Basiskennis over AI bestaat uit de begrippen, vormen en grenzen die je nodig hebt voordat tools, prompts en workflows iets toevoegen. Dit cluster behandelt wat AI is, welke vormen er bestaan, hoe een model tot zijn output komt en waar de bekende beperkingen vandaan komen. Geen taxonomieën om de taxonomie, maar het kader dat je nodig hebt om bewuste keuzes te maken in je dagelijkse werk.
Op deze pagina vind je het overzicht van het basiskennis-cluster: een lopende uitleg met doorverwijzingen naar de diepere artikelen per onderwerp. Lager op de pagina staat het advies welke vervolgstap aansluit bij waar je staat.
Wat valt onder de basiskennis van AI
Basiskennis over AI is het fundament dat onder elk professioneel AI-gebruik ligt: weten wat AI is, hoe het ruwweg werkt, welke vormen je in je werk tegenkomt en waarom de output altijd een controle vraagt. Zonder dat fundament zijn promptopbouw, tool-uitleg en workflow-templates losse trucs die in nieuwe situaties uit elkaar vallen.
Het cluster is bewust beperkt tot het deel dat blijft staan ongeacht welke tool je gebruikt. Hoe AI-modellen leren, waarom ze plausibel onjuiste output kunnen geven, en welk type taak bij welk type AI past, verandert nauwelijks tussen ChatGPT, Claude en Gemini. Tool-specifieke uitleg, vergelijkingen en concrete werkwijzen vallen onder andere clusters in de kennisbank.
De afbakening loopt langs vier vragen: wat is AI, welke vormen bestaan er, hoe komt output tot stand en wat betekent dat voor de manier waarop je ermee werkt. De rest van deze pagina behandelt die vragen op overzichtsniveau en verwijst voor de diepte door naar de losse artikelen.
Wat AI is en waar het vandaan komt
AI is de verzamelnaam voor technieken die machines taken laten uitvoeren die normaal menselijke intelligentie vereisen, zoals het genereren van tekst, het interpreteren van beelden of het herkennen van patronen in data. Het is niet één technologie maar een familie van methodes, waarvan de meest zichtbare vorm voor professionals de generatieve AI is die je via een chatinterface bedient.
Het vakgebied bestaat sinds de jaren vijftig. De term artificial intelligence werd geïntroduceerd op de Dartmouth Conference in 1956, en het idee dat machines mensachtige taken kunnen leren is daar in essentie blijven hangen. Wat sindsdien gegroeid is, zijn de rekenkracht en de hoeveelheid beschikbare data om modellen op te trainen. Wanneer AI is ontstaan hangt af van waar je de lijn legt: bij Turing in 1950, bij de Dartmouth Conference in 1956 of bij de doorbraak van deep learning vanaf 2012.
Het verschil met traditionele software bepaalt waarvoor je AI inzet en waarvoor niet. Klassieke software volgt vooraf geprogrammeerde regels: als A, dan B. Een AI-systeem werkt anders. Het leert patronen uit grote hoeveelheden voorbeelden en gebruikt die patronen om nieuwe situaties in te schatten. Die werkwijze is krachtig bij taken die te variabel zijn voor regels, maar onbetrouwbaarder dan vaste logica wanneer een proces volledig voorspelbaar moet zijn. Het verschil tussen AI en automatisering komt vaak terug bij teams die een nieuw proces inrichten en moeten kiezen tussen een AI-oplossing en harde regels.
Het woord AI wordt in zoveel contexten gebruikt dat de betekenis vervaagt. Wat betekent AI precies, dat hangt af van de definitie die je hanteert: de academische, de marketingdefinitie of het pragmatische gebruik in dagelijks werk.
De vormen van AI die professionals tegenkomen
Voor de basiskennis van AI volstaan drie categorieën om te begrijpen wat je in je werk gebruikt: narrow AI, generatieve AI en de chatbot als interface. Alles wat je vandaag aan AI tegenkomt valt in een van deze categorieën, of in een combinatie ervan.
Narrow AI is AI die getraind is op één specifiek type taak. Een spamfilter, een aanbevelingsalgoritme, een beeldherkenner of een taalmodel zijn allemaal narrow AI. Ze functioneren uitsluitend binnen het domein waarvoor ze getraind zijn, hoe krachtig ze ook zijn. Een taalmodel kan geen foto’s herkennen, een beeldmodel kan geen tekst genereren. Het tegenovergestelde concept, general AI of AGI, is een AI die over het volledige spectrum van menselijke taken kan opereren. Dat bestaat vandaag niet. Het is een theoretisch concept dat onderzocht wordt, geen tool die je nu in je werk kunt zetten. Welke soorten AI er zijn, valt verder onder te verdelen in reactive machines, limited memory, theory of mind en self-aware AI, elk met een eigen niveau van autonomie.
Generatieve AI is de subcategorie waar de tools die je dagelijks gebruikt onder vallen. ChatGPT, Claude, Gemini, Perplexity en Grok zijn allemaal generatieve AI: systemen die nieuwe content produceren op basis van een instructie. Tekst, beeld, code en audio zijn allemaal mogelijk, afhankelijk van het model. Het onderscheid met andere narrow AI zit in de output. Een spamfilter classificeert, generatieve AI maakt iets nieuws op basis van patronen uit de trainingsdata.
