Wanneer is AI ontstaan?

Het idee gaat terug tot 1950, toen Alan Turing de vraag stelde of machines kunnen denken. De term artificial intelligence werd in 1956 geïntroduceerd tijdens een conferentie op Dartmouth College. Sindsdien heeft het vakgebied verschillende golven doorgemaakt, van regelgebaseerde systemen tot de huidige taalmodellen.

Wat waren de AI-winters?

Twee periodes, halverwege de jaren '70 en eind jaren '80, waarin het geld en de belangstelling voor AI-onderzoek grotendeels opdroogden. De beloftes van de jaren ervoor bleken te hoog gegrepen: regelgebaseerde systemen waren duur, broos en konden niet overweg met de complexiteit van de echte wereld.

Wat is het verschil tussen machine learning en deep learning?

Machine learning is de brede aanpak waarbij een computer patronen leert uit voorbeelden in plaats van dat iemand regels uitschrijft. Deep learning is een vorm van machine learning die gebruikmaakt van neurale netwerken met veel lagen. Het werkt pas goed met veel data en veel rekenkracht, en brak daarom pas rond 2012 door.

Waarom ging AI na 2022 ineens zo snel?

De techniek was al jaren in ontwikkeling: de transformer-architectuur stamt uit 2017 en grote taalmodellen bestonden al voor ChatGPT. Wat in november 2022 veranderde, was de toegankelijkheid. Iedereen kon ineens via een simpel chatvenster met een taalmodel werken. Dat zorgde voor een enorme instroom van gebruikers, investeringen en concurrentie, wat de ontwikkeling verder versnelde.

Een AI-agent is een taalmodel dat niet alleen antwoord geeft, maar ook zelfstandig taken uitvoert. Het krijgt een doel en toegang tot hulpmiddelen — zoals een agenda, een database, e-mail of een programmeeromgeving — en werkt zelf de benodigde stappen af. Goede agents werken met duidelijke grenzen en een mens die meekijkt bij belangrijke beslissingen.

Is AI al interessant voor een klein bedrijf?

Ja, juist nu. De modellen die grote bedrijven gebruiken, zijn voor iedereen beschikbaar tegen lage kosten. De winst zit in het inzetten op repeterend werk: mails beantwoorden, offertes voorbereiden, gegevens tussen systemen overzetten. Begin met één proces, meet wat het oplevert en bouw vanaf daar verder.

De evolutie van AI: van rekenmachine tot collega

AI Automatisering30 september 20268 min lezenDoor Gijs Broekstra

In 2022 typte de wereld zijn eerste vraag in ChatGPT, en sindsdien lijkt kunstmatige intelligentie overal tegelijk te zijn. Maar wat nu als een revolutie voelt, is het resultaat van zeventig jaar onderzoek, twee keer bijna opgeven en een paar momenten waarop precies de juiste ingrediënten samenkwamen. Wie begrijpt hoe AI zich ontwikkeld heeft, ziet ook beter wat het vandaag wél en niet kan — en waar het de komende jaren naartoe gaat. Een wandeling door de geschiedenis, in zes tijdperken.

1950–1970: de vraag of machines kunnen denken

Het begint met een vraag. In 1950 publiceert de Britse wiskundige Alan Turing een artikel met de openingszin "Can machines think?" Hij stelt een test voor: als je in een gesprek niet kunt onderscheiden of je met een mens of een machine praat, dan mag je die machine intelligent noemen. Die Turingtest zou decennialang de lat blijven.

Zes jaar later, in de zomer van 1956, komen een handvol onderzoekers bijeen op Dartmouth College in de Verenigde Staten. Ze geven het vakgebied een naam — artificial intelligence — en zijn vol vertrouwen: binnen een generatie zouden machines alles kunnen wat mensen kunnen. De eerste programma's lossen wiskundige bewijzen op, spelen dammen en schaken op beginnersniveau.

