De huidige AI-golf voelt voor veel mensen als iets dat uit het niets is opgedoken. Alsof de wereld tot 2022 gewoon draaide en toen opeens alles veranderde. Dat beeld klopt niet. Sterker nog: het is een gevaarlijk beeld, want het leidt tot verkeerde inschattingen. Wat nu gebeurt, is de uitkomst van meer dan zeventig jaar onderzoek, doorbraken, diepe teleurstellingen en weer nieuwe doorbraken. Wie die geschiedenis kent, begrijpt waar AI vandaan komt. En het wordt een stuk makkelijker om te beoordelen wat de huidige golf waard is.
Vijf fases, zeventig jaar
De geschiedenis van AI laat zich opdelen in vijf fases. Elke fase bracht een fundamenteel nieuwe manier van werken, en elke fase bouwde voort op wat de vorige had opgeleverd, inclusief de lessen uit wat mislukte. Wat opvalt: het verloop is geen rechte lijn omhoog. Twee keer eerder was er groot enthousiasme over AI, en twee keer volgde een periode van diepe teleurstelling, de zogeheten AI-winters. Wie dat patroon herkent, kan de huidige golf beter op waarde schatten.
Fase 1: Symbolische AI en expert systems (jaren ’50 – jaren ’80)
Het begon in 1956 met een ambitieus idee. Tijdens een zomerconferentie aan het Amerikaanse Dartmouth College kwamen tien wetenschappers bijeen onder leiding van John McCarthy. Hun uitgangspunt: intelligentie zou te formaliseren zijn als een verzameling regels, en een computer zou met de juiste regels taken kunnen uitvoeren waarvoor anders menselijk denkwerk nodig was. Op die conferentie kreeg het vakgebied zijn naam: artificial intelligence.
De aanpak was rechttoe rechtaan. Een mens schreef de regels op, een computer voerde ze uit. Schaakprogramma’s berekenden zetten op basis van geprogrammeerde stellingsregels. Vroege vertaalsystemen koppelden Engelse woorden aan Russische via een woordenboek. In de jaren tachtig leidde de aanpak tot een succesvolle commerciële vorm: expert systems. Binnen een afgebakend specialisme konden die dingen doen die voor een buitenstaander op intelligentie leken, van het diagnosticeren van bloedinfecties tot het samenstellen van computerconfiguraties. Eén zo’n systeem, ontwikkeld door Digital Equipment Corporation, bespaarde het bedrijf naar eigen opgave veertig miljoen dollar per jaar.
Maar de belofte liep verder dan de techniek kon dragen.
Waarom het vastliep
De wereld liet zich niet vangen in regels. Wie taal wil verwerken, krijgt te maken met dubbelzinnigheid, context en uitzonderingen op uitzonderingen. Wie beelden wil herkennen, ziet hoe één voorwerp er op duizend manieren uit kan zien afhankelijk van licht, hoek en achtergrond. Hoe meer regels onderzoekers toevoegden, hoe brozer de systemen werden bij situaties die net buiten de regels vielen. Twee keer leidde dat tot een AI-winter: halverwege de jaren zeventig en eind jaren tachtig. Lange perioden waarin de financiering opdroogde en het vakgebied zich bezon op zichzelf. De les: je kunt intelligentie niet opschrijven. Je moet het systeem laten leren.
→ Lees meer: Van symbolische AI naar machine learning: de eerste fase
Fase 2: Machine learning (jaren ’90 – jaren 2000)
Hier zit een van de belangrijkste kantelmomenten in de hele AI-geschiedenis, en het wordt verrassend vaak over het hoofd gezien. Als symbolische AI vastliep op regels, dan moest de aanpak radicaal anders. Wat als een systeem zelf patronen kon ontdekken in voorbeelden, zonder dat een programmeur vooraf regels schreef?
