Hoe werkt AI? Een eerlijke uitleg voor ondernemers

Hoe werkt AI — en waarom zou jij dat willen weten?

De meeste ondernemers die ik spreek gebruiken AI al op de een of andere manier. ChatGPT voor een offerte, Copilot voor een samenvatting, of een tool die automatisch e-mails sorteert. Ze zien dat het werkt, maar ze weten niet precies hoe. En dat is prima — tot het moment dat je zelf iets wilt bouwen, of een leverancier kritisch wilt beoordelen.

Ik merk dat het gebrek aan begrip ondernemers onnodig afhankelijk maakt. Ze accepteren uitleg die ze eigenlijk niet begrijpen, en ze durven niet te vragen waarom een AI-oplossing zo duur is, of waarom die halve antwoorden geeft. Terwijl de basisprincipes achter hoe AI werkt echt niet ingewikkeld zijn — je hebt geen wiskundediploma nodig.

In dit artikel leg ik je stap voor stap uit wat AI is, hoe een chatmodel als ChatGPT of Claude eigenlijk denkt, en hoe je die 'intelligentie' inzet in een eigen tool. Geen hype, geen buzzwords — gewoon de essentie.

AI is geen één ding — het is een kaart vol cirkels

Als iemand zegt 'we doen iets met AI', is dat net zo informatief als 'we doen iets met technologie'. Nuttig noch nutteloos, maar ook niet concreet. Want AI is een parapluterm die meerdere deelgebieden omvat die in elkaar genest zijn.

De buitenste cirkel is Artificial Intelligence: alles wat machines laat doen wat we 'intelligent' zouden noemen. Daarbin­nen valt Machine Learning, het idee dat een systeem patronen leert uit voorbeelden in plaats van dat een programmeur elke regel handmatig inschr­ijft. Nog een laag dieper zit Deep Learning, dat werkt met grote neurale netwerken — veel lagen eenvoudige rekeneenheden die zichzelf afstemmen op enorme hoeveelheden data.

En dan zijn er twee overlappende gebieden aan de binnenkant: Large Language Models (LLMs), die taal genereren, en perceptiemodellen die de wereld 'lezen' — zoals een transcriptiemodel dat spraak omzet naar tekst. ChatGPT, Claude en vergelijkbare tools zijn LLMs. Siri die je dicteert verstaat, is een perceptiemodel.

De praktische les: als iemand je een 'AI-oplossing' verkoopt, vraag altijd welke laag ze bedoelen. Bijna alles wat er vandaag toe doet — de chatbots, de samenvattingen, de slimme zoekopdrachten — zit in die binnenste, overlappende cirkels.

Machine learning: geleerd, niet geprogrammeerd

Het kernverschil tussen traditionele software en machine learning is simpel maar fundamenteel. Traditionele software volgt regels die een mens heeft opgeschreven. Denk aan een boekhoud­pakket dat zegt: als een factuur hoger is dan €10.000, dan gaat die naar de manager. Elke uitzondering moet een programmeur toevoegen.

Machine learning draait dit om. In plaats van regels schrijf je voorbeelden: je laat het systeem duizenden facturen zien met de bijbehorende beslissingen, en het model figureert zelf de patronen uit. Je vertelt het niet hóé het moet beslissen — je laat het zien wát de juiste beslissing is, keer op keer.

Het gevolg is krachtig én verraderlijk: de kwaliteit van het model is volledig afhankelijk van de kwaliteit van de data. Garbage in, garbage out — AI vergroot wat er al in zit, goed of slecht. Als jouw trainingsdata gekleurd of onvolledig is, leert het model gekleurd of onvolledig gedrag. Dat is geen bug, dat is de architectuur.

Hoe een chatmodel écht werkt: de 'spicy autocomplete'

Een Large Language Model — het type AI achter ChatGPT, Claude en vergelijkbare tools — is in de kern een voorspeller van het volgende woord. Of preciezer: het volgende token, een stukje tekst dat iets kleiner is dan een woord. Het model heeft tijdens de training miljarden zinnen en teksten verwerkt, en heeft daarin patronen geleerd over welke woorden typisch op welke andere woorden volgen.

Elke keer als je iets typt, kijkt het model naar alles wat er al staat — jouw vraag, de context, eerdere berichten — en berekent het welk token er het meest waarschijnlijk op volgt. Dat doet het token voor token, totdat het antwoord af is. Vandaar die populaire omschrijving: 'spicy autocomplete'. Het is niet zo ver van de waarheid.