In 1966 bouwt Joseph Weizenbaum ELIZA, een chatprogramma dat een psychotherapeut nadoet door zinnen van de gebruiker om te draaien tot vragen. Het is een truc van een paar honderd regels code, maar mensen raken er emotioneel aan gehecht. Het eerste inzicht van de AI-geschiedenis is daarmee meteen een waarschuwing: iets dat intelligent klinkt, is nog niet intelligent.

1970–1990: regels, expertsystemen en twee AI-winters

De aanpak van die eerste decennia heet achteraf symbolische AI: je schrijft de kennis van de wereld uit als regels. "Als de patiënt koorts heeft en hoest, overweeg dan longontsteking." Dat werkte verrassend goed in afgebakende domeinen, en in de jaren '80 verkochten bedrijven zogenaamde expertsystemen voor medische diagnoses, kredietbeoordeling en het configureren van computers.

Het probleem: de echte wereld past niet in regels. Elke uitzondering vraagt een nieuwe regel, en elke nieuwe regel botst met drie oude. De systemen werden duur, broos en onmogelijk te onderhouden. Twee keer — halverwege de jaren '70 en eind jaren '80 — droogde het geld op en verdween het enthousiasme. Die periodes heten de AI-winters.

De geschiedenis van AI is een geschiedenis van overschatting op korte termijn en onderschatting op lange termijn. Dat patroon is nog steeds nuttig om elke nieuwe hype langs te leggen.

1990–2011: van regels naar leren

Terwijl de schijnwerpers uit stonden, veranderde er iets fundamenteels. In plaats van een computer regels te geven, gaven onderzoekers hem voorbeelden en lieten ze hem zelf de patronen vinden. Dat heet machine learning. Een spamfilter hoeft niet te weten wát spam is; het ziet tienduizend spammails en tienduizend normale mails en leert het verschil.

In 1997 verslaat IBM's Deep Blue wereldkampioen Garri Kasparov met schaken. Symbolisch een mijlpaal, technisch vooral brute rekenkracht. Veel belangrijker voor het dagelijks leven zijn de stille toepassingen die in deze jaren opkomen: aanbevelingen in webwinkels, fraudedetectie bij banken, zoekmachines die leren wat je bedoelt. AI heet dan nog niet zo; het is gewoon "slimme software".

Twee dingen maken de volgende stap mogelijk. Het internet levert ineens gigantische hoeveelheden data, en grafische kaarten — bedoeld voor games — blijken ideaal voor het soort rekenwerk dat lerende systemen nodig hebben.

2012–2017: de doorbraak van deep learning

In 2012 wint een neuraal netwerk genaamd AlexNet de ImageNet-wedstrijd voor beeldherkenning met afstand. Neurale netwerken — losjes geïnspireerd op hoe hersencellen met elkaar verbonden zijn — bestonden al sinds de jaren '50, maar werkten nooit goed. Met genoeg data, genoeg lagen (vandaar deep learning) en genoeg rekenkracht bleken ze ineens alles te verslaan.

Wat volgt is een stroomversnelling. Spraakherkenning wordt bruikbaar, vertaalsoftware maakt een sprong, telefoons herkennen gezichten in je foto's. In 2016 verslaat AlphaGo van DeepMind de wereldtopper Lee Sedol in Go, een spel met meer mogelijke posities dan er atomen in het heelal zijn. Dit keer niet door alles door te rekenen, maar met iets dat verdacht veel op intuïtie lijkt.

En dan, in 2017, verschijnt een onderzoeksartikel van Google met de bescheiden titel "Attention Is All You Need". Het introduceert de transformer: een architectuur die tekst niet woord voor woord verwerkt, maar in één keer kijkt welke woorden in een zin bij elkaar horen. Het is de motor onder vrijwel elk taalmodel dat je vandaag gebruikt.

2018–2023: taalmodellen en het ChatGPT-moment

Met de transformer kunnen onderzoekers modellen trainen op vrijwel alle tekst die op internet staat. Het idee is simpel: voorspel het volgende woord. Maar als je dat op genoeg tekst en met genoeg rekenkracht doet, gebeurt er iets onverwachts. De modellen leren niet alleen taal, maar ook feiten, redeneringen, programmeren en toon. Die large language models (LLM's) worden elk jaar groter: GPT-2 in 2019, GPT-3 in 2020.

