In 1992 studeerden de eerste studenten Kunstmatige Intelligentie in Nederland af. Nu generatieve modellen zoals OpenAI’s GPT-4 en Google’s Gemini het tempo bepalen, rijst de vraag of zij een voorsprong hadden. Hun opleiding draaide om logica en uitlegbaarheid, precies wat door de Europese AI-verordening (AI Act) en de AVG belangrijk is voor overheid en bedrijven. Het onderwerp is actueel door krapte op de arbeidsmarkt en nieuwe verplichtingen voor organisaties.
Eerste lichting gaf de toon
Nederlandse universiteiten begonnen eind jaren tachtig met opleidingen Kunstmatige Intelligentie. In 1992 rondde de eerste lichting studenten af. De programma’s combineerden informatica, taaltechnologie en cognitieve psychologie. Zo ontstond een brede basis voor het ontwerpen en beoordelen van slimme systemen.
De kern lag bij symbolische AI. Dat zijn systemen die kennis en regels expliciet vastleggen. Studenten leerden redeneren met logica, plannen en zoeken. Die aanpak maakte beslissingen controleerbaar en uitlegbaar.
Die basis blijkt nu waardevol. Organisaties willen weten hoe en waarom een model tot een uitkomst komt. Zeker bij publieke diensten en zorg is dat cruciaal. De vraag naar transparantie groeit met elke nieuwe toepassing.
Symbolisch versus datagedreven
Ruwweg zijn er twee benaderingen: symbolische AI en datagedreven leren. Symbolische AI werkt met regels en kennisbanken. Datagedreven leren, zoals machine learning, laat patronen uit data leren. Neurale netwerken zijn daarbij een veelgebruikte techniek.
Symbolische AI: systemen die beslissingen nemen op basis van expliciete regels, logica en kennisrepresentatie, in plaats van patronen te leren uit grote datasets.
De huidige golf draait om generatieve modellen. Voorbeelden zijn GPT-4 van OpenAI en Gemini van Google, die tekst en code kunnen maken. Ze zijn krachtig, maar vaak moeilijk uit te leggen. Dat botst soms met eisen rond transparantie en verantwoord gebruik.
Vroege alumni moesten zich later bijscholen in statistiek en moderne tools. Toch hielp hun denkwijze bij modelleren en foutanalyse. Ze kijken van nature naar aannames, randvoorwaarden en risico’s. Die houding is nuttig bij de invoering van elke nieuwe techniek.
Arbeidsmarkt vroeg en nu
In de jaren negentig lag werk vooral bij kennissystemen en beslissingsondersteuning. Ook gebruiksvriendelijkheid en mens-machine-interactie kregen aandacht. Overheid en industrie experimenteerden met regelsystemen in nichetoepassingen. Denk aan planning, diagnose en informatiebeheer.
Vandaag vragen werkgevers om datamodellen in productie, ook wel MLOps genoemd. Dat is het beheren van modellen na de bouw, inclusief monitoring en onderhoud. Daarnaast groeit de vraag naar data governance en model-uitleg. Dit speelt extra bij hoog-risico-toepassingen in de publieke sector.
De eerste KI’ers hadden geen directe voorsprong op de nieuwste tools. Wel op probleemformulering, verificatie en ethiek. Dat vertaalt zich in robuuste ontwerpen en betere documentatie. Precies wat toezichthouders nu verwachten.
AI-verordening stuurt onderwijs
De Europese AI-verordening deelt systemen in risicoklassen in, met verboden, hoge en beperkte risico’s. Organisaties moeten aantoonbaar voldoen aan eisen voor data, documentatie en transparantie. Op het moment van schrijven is de wet aangenomen en volgt gefaseerde invoering in 2025-2026. De gevolgen voor overheid en bedrijven zijn groot.
De AVG blijft leidend voor persoonsgegevens. Dataminimalisatie en privacy by design zijn verplicht. Versleuteling en toegangscontrole horen daarbij. Deze basis sluit aan op de technische en juridische eisen uit de AI Act.
Opleidingen in Nederland schuiven daarom op naar compliance en impactanalyse. Studenten leren risicobeoordeling en model-uitleg naast programmeren. Ook audit-trails en testprotocollen komen terug in practica. Dat helpt afgestudeerden om sneller aan de slag te kunnen bij instellingen en bedrijven.
Nederlandse context en taal
Toepassingen in het Nederlands vragen vaak extra aandacht. Modellen presteren beter in het Engels door meer trainingsdata. Voor de overheid en zorg is goede Nederlandse dekking echter onmisbaar. Dat geldt ook voor begrijpelijke output voor burgers.
Europa investeert in inclusieve algoritmen en taaltechnologie. Projecten zoals SignON werken aan tolken tussen gebarentaal en gesproken taal. In Nederland sluit dit aan op de Wet erkenning Nederlandse Gebarentaal. Zo komen techniek en toegankelijkheid dichter bij elkaar.
Ook data-soevereiniteit speelt in de EU. Publieke instellingen willen controle over data en modellen. Open modellen, zoals Llama 3 van Meta, krijgen daardoor aandacht. Ze maken aanpassing en inspectie makkelijker, maar vragen wel expertise.
Voorsprong is meer dan techniek
De echte voorsprong van de eerste lichting is een manier van denken. Ze combineren logica, taal en menselijk gedrag. Dat maakt hun oplossingen robuuster en beter uitlegbaar. En dat past bij publieke waarden en Europese regels.
Moderne teams hebben een mix nodig. Er is plaats voor kennisrepresentatie én deep learning. Voor wiskunde én domeinkennis. En voor developers, juristen en ethici aan één tafel.
De les uit 1992: fundamenten blijven tellen. Nieuwe tools komen en gaan, principes blijven. Wie nu studeert, heeft baat bij die brede basis. Zo blijft Nederland wendbaar binnen de Europese kaders.