Wat is de huidige trend binnen AI?

Wat is de huidige trend binnen AI? SLMs en 7% boetes

De huidige trend binnen AI verschuift naar verantwoorde innovatie en databeveiliging op lokale apparaten. Het begrijpen van de nieuwe operationele kaders helpt organisaties om zware financiële sancties te vermijden. Ontdek hoe deze ontwikkelingen uw bedrijfsvoering beschermen tegen juridische risicos en ethische fouten.

Wat is de huidige trend binnen AI? De verschuiving naar democratisering

De belangrijkste trend binnen AI op dit moment is de grootschalige democratisering van de technologie. Waar AI voorheen het exclusieve domain was van techreuzen en gespecialiseerde data scientists, is het nu toegankelijk voor iedereen - van de zzper in Utrecht tot grote mkb-bedrijven. Deze ontwikkeling draait niet alleen om toegang tot tools, maar om het wegnemen van technische barrières via low-code en no-code platformen.

In 2026 zien we dat 40% van de nieuwe bedrijfsapplicaties standaard AI-functionaliteiten bevatten, vergeleken met minder dan 5% slechts één jaar geleden. Dit betekent dat AI niet langer een losstaand project is, maar een integraal onderdeel van onze dagelijkse software. Ik herinner me nog hoe ik drie jaar geleden ^[1] urenlang worstelde met Python-scripts om een simpel taalmodel lokaal te draaien. Nu? Met drie klikken integreer ik een krachtig model in mijn workflow. Het is bizar hoe snel dit is gegaan. Maar er zit een addertje onder het gras, waar ik later in de sectie over AI-governance op terugkom.

Van Chatten naar Doen: De opkomst van Agentic AI

Een cruciale trend die we nu zien, is de overgang van generatieve AI naar agentic AI. Terwijl de eerste generatie modellen vooral goed was in het genereren van tekst en beelden, kunnen AI-agents nu zelfstandig complexe taken uitvoeren. Denk aan een AI die niet alleen een e-mailconcept schrijft, maar ook je agenda checkt, een vergadering plant en de benodigde documenten alvast klaarzet in de cloud.

Onderzoek wijst uit dat agent-gebaseerde systemen de productiviteit bij administratieve taken met gemiddeld 25-40% kunnen verhogen. In mijn eigen ervaring merkte ik dat het bouwen van zon agent in het begin frustrerend was. De eerste versie van mijn persoonlijke assistent bleef maar in loops hangen - een klassiek probleem bij vroege agents. Pas toen ik overstapte op een multi-agent systeem, waarbij verschillende AI-modules elkaar controleren, begon het echt te werken. Het voelde als magie toen de AI voor het eerst zonder mijn tussenkomst een volledig klantonderzoek afrondde. Soms is de techniek echter nog onvoorspelbaar. Dat is de realiteit. ^[2]

Fysieke AI: Wanneer software een lichaam krijgt

In 2026 is AI niet langer beperkt tot schermen en servers. Fysieke AI, ook wel belichaamde AI genoemd, integreert geavanceerde neurale netwerken in robotica. Dit stelt robots in staat om te leren van hun omgeving via interactie, in plaats van geprogrammeerd te worden met starre instructies. Dit is een enorme sprong voorwaarts voor de logistiek en de zorg.

De markt voor humanoïde robots groeit momenteel met circa 39-48% per jaar. ^[3] In Nederlandse distributiecentra zien we steeds vaker robots die pakketten sorteren met een precisie die voorheen onmogelijk was. Toch is het niet allemaal rozengeur en maneschijn. Ik sprak onlangs een technicus die toegaf dat de batterijduur en de hitteontwikkeling bij intensieve AI-berekeningen in robots nog steeds grote knelpunten zijn. We zijn er dus nog niet helemaal, maar de richting is duidelijk.

AI Governance en de EU AI Act: De regels van het spel

Met de enorme groei komt ook de noodzaak voor regulering. De EU AI Act is inmiddels volledig van kracht en dwingt bedrijven tot transparantie. Dit is geen bureaucratisch obstakel, maar een noodzakelijke stap om vertrouwen op te bouwen. Bedrijven moeten nu kunnen aantonen hoe hun modellen beslissingen nemen, vooral bij risicovolle toepassingen zoals werving of kredietverstrekking.

Niet-naleving kan leiden tot boetes die oplopen tot 7% van de wereldwijde jaaromzet. Veel bedrijven - en eerlijk gezegd, ikzelf ook in het begin - vonden deze regels verstikkend. Maar naarmate we meer gevallen zagen van AI-bias (vooringenomenheid), werd het duidelijk waarom dit nodig is. Een goede governance-strategie helpt het risico op juridische claims te verminderen. Het gaat erom dat we AI slim gebruiken, zonder onze ethische waarden overboord te gooien. ^[5]

Kleine Modellen (SLM's) versus Grote Modellen (LLM's)

Een interessante tegenbeweging voor de gigantische taalmodellen is de opkomst van Small Language Models (SLMs). Deze modellen zijn compacter, sneller en kunnen vaak lokaal op een smartphone of laptop draaien zonder internetverbinding. Dit is essentieel voor privacygevoelige sectoren zoals de advocatuur of de medische wereld.

SLMs verbruiken tot wel 90% minder energie dan hun grotere broers, ^[6] terwijl ze voor specifieke taken vaak net zo goed presteren. In mijn eigen workflow gebruik ik nu een klein model voor het samenvatten van vertrouwelijke gespreksnotities. De rust die het geeft om te weten dat mijn data mijn eigen laptop niet verlaat, is onbetaalbaar. Soms is groter simpelweg niet beter. Dat is een les die veel organisaties nu hardhandig leren.

Cloud AI versus Edge AI: Wat past bij jouw behoeften?

Bij het kiezen van een AI-strategie sta je vaak voor de keuze: rekenkracht in de cloud of snelheid aan de rand van het netwerk (edge).

Cloud AI (Centraal)

Data wordt verstuurd naar externe servers, wat risico's met zich meebrengt

Pay-per-use, maar kan bij intensief gebruik duur uitvallen

Onbeperkt schaalbaar, ideaal voor het trainen van gigantische modellen

Edge AI (Lokaal) - Aanbevolen voor privacy

Maximale controle; data blijft lokaal op het apparaat

Minimale latentie omdat data niet heen en weer hoeft te reizen

Beperkt tot de hardware van het apparaat zelf

AI Implementatie bij een Amsterdams advocatenkantoor

Advocatenkantoor Jansen & De Vries in Amsterdam wilde AI gebruiken om duizenden contracten te analyseren, maar was doodsbang voor datalekken en schending van het beroepsgeheim. Ze probeerden eerst een publieke chatbot, maar merkten al snel dat vertrouwelijke info werd opgeslagen.

De eerste poging om een eigen model te draaien faalde hopeloos door gebrek aan servercapaciteit. Het team was gefrustreerd en wilde het project bijna stopzetten.

De doorbraak kwam toen ze overstapten op een Small Language Model (SLM) dat volledig lokaal draait op beveiligde workstations. Ze stopten met het najagen van het grootste model en kozen voor specialisatie.

Binnen drie maanden werd de analysetijd per contract teruggebracht van 4 uur naar 15 minuten. De nauwkeurigheid steeg naar 95% en de data verlaat nooit het pand.