Dat was de doorbraak van machine learning. In plaats van “als een e-mail het woord ‘gratis’ bevat, markeer als spam” werd het: “hier zijn honderdduizend voorbeelden van spam en honderdduizend van geen spam, vind zelf de patronen”. Het systeem leerde welke combinaties van woorden, afzenders en kenmerken op spam wezen. En toen er nieuwe vormen van spam opkwamen, paste het zich aan zonder dat iemand nieuwe regels hoefde in te tikken.
Die verschuiving veranderde alles. Voorheen kwam de intelligentie van de programmeur. Nu kwam ze uit de data. Voor taken als fraudedetectie, kredietbeoordeling en productaanbevelingen was machine learning vanaf de jaren negentig beter dan alles wat eraan voorafging. Maar voor het soort taken dat mensen instinctief doen, zoals een gezicht herkennen of een gesproken zin verstaan, bleef ook deze aanpak hangen. De patronen in beelden, spraak en taal zijn te complex en te gelaagd om met één laag patroonherkenning te vangen. Er was een aanpak nodig die met die gelaagdheid kon omgaan.
→ Lees meer: Van symbolische AI naar machine learning: de eerste fase
Fase 3: Deep learning (jaren 2010)
In 2012 viel het kwartje. Een team van de Universiteit van Toronto stuurde een neuraal netwerk met meerdere lagen naar een internationale beeldherkenningswedstrijd waar tot dan toe klassieke machine-learning-modellen domineerden. De foutmarge van hun systeem lag ruim 40 procent lager dan die van de beste bestaande methode. Niet een beetje beter. Een sprong die het veld normaal gesproken in jaren maakte. Binnen een jaar was het hele vakgebied overgestapt op deep learning.
Het idee achter deep learning: stapel meerdere lagen patroonherkenning op elkaar. De eerste laag herkent randen, contrasten, kleurovergangen. De volgende laag combineert die tot vormen. De daaropvolgende herkent delen van objecten. De hoogste lagen herkennen complete betekenis. De term “deep” verwijst naar precies dit: de diepte van het netwerk, het aantal lagen. Hoe meer lagen, hoe complexer de patronen die het systeem kan herkennen.
Wat de doorbraak van 2012 mogelijk maakte was niet één uitvinding. Het was de samenkomst van drie dingen tegelijk: betere algoritmen, gigantische hoeveelheden data via het internet, en grafische processors die de zware berekeningen aankonden. Na decennia in de marge van het vakgebied werden neurale netwerken in één klap de standaard. In 2016 versloeg AlphaGo de wereldkampioen Go, een prestatie waarvan experts hadden voorspeld dat die nog minstens tien jaar weg was.
→ Lees meer: Deep learning: de doorbraak die alles veranderde
Fase 4: Transformers en foundation models (2017 – 2022)
Deep learning had laten zien dat neurale netwerken enorme sprongen konden maken bij beeld, spraak en vertaling. Maar voor taal, het verwerken en produceren van complexe tekst, bleven de modellen tekortschieten. Het probleem zat in hoe ze met tekst omgingen. Eerdere netwerken lazen woord voor woord, van links naar rechts, en bij langere teksten raakten ze het overzicht kwijt. De informatie aan het begin van een alinea was al vervaagd tegen de tijd dat het model het einde bereikte. Dat was een fundamentele beperking, en jarenlang was er geen goede oplossing voor.
De transformer
In 2017 publiceerden onderzoekers van Google een paper met de provocerende titel “Attention is all you need”. Het beschreef een nieuw type netwerkarchitectuur: de transformer. In plaats van tekst woord voor woord te verwerken, keek de transformer in één keer naar alle woorden tegelijk en bepaalde voor elk woord welke andere woorden in de tekst er het meest toe deden. Waar het oude model een brief door een brievenbus las, legde de transformer de hele brief open op tafel.
