Geen hype. Geen afwijzing. Alleen de vraag: wat kan het echt?
Ik gebruik AI-modellen sinds enige tijd in mijn dagelijkse werk. Niet omdat het modern is, maar omdat het gereedschappen zijn – en gereedschappen moet je toetsen. Wat helpt, blijft. Wat alleen maar extra werk oplevert, vliegt eruit. Dat geldt voor een soldeerbout net zo goed als voor een taalmodel.
Deze pagina is geen vergelijkingstest in tijdschriftstijl, geen toplijst en geen koopadvies. Het is een doorlopende, nuchtere inventaris van wat ik in de praktijk waarneem: waar AI-gereedschappen echt nut hebben, waar ze betrouwbaar falen, en wat je moet weten om je niet door het oppervlak te laten misleiden.
Wie met oudere techniek heeft gewerkt, leert vroeg dat een systeem precies doet wat het doet – niet meer en niet minder. Het heeft bugs, grenzen, eigenschappen en foutpatronen. Die houding helpt ook bij AI-gereedschappen: het zijn systemen. Wie ze als autoriteit behandelt, maakt dezelfde fout als iemand die een plausibel klinkende output meer vertrouwt dan zijn eigen begrip.
Dat betekent concreet: elke uitvoer van een taalmodel is een voorstel, geen feit. Ook als de toon zeker klinkt. Juist als de toon zeker klinkt. Taalmodellen zijn niet daarom problematisch omdat ze soms ongelijk hebben. Problematisch zijn ze daar waar een fout dezelfde toon krijgt als een correcte uitspraak.
Daaruit volgt een eenvoudige werkregel: het model schrijft, ik beslis. Ik corrigeer fouten zelf. Ik controleer feiten die ertoe doen. Ik gebruik AI als versnelde eerste schets, niet als laatste woord. Dat is geen bijzondere voorzichtigheid, maar de enige verstandige manier om een gereedschap zonder eigen foutmelding te gebruiken.
„Een gereedschap zonder foutmelding heeft een gebruiker nodig die fouten herkent.“
Large Language Models – LLM's – zijn geen databanken, geen zoekmachines en geen denkende systemen. Het zijn modellen die op basis van zeer grote hoeveelheden tekst zijn getraind om het waarschijnlijkste volgende token voor een gegeven invoer te voorspellen. Dat is geen vereenvoudiging, maar de kern.
Wat daaruit ontstaat, is opmerkelijk: uit waarschijnlijkheidsverdelingen over tokens ontstaat tekst die samenhangend klinkt, argumenten opbouwt, code schrijft, verbanden legt en vragen beantwoordt. Dat werkt omdat taal zelf structuur heeft – en omdat een model dat die structuur goed heeft geleerd daaruit bruikbare uitvoer kan genereren.
Maar: het model heeft geen wereldkennis in de zin van een geverifieerde databank. Het heeft patronen – heel veel, heel goed gegeneraliseerde patronen. Wanneer het een jaartal noemt, haalt het geen veilig opgeslagen feit op, maar genereert het het token dat in deze context het waarschijnlijkst is. Dat verklaart waarom feiten soms kloppen en soms niet.
Samenhang in tekst opbouwen. Bekende structuren reproduceren. Parafraseren. Code in bekende patronen schrijven. Samenvatten. Vertalen. Stijl aanpassen.
Dat alles werkt goed daar waar geen externe verificatie aan de werkelijkheid nodig is.
Zelf weten of een uitspraak waar is. Actuele gebeurtenissen zonder zoeken betrouwbaar kennen. Eigen onzekerheid consequent zichtbaar maken. Meerstapsberekeningen zonder hulpmiddelen veilig oplossen.
Dat zijn geen toevallige fouten, maar eigenschappen van de architectuur.
Een training-cutoff betekent: het model weet niets van gebeurtenissen na die datum, tenzij externe zoekfunctionaliteit is gekoppeld. Voor actuele onderwerpen is een taalmodel zonder zoektoegang daarom slechts beperkt bruikbaar.
