Met die ‘scaffolding’ kan het systeem het doel in vele stappen nastreven met veel minder toezicht: het kan zoeken, beslissen, handelen, het resultaat controleren en opnieuw handelen. Een chatbot geeft antwoord. Een agent onderneemt actie.

Dit is de reden waarom AI plotseling anders aanvoelt, ook al zijn de onderliggende engines niet van de ene op de andere dag veranderd. Het nieuwe zit hem grotendeels in de omhulling. De sector maakt bewust onderscheid tussen beide: de engine levert de ruwe capaciteit, en de scaffolding zet die capaciteit om in iets dat daadwerkelijk in de praktijk werkt. Een groot deel van de recente sprong voorwaarts in wat AI kan doen — in tegenstelling tot wat het kan zeggen — is te danken aan een betere opbouw, niet aan een nieuw soort denkvermogen.

De bekende agentproducten van 2025 en 2026 – die voor je op het web surfen, een computer bedienen of software schrijven en uitvoeren – zijn bijna allemaal gebouwd door grote Amerikaanse technologiebedrijven, en in het volgende artikel zullen we bekijken wat dat voor jouw gegevens betekent. Onthoud voorlopig het volgende concept: de vraag is niet langer alleen „wat zal de AI me vertellen?”, maar „wat zal de AI doen, en kan ik het op tijd stoppen als het misgaat?”

Voor natuurbeschermingswerk is dit geen abstractie. Stel je een agent voor die gegevens indient bij een regionale dataset, een reactie op een ruimtelijke ordeningsraadpleging opstelt en verstuurt, of samenvattingen van enquêtes deelt met een partner – geheel zelfstandig. Wanneer een systeem zelfstandig handelt, zijn er minder mogelijkheden om in te grijpen, en sommige acties kunnen niet ongedaan worden gemaakt: de locatie van een kwetsbare soort kan, eenmaal gedeeld, niet meer worden teruggetrokken; een cijfer dat is ingediend bij een openbare dataset staat vast. En als er iets misgaat, wordt het echt moeilijk om te zeggen wie verantwoordelijk was — jij, die in één zin een doel hebt vastgesteld, of het bedrijf wiens systeem de stappen heeft gekozen. Dit alles betekent niet dat agenten slecht zijn. Het betekent dat de inzet van wiens agent je gebruikt, en hoe deze wordt aangestuurd, zojuist aanzienlijk is toegenomen.

De echte kwestie: wiens patronen, en wiens handen aan de knoppen?

Hier wordt het praktisch voor jouw organisatie.

Wanneer een grote AI-engine op het internet wordt getraind, neemt deze de vooroordelen, aannames en culturele standaardinstellingen van het internet over. Het internet is overweldigend Engelstalig, westers, commercieel georiënteerd en gevormd door de waarden van een handvol technologiebedrijven. Dit is geen samenzwering — het is simpelweg wat er gebeurt wanneer je een systeem traint op basis van gegevens die onevenredig veel één cultuur en één reeks prioriteiten vertegenwoordigen.

De gevolgen zijn subtiel, maar reëel. Wanneer een vrijwilliger een AI om advies vraagt over het omgaan met een moeilijke situatie met een grondeigenaar, grijpt het systeem automatisch terug op de taal van zakelijke onderhandelingen — omdat die de overhand heeft in de trainingsdata. Het kiest niet voor het geduldige, op relaties gebaseerde beheer dat voortkomt uit decennia van samenwerking met dezelfde boerenfamilies. Wanneer een coördinator het systeem vraagt om de veldgegevens van een seizoen samen te vatten, valt het terug op de vloeiende, zelfverzekerde stijl van een marketingrapport – omdat gepolijste samenvattingen in de trainingsgegevens veel vaker voorkomen dan gekwalificeerde wetenschappelijke rapportages. Het systeem signaleert niet vanzelf hiaten, wijst niet op onzekerheden en maakt geen onderscheid tussen bevestigde waarnemingen en voorlopige schattingen.

Het systeem staat niet vijandig tegenover uw werk. Het kent uw werk simpelweg niet. Het weet wat statistisch gezien gebruikelijk is, en wat statistisch gezien gebruikelijk is, is niet wat voor uw organisatie het belangrijkst is.