Van architectuur naar een nieuwe categorie modellen
Dat klinkt als een technisch detail. Maar het opende de deur naar modellen die op een totaal andere schaal getraind konden worden, op hele documenten, hele bibliotheken, het grootste deel van de tekst die ooit op het internet is gepubliceerd. Daaruit ontstond een nieuwe categorie: foundation models. Brede modellen, getraind op een enorme verscheidenheid aan tekst, beeld of beide, die als basis konden dienen voor tientallen toepassingen zonder dat het hele model opnieuw getraind hoefde te worden. GPT, Claude, Gemini en alle huidige grote taalmodellen zijn foundation models, gebouwd op die transformer-architectuur.
→ Lees meer: Transformers en foundation models: de architectuursprong
Fase 5: De huidige AI-golf (vanaf eind 2022)
Tot eind 2022 was het werk aan grote taalmodellen vooral een zaak van onderzoekers en gespecialiseerde bedrijven. GPT-3 bestond al sinds 2020 en was technisch een doorbraak, maar voor de meeste mensen was het een naam in een vakblad. Toen OpenAI op 30 november 2022 ChatGPT lanceerde, kantelde de wereld in een paar weken. Een miljoen gebruikers in vijf dagen. Honderd miljoen in twee maanden. Geen enkele consumententechnologie was ooit zo snel geadopteerd.
Eerdere AI-doorbraken, zoals de schaakcomputer Deep Blue tegen Kasparov in 1997 of AlphaGo tegen Lee Sedol in 2016, bleven binnen het onderzoekslab en de specialistische toepassingen. Deze golf landde op het bureau van elke kenniswerker. De modellen zijn breed inzetbaar, van tekst tot beeld tot code, en voor iedereen direct toegankelijk via een chatscherm zonder programmeerkennis. Die combinatie van technologische rijpheid en publieke toegankelijkheid is wat deze fase definieert.
Wat er sindsdien is gebeurd
En sindsdien gaat het snel. Modellen leerden meer modaliteiten te verwerken: tekst, beeld, audio en video. Er kwamen redeneermodellen die langer doordenken voor ze antwoorden. En de eerste AI-agents verschenen: systemen die naast het genereren van informatie ook zelfstandig stappen uitvoeren in software en werkprocessen. Dat dit alles binnen een paar jaar gebeurt, is geen toeval. Het is het tempo dat ontstaat wanneer een fundament eenmaal staat.
→ Lees meer: De huidige AI-golf: waarom deze anders is dan eerdere softwaregolven
Wat elke fase toevoegde
Wij onderscheiden vijf fases in de geschiedenis van AI. Andere indelingen kennen meer of minder fases. Sommige onderzoekers behandelen symbolische AI en de eerste machine-learning-experimenten als één fase, andere splitsen de huidige golf op in een generatieve en een agentische subfase. De keuze voor vijf is bewust gemaakt, omdat dit aantal het verhaal helder houdt zonder belangrijke kantelmomenten weg te abstraheren.
De lagen stapelen zich op
Als je de vijf fases naast elkaar legt, valt een patroon op dat in de praktijk vaak over het hoofd wordt gezien. Elke fase voegde iets toe wat in de vorige niet kon. Symbolische AI bracht het idee dat machines redeneerstappen konden uitvoeren, al was die redenering star en gebonden aan regels die mensen hadden geschreven. Machine learning voegde daar iets wezenlijks aan toe: de regels hoefden niet meer van een programmeur te komen, ze konden uit data ontstaan. Deep learning bracht de gelaagdheid waardoor systemen ook complexe, ongestructureerde informatie als beelden, spraak en tekst konden verwerken. Transformers en foundation models brachten vervolgens de generalisatie: één breed model dat op tientallen verschillende taken inzetbaar was, zonder voor elke taak apart getraind te hoeven worden. En de huidige golf voegde daar het laatste stuk aan toe: redeneren over meerdere stappen, het combineren van modaliteiten, en de eerste agents die zelfstandig acties uitvoeren in software.