Het kantelpunt is 30 november 2022. OpenAI lanceert ChatGPT, een taalmodel in een simpel chatvenster. Binnen twee maanden heeft het naar schatting honderd miljoen gebruikers, sneller dan welke app ooit. Niet omdat de technologie ineens anders was, maar omdat iedereen hem voor het eerst kon gebruiken zonder er iets van te snappen.

Daarna gaat het hard. Anthropic, Google, Meta en anderen brengen eigen modellen uit. Ze leren afbeeldingen lezen, documenten van honderden pagina's verwerken, spraak verstaan en zelf beelden maken. AI verhuist van het lab naar Word, Gmail, je telefoon en je boekhoudpakket.

Tijdperk	Kernidee	Wat het kon	Waar het vastliep
1950–1970	Denken is logica	Puzzels, bewijzen, simpele spellen	Alles buiten de puzzel
1970–1990	Kennis in regels	Expertsystemen in smalle domeinen	Uitzonderingen, onderhoud
1990–2011	Leren van voorbeelden	Spamfilters, aanbevelingen, fraude	Beeld en taal
2012–2017	Diepe neurale netwerken	Zien, horen, vertalen, Go	Vrije tekst en redeneren
2018–2023	Taalmodellen	Schrijven, samenvatten, programmeren	Betrouwbaarheid, zelf handelen
2024–nu	Redeneren en agents	Taken uitvoeren met tools	Toezicht en inbedding

2024–nu: van antwoorden naar uitvoeren

De huidige fase draait om twee verschuivingen. De eerste is redeneren: modellen die niet meteen antwoorden, maar eerst stap voor stap nadenken, hun eigen werk controleren en bijsturen. Daardoor worden ze merkbaar beter in rekenwerk, analyse en programmeren — precies de taken waar eerdere modellen overtuigend klonken maar fouten maakten.

De tweede is handelen. Een taalmodel dat alleen tekst teruggeeft, is een slimme gesprekspartner. Een model dat ook een agenda mag inzien, een mail mag opstellen, een database mag raadplegen en code mag uitvoeren, is een agent: het krijgt een doel en werkt zelf de stappen af. Softwareontwikkelaars werken inmiddels dagelijks met AI die zelfstandig code schrijft, test en aanpast — de basis van wat vibe coding heet.

Daarmee verschuift ook de vraag. Het gaat niet meer om "wat weet AI?", maar om "welk werk kan ik aan AI toevertrouwen, en onder welk toezicht?" Dat is geen technische vraag meer, maar een organisatorische.

Vijf lessen uit zeventig jaar AI

Hype en winter wisselen elkaar af. Elke golf beloofde te veel op korte termijn. Wie nu kritisch blijft zonder af te haken, zit goed.
Data en rekenkracht wonnen het van slimme regels. De grootste sprongen kwamen niet van betere ideeën, maar van meer voorbeelden en snellere chips. Voor jouw bedrijf betekent dat: je eigen data is meer waard dan je denkt.
Gebruiksgemak maakt de revolutie, niet de techniek. Taalmodellen bestonden al jaren. Pas een simpel chatvenster maakte ze voor iedereen bruikbaar. Hetzelfde geldt binnen je bedrijf: AI die niet in je bestaande werkstroom zit, wordt niet gebruikt.
Klinken is niet hetzelfde als kloppen. Van ELIZA tot moderne chatbots: overtuigend taalgebruik is geen garantie voor juistheid. Controle en toezicht blijven nodig.
De winst zit in de saaie toepassingen. Schaken en Go haalden het nieuws; spamfilters en fraudedetectie verdienden het geld. Ook nu levert AI het meest op bij het werk waar niemand over praat.

Wat dit betekent voor het mkb

Tien jaar geleden was AI iets voor bedrijven met een eigen onderzoeksafdeling. Nu kan elke ondernemer dezelfde modellen gebruiken als de grootste techbedrijven, voor een fractie van de prijs. De technologie is daarmee geen onderscheidende factor meer. Wat wel onderscheidt, is hoe goed je hem inbedt in je eigen processen, systemen en data.

