Een kleine geschiedenis van artificiële intelligentie: van expertsystemen tot agentic AI
AI is overal. Toch? Wanneer we zeggen dat "AI" ons werk overneemt, onze zoekopdrachten verbetert of klimaatmodellen optimaliseert, hebben we het dan eigenlijk over dezelfde technologie? Het antwoord is nee. Achter het containerbegrip "AI" schuilt een veelheid aan fundamenteel verschillende systemen, elk met hun eigen werking, mogelijkheden en beperkingen. Wim Casteels (AP Hogeschool) doorloopt de evolutie van AI aan de hand van populaire technologieën en legt uit hoe de toepassingen doorheen de decennia steeds verbeterd werden met fundamenteel andere technologieën.
Toepassing of technologie?
Een Europese bevraging van Eurostat toont aan dat Belgische bedrijven met een adoptiegraad van 34,5% koplopers zijn in het gebruik van AI. Maar over welke AI-technologie gaat het precies? De indeling van AI-technologieën die ze in hun figuur 👇 gebruiken, wordt ook de Vlaamse AI-barometer gehanteerd.
Maar die categorieën laten te wensen over. De figuur toont geen technologieën, maar wel toepassingsdomeinen waarvoor verschillende technologieën mogelijk zijn. Wanneer spreken we bijvoorbeeld van tekstgeneratie? Bij autocomplete in een mail? Of pas bij een Large Language Model (LLM)? Om de AI-adoptiegraad te begrijpen, moeten we onder de motorkap kijken, want een expertsysteem uit 1980 verschilt fundamenteel van de Agentic AI van 2026.
Van domeinexperts naar code: expertsystemen
Expertsystemen, de pioniers van AI, probeerden menselijke besluitvorming te vangen in strikte "als-dan"-regels. Waar moderne AI leert uit voorbeelden, vertrouwden deze systemen op “hard gecodeerde” logica van domeinexperts. Deze benadering leverde concrete, werkende systemen op in diverse sectoren.
Voor tekstanalyse was Writer's Workbench, ontwikkeld door Bell Labs in de jaren 1970, een pionier. In tegenstelling tot moderne taalmodellen zoals ChatGPT begreep WWB de tekst niet, het scande documenten op basis van vastgelegde stijlfouten en leesbaarheidsformules.
Vanaf de jaren '80 gebruikte de United States Postal Service (USPS) beeldherkenning in grootschalige sorteermachines met regelgebaseerde OCR (Optical Character Recognition). Ingenieurs programmeerden regels om de vorm van cijfers te beschrijven, bijvoorbeeld: "een verticale streep met een gesloten lus bovenaan is waarschijnlijk een 9".
Een schoolvoorbeeld van procesautomatisatie is XCON, ontwikkeld rond 1980. Het controleerde automatisch of bestelde computeronderdelen compatibel waren. Met meer dan 2.500 regels verwerkte XCON complexe orders die voor mensen te foutgevoelig waren.
Ondanks deze successen liepen expertsystemen vast. Het onderhoud van systemen zoals XCON werd een nachtmerrie. Naarmate het aantal regels groeide tot boven de 10.000, werd het systeem traag en onvoorspelbaar. Deze "kennisacquisitie-bottleneck" leidde eind jaren '80 tot de AI Winter, een periode van dalende investeringen in AI.
Data als nieuwe leraar: machine learning
Machine Learning markeert een fundamentele verschuiving. Waar expertsystemen afhankelijk waren van expliciet geprogrammeerde regels, draait machine learning het proces om: het systeem leert de regels zelf door patronen in data te ontdekken. Deze evolutie voedde de Big Data-revolutie. De explosieve groei van digitale informatie, van transacties tot sensordata, maakte handmatige analyse onmogelijk, maar vormde tegelijk de perfecte brandstof voor algoritmen die nauwkeuriger worden naarmate ze meer voorbeelden zien.
Deze statistische benadering leverde snel concrete resultaten. In beeldherkenning stapten postbedrijven over van starre sjablonen naar algoritmen zoals Support Vector Machines (SVM), waardoor sorteermachines postcodes met slordig handschrift en variërende grootte correct konden interpreteren.
