Het was een vrijdagavond, vlak voor sluitingstijd. Een loganalyse die al uren vastzat — honderden regels, een patroon dat voor de hand lag maar toch ontglipte. Ik plakte de uitvoer in een AI-tool en stelde een vraag. Dertig seconden later lag het antwoord er: precies, juist, elegant onderbouwd. Een collega had langer nodig gehad.

Een uur later wilde ik dezelfde tool een simpele YAML-file laten herschikken. Hij hallucineerde een veld dat nooit had bestaan, hield stijf vol dat het vereist was, en reproduceerde dezelfde fout vier keer achter elkaar — ook al wees ik er elke keer met de vinger recht op.

Dat is precies de breuk. Dezelfde technologie, minuten uit elkaar: briljant en bot. Ziend en blind. Dit is geen bug die een patch oplapt. Het is de aard van dit gereedschap.

De breuk met alles wat we kenden

Wie lang met machines heeft gewerkt, koestert een stabiele verwachting: determinisme. Zelfde invoer, zelfde uitvoer. Een compiler doet wat hij moet doen, of hij doet helemaal niets. Een script breekt deterministisch op hetzelfde punt.

Kunstmatige intelligentie breekt dat contract. Ze levert verschillende antwoorden op identieke vragen. Ze verzint feiten — bronnen die niet bestaan, API-aanroepen die er nooit waren, bibliotheken met plausibele naam en verzonnen inhoud. Ze houdt vast aan een fout zelfs wanneer het bewijs wordt voorgelegd. Wie dat nog nooit zag, heeft haar niet gebruikt.

Dat irriteert. Behandel AI als een zoekmachine — vraag erin, waarheid eruit — en je faalt. Behandel haar als een orakel en je raakt teleurgesteld. Ze is geen van beide. Ze is iets nieuws, en het nieuwe moet begrepen worden.

Een gereedschap, geen orakel

Hoe banaal het klinkt: AI is gereedschap. En gereedschap moet geleerd zijn. Niemand gaat voor het eerst achter een stuur zitten en verwacht meteen zeker te rijden. Niemand overhandigt iemand een rekenmachine en staat versteld wanneer de uitkomst fout is omdat de invoer fout was.

Met AI is het niet anders — behalve dat de interface natuurlijke taal is, en natuurlijke taal vertrouwen suggereert waar geen is.

De kwaliteit van wat een AI levert hangt cruciaal af van wat je haar geeft en hoe. De betere prompt brengt het betere antwoord. Dat is geen toverformule, het is ambacht: context leveren, kaders stellen, aannames benoemen, de taak precies in plaats van vaag formuleren. Vaag gevraagd, vaag geantwoord. Suggestief gevraagd — “Dat is toch een bug, of niet?” — en je krijgt niet zelden precies de bevestiging die je zocht, ongeacht of ze klopt.

Dat kennen wij van mensen. Suggestieve vragen leiden tot suggestieve antwoorden. Bij AI ook. Het verschil: een mens zou aarzelen, tegenwerpen, doorvragen. De AI neigt ernaar behulpzaam te zijn. Wie dat niet weet, produceert resultaten die overtuigend klinken en toch onbruikbaar zijn.

Natuurlijke taal is geen vrijbrief voor achteloosheid

Juist omdat de interactie in natuurlijke taal verloopt, ontstaat de illusie: je kunt eigenlijk niet falen. Je spreekt immers alleen maar. Je formuleert, probeert, vraagt opnieuw.

Maar het tegendeel is waar. Juist omdat de drempel zo laag is, merken veel mensen niet dat ze kunnen — en moeten — verbeteren. Goede prompts zijn een vak. Ze zijn te oefenen, te verfijnen, te systematiseren. Neem het eerste bruikbare resultaat en ga verder, en potentieel blijft liggen. Werk iteratief, voed context aan, dwing de AI zijn stappen bloot te leggen, en de resultaten verbeteren merkbaar.