Hier zit het inzicht dat het vaakst wordt gemist: geen van die fases heeft de vorige vervangen. Ze stapelen zich op. Een spamfilter werkt vandaag nog steeds met machine learning. Een schaakprogramma is in de kern nog steeds regelgebaseerd. Medische beeldanalyse draait op deep learning. Wat erbij is gekomen, is telkens een nieuwe laag bovenop de eerdere lagen. En bovenop de huidige laag wordt al weer aan de volgende gewerkt. Wie dat patroon ziet, begrijpt waarom de komende jaren waarschijnlijk niet stilvallen.
Voorbeelden
De geschiedenis herkennen in je eigen organisatie
Medische kliniek
Een radiologie-afdeling in een middelgrote kliniek heeft twee tijdperken van AI in eigen huis meegemaakt. In de jaren tachtig draaiden er expert systems die diagnoses ondersteunden via vastgelegde regels. Ze werkten goed in standaardgevallen en liepen vast zodra een patiënt buiten het patroon viel. Vandaag draaien er deep-learning-modellen die afwijkingen op scans signaleren die in een drukke werkdag over het hoofd zouden worden gezien. De technologie achter die modellen werkt fundamenteel anders: in plaats van regels uit te voeren, herkennen ze patronen die ze hebben geleerd uit honderdduizenden eerdere scans. Dat is precies het verschil tussen fase 1 en fase 3 van de AI-geschiedenis, uitgevoerd in dezelfde organisatie.
B2B-dienstverlener
Een adviesbureau heeft tien jaar geleden een regelgebaseerd kennissysteem laten bouwen dat antwoorden genereerde uit een handmatig samengestelde kennisbank. Het systeem werkte, maar moest elk kwartaal worden bijgewerkt en miste alles wat buiten de vooraf ingevoerde regels viel. Vandaag werkt hetzelfde bureau met een AI-systeem dat antwoorden formuleert op basis van de actuele documentbibliotheek, zonder dat iemand regels hoeft te coderen. Het oudere systeem werkte met regels die mensen hadden geschreven. Het huidige systeem werkt met patronen die het zelf heeft geleerd uit voorbeelden. Tien jaar verschil, dezelfde organisatie, twee fases van AI.
Zelfstandige professional
Een zelfstandige adviseur volgt het AI-debat al meer dan tien jaar. Hij herinnert zich de aandacht voor IBM Watson dat in 2011 de Amerikaanse quizshow Jeopardy! won, en de jaren daarna waarin die technologie de breed beloofde toepassingen grotendeels niet leverde. Vandaag gebruikt diezelfde adviseur dagelijks een taalmodel voor rapporten, voorbereidingen en presentaties. Wat dit moment anders maakt is dat drie dingen voor het eerst samenvallen: directe toegankelijkheid via een chatscherm, betaalbaarheid voor een eenmanszaak, en bruikbaarheid over een breed scala aan werk. Op precies die drie punten waren eerdere AI-momenten gestrand.
Het kantelmoment van november 2022
De overgang van GPT-3 naar ChatGPT laat precies zien wat beschikbaarheid verandert. GPT-3 werd in juni 2020 door OpenAI gelanceerd. Het was technisch een doorbraak: het eerste taalmodel dat overtuigend coherente teksten produceerde over uiteenlopende onderwerpen, op een schaal die niemand eerder had bereikt. Maar voor de wereld buiten AI-onderzoekers gebeurde er weinig. Het model bestond, het werd in een paar artikelen besproken, ontwikkelaars met API-toegang experimenteerden ermee. Daarmee was het verhaal voorlopig klaar.
Twee jaar later, op 30 november 2022, lanceerde OpenAI ChatGPT. Het onderliggende model was een verfijnde versie van GPT-3. Er was technische vooruitgang, met name op het gebied van instructie-volgen door menselijke feedback, maar de sprong was niet revolutionair vergeleken met wat al bestond. Wat radicaal anders was, zat in het scherm. ChatGPT was een chatomgeving die iedereen met een browser kon openen. Geen API nodig, geen technische integratie, geen beperking tot ontwikkelaars. Een tekstvenster waarin je gewoon kon beginnen te typen.