In procesautomatisatie maakte machine learning “Intelligent Document Processing” flexibeler. In plaats van gegevens blind van vaste coördinaten te "schrapen", leerden machine-learning-modellen (zoals Random Forests) te werken met relatieve posities en trefwoorden, ze zochten bijvoorbeeld naar het woord "Totaal" om het bedrag te vinden, een meer flexibele aanpak dan vaste sjablonen wat een robuuster resultaat opleverde. Ook tekstanalyse werd slimmer: spellingscontrole en spamfilters evolueerden van simpele woordenlijsten naar waarschijnlijkheidsmodellen (zoals Naive Bayes) die context en zinsbouw statistisch analyseerden.
Van handmatig labelen naar zelflerende systemen: deep learning
Waar traditionele Machine Learning nog menselijke hulp nodig had om datakenmerken te definiëren, bracht Deep Learning de volledige autonomie. Geïnspireerd op het menselijk brein gebruikt deze technologie kunstmatige neurale netwerken in een gelaagde structuur om ruwe data stapsgewijs te ontleden. De eerste lagen herkennen simpele details (zoals randen), terwijl diepere lagen de details combineren tot abstracte concepten. Dit vermogen tot Representation Learning betekent dat de computer zelf leert wat belangrijk is, zonder dat een programmeur dit vooraf hoeft te dicteren.
De ware kracht van deze autonomie ligt in het ontsluiten van ongestructureerde data. Waar expertsystemen en klassieke machine learning floreerden op nette databases, bleef naar schatting 80% tot 90% van alle data (vrije tekst, beelden, audio) lange tijd onbereikbaar als "Dark Data”. Deep Learning brak deze barrière. Omdat neurale netwerken zelfstandig patronen herkennen in ruwe input, hoeft informatie niet meer in vaste hokjes te worden geduwd, en werd de rommelige realiteit van data eindelijk bruikbaar.
De impact is direct zichtbaar in de praktijk. Bij beeldherkenning voor het verwerken van postcodes werden Convolutional Neural Networks (CNN's) zoals LeNet ingezet. Deze "zien" de structuur van een cijfer ongeacht het handschrift, terwijl oude systemen vastliepen op variatie. In procesautomatisatie kunnen bots nu ook de context van een factuur begrijpen, ongeacht de lay-out van de leverancier. In tekstondersteuning analyseren tools zoals Grammarly niet alleen spelling, maar ook toon en nuance.
Van waarnemen naar creëren: generatieve AI
De meest recente evolutie in kunstmatige intelligentie is de sprong van systemen die waarnemen naar systemen die creëren. Generatieve AI kan volledig nieuwe content genereren, van tekst en code tot beelden en video. De krachtbron hierachter zijn Foundation Models (zoals GPT-5, Claude of Gemini): gigantische, vooraf getrainde modellen die niet voor één specifieke taak zijn gebouwd, maar een brede basiskennis bezitten en aanpasbaar zijn voor talloze toepassingen.
Deze verschuiving verandert de rol van AI in onze eerdere voorbeelden fundamenteel. Bij tekstanalyse fungeert AI niet langer als een corrector, maar als een creatieve copiloot. Tools zoals Microsoft Copilot of ChatGPT helpen niet alleen bij grammatica, maar schrijven volledige concepten, vatten complexe rapporten samen en passen de toonzetting aan van formeel naar wervend.
In de wereld van beeldherkenning en postcodes introduceren multimodale modellen (die tekst en beeld begrijpen) een nieuw niveau van robuustheid. Waar oude systemen vastliepen op een beschadigd etiket, kunnen deze systemen de context gebruiken. Als de postcode onleesbaar is, kan het model deze logisch reconstrueren op basis van de wel leesbare straat- en stadsnaam, iets wat puur visuele herkenning nooit kon.
Binnen procesautomatisatie breekt Generatieve AI de laatste ketenen van starre regels. In moderne “Robot Process Automation”-oplossingen hoeven facturen niet meer aan een vast sjabloon te voldoen. Het model "leest" en begrijpt het document zoals een mens dat doet en extraheert de data, ongeacht de lay-out.
