Generatieve AI is een vorm van kunstmatige intelligentie die op basis van een instructie nieuwe content maakt die er nog niet was, zoals tekst, afbeeldingen, code of audio. Je beschrijft wat je nodig hebt en het systeem stelt het antwoord zelf samen, in plaats van iets op te zoeken of te selecteren. ChatGPT, Claude en Gemini zijn er de bekendste voorbeelden van.
Het woord generatief doet daarbij het meeste werk. Er zat al jaren AI in de software die je gebruikt, van het spamfilter tot de tekstherkenning die een gescande factuur leesbaar maakt, maar die systemen beoordelen en sorteren. Ze maken niets. Waar de soorten AI uiteenlopen, is dat vermogen om te produceren het scharnierpunt.
Het onderscheid heeft praktische gevolgen. Een systeem dat classificeert, geeft een uitkomst die je kunt narekenen tegen de bron. Een systeem dat produceert, geeft een uitkomst die je moet beoordelen op inhoud, en daarmee verschuift het werk van uitvoeren naar controleren.
Wat volgt is hoe generatieve AI aan zijn antwoord komt, wat je er in kantoorwerk mee kunt, waarom het soms niet klopt, en wat het betekent voor vertrouwelijkheid en aansprakelijkheid zodra je er met cliëntinformatie in werkt.
Wat is het verschil tussen generatieve AI en de AI die je al gebruikt?
Generatieve AI produceert nieuwe content, terwijl de AI die al in je software zit vooral classificeert en voorspelt. Het onderscheid zit niet in hoe geavanceerd iets is, maar in de vraag of het systeem iets terugvindt of iets samenstelt.
Drie voorbeelden uit je eigen werkomgeving maken dat concreet. Het spamfilter beoordeelt of een bericht in je inbox thuishoort of niet, en kiest dus tussen twee uitkomsten. De tekstherkenning die een gescande factuur omzet naar doorzoekbare tekst herkent letters en cijfers die er al staan. De zoeksuggestie in je dossiersysteem rangschikt bestaande dossiers op waarschijnlijke relevantie.
Geen van die drie verzint iets. Ze kunnen wel fout zitten, maar de fout is dan een verkeerde keuze uit bestaande opties, en dat is een fout die je meteen ziet zodra je de bron ernaast legt. Bij generatieve AI is de output nieuw, dus er is geen bron om naast te leggen tenzij je die zelf meegeeft.
Voor de praktijk betekent dat een andere manier van controleren. Classificerende AI controleer je steekproefsgewijs, want het systeem doet elke keer hetzelfde. Generatieve AI controleer je per keer, want dezelfde opdracht kan twee verschillende antwoorden opleveren die allebei plausibel zijn.
Leveranciers maken dat onderscheid niet altijd zichtbaar. Vrijwel elk softwarepakket zet inmiddels AI op de verpakking, terwijl daar net zo goed een classificerend model achter kan zitten dat er al jaren in zat. De vraag die het uitwijst is eenvoudig: produceert het systeem tekst of beeld dat er zonder die opdracht niet zou zijn? Zo niet, dan verandert er voor jouw controle weinig.
Hoe komt generatieve AI aan zijn antwoord?
Generatieve AI voorspelt bij tekst woord voor woord wat er logisch volgt, op basis van patronen uit de data waarop het model is getraind. Het model berekent bij elke stap welke voortzetting het meest waarschijnlijk is en zet die neer, waarna het diezelfde berekening opnieuw doet met het nieuwe woord erbij.
Welke woorden in jouw instructie ertoe doen, bepaalt het model door elk woord te wegen tegen alle andere woorden in de invoer. Dat mechanisme heet self-attention en verklaart waarom een model doorheeft dat “de akte die ik gisteren stuurde” naar één specifiek document verwijst en niet naar het woord akte in het algemeen. Diezelfde weging maakt dat een lange, rommelige instructie slechter werkt dan een korte, geordende.
Belangrijk aan die opzet is wat er ontbreekt. Tussen de voorspelling en de werkelijkheid zit geen controlestap. Het model beoordeelt niet of iets waar is, alleen of het past bij het patroon, en die twee dingen vallen meestal maar niet altijd samen. Wie de onderliggende mechaniek van hoe werkt AI naast dit punt legt, ziet waarom de output vloeiend klinkt zonder dat dat iets zegt over juistheid.