Ik heb alle vier hier genoemde gereedschappen gedurende langere periodes in echt gebruik getoetst – niet in een testlab, maar bij echt werk: HTML-pagina's schrijven en controleren, teksten formuleren, onderzoek doen, code nalezen, redactioneel gladstrijken. De inschattingen zijn subjectief en tijdgebonden. Modellen ontwikkelen zich, prijsmodellen veranderen en sterke en zwakke punten verschuiven.
ChatGPT was voor mij een van de eerste gereedschappen van deze klasse die in het dagelijks werk echt bruikbaar werden. De kracht ligt in de veelzijdigheid: van eenvoudige tekstbewerking tot complexere structuur- en code-opgaven dekt het een breed spectrum af.
In HTML- en webwerk is ChatGPT degelijk, maar niet foutloos. Bekende patronen worden goed gereproduceerd. Bij zeer specifieke eisen – bijvoorbeeld ongebruikelijke CSS-constructies, A11y-details of lastige randgevallen – komen fouten voor die vaak met veel zelfvertrouwen worden gepresenteerd.
Praktisch nuttig is het vooral daar waar een eerste schets, een herformulering of een gestructureerde voorbewerking nodig is. Voor feiten, actuele onderwerpen of juridische uitspraken blijft gelden: controleren.
Gemini heeft een natuurlijk voordeel bij alles wat actuele informatie en Google-nabije contexten betreft. Dat maakt het voor onderzoeksopgaven interessanter dan puur offline modellen zonder webtoegang.
In tekstkwaliteit werkt Gemini op mij vaak gladder, deels ten koste van scherpte. Bij technische vragen levert het niet zelden algemenere antwoorden waar een concretere nuttiger zou zijn. Dat is een werkindruk, geen meetwaarde.
Nuttig was Gemini voor mij vooral daar waar actualiteit telt: nieuwere documentaties, huidige productstanden, zoekonderwerpen. Voor puur tekstwerk zonder onderzoeksdeel is het verschil kleiner.
Grok heeft een voor de hand liggend voordeel bij alles wat direct zichtbaar en relevant is in de X-omgeving. Voor die context kan dat nuttig zijn. Daarbuiten is het voordeel duidelijk kleiner.
In mijn gebruik lijkt Grok sterker geoptimaliseerd voor snelle, puntige antwoorden dan voor rustige, precieze technische arbeid. Voor HTML-review, nuchter tekstwerk en gestructureerd fijn werk was het in mijn praktijk minder betrouwbaar dan de andere hier genoemde gereedschappen.
Dat kan veranderen. Op het moment van deze inschatting is het voor mijn manier van werken het minst gebruikte gereedschap uit deze groep.
Claude is voor mij vooral nuttig bij langere, meer gestructureerde taken – vooral bij HTML-werk, redactionele tekstbewerking en grotere gesprekscontexten. Het praktische voordeel ligt minder in spectaculaire losse antwoorden dan in rustige consistentie over langere trajecten.
Voor HTML-pagina's en terugkerende patronen is Claude bruikbaar gebleken, niet omdat het geen fouten maakt, maar omdat de foutpatronen voor mij vaak voorspelbaarder zijn. Een gereedschap waarvan ik de fouten sneller herken, is in het dagelijks werk nuttiger dan een gereedschap dat onrustiger werkt.
Zwak blijft alles wat actuele feiten, lokale informatie of sterk tijdafhankelijke details vereist, voor zover geen zoekkoppeling beschikbaar is. Voor zulke taken is externe controle noodzakelijk.
Na langere praktijk heeft zich een duidelijk beeld gevormd van welke taken werkelijk profiteren van AI-gereedschappen en welke niet. Dat is geen theorie, maar het resultaat van wat in het dagelijks werk standhield en wat niet.
Het beginnen aan een tekst, een HTML-sectie of een codeblok kost vaak meer tijd dan het uitwerken. AI levert snel een eerste schets die daarna wordt bewerkt.
Een afgewerkte tekst anders formuleren, inkorten of in een andere toon schrijven – dat werkt goed en bespaart vooral wrijving bij de start.
