Wat AI wel en niet kan: eerlijke grenzen
Een simpele regel: als een persoon de taak in een seconde oplost en er veel vergelijkbare voorbeelden zijn, zal AI het waarschijnlijk aankunnen. Als de situatie nieuw is en anders dan alles wat het heeft gezien, gaat het mis — met veel zelfvertrouwen. We ontdekken die grens met zelfrijdende auto's en medicijnen. En we bepalen hoe we vooraf beslissen of we een taak überhaupt aan AI moeten overlaten.
Van de vorige les weet je dat de kracht van AI afhangt van zijn data. Laten we nu een eerlijke kaart tekenen van de grenzen — wat AI echt kan, en wat in principe daarbuiten valt. Dat is het antwoord op "wanneer je AI niet moet gebruiken".
De hoofdregel: de één-seconde test
Houd één simpele regel in gedachten en het bespaart je jaren van illusies: als een persoon de typische versie van een taak in ongeveer één seconde nadenken oplost — en de wereld vol is met voorbeelden ervan — zal AI het waarschijnlijk aankunnen. Een auto herkennen op een foto, een woord horen, spam van geen-spam onderscheiden, een gezicht herkennen — dit zijn allemaal "één-seconde" perceptietaken, en er is een oceaan aan data voor. AI is hier sterk in.
Nu de keerzijde: een aandelenkoers een maand vooruit voorspellen op basis van prijzen uit het verleden is geen één-seconde taak, en nog belangrijker, prijzen uit het verleden voorspellen die van de toekomst niet. Een dubbele mislukking: het nadenken kost veel tijd, en er is sowieso geen patroon in de data. De regel is grof maar betrouwbaar: AI is een briljante specialist in directe herkenning, geen wijze die gevolgen afweegt.
Gepaarde voorbeelden: wel / niet
Laten we kalibreren aan de hand van twee gebieden waar fout zijn een reële prijs heeft.
- Een zelfrijdende auto. Kan: met camera en radar bepalen waar de andere auto's op de weg zijn — er zijn miljoenen gelabelde voorbeelden. Heeft enorme moeite: met het lezen van iemands gebaar — een bouwvakker die je wenkt te stoppen, een fietser die een afslag aangeeft met een arm. Er zijn eindeloos veel manieren om te gebaren, je kunt niet zoveel voorbeelden verzamelen, en de kosten van een fout zijn een mensenleven.
- Geneeskunde. Kan: longontsteking opsporen op een röntgenfoto als er duizenden afbeeldingen zijn gelabeld als "ziek / gezond". Kan niet: een diagnose leren van een dozijn plaatjes in een leerboek, zoals een geneeskundestudent dat doet. Een persoon generaliseert uit een paar voorbeelden; AI heeft ze in bulk nodig.
De onderschatte zwakte: slechte generalisatie
Hier is een grens waar bijna niemand over praat. AI is sterk met data die vergelijkbaar is met wat het tijdens de training heeft gezien, en kwetsbaar voor alles wat anders is. Neem een model dat is getraind op schone röntgenfoto's van één kliniek, verplaats het naar een andere waar de beelden onder een andere hoek zijn gemaakt met andere apparatuur en meer ruis, en de nauwkeurigheid daalt merkbaar.
Een echte arts past zich binnen een dag aan een nieuw ziekenhuis aan; AI kan dat niet. Onthoud het principe: AI "begrijpt" de taak niet, het past een antwoord aan bekende voorbeelden aan — verander de voorbeelden en het vertrouwen brokkelt af. Dit volgt direct uit de les over data: wat telt is niet alleen de kwaliteit van de data, maar ook hoezeer deze lijkt op de omgeving waarin het model daadwerkelijk zal werken.
Waarom het lijkt alsof AI alles kan
Wees voorzichtig met het nieuws. Alleen de overwinningen van AI halen de krantenkoppen: versloeg de kampioen, slaagde voor het examen, schilderde een meesterwerk. De mislukkingen — honderden stille projecten waar AI nooit van de grond kwam — worden nauwelijks gepubliceerd. Die vertekening is waar de illusie van almacht vandaan komt. Een realistisch beeld betekent ook de andere helft in gedachten houden — de helft die niemand noemt.
Wacht eens even: als AI de aandelenkoers van morgen betrouwbaar zou kunnen voorspellen, zou iemand je dan toegang verkopen voor een paar dollar per maand?
Natuurlijk niet — de eigenaar zou in plaats daarvan stilletjes rijk worden. Elke belofte "AI zal de markt voorspellen" strandt op die simpele gedachte. En omdat het geen patroon heeft gevonden, doet het model wat de les over hallucinaties beschrijft — het geeft je een zelfverzekerde, plausibele voorspelling zonder enige onderbouwing.
Vier vragen: moet je dit aan AI overlaten?
Voordat je een taak aan de machine geeft, doorloop je vier vragen:
- Is het een "één-seconde" taak, en zijn er veel voorbeelden? Perceptie en generatie met veel data — groene zone.
- Lijkt de data op de omgeving waarin de AI daadwerkelijk zal werken? Bij alles wat anders is, is AI kwetsbaar.
- Wat kost het om fout te zijn, en kun je het resultaat controleren? Hoge kosten zonder controlemogelijkheid — stop.
- Heeft de AI de benodigde data? Alles wat recent, privé of zeer niche is (denk aan de kenniscutoff) heeft het misschien nog nooit gezien.
Groen licht: een één-seconde taak met veel vergelijkbare data, lage foutkosten, een controleerbaar resultaat. Rood: een trage, ingrijpende beslissing, onbekende data, hoge kosten en geen manier om te verifiëren.
Doe dit nu
Een oefening zonder tools — alleen je hoofd en een vel papier. Schrijf vijf echte taken van je week op en doorloop elke taak met de één-seconde test en de vier vragen uit deze les. Markeer welke je zonder zorgen aan AI zou overlaten (herkennen, samenvatten, een concept schetsen) en welke je zelf zou houden (beslissingen waarbij fouten duur zijn, nieuwe data, verantwoordelijkheid, onbekende omstandigheden).
Die lijst is jouw persoonlijke "delegeren / zelf doen" kaart. Het mechanisme en de grenzen zijn nu duidelijk — tijd om de controle te nemen, waar de volgende module voor is: eerst kijken we naar voorbeelden voor jouw eigen werkgebied, dan schrijven we je eerste echte prompt.
Short questions on the lesson — with an explanation for every answer.