Een tweede eigenschap wordt in de praktijk vaak verkeerd begrepen. Het model leert niet bij van jouw gesprekken. Wat je vandaag invoert, verandert het model niet, en elke sessie begint zonder kennis van de vorige tenzij je die context zelf meegeeft of in een projectomgeving hebt vastgelegd. De kennis van het model loopt bovendien tot een bepaalde datum, waarna het niets weet.
Wat kun je met generatieve AI in kantoorwerk?
Generatieve AI levert in kantoorwerk het meeste op bij taken die veel tekst en weinig oordeel vragen. Documenten samenvatten, een eerste versie van een brief of rapport opstellen, een lange tekst herstructureren, een redenering laten tegenspreken en code schrijven of nakijken zijn de toepassingen waar de tijdwinst zichtbaar is.
Moderne modellen verwerken daarbij meer dan tekst alleen. GPT-5.6 en Gemini 3.6 Flash zijn multimodaal, wat betekent dat je een foto kunt uploaden en kunt vragen wat erop staat, een spreadsheet kunt aanleveren voor een samenvatting of een opname kunt laten uitschrijven. Voor beeld werkt het ook de andere kant op, waarbij een beschrijving een afbeelding oplevert, wat onder AI art valt.
Even belangrijk is wat het niet doet. Het model heeft geen inhoudelijk oordeel over jouw vakgebied, kent jouw dossier niet tenzij je het aanlevert, en geeft op dezelfde opdracht twee keer een net iets ander antwoord. Voor werk waar consistentie de eis is, zoals een berekening die elke keer identiek moet uitvallen, is een vaste regel of een formule geschikter dan een model.
In mijn werk als SEO-specialist met AI-content zie ik dat de kwaliteit van de invoer de output rechtstreeks bepaalt. Een half briefingdocument levert een half artikel op dat er compleet uitziet, en dat is precies de valkuil: het ontbrekende deel valt niet op in de vorm. Wie die werkwijze gestructureerd wil opbouwen, met promptopbouw en outputcontrole als één geheel, vindt die opbouw in de ChatGPT cursus van LearnLLM.
Een concreet voorbeeld maakt de winst en de grens tegelijk zichtbaar. Een adviesbrief opstellen kostte eerst een uur, waarvan het merendeel opging aan formuleren en structureren. Met een model wordt dat tien minuten schetsen en dertig minuten aanscherpen, waarbij het denkwerk verschuift naar beoordelen of er iets ontbreekt. De brief wordt niet vanzelf beter; de tijd verplaatst zich naar het deel waar jouw expertise telt.
Waarom klopt generatieve AI soms niet?
Generatieve AI produceert soms informatie die feitelijk onjuist is maar overtuigend geformuleerd, en dat verschijnsel heet hallucinatie. Het model verzint dan een bron, een cijfer of een regeling, niet omdat het liegt maar omdat het de meest plausibele voortzetting kiest en niet de aantoonbaar juiste.
Het lastige is dat de vorm geen signaal geeft. Een verzonnen wetsartikel komt in exact dezelfde zelfverzekerde toon binnen als een correct artikel, inclusief een nummer dat er aannemelijk uitziet. Wie de output alleen op leesbaarheid beoordeelt, ziet het verschil niet, en juist bij onderwerpen waar je zelf weinig van weet is de kans het grootst dat een fout blijft staan. Hoe je zo’n AI hallucinatie herkent en voorkomt, staat per controlestap uitgewerkt.
De werkbare vuistregel is dat je output behandelt als een eerste concept en niet als eindproduct. Feiten, cijfers en verwijzingen controleer je bij de bron voordat ze in een rapport of in klantcommunicatie terechtkomen, en die stap plan je in als onderdeel van de taak in plaats van hem over te laten aan wie toevallig tijd heeft.
Wat betekent generatieve AI voor vertrouwelijkheid en aansprakelijkheid?
Generatieve AI raakt vertrouwelijkheid op het moment dat je iets invoert, want alles wat je in een prompt zet wordt verwerkt op de servers van de aanbieder. Voor een kantoor dat met cliëntgegevens werkt, is dat geen technisch detail maar de eerste vraag die beantwoord moet zijn.