Standaardstructuren die je kent, maar niet telkens opnieuw wilt typen: HTML-basisstructuren, CSS-blokken, JSON-LD-structuren, kleine hulpscripts.
Complexe specificaties vereenvoudigen, lange teksten inkorten, technische zaken in begrijpelijker taal overzetten – hier zijn LLM's structureel sterk.
Bekende patronen in code herkennen, inconsistenties benoemen, duidelijke fouten aanwijzen. Geen vervanging voor testen, maar wel een bruikbare eerste controle.
Voor technische en zakelijke teksten zijn machinale vertalingen tegenwoordig bruikbaar. Voor sterk genuanceerde of stilistisch gevoelige teksten blijft controle verplicht.
Wat deze sterke punten verbindt: ze profiteren er allemaal van dat het model veel patronen kent en er snel toegang toe heeft – en ze vereisen allemaal geen zekere verificatie tegen de buitenwereld.
Er zijn grenzen die geen bugs zijn en ook met een beter model niet zomaar verdwijnen. Ze volgen rechtstreeks uit de architectuur. Wie ze kent, werkt efficiënter, omdat hij niet probeert iets van een gereedschap te eisen wat het structureel niet kan leveren.
Taalmodellen hebben geen intern waarheidscriterium. Wat waarschijnlijk klinkt, wordt uitgegeven – ongeacht of het klopt.
Gevolg: elke feitelijke uitspraak die telt, wordt gecontroleerd.
Training-cutoff betekent: alles na een bepaald moment is zonder zoeken onbekend. Het model kan die grens zelf niet altijd netjes markeren.
Gevolg: voor actuele onderwerpen zoeken of een externe bron gebruiken.
Eenvoudige berekeningen lukken vaak. Meerstapsberekeningen, verborgen afhankelijkheden en foutgevoelige logische ketens blijven onbetrouwbaar.
Gevolg: zelf rekenen of geschikte tools gebruiken.
Wat zelden op het internet voorkomt, is vaak slecht in het model vertegenwoordigd. Lokale informatie, nichethema's en zelden gedocumenteerde details zijn bijzonder foutgevoelig.
Gevolg: hoe specifieker het onderwerp, hoe zorgvuldiger de controle.
Zonder persistent geheugen vergeet het model eerdere gespreksonderdelen zodra de relevante context niet meer actief in het venster ligt.
Gevolg: belangrijke eisen bij lange gesprekken herhalen.
Als je een model vraagt of zijn eigen output correct is, neigt het tot bevestiging. Eigen fouten worden zonder concreet tegenwicht niet betrouwbaar herkend.
Gevolg: controle door de gebruiker, niet door het model zelf.
„Hallucinatie“ is de term voor het moment waarop een taalmodel dingen verzint en daarbij klinkt alsof het zeker is. Niet als een duidelijke crash, maar als een vloeiende, grammaticaal correcte, semantisch samenhangende uitspraak die gewoon fout is.
Het verraderlijke daaraan: hallucinaties zijn vaak zonder externe controle niet herkenbaar. Een verzonnen boektitel klinkt als een echte. Een verkeerde API-functie klinkt plausibel. Een fout jaartal klinkt niet anders dan een juist.
Mijn praktische consequentie: bij taken met een hoog hallucinatierisico gebruik ik AI alleen voor schetsen die ik volledig controleer. Bij taken met een laag risico – tekst herformuleren, HTML structureren, bekende patronen – is de controle minder zwaar, maar nooit helemaal overbodig.
„Een model dat zeker klinkt, heeft niet gelijk. Het klinkt alleen zeker.“
Het contextvenster is het gebied dat een taalmodel tijdens een gesprek kan „zien“. Alles wat daarin ligt – eerdere berichten, instructies, ingevoegde documenten – is voor het model toegankelijk. Wat daarbuiten valt, is weg.
Grote contextvensters klinken naar veel. In de praktijk blijft echter gelden: ook binnen dat venster krijgen nieuwere inhoud vaak meer gewicht dan oudere. Eisen uit het begin van een lang gesprek worden tegen het einde niet altijd even betrouwbaar gevolgd.