Begin bij het repeterende werk. Offertes opstellen, mails sorteren, gegevens overtypen tussen systemen. In 10 taken die je vandaag met AI kunt automatiseren staat per taak wat het realistisch oplevert.
Koppel AI aan je eigen systemen. Een los chatvenster is handig; AI die je CRM, webshop en boekhouding kent, is een collega. Lees hoe dat werkt in AI-automatisering voor het mkb.
Houd een mens in de lus. Laat AI voorbereiden en voorstellen, en laat een medewerker beslissen en versturen. Dat is sneller dan alles zelf doen en veiliger dan alles uit handen geven.
Denk in stappen, niet in een groot project. Eén proces automatiseren, meten wat het oplevert, dan het volgende. De geschiedenis leert dat grote beloftes tegenvallen; kleine, concrete toepassingen niet.

VibeCodex helpt mkb-bedrijven precies met die vertaalslag: van "we moeten iets met AI" naar een werkende toepassing die tijd bespaart. Dat kan beginnen met een AI-consult om te bepalen waar de winst zit, of direct met AI-automatisering van een concreet proces. Twijfel je of zo'n traject het waard is, lees dan wat consultancy oplevert.

Kort samengevat: AI is geen plotselinge uitvinding, maar het voorlopige eindpunt van zeventig jaar vallen en opstaan. We staan nu op het punt waar de technologie goed genoeg én toegankelijk genoeg is om echt werk over te nemen. De vraag is niet meer óf het mkb ermee aan de slag gaat, maar wie het als eerste slim doet.

Veelgestelde vragen

Wanneer is AI ontstaan?: Het idee gaat terug tot 1950, toen Alan Turing de vraag stelde of machines kunnen denken. De term artificial intelligence werd in 1956 geïntroduceerd tijdens een conferentie op Dartmouth College. Sindsdien heeft het vakgebied verschillende golven doorgemaakt, van regelgebaseerde systemen tot de huidige taalmodellen.
Wat waren de AI-winters?: Twee periodes, halverwege de jaren '70 en eind jaren '80, waarin het geld en de belangstelling voor AI-onderzoek grotendeels opdroogden. De beloftes van de jaren ervoor bleken te hoog gegrepen: regelgebaseerde systemen waren duur, broos en konden niet overweg met de complexiteit van de echte wereld.
Wat is het verschil tussen machine learning en deep learning?: Machine learning is de brede aanpak waarbij een computer patronen leert uit voorbeelden in plaats van dat iemand regels uitschrijft. Deep learning is een vorm van machine learning die gebruikmaakt van neurale netwerken met veel lagen. Het werkt pas goed met veel data en veel rekenkracht, en brak daarom pas rond 2012 door.
Waarom ging AI na 2022 ineens zo snel?: De techniek was al jaren in ontwikkeling: de transformer-architectuur stamt uit 2017 en grote taalmodellen bestonden al voor ChatGPT. Wat in november 2022 veranderde, was de toegankelijkheid. Iedereen kon ineens via een simpel chatvenster met een taalmodel werken. Dat zorgde voor een enorme instroom van gebruikers, investeringen en concurrentie, wat de ontwikkeling verder versnelde.
Wat is een AI-agent?: Een AI-agent is een taalmodel dat niet alleen antwoord geeft, maar ook zelfstandig taken uitvoert. Het krijgt een doel en toegang tot hulpmiddelen — zoals een agenda, een database, e-mail of een programmeeromgeving — en werkt zelf de benodigde stappen af. Goede agents werken met duidelijke grenzen en een mens die meekijkt bij belangrijke beslissingen.
Is AI al interessant voor een klein bedrijf?: Ja, juist nu. De modellen die grote bedrijven gebruiken, zijn voor iedereen beschikbaar tegen lage kosten. De winst zit in het inzetten op repeterend werk: mails beantwoorden, offertes voorbereiden, gegevens tussen systemen overzetten. Begin met één proces, meet wat het oplevert en bouw vanaf daar verder.