Natuurlijke taal betekent niet dat er geen methode is. Het betekent enkel dat de methode er anders uitziet dan SQL of Bash. Bereid haar te leren, trek je echt profijt. Niet bereid, blijf bij anekdotes.

De ecologische balans — en waarom het niet zo simpel ligt

Nu de ongemakkelijke waarheid: AI kost energie. Veel energie. Training en inferentie slokken stroom op schalen die vroeger aan hele datacentra waren voorbehouden. Wie dat ontkent, pleit tegen de fysica.

Maar het ligt niet zo simpel. Ten eerste wordt veel van het debat gevoerd met pauschale cijfers die zelden vergelijkbaar zijn. Ten tweede daalt het verbruik per bevraging naarmate modellen kleiner, gekwantiseerd en specialer worden. Ten derde — en dat is het eigenlijke punt — zit het probleem niet bij AI als zodanig, maar bij de manier waarop ze wordt aangeleverd.

Techgiganten proberen gigantische datacentra op te trekken, aangesloten op eigen kernreactoren. Dat is vanaf het begin een slecht idee. Kernenergie is voor mij geen aanvaardbare weg — de risico’s blijven onopgelost, en haar normaliseren voor datacentra schuift de kosten door naar komende generaties. Maar zelfs daarvoorbij geldt: de centrale vraag luidt niet “waar komt de stroom vandaan?”, maar “hebben we deze concentratie überhaupt nodig?”. AI verdeeld, lichter en dichter bij de gebruiker draaien maakt miljarden-reactoren overbodig. Maar in de wedloop tussen grootmachten bouwt men groter, niet slimmer.

Die wedloop is al realiteit. Hij voedt zich met handelsoorlogen, nationaal prestige en angst om af te raken. AI is daarbij zegen en vloek tegelijk: hij versnelt onderzoek, geneeskunde, materiaalkunde — en drijft een wapencours aan waarin rede verliest van schaal. De helft prijzen en de andere negeren is langs de zaak heen praten.

Wat libcom.de ervan gemaakt heeft

Ik gebruik AI al jaren — niet als experiment maar in het dagelijks werk van een IT-praktijk. Codereviews, documentatie, loganalyses, architectuurschetsen, vertaling, uitleg. Uit die praktijk komen twee oordelen.

Ten eerste: kennis rond AI opbouwen telt. Weten wat een model kan, waar het hallucineert, hoe het correct te bevragen, wanneer het te vertrouwen en wanneer niet. Dat is geen luxekennis; het wordt basisvaardigheid.

Ten tweede — minstens zo belangrijk: je moet weten welke AI-aanbiedingen je wel en niet gebruiken. De grote publieke modellen zijn gemakkelijk, maar het zijn zwarte dozen. Wat je invoert verlaat je invloedssfeer. Voor een privé-vraag doet dat er misschien niet toe. Voor klantdata, interne zaken, broncode, configuraties wel.

Daarom draait libcom.de AI ook on-premise — lokaal, op eigen hardware, zonder datalek. Arbeidsintensiever dan een API-call. Trager, duurder in aanschaf, veeleisender in onderhoud. Maar het lost het grootste probleem van AI-gebruik op dat niemand graag noemt: privacy. Voer gevoelige data in een vreemd model, en je hebt de controle al prijsgegeven. Lokaal infereren, en je behoudt ze.

En hier wordt duidelijk dat de vraag niet “AI ja of nee” is maar “welke AI, waar, onder wiens controle”. Dat is precies het werk: geen product verkopen maar samen uitzoeken welke inzet zinvol is — en welke niet.

Als je je afvraagt of en hoe AI zinvol in jouw omgeving ingezet kan worden — on-premise, privacy-conform, zonder afhankelijkheid van hyperscalers: schrijf naar contact@libcom.de. Wij nemen het eerlijk uiteen. Zonder verkoopdruk. Met de blik op wat op lange termijn houdbaar is.

AI is noch verlossing noch ondergang. Het is een gereedschap — krachtig, feilbaar, te leren. Zoals elk gereedschap beslist de hand die hem leidt.