Zonder expliciete geheugenfunctie begint elk nieuw gesprek bij nul. Het model weet niet automatisch wat in een ander gesprek is besproken, welke werkwijze je verkiest of welke regels je vorige week hebt vastgelegd.
Voor langere projecten betekent dat: belangrijke eisen, stijlregels en beperkingen moeten ofwel aan het begin opnieuw worden genoemd of expliciet worden meegegeven. Dat is geen zwakte van één specifiek model, maar een eigenschap van het systeem.
„Prompt-engineering“ klinkt soms als duistere kunst. In werkelijkheid is het alleen de observatie dat formulering, context en beperkingen de kwaliteit van het antwoord merkbaar beïnvloeden.
Wat ik niet doe: urenlang prompts optimaliseren voor taken die ik in dezelfde tijd zelf zou kunnen afmaken. Een gereedschap bespaart alleen tijd als de bediening niet meer werk oplevert dan de taak zelf.
Bijna al deze gereedschappen hebben gratis instappen en betaalde uitbreidingen. Of een abonnement zinvol is, hangt minder van de aanbieder af dan van de eigen werksituatie.
Gratis versies zijn vaak voldoende voor incidenteel gebruik: korte teksten, eenvoudige herformuleringen, eerste tests. Wie vaker werkt, langere contexten nodig heeft of uitgebreidere functies wil beoordelen, loopt daar snel tegen grenzen aan.
Een betaalde test is dan zinvol wanneer je een gereedschap echt wilt inschatten. De gratis versie laat vaak niet het volledige beeld zien: minder vermogen, lagere limieten, minder functies. Wie serieus wil beoordelen of een gereedschap in het dagelijks werk standhoudt, heeft een paar weken onder echte omstandigheden nodig.
In de praktijk is het verschil tussen gratis en betaald bij dezelfde aanbieder vaak groter dan het verschil tussen twee betaalde aanbiedingen van verschillende aanbieders.
Wat ik daadwerkelijk inzet en wat niet – uit het dagelijkse werk met HTML, tekst en structuur.
De fundamentele technische houding daarachter beschrijft ook philosophy.htm. Daar gaat het minder om afzonderlijke gereedschappen dan om de vraag waarom technische beslissingen überhaupt op die manier worden genomen.
Na alles wat ik tot nu toe heb waargenomen, is mijn indruk noch enthousiasme noch afwijzing, maar vooral plaatsbepaling. AI-gereedschappen zijn bruikbaar. Ze versnellen bepaalde taken duidelijk. Ze hebben reële, systematische grenzen. Beide tegelijk zien is de enige zinvolle houding.
Wat mij in de publieke discussie stoort, is de neiging deze gereedschappen ofwel als revolutie te vieren ofwel ze pauschal af te wijzen. Geen van beide helpt verder. Een gereedschap is goed wanneer het in concrete situaties nuttig is – en het is alleen nuttig daar waar je het gecontroleerd inzet en de grenzen kent.
Het werkelijke probleem is niet dat fouten gebeuren. Het werkelijke probleem is dat fouten er vaak uitzien als successen. Daartegen helpt maar één ding: eigen vakkennis. Wie een gereedschap gebruikt dat hij niet kan controleren, geeft controle uit handen.
Deze pagina wordt bijgewerkt wanneer er iets wezenlijks verandert. Modellen ontwikkelen zich snel, en wat vandaag geldt, geldt later misschien niet meer. Dat is geen reden om geen inschatting te formuleren – maar wel een reden om die open te houden.
„Een gereedschap dat ik niet kan controleren, is geen gereedschap – het is een risico.“
Deze pagina is een onderdeel van de webpresentatie van het Hotel Goldener Ochsen in Göppingen-Hohenstaufen.
Verantwoordelijk voor de inhoud van dit domein is de exploitant van het hotel. Gedetailleerde informatie over de verantwoordelijke en over privacy vindt u op de officiële hoofdpagina's van het hotel.
Ook deze subpagina is opgezet als een puur informatieve, statische HTML-pagina. Er worden geen trackers, geen analysetools en geen toestemmingsplichtige cookies ingezet.
Statische pagina. Slanke structuur. Geen onnodige ballast.