De chatbot is geen apart type AI maar een interface op een onderliggend model. Wanneer je ChatGPT of Claude opent, praat je niet met de AI zelf, maar met een chatlaag die jouw input naar het taalmodel stuurt en het antwoord teruggeeft. Dat onderscheid lijkt klein, maar het verklaart waarom dezelfde tool zich anders gedraagt via de API of een ander platform: hetzelfde model, andere interfacelaag. Wat een AI chatbot precies doet, is jouw input doorsturen naar het taalmodel en het antwoord teruggeven, eventueel met extra logica zoals systeemprompts, geheugen of toolgebruik.
Hoe een AI-model tot zijn output komt
De basiskennis van AI is pas compleet als je begrijpt hoe een model tot zijn output komt, omdat alle bekende beperkingen logisch uit dat proces volgen. AI-modellen leren patronen herkennen in grote hoeveelheden trainingsdata en gebruiken die patronen om nieuwe situaties in te vullen. Bij generatieve AI betekent dat: gegeven jouw input, welke vervolgwoorden zijn statistisch het meest waarschijnlijk. Geen begrip, geen redenering in menselijke zin, maar geavanceerde patroonvoorspelling.
Daaruit volgt het hallucineren waar AI bekend om staat. Een model genereert plausibele tekst, zonder mechanisme om te controleren of die tekst feitelijk klopt. Een verzonnen bron, een niet-bestaand cijfer of een niet-bestaand wetsartikel kan met dezelfde stelligheid uit het model rollen als een correcte uitspraak, omdat het model geen onderscheid maakt tussen waar en plausibel-klinkend. Dat is geen bug die nog wordt opgelost. Het is een eigenschap van de werkwijze. Hoe AI werkt komt neer op statistische voorspelling over hele grote tekstcorpora, niet op begrip van wat de woorden betekenen.
Twee andere directe gevolgen van diezelfde werkwijze zijn even belangrijk. Biases ontstaan doordat een model de scheefheden uit zijn trainingsdata leert reproduceren. Ondervertegenwoordiging van groepen, eenzijdige formuleringen of culturele vooronderstellingen sluipen mee in de output.
Kennisgrenzen vloeien voort uit het feit dat een model alleen weet wat in zijn trainingsdata zat. Gebeurtenissen, regelgeving of productlanceringen na het moment waarop de training stopte, bestaan voor het model niet, tenzij er een aparte zoekfunctie of context wordt toegevoegd. De vraag of AI gevaarlijk is, hangt voor professioneel werk vooral af van hoe je met deze drie beperkingen omgaat: hallucinaties, biases en kennisgrenzen.
Uit mijn jaren bij de grootbanken neem ik het four-eyes principe mee naar AI-werk: niets de deur uit zonder een tweede controle. Bij AI-output is dat geen overdreven voorzichtigheid maar logica. Een tekst die in seconden gegenereerd wordt en overtuigend klinkt, kan een fout bevatten die niemand opvalt zonder gerichte verificatie. De controle-intensiteit beweegt mee met de impact van een eventuele fout: een interne brainstorm vraagt minder check dan een klantnotitie, en die vraagt weer minder check dan een juridisch advies. Die manier van werken zit ingebakken in elke AI cursus die LearnLLM aanbiedt.
Hoe je verder leest na deze basiskennis
Na deze basiskennis over AI volgen drie logische vervolgstappen, afhankelijk van waar je staat. Wie net begint met AI heeft baat bij de overige artikelen in dit cluster voordat tool-specifieke uitleg toevoegt. Wat is artificial intelligence, die vraag komt vaak terug bij professionals die voor het eerst structureel met AI gaan werken, en het antwoord legt de denkkaders neer waarop de rest van het cluster voortbouwt.
Wie al met één tool werkt en wil weten welke andere modellen er zijn, vindt in het cluster over AI-modellen losse artikelen over ChatGPT, Claude, Gemini, Perplexity en Grok. Tussen modellen kiezen werkt het beste via de vergelijkingen, waarin tools naast elkaar worden gelegd op realistische taken.
Wie de basiskennis omgezet wil zien in een werkwijze die je morgen in je werk inzet, vindt in de cursussen de praktische ingang. Voor wie ChatGPT al gebruikt is een gerichte ChatGPT cursus de directe vervolgstap. AI training voor bedrijven richt zich op teams en organisaties die in één traject een uniforme werkwijze willen neerzetten, met scenario’s afgestemd op eigen processen.
In mijn werk zie ik dat professionals die de werking van AI eerst begrijpen, beter inschatten waar ze de output kunnen vertrouwen en waar niet. De basiskennis op deze pagina is daarvoor het startpunt; de cursussen van LearnLLM bouwen daarbovenop de herhaalbare werkwijze met vaste controlepunten.
De gratis ChatGPT introductie laat in tien minuten zien hoe een cursus is opgebouwd en hoe je vanaf de eerste prompt met controle leert werken.