In het tijdperk van de chatbots bepaalde die vooringenomenheid de woorden die u las — een rapport dat te netjes klonk. In het tijdperk van de agenten bepaalt diezelfde vooringenomenheid de acties die namens jou worden ondernomen — die al te zelfverzekerde samenvatting wordt nu misschien ingediend bij een financier of in een openbare dataset zonder dat iemand het eerst heeft gelezen. Een agent die jouw datastandaarden niet begrijpt, zal jouw werk niet alleen slecht beschrijven; hij kan er ook voortijdig naar handelen. Het echte probleem met AI bestaat nu dus uit twee delen: wiens patronen draagt het met zich mee, en wiens handen zitten aan de knoppen wanneer het handelt?

Waarom dit nu belangrijk is

Niemand weet met zekerheid wat er gebeurt als een AI-systeem ooit iets ontwikkelt dat lijkt op een eigen intentie — doelen en prioriteiten die mogelijk niet overeenkomen met die van ons. We zijn waarschijnlijk nog een eind verwijderd van die drempel. Maar de architectuur die we nu bouwen, de bestuursgewoonten die we vandaag vastleggen, zullen bepalen of we voorbereid zijn wanneer dat moment aanbreekt, of dat we te laat ontdekken dat we de controle hebben overgedragen zonder het te merken.

Dit is geen sciencefiction. Het is een eenvoudige constatering over institutionele paraatheid. Uw natuurbeschermingsorganisatie heeft statuten. Uw bestuur heeft een reglement van orde. Uw regionale netwerk heeft samenwerkingsovereenkomsten. Deze bestaan niet omdat elke vergadering in chaos ontaardt, maar omdat bestuursstructuren al moeten zijn opgezet voordat ze nodig zijn, niet pas daarna.

Hetzelfde principe geldt voor AI — en het is nu des te urgenter, nu AI niet langer alleen adviseert, maar ook handelt.

Twee wegen vooruit

Er zijn twee manieren waarop een milieuorganisatie met AI kan omgaan.

De eerste weg is het gebruik van Big Tech-AI — de chatbots en, in toenemende mate, de agents die door de grootste Amerikaanse technologiebedrijven zijn ontwikkeld. Deze zijn krachtig, handig en vaak gratis of goedkoop. Maar er zijn voorwaarden aan verbonden. Je gegevens stromen naar hun servers. Je gesprekken – en nu ook de acties van je agent – lopen via systemen waarover je geen controle hebt. Het gedrag van de AI wordt bepaald door het beleid van het bedrijf, dat zonder jouw toestemming kan veranderen. En de patronen die de AI hanteert, worden bepaald door de trainingsgegevens, waar je geen invloed op hebt. Voor gevoelige ecologische gegevens – locaties van beschermde diersoorten, relaties met grondeigenaren, niet-gepubliceerde onderzoeksresultaten – is dat verlies aan controle geen bijzaak.

De tweede weg is het gebruik van AI waarover jouw organisatie de controle heeft. Een meer gericht systeem, getraind op jouw inhoud, draaiend op hardware waarover jij de controle hebt, en beheerst door regels die jouw organisatie vaststelt. Een systeem dat het verschil kent tussen een veldrapport en een blogbericht, omdat je organisatie het dat heeft geleerd. Een systeem waarvan de reacties worden getoetst aan je daadwerkelijke gegevens door onafhankelijke waarnemers die los van de AI zelf opereren — en waarvan het vermogen om te handelen opzettelijk is beperkt, zodat een mens altijd kan ingrijpen voordat er iets buiten je grenzen terechtkomt.

Dit is wat Village AI is. Het is niet ontworpen om een wedstrijd in pure kracht te winnen van Big Tech-systemen. Het is ontworpen om trouw te blijven aan uw organisatie – aan uw inhoud, uw gegevensstandaarden en uw governance – en om u de controle te laten behouden wanneer AI de overstap maakt van antwoorden geven naar handelen.

In het volgende artikel in deze reeks wordt uitgelegd hoe Village AI structureel verschilt van Big Tech-AI, en waarom dat verschil belangrijker is dan pure kracht — zeker nu.

Wilt u dit soort AI-tools goed en veilig gebruiken? Onze gratis cursussen — Werken met Claude en Agents at Work — leren u de praktische vaardigheden, van het verkrijgen van betrouwbare antwoorden tot het bepalen wat u aan een agent moet doorgeven. Voor de volledige technische architectuur achter Village AI, zie Village AI — Agentic Governance.