Generatieve AI is het meest bekend. Het gaat hierbij om AI die nieuwe content kan maken: tekst, afbeeldingen, muziek, video of code. Sommige modellen kunnen meerdere soorten content genereren; dat noem je multimodaal. Vaak zie je dat terug in chatbots die op de achtergrond verschillende modellen combineren.

De bekendste generatieve AI tool is ChatGPT. In de basis is dat een model dat tekst genereert: een Large Language Model (LLM). Strikt genomen is GPT-5.3 (op moment van schrijven) het model, en is ChatGPT de interface waarmee je ermee praat. Andere LLM's zijn bijvoorbeeld Claude en het Franse Mistral. Dat 'praten' met een LLM noem je ook wel 'prompten'. Er zijn hele boeken geschreven over de kunst van het prompten en ik zag laatst al iemand voorbij komen op linked-in met de functietitel 'promptoloog'.

Veel mensen gebruiken LLM's als een alternatief voor google, maar daar is het juist minder geschikt voor. Als het antwoord niet bekend is kan een LLM gaan 'hallucineren', met andere woorden, het verzint een antwoord. Zo ben ik een keer op zoek geweest naar een citaat van een vrouwelijke filosoof over een specifiek onderwerp. Ik kreeg een prachtig citaat, maar toen ik de bron wilde achterhalen, bleek het volledig verzonnen te zijn. Waar een LLM wel goed in is, is het genereren van teksten. Het kan helpen bij het opstellen van een moeilijk e-mail, een structuur neerzetten voor een rapportage of een opzet maken voor een stuk tekst. Hoewel veel mensen aangeven dat ze door AI gegenereerde teksten kunnen herkennen, blijkt in de praktijk dat dit vooral afhangt van de kwaliteit van prompten.

Zo organiseerde bestsellerauteur Lawrence een wedstrijd waarin vier fantasy-auteurs, waaronder hijzelf, het opnamen tegen GPT-5. Het doel was een kort verhaal van 350 woorden over "een demon" te schrijven. Het best beoordeelde verhaal was afkomstig van AI, en de AI-verhalen scoorden gemiddeld hoger dan die van de mensen.

Er zijn ook modellen die plaatjes kunnen genereren. Voorbeelden daarvan zijn Midjourney en Nanobananapro van google. Je kan van je familiefoto een muppetfamilie maken, een kerstkaart genereren of je terras opnieuw inrichten. Ook is er generatieve AI die (vrij matige) muziek kan genereren of video's kan maken. Voor alle variaties geldt op dit moment dat de mens nog een belangrijke rol speelt, zowel in genereren van kwalitatieve prompts, maar ook in het verder verwerken van de output.

Dan is er AI die taken uit kan voeren en actie kan ondernemen. Zo wordt AI gebruikt voor het automatiseren van processen, bijvoorbeeld in fabrieken. Dat werd natuurlijk al gedaan, maar met AI zijn de mogelijkheden exponentieel groter. 

Daarnaast is agentic AI is in opkomst. Een AI-agent is een systeem dat simpele taken voor je kan uitvoeren. Een veelgenoemd voorbeeld is het uitzoeken en boeken van een reis. Niet alleen kan het een reis voor je uitstippelen, maar het kan ook direct alles voor je boeken, mits je de juiste authorisaties toekent. Vaak zit hier een LLM achter, maar dat hoeft niet. Een LLM wordt dan gebruikt voor het denkwerk, zoals het begrijpen van natuurlijke taal en het plannen van stappen (“chain-of-thought”). Een bekende autonome AI Agent is OpenClaw, waar je mee kan communiceren via whatsapp. Dat een autonome AI agent problematisch kan zijn blijkt uit de vele incidenten die op internet te vinden zijn. Een van de meest geciteerde blunders wordt begin 2026 beschreven door Summer Yue. Ze wilde een agent inzetten om haar mailbox te beheren. Ze koppelde OpenClaw aan haar échte mailbox met de ondubbelzinnige instructie: “stel alleen voor, voer niets uit zonder mijn bevestiging.” De agent negeerde die instructie (het verloor de instructie tijdens de context‑samenvatting) en begon vervolgens honderden e‑mails automatisch te verwijderen. “STOP” typen in whatsapp hielp niet. Vanaf haar telefoon kon ze de agent niet meer tegenhouden en ze moest letterlijk naar haar Mac mini rennen om het proces handmatig stop te zetten. Yue vatte het zelf droog samen:

“Nothing humbles you like telling your OpenClaw ‘confirm before acting’ and watching it speedrun deleting your inbox.”

