Het debat over superintelligente kunstmatige intelligentie laait op in Nederland en Europa. Onderzoekers en bedrijven als OpenAI, Google DeepMind, Anthropic en Meta botsen over de vraag of systemen de mens snel zullen inhalen. Op het moment van schrijven stellen diverse analyses dat er geen bewijs is voor zo’n sprong op korte termijn. De kern: modellen als GPT-4o, Gemini 1.5 en Llama 3 zijn krachtig, maar missen begrip, betrouwbaarheid en doelgerichtheid.
Geen bewijs voor superintelligentie
Er circuleren harde voorspellingen dat “superslimme” AI nabij is. Toch ontbreekt een gedeelde meetlat die aantoont dat systemen de mens binnenkort voorbijstreven. Veel tijdlijnen steunen op reeksen aannames en op trendlijnen die kunnen afvlakken. Empirisch bewijs voor een aanstaande sprong blijft schaars.
Begrippen als “AGI” en “superintelligentie” zijn bovendien vaag. Zonder heldere definitie valt niet te toetsen of we dichterbij komen. Taalmodellen voorspellen patronen in data, maar begrijpen de wereld niet zoals mensen dat doen. Dat maakt spectaculaire claims moeilijk te verifiëren.
De verwachting dat meer rekenkracht vanzelf tot “begrip” leidt, is omstreden. Schaal helpt, maar levert ook afnemende meeropbrengsten op. Bovendien groeien kosten, energieverbruik en foutkansen mee. Dat zet een rem op onbegrensde doorgroei.
Superintelligentie wordt vaak omschreven als een systeem dat mensen in vrijwel alle taken overtreft. Die drempel is nergens objectief vastgelegd en daarom moeilijk meetbaar.
Grenzen van huidige modellen
Huidige systemen blinken uit in tekst en code, maar blijven wankel in redeneren. GPT-4o, Gemini 1.5 en Claude 3 kunnen overtuigend schrijven, maar verzinnen soms feiten. Zulke fouten heten hallucinaties: het model vult gaten in met plausibele onzin. Dat is lastig te voorkomen in open domeinen.
De trainingsdata zijn eindig en rommelig. Veel modellen leunen op webdata zoals Common Crawl en beeldsets zoals LAION, die fouten en vooroordelen bevatten. Strikte AVG-regels in Europa beperken ook massaal schrapen van persoonsgegevens. Dataminimalisatie betekent: alleen verzamelen wat strikt nodig is, liefst versleuteld en doelgebonden.
Autonome planning blijft een zwak punt. “AI-agents” kunnen taken ketenen, maar lopen vast bij onvoorziene stappen. Ze missen stabiele doelen en realiteitsbesef buiten hun trainingsdata. Menselijk toezicht is daarom nog noodzakelijk.
AI-verordening tempert verwachtingen
De Europese AI-verordening (AI Act) zet op het moment van schrijven een risicogebaseerd kader neer. Algemene AI-systemen (GPAI) krijgen transparantie- en veiligheidsverplichtingen. Denk aan documentatie, evaluatie en rapportage over energieverbruik en risico’s. Dat maakt wilde groei zonder controle minder waarschijnlijk.
Voor overheden zijn de gevolgen concreet. “Europese AI-verordening gevolgen overheid” betekent strengere inkoop, impactanalyses en logboeken. Hoogrisicotoepassingen, zoals algoritmen voor publieke diensten, vragen extra waarborgen. Dit dwingt focus op aantoonbare veiligheid, niet op speculaties over superintelligentie.
Toezicht komt van het nieuwe Europese AI Office, in samenwerking met nationale autoriteiten. In Nederland spelen onder meer de Autoriteit Persoonsgegevens en de Rijksinspectie Digitale Infrastructuur een rol. Handhaving richt zich op datakwaliteit, robuustheid en uitleg. Dat vergroot de druk om claims te onderbouwen met meetbare resultaten.
Vooruitgang blijft vooral smal
De grootste winst zit nu in smalle taken. Code-assistenten zoals GitHub Copilot (Microsoft/OpenAI) en vertalers als DeepL en Google Translate verhogen productiviteit. Maar ze vragen controle door mensen. Hun foutmarge maakt volledig automatiseren riskant.
Bekende benchmarks zijn deels uitgeput. Nieuwe toetsen proberen dichter bij de praktijk te komen, maar blijven kunstmatig. De sprong van proeflokaal naar echte processen is vaak het struikelblok. Bedrijven ontdekken dat betrouwbaarheid belangrijker is dan losse scores.
Verder opschalen kost veel chips, stroom en geld. Schaalwetten leveren winst, maar die vlakt af. Dat maakt het onwaarschijnlijk dat “meer van hetzelfde” plots echt begrip oplevert. Innovatie zal eerder komen van betere methodes dan van alleen meer data en rekenkracht.
Richt je op huidige risico’s
De directe risico’s zijn concreet en dichtbij. Desinformatie, deepfakes en oplichting raken verkiezingen en publieke veiligheid in Europa. Het Digital Services Act-kader verplicht grote platforms tot risicobeperking. Dat vergt detectie, labeling en snelle verwijdering.
In scholen, ziekenhuizen en gemeenten speelt privacy. Chatbots en analysehulpen verwerken vaak gevoelige gegevens. De AVG eist dataminimalisatie, versleuteling en duidelijke doelen. Publieke instellingen moeten dit borgen in contracten en technische maatregelen.
Organisaties kunnen vandaag al veel doen. Vraag modelkaarten en datasheets op, en laat systemen onafhankelijk toetsen. Regel fallback-processen en menselijke controle bij kritieke beslissingen. Investeer in training, logboeken en systematische red teaming.