In vijf dagen waren er een miljoen gebruikers. In twee maanden honderd miljoen. Bedrijven die nooit eerder met AI bezig waren, sloegen aan het experimenteren, investeringsstromen verschoven binnen kwartalen, en hele sectoren begonnen hun werkwijze te herzien.
Het inzicht dat dit voorbeeld concretiseert: de huidige AI-golf is niet alleen een technologische verschuiving. Het is ook een toegankelijkheidsverschuiving. De technologie was er al twee jaar. Maar de wereld kon er nu pas bij. Voor wie strategische beslissingen neemt over AI is dat onderscheid wezenlijk. De vraag “is de technologie er?” is meestal niet de bepalende vraag. De bepalende vraag is: is de technologie beschikbaar voor wie ermee moet werken, in een vorm die ze kunnen gebruiken? Wie dat onderscheid niet ziet, kijkt naar het verkeerde signaal.
Veelgestelde vragen
Wat is een AI-winter, en kunnen we er weer een verwachten?
Een AI-winter is een periode waarin het enthousiasme over AI omsloeg in teleurstelling, waardoor financiering opdroogde en onderzoek vertraagde. De eerste liep van ongeveer 1974 tot 1980, na een kritisch rapport over de tegenvallende voortgang van symbolische AI. De tweede liep van eind jaren tachtig tot midden jaren negentig, toen de markt voor expert systems instortte omdat ze in de praktijk te brokkelig bleken. In beide gevallen was het patroon hetzelfde: hooggespannen verwachtingen botsten met technische grenzen, en de terugslag was groot. Of er een derde komt, is een open vraag. De huidige situatie verschilt op een belangrijk punt: AI is nu technisch beter en bovendien breed in gebruik bij honderden miljoenen mensen, verankerd in toepassingen die concreet waarde opleveren. Een winter zoals de vorige twee veronderstelt dat de technologie haar belofte niet waarmaakt. Op dit moment is het tegenovergestelde het geval. Wat wel kan gebeuren, is een afkoeling in de investeringsmarkt of een correctie van overdreven verwachtingen rond bepaalde toepassingen, maar dat is iets anders dan een fundamentele winter.
Is de huidige AI-golf ook weer een bubbel?
Het is een logische vraag. De twee eerdere AI-winters hebben een patroon achtergelaten van grote beloften gevolgd door grote teleurstellingen. Waarom zou het deze keer anders zijn? De eerlijke analyse: de fundamenten onder deze golf zijn op meerdere punten steviger dan bij eerdere AI-momenten. De prestaties zijn breed en meetbaar, over schrijven, analyseren, coderen, plannen en redeneren. De toepassingen zijn direct beschikbaar voor iedereen met een browser. De investeringen zijn structureel, met tientallen miljarden per jaar van de grootste technologiebedrijven ter wereld. En de doorbraken stapelen zich op in een tempo dat eerder versnelt dan vertraagt: redeneermodellen, agents, multimodaliteit, steeds grotere context windows. Dat zijn andere signalen dan bij de eerdere AI-winters, waar de teleurstelling juist ontstond doordat bredere toepassing uitbleef. Dat wil niet zeggen dat alle AI-claims terecht zijn. Wat een directie in deze fase wél kan doen, is twee houdingen tegelijk volhouden. De eerste is verkennend: experimenteren met de modellen, intuïtie opbouwen voor wat werkt en wat niet, begrijpen waar de ontwikkeling heen gaat. De tweede is gedegen: wat daadwerkelijk wordt geïmplementeerd, krijgt zorgvuldige architectuur, evaluatie en menselijk toezicht. Die combinatie van verkennen en solide uitvoeren is wat in deze fase werkt.
Begon AI niet pas in 2022 met ChatGPT?