Dit heeft een belangrijk gevolg dat veel mensen verrast: een LLM zoekt niets op. Het heeft geen database van feiten die het raadpleegt. Het genereert de meest waarschijnlijke voortzetting van de tekst. Dat betekent dat het overtuigend kan klinken en toch fout kan zijn — een zogenaamde hallucinatie. Niet opzettelijk, niet lui: structureel, omdat dat zo werkt.

De system prompt: hoe een kaal model een assistent wordt

Als je ChatGPT opent en een vraag stelt, praat je niet met een leeg model dat puur antwoord geeft. Er zit een laag bovenop: een system prompt. Dat is een verborgen instructie die vóór jouw vraag wordt meegestuurd, en die het model vertelt wie het is, wat het wel en niet mag doen, en hoe het zich gedraagt.

Stel je voor dat je een assistent inhuurt die uitstekend Nederlands spreekt en van alles weet. Zonder instructies doet die assistent van alles. Maar als je zegt: 'Jij bent de klantenservice van ons bedrijf, je beantwoordt alleen vragen over onze producten, en je bent altijd vriendelijk maar beknopt' — dan is het ineens een heel specifieke medewerker. Dat is in essentie wat een system prompt doet.

Dit is ook waarom dezelfde onderliggende technologie zulke verschillende producten kan opleveren. De model is de motor. De system prompt is het stuur. Je kunt de motor van een sportwagen in een vrachtwagen zetten en er toch een heel ander rijdend voertuig van maken — het hangt er maar van af hoe je het aankleedt.

Voor MKB-ondernemers is dit een praktisch inzicht: als je een AI-tool inkoopt, vraag dan altijd hoe die is geconfigureerd. Welke instructies krijgt het model mee? Welke beperkingen zijn er ingebouwd? Dat bepaalt het gedrag veel meer dan welk onderliggend model er wordt gebruikt.

Intelligentie in een tool: het verschil tussen showen en doen

Hier wordt het voor ondernemers die zelf iets willen bouwen echt interessant. Er is een fundamenteel verschil tussen een tool die er slim uitziet en een tool die daadwerkelijk denkt.

Een 'hardcoded' demo ziet er prachtig uit: je vult een formulier in, er verschijnt een analyse, alles is netjes opgemaakt. Maar die analyse staat vast in de code. Verander de input en de output verandert niet mee — er wordt niks berekend, niks geredeneerd. Het is een Potemkin-dorp.

Een tool met echte intelligentie werkt anders. Op het moment dat de gebruiker iets invoert, stuurt de applicatie een live verzoek — via een API — naar een taalmodel. Daarin stuurt ze de input mee, plus de system prompt die bepaalt hoe het model moet reageren. Het model denkt na, genereert een antwoord, en dat antwoord komt terug naar de tool. Elke keer opnieuw, voor elke gebruiker, voor elke situatie.

De flow is eenvoudig: gebruikersinput → API-aanroep met system prompt → model genereert antwoord → tool toont resultaat. Dat is het. Een slimme tool is geen slimmer formulier — het is een formulier dat bij gebruik een model belt.

En dat model huur je per gebruik. Je betaalt per hoeveelheid tekst die er in en uit gaat — tokens, zoals we eerder noemden. Een klein experiment kost je letterlijk een paar eurocent. Een volwassen toepassing die honderden keren per dag wordt aangeroepen, kost meer, maar nog steeds een fractie van een menselijke medewerker die hetzelfde werk doet.

Modellen aan elkaar koppelen: de echte kracht van AI

Een van de meest onderschatte inzichten: de meeste nuttige AI-toepassingen zijn geen enkel model, maar een keten van modellen die elk één ding goed doen.

Een voorbeeld dat ik regelmatig zie bij MKB-klanten: vergadering opnemen, samenvatting maken, actiepunten uitsturen. Dat klinkt als één stap, maar het zijn er twee. Eerst zet een transcriptiemodel — een perceptiemodel — de audio om naar tekst. Dat is zijn enige taak, en hij doet het beter dan de ingebouwde spraakherkenning op je telefoon, die klein en oud is. Vervolgens pakt een LLM die ruwe tekst en schrijft er een samenvatting van met actiepunten, gestuurd door een system prompt die zegt hoe die samenvatting eruit moet zien.

Twee modellen, twee API-aanroepen, één werkende workflow. De transcriptie­stap en de samenvatting­stap zijn los van elkaar vervangbaar — als er een beter transcriptiemodel uitkomt, swap je dat erin zonder de rest aan te raken.

Dit is waarom ik bij klanten altijd begin met de vraag: welke stap in jouw werk kost de meeste tijd en is het meest repetitief? Negen van de tien keer is er een combinatie van twee of drie modellen die die stap bijna volledig kan overnemen.