Van creatie naar actie: AI-agenten
De nieuwste evolutie is Agentic AI. Waar Generatieve AI zich beperkt tot het creëren van content, focust Agentic AI op het zelfstandig uitvoeren van taken. Een AI-agent is niet langer een passieve chatbot, maar een autonoom systeem dat doelen kan nastreven. Het beschikt over een "Reasoning Engine" om plannen te maken, heeft toegang tot externe tools (zoals e-mail, agenda’s of databases) en kan beslissingen nemen zonder continue menselijke aansturing.
In tekstondersteuning gaat een systeem als Microsoft Copilot verder dan alleen het schrijven van een tekst. Als Agent kan het zelfstandig relevante data uit een Excel-sheet halen, dit verwerken in een Word-rapport, de opmaak corrigeren en het document vervolgens automatisch per e-mail versturen naar de juiste collega's. Het fungeert hierdoor niet meer als een schrijfhulp, maar als een assistent.
In de postcodeverwerking zien we de stap van pure beeldherkenning naar logistieke regie. Een Agentic systeem doet meer dan alleen een postcode "lezen". Als een label beschadigd of onleesbaar is, stopt het proces niet. De agent analyseert autonoom de context (afzender, pakketgrootte), zoekt in databases naar matches, neemt contact op met de klant via een app, of besluit zelfstandig het pakket om te leiden naar een alternatieve route.
Ook in procesautomatisatie verandert de rol van de software. Wanneer een bedrag op een factuur niet klopt met de inkooporder, loopt de bot niet vast. Als een autonome agent kan het systeem zelfstandig een e-mail opstellen naar de leverancier om opheldering te vragen, de reactie interpreteren en de betaling pas vrijgeven als het probleem is opgelost.
Stop met AI zeggen: we moeten specifieker zijn.
"AI" bestaat niet; het is een verzamelnaam die ons het zicht ontneemt op de technologische realiteit. Achter dit label schuilen systemen die fundamenteel verschillen in werking, risico en impact. Dat de technologieën in de praktijk vaak hybride worden gecombineerd, maakt precisie des te belangrijker.
Zolang we alles op één hoop gooien, blijven we appels met peren vergelijken. We projecteren de angst voor autonome agenten op onschuldige expertsystemen, of onderschatten de ecologische voetafdruk van generatieve modellen omdat we ze verwarren met lichte zoekalgoritmes. Dit leidt tot zwak beleid en verkeerde investeringen.
Om van hype naar waarde te gaan, moeten we voorbij het containerwoord kijken. We moeten stoppen met spreken over "AI" en starten met het benoemen van de onderliggende architectuur. Pas als we helder hebben of we regels, patronen of autonome beslissingen implementeren, kunnen we weloverwogen keuzes maken over toezicht en wetgeving.
Referenties
- De Craecker, S. (14.01.2026) AI-gebruik in Belgische bedrijven blijft sterk groeien: 1 op de 3 ondernemingen zet AI actief in. Acerta
Op basis van Usage of AI technologies increasing in EU enterprises (23.01.2025) Eurostat - Standaert T., Lecocq C., Andries P., Evens T. (2024) AI-Barometer: adoptie en gebruik van Artificiële Intelligentie bij Vlaamse bedrijven - situatie 2023. Departement Economie, Wetenschap en Innovatie
- Writers Workbench, XCON, Random Forests, Naive Bayes, LeNet, Wikipedia
- Grammarly
Wim Casteels
Wim Casteels maakt AI begrijpelijk voor wie er geen technische achtergrond in heeft, van klaslokaal tot boardroom. Hij is doctor in de fysica, werkte als data scientist bij Argenta en als onderzoeker bij imec IDLab, en is vandaag docent en onderzoeker aan de AP Hogeschool. Hij schreef het boek Het masker van AI (Lannoo Campus) en geeft lezingen, workshops en gastcolleges over de impact van AI op werk, onderwijs en samenleving.