Voor een groot deel van het publiek voelt het zo, omdat dat het moment was waarop AI in een vorm kwam die iedereen zelf kon gebruiken. Maar het werk eraan loopt al sinds 1956, en de meeste technologie achter ChatGPT is decennia ouder. Neurale netwerken bestaan in concept sinds de jaren vijftig. Backpropagation, de techniek waarmee neurale netwerken leren van hun fouten, is uit 1986. Deep learning brak door in 2012. De transformer-architectuur waarop ChatGPT draait, is uit 2017. Wie alleen naar 2022 kijkt, mist zeventig jaar voorgeschiedenis en daarmee het inzicht waarom deze golf wél de breedte haalde die eerdere AI-momenten niet bereikten. Voor strategische besluitvorming maakt dat verschil. Een directie die denkt dat AI in 2022 begon, ziet de huidige golf als een geïsoleerde gebeurtenis. Een directie die de geschiedenis kent, ziet hem als de volgende fase in een lange ontwikkeling, met fases die nog komen.
Waarom zou je als koersbepaler de geschiedenis van AI moeten kennen?
Drie inzichten uit die geschiedenis zijn direct bruikbaar voor wie strategische keuzes maakt over AI. Het eerste: AI-doorbraken ontstaan zelden uit één uitvinding. Ze ontstaan uit het samenkomen van meerdere ontwikkelingen, zoals algoritmen, data en rekenkracht in 2012, of technologie en toegankelijkheid in 2022. De vraag bij elke nieuwe AI-claim is daarom: zijn de randvoorwaarden er voor bredere toepassing? Het tweede: fases vullen elkaar aan in plaats van dat ze elkaar vervangen. Wat in eerdere fases is opgebouwd, blijft draaien onder moderne systemen. Het derde: de tijd tussen fases wordt korter. Dertig jaar tussen symbolische AI en machine learning. Twintig jaar tussen machine learning en deep learning. Vijf jaar tussen deep learning en transformers. En weer vijf jaar tussen transformers en de huidige golf. Wie dat patroon ziet, neemt het tempo serieuzer waarin de volgende verschuiving zich aandient.
Wat onderscheidt de huidige AI-golf van eerdere softwaregolven?
Eerdere softwaregolven, zoals de personal computer in de jaren tachtig, het commerciële internet in de jaren negentig en de smartphone vanaf 2007, veranderden hoe mensen toegang kregen tot informatie en hoe ze met elkaar communiceerden. De huidige AI-golf gaat een stap verder. AI verandert niet alleen hoe je werk doet, maar ook wat er als werk overblijft voor de mens. Een spreadsheet hielp bij het maken van berekeningen, maar de gebruiker bedacht nog altijd zelf welke berekeningen relevant waren. Een AI-systeem kan nu in een groeiend deel van het kenniswerk zelf voorstellen formuleren, analyses opzetten en concepten produceren. Goed genoeg om als startpunt te dienen, lang niet altijd goed genoeg om klakkeloos over te nemen. De verschuiving zit in het type taken dat de software aankan. Eerdere golven automatiseerden uitvoerende stappen. Deze golf raakt aan oordeelsvorming, redenering en creatie. Wat dat precies betekent voor organisaties, is nog volop in beweging.
Verder lezen
Wie wil begrijpen wat AI precies is en welke taken AI-systemen uitvoeren, vindt dat bij Wat is AI precies? (cluster 1.1).
Wie wil zien wat de modellen die uit deze geschiedenis zijn voortgekomen vandaag concreet kunnen, leest verder bij Wat kunnen moderne AI-modellen? (cluster 1.3).
Wie wil begrijpen hoe een modern AI-model wordt opgebouwd via pretraining, posttraining en fine-tuning, en waarom dat inzicht helpt bij het beoordelen van wat AI wel en niet aankan, vindt dat bij de pillar Hoe wordt een AI-model gemaakt? (pillar 2).