Nederlandse opleidingen en werkgevers benadrukken dat studenten meer moeten leren dan werken met taalmodellen als ChatGPT. De vaardigheid om een prompt te schrijven is nuttig, maar is geen onderscheid meer. Dit speelt nu, terwijl de Europese AI-verordening gevolgen heeft voor onderwijs en overheid. De vraag is waarom: organisaties willen veilige, legale en betrouwbare toepassingen van algoritmen, niet alleen snelle demo’s.
LLM-kennis is basishygiëne
Grote taalmodellen, zoals OpenAI GPT-4o, Google Gemini 1.5 en Meta Llama 3, zijn wijdverbreid. Bijna elke student kan ermee samenvatten, vertalen of code genereren. Prompt engineering, het slim formuleren van opdrachten aan een model, helpt. Maar het is een startpunt, geen einddoel.
De kernvraag wordt nu: wanneer werkt zo’n model echt betrouwbaar, en wanneer niet? Systemen hallucineren soms: ze verzinnen feiten die plausibel lijken. Ook kunnen ze bevooroordeeld zijn door scheve trainingsdata. Zonder toetsing en context blijft het risico groot.
Grote taalmodellen (LLM’s) zijn algoritmen die uit veel tekst leren welk woord waarschijnlijk volgt. Ze kunnen schrijven, samenvatten en programmeren, maar maken ook fouten en verzinnen soms informatie.
Wie verder wil komen, moet het model leren evalueren. Denk aan meetbare kwaliteit, herhaalbare tests en duidelijke grenzen. Dat vraagt om datahygiëne, statistiek en versiebeheer. Alleen zo groeit een prototype uit tot bruikbare software.
Bedrijven willen bredere vaardigheden
Werkgevers in Nederland vragen om combinatievaardigheden. Ze willen programmeurs die AI-API’s veilig inbedden, en analisten die cijfers kunnen duiden. Ook zoeken ze juristen en productmanagers die regels vertalen naar ontwerpkeuzes. Het gaat dus om teams die techniek, data, recht en gebruik samenbrengen.
Er is vraag naar MLOps, een werkwijze om modellen te bouwen, testen en beheren in productie. Daarbij horen monitoring, logging en versleuteling van data. Voor generatieve AI betekent dit ook: duidelijke bronvermelding en controle op gevoelige informatie. Zo blijven systemen onderhoudbaar en auditbaar.
Open modellen zoals Llama 3 maken lokale toepassingen mogelijk. Dat kan goedkoper en privacyvriendelijker zijn dan alleen cloud. Maar het vraagt ook eigen verantwoordelijkheid voor updates en beveiliging. Die afweging moeten studenten kunnen maken en onderbouwen.
Beoordeling en veiligheid worden een kernvaardigheid. Denk aan “red teaming”: actief zoeken naar zwakke plekken. En aan “guardrails”: regels die ongewenste uitkomsten blokkeren. Dit is andere expertise dan alleen prompts schrijven.
Onderwijs schuift naar praktijk
Steeds meer opleidingen leggen de nadruk op projecten met echte data en duidelijke evaluaties. Studenten leren documenteren, testen en hun keuzes uitleggen. Daarbij hoort ook: transparant zijn over eigen AI-gebruik. Zo wordt duidelijk wat de student zelf heeft gedaan.
Hogescholen en universiteiten werken naar toetsing die AI slim toelaat. Een opdracht kan AI toestaan, maar eist dan logbestanden of bijlagen met prompts en versies. Dit maakt het werk controleerbaar en leerzaam. Plagiaatpreventie verschuift zo naar procescontrole.
In sectoren als zorg, overheid en onderwijs spelen privacyregels extra sterk. De AVG stelt eisen als dataminimalisatie en duidelijke grondslagen. Studenten moeten weten wanneer anoniem maken echt werkt. En wanneer een Data Protection Impact Assessment nodig is.
Voor Nederland is de praktijkcontext dichtbij. Gemeenten gebruiken al chatbots en besluitvormingssystemen. Scholen verkennen assistenten voor taal en feedback. Juist daar is verantwoord ontwerp essentieel.
Europese regels sturen curriculum
De Europese AI-verordening (AI Act) introduceert risicoklassen en zorgplichten. Hoogrisico-systemen vragen om strenge datagovernance, documentatie, logging en menselijke controle. De regels gaan gefaseerd gelden vanaf 2025. Overtredingen kunnen hoge boetes opleveren.
Voor studenten betekent dit: leer ontwerpen met compliance in gedachten. Denk aan datakwaliteit, bias-tests en uitlegbaarheid. En aan een technische en juridische projectmap die audit-proof is. Dit sluit ook aan op de AVG en sectorregels.
Publieke instellingen en banken krijgen hier direct mee te maken. Inkoop en toezicht vragen om toetsbare criteria. Leveranciers moeten aantonen dat hun modellen veilig en rechtmatig zijn. Dat maakt evaluatievaardigheid en documentatie onmisbaar.
Ook het Europese uitgangspunt “menselijke maat” wordt praktischer. Studenten leren wanneer menselijke controle zinvol is. En hoe je die controle echt uitvoerbaar maakt. Bijvoorbeeld via escalatiepaden en logboeken.
Vaardigheden die wél tellen
Ambitieuze studenten bouwen een gereedschapskist die breder is dan taalmodellen. Ze beheersen statistiek en basale kansrekening. Ze kunnen kleine services bouwen rond een API met testen en monitoring. En ze kennen de grenzen van hun systeem.
Belangrijke technieken komen samen in eenvoudige patronen. Retrieval augmented generation (RAG), waarbij een model alleen antwoordt op gecontroleerde bronnen, is daar een voorbeeld van. Het verlaagt het risico op verzinsels. Maar vraagt wel om goede zoekindexen en bronbeheer.
Tot slot blijven menselijke vaardigheden doorslaggevend. Schrijf helder, leg keuzes simpel uit en werk gestructureerd samen. Leg aannames vast en maak resultaten herhaalbaar. Dat onderscheidt een gebruiker van een bouwer.
De conclusie is nuchter. Werken met ChatGPT of Gemini hoort er gewoon bij. Het verschil maak je met ontwerpen, evalueren en naleving. Dáár ligt de waarde op de Nederlandse en Europese arbeidsmarkt.