Het compliance-denken uit mijn jaren bij grootbanken vertaalt zich naar drie vragen bij elke AI-taak: welke data gaat erin, welke claims baseer je op de uitkomst en wie is verantwoordelijk voor het resultaat. Bij generatieve AI weegt de eerste het zwaarst, omdat het invoeren zelf al een verwerking is, ongeacht wat je met het antwoord doet.
Het accounttype bepaalt daarbij onder welke voorwaarden die verwerking plaatsvindt. Voor een gratis consumentenaccount gelden andere afspraken dan voor een zakelijke variant met verwerkersovereenkomst, en bij sommige accounttypes kan ingevoerde informatie worden gebruikt om modellen te verbeteren. Controleer per tool welk type je kantoor daadwerkelijk gebruikt, want in de praktijk werken medewerkers vaak nog op een persoonlijk account uit de periode dat ze het zelf uitprobeerden.
Voor gereglementeerde beroepen komt het beroepsgeheim daar bovenop, en dat legt een grens die losstaat van wat de leverancier technisch toestaat. Anonimiseren van namen en bedragen maakt veel taken alsnog mogelijk; voor de taken waar dat niet kan, hoort een expliciet nee te staan. Welke informatie je wel en niet invoert, hoort tot verantwoord AI gebruik en hoort per taaktype vastgelegd te zijn, niet per medewerker afgewogen op een druk moment.
Sinds februari 2025 raakt dit ook de wetgeving rechtstreeks. Organisaties moeten hun medewerkers voldoende kennis meegeven om AI verantwoord te gebruiken, en voor content die met AI is gemaakt gelden transparantie-eisen. Die verplichtingen vallen onder AI Act compliance, samen met de afspraken over verwerking en vastlegging. De aansprakelijkheid voor de uitkomst blijft in alle gevallen bij de professional liggen, niet bij de leverancier van het model.
Welke beperkingen houdt generatieve AI?
Generatieve AI houdt drie beperkingen die met een beter model niet verdwijnen. De eerste is de kennisafkap: het model is getraind op data tot een bepaalde datum en weet daarna niets, tenzij het kan zoeken of jij de informatie meelevert.
De tweede is het ontbreken van jouw context. Het model kent je cliënten niet, je procedures niet en je afspraken van vorig jaar niet. Alles wat het over jouw situatie zegt zonder dat je die hebt aangeleverd, is een aanname die toevallig goed kan uitpakken.
De derde is bias in de trainingsdata. Wat in die data ondervertegenwoordigd of scheef is weergegeven, komt terug in de output, zonder waarschuwing en in dezelfde neutrale toon als de rest. Niet elke taak heeft daarbij hetzelfde risicoprofiel, dus voor een intern memo weegt dit lichter dan voor een tekst die een oordeel over mensen bevat.
Hoe begin je met generatieve AI in je kantoor?
Met generatieve AI begin je bij één proces en niet bij een tool. Kies een taak die vaak terugkomt en veel tijd kost, bepaal welke informatie daarvoor nodig is en welke daarvan mag worden ingevoerd, en spreek af wie de output controleert voordat er iets naar buiten gaat.
Die volgorde voorkomt de twee vergissingen die het vaakst voorkomen. De eerste is een abonnement afsluiten en hopen dat medewerkers er zelf iets mee doen, wat leidt tot een handvol enthousiastelingen en een grote groep die het laat liggen. De tweede is een organisatiebrede strategie optuigen voordat iemand ervaring heeft met de praktijk.
Het four-eyes-principe uit de bankenpraktijk vertaal ik daarbij naar AI-werk als vaste stap: er gaat geen output met inzet naar buiten zonder tweede controle. De aanpak die ik hanteer begint bewust klein, met één tot drie processen, zodat wat je in het eerste proces leert het tweede sneller maakt.
Spreek daarbij vooraf af waaraan je na een maand ziet of het werkt. Hoeveel tijd kostte de taak eerder, hoe vaak wordt de output nu aangepast voordat hij naar buiten gaat, en levert dat per saldo winst op. Zonder dat vergelijkingspunt blijft de discussie steken bij een gevoel, en dat is een slechte basis om een volgende stap op te bouwen.
Kantoren die dat gestructureerd willen inrichten, met afspraken per taaktype en controlepunten die eigendom blijven van het kantoor, herkennen dit als de opzet van een AI implementatie voor bedrijven. De toolkeuze komt daarin niet als eerste, maar volgt uit de processen die je hebt uitgekozen.