De bekendste voorbeelden hiervan zijn transcribeertools zoals Fireflies en Voxtral. Transcribeertools herkennen op basis van input uit de omgeving wat de correcte interpretatie moet zijn. Net zoals generatieve AI, 'voorspelt' de AI wat het meest passende antwoord is, maar de "vrijheid" van de voorspelling is wezenlijk anders. De voorspelling is volledig gebonden aan een bestaand extern signaal, bijvoorbeeld een geluidsfragment. Als de spreker "Appel" zegt, is er maar één correcte voorspelling. De AI mag niet afwijken van wat hij hoort. Het is een vertaalslag van audio-data naar tekst-data. Bij generatieve AI is er veel meer vrijheid van wat een goed antwoord kan zijn. Op de prompt "Schrijf een verhaal over een appel," zijn er vele "juiste" voorspellingen. De AI heeft de vrijheid om een compleet nieuwe route te kiezen die nog nooit eerder is bewandeld. Bij het herkennen probeert het AI systeem dus een 1-op-1 relatie te leggen tussen geluid (input) en tekst (output). Het resultaat is een kopie van de werkelijkheid in een andere vorm. 

De toepassingen van herkennings-AI gaan overigens veel verder dan tekst en audio. In de wetenschap wordt deze technologie gebruikt om extreem complexe patronen te herkennen, bijvoorbeeld in eiwitstructuren. Een bekend voorbeeld is AlphaFold van DeepMind, dat in staat is om de 3D-structuur van eiwitten te voorspellen op basis van de aminozuurvolgorde. Waar onderzoekers hier vroeger jaren over deden, kan AI dit in veel gevallen in korte tijd berekenen. Dit heeft een enorme impact op bijvoorbeeld medicijnontwikkeling en fundamenteel biologisch onderzoek.

 

In plaats van iets te genereren of uit te voeren, probeert deze vorm vooral één vraag te beantwoorden: wat gaat er hierna gebeuren?

Voorspellende algoritmes worden al jaren gebruikt, waaronder predictive analytics. Het verschil met voorspellende AI zit vooral in hoe geavanceerd de modellen zijn, maar het doel is hetzelfde: inschatten wat er waarschijnlijk gaat gebeuren. Denk aan het voorspellen van vraag in winkels, zodat schappen niet leeg blijven. Of het inschatten van wanneer een machine onderhoud nodig heeft, nog vóórdat die kapotgaat. Met genoeg data kan AI patronen herkennen die voor mensen simpelweg te complex zijn om te zien.

Maar juist omdat het om “voorspellen” gaat, wordt het spannend wanneer deze systemen worden toegepast op mensen. Een bekend voorbeeld is predictive policing: het gebruiken van data om te voorspellen waar criminaliteit waarschijnlijk zal plaatsvinden. Ook in Nederland heeft de politie hiermee geëxperimenteerd, met een systeem genaamd CAS (Crime Anticipation System). Dit systeem analyseerde historische criminaliteitsdata om hotspots aan te wijzen waar de kans op misdaad hoger zou zijn.

Op papier klinkt dat logisch: als je weet waar iets waarschijnlijk gebeurt, kun je daar extra surveilleren. In de praktijk bleek het echter een stuk complexer. Het systeem kreeg kritiek omdat het bestaande patronen kon versterken. Als er in bepaalde wijken historisch meer werd gecontroleerd, zat daar ook meer data over criminaliteit — en dus voorspelde het model dat daar opnieuw meer kans was op criminaliteit. Zo ontstaat een soort feedbackloop.

Uiteindelijk besloot de Nederlandse politie in 2022 te stoppen met het gebruik van CAS, onder andere vanwege zorgen over effectiviteit en maatschappelijke impact. Het voorbeeld laat goed zien dat voorspellende AI niet alleen een technisch vraagstuk is, maar ook sociaal en ethisch.

Waar voorspellende AI vooruitkijkt, richt transformerende AI zich juist op het verwerken van bestaande informatie. Het gaat niet om iets nieuws maken, maar om bestaande content omzetten naar een andere vorm. Denk aan het samenvatten van documenten, vertalen van teksten of herschrijven in een andere tone of voice. De inhoud blijft in essentie hetzelfde, maar de vorm verandert.

De toepassingen gaan inmiddels verder. Zo kan AI een artikel omzetten naar een podcastscript, een vergadering samenvatten of automatisch actiepunten genereren, veel sneller dan als je dat zelf zou doen, maar op dit moment werkt deze vorm van AI vaak net niet goed genoeg om er op te kunnen vertrouwen. De samenvatting mist vaak nuances of hallucineert er zaken bij.

Ik zie soms berichten voorbij komen over toepassing van transformerende AI in de zorg en daar is voorzichtigheid geboden. Denk aan het samenvatten van gesprekken tussen arts en patiënt. Als een subtiele klacht of belangrijke nuance wegvalt, kan dat invloed hebben op een diagnose of behandeling. Een kleine omissie kan daar direct grote gevolgen hebben.

En dan komt meteen de vervolg vraag: wie is dan juridisch en moreel verantwoordelijk? De arts die het gebruikt? De organisatie die het systeem inzet? Of de leverancier van de AI?