Verandert de manier waarop we large language modellen gebruiken?
De tijd waarin we AI vooral als chatbot gebruiken, loopt volgens Ethan Mollick ten einde: werk verschuift naar het aansturen van AI-agents die urenlang zelfstandig taken uitvoeren. In de blogpost “The twilight of the chatbots” beschrijft hij dat de capaciteiten van AI-modellen exponentieel toenemen en dat dit de manier waarop we werken verandert. Ik vraag me daarbij af of we ons niet op een hellend vlak begeven.
Volgens Mollick verschijnen nieuwe AI-modellen van de grote Amerikaanse AI-bedrijven sneller dan ooit, en wijzen meerdere analyses op steeds snellere capaciteitsgroei. Hij verwijst naar assessments van METR en het Britse AI Security Institute, die schatten hoeveel uren menselijk programmeerwerk een AI met één opdracht kan uitvoeren, en naar GDPval, dat AI-prestaties vergelijkt met die van menselijke experts in uiteenlopende vakgebieden. Al deze metingen wijzen op een groei in een tempo dat sneller is dan exponentieel.
De organisatie Epoch stelde vast dat het model Claude Opus 4.7 in veertien uur zelfstandig een softwarepakket bouwde waar een menselijke engineer twee tot zeventien weken over zou doen, tegen een kostprijs van 251 dollar aan rekenkracht. In eigen experimenten zag Mollick een model negen uur autonoom werken aan complexe softwareprojecten waar een team ruim een week voor nodig zou hebben.
Naast de gesloten Amerikaanse topmodellen besteedt Mollick aandacht aan een tweede groep modellen. Dat zijn open modellen uit China, die zes tot twaalf maanden achterlopen maar veel goedkoper in gebruik zijn. Ook deze modellen kennen volgens hem een eigen exponentiële verbetercurve. Tegelijkertijd waarschuwt hij dat grafieken verhullen hoe grillig het capaciteitenlandschap is: AI blijft op veel terreinen zwak, en open modellen presteren in de praktijk niet altijd zo goed als benchmarks suggereren. Wie echt inzicht wil, moet AI volgens hem zelf beproeven op de eigen toepassingen. Zijn eigen test, waarin modellen een interactieve simulatie van een haven moeten bouwen, laat zien hoe sterk modellen verschillen in ontwerp, stijl en oordeelsvermogen. Juist die moeilijk meetbare factoren worden belangrijker naarmate taken langer duren.
Mollick’s belangrijkste boodschap is in elk geval dat dat de manier van werken met AI verandert. Tot voor kort gebruikten we AI vooral als ‘co-intelligentie’: je geeft een opdracht, controleert het resultaat en formuleert de volgende stap. Die werkwijze blijft bruikbaar, maar waardevol werk verschuift volgens Mollick naar langlopende, zelfcorrigerende AI-systemen die geen voortdurende menselijke tussenkomst nodig hebben. Agents beschikken bovendien over extra gereedschap: een omgeving waarin ze kunnen handelen en toegang tot tools, via toepassingen als Claude Code of Codex van OpenAI. Een goede omgeving versterkt de toch al toenemende capaciteiten van de onderliggende modellen verder.
Hoe snel dit gaat, illustreert Mollick met een studie van OpenAI en economen naar AI-gebruik door het eigen personeel. Niet alleen programmeurs, maar ook juridische en HR-medewerkers namen agents in vrijwel hetzelfde tempo in gebruik. Een kwart van de medewerkers heeft er wekelijks minstens vier tegelijk draaien; werken bij OpenAI lijkt steeds meer op het managen van AI. Een andere studie, naar gebruikers van Claude Code, laat zien dat niet het beroep van de gebruiker het succes bepaalt, maar diens deskundigheid. Hoe meer domeinervaring iemand heeft, hoe succesvoller die persoon is en hoe meer bruikbare output elke opdracht oplevert. We bewegen volgens Mollick van een wereld waarin niet-experts chatbots gebruiken om gaten te vullen, naar een wereld waarin experts agents inzetten om werk gedaan te krijgen.
Mollick besluit met de constatering dat we ons midden in een exponentiële ontwikkeling bevinden. Een AI-plan van vóór de winter van 2025 beschreef een systeem dat enkele uren werk aankon met een hoog foutenpercentage; enkele maanden later bespaart één opdracht zestien uur werk of meer. Mensen ervaren die gestage verdubbeling als een reeks schokken. Dat verklaart volgens hem ook de onrust rond AI: instellingen die zich in menselijk tempo bewegen, proberen een capaciteitscurve te volgen die dat tempo ver overstijgt. Zolang de exponentiële groei aanhoudt, wordt die kloof alleen maar groter, meent Mollick.
Mijn opmerkingen
Mollick beschrijft een belangrijke ontwikkeling. Tegelijkertijd besteedt hij geen aandacht aan bedrijven die paal en perk stellen aan het gebruik van AI-modellen omdat de kosten de pan uit rijzen. Geavanceerde toepassingen van large language modellen maken gebruik van heel veel tokens en worden op basis van het gebruik betaald. Bovendien is een bedrijf OpenAI allesbehalve representatief: een technologiebedrijf vol early adopters dat zijn eigen producten gebruikt, zegt weinig over een Nederlandse hogeschool, een mbo-instelling of een L&D-afdeling. De ‘schemering van de chatbot’ is in de dagelijkse praktijk van veel organisaties nog ver weg; daar worstelt men nog met verantwoord chatbotgebruik.
Verder valt op dat Mollick benadrukt dat de deskundigheid bepaalt hoe effectief iemand met agents werkt. Dat is eigenlijk ook met het gebruik van AI-tools als chatbot zo. Je kunt de kwaliteit van de output pas op waarde schatten als je over de noodzakelijke voorkennis beschikt. Als je een systeem langdurig zelfstandig laat werken, wordt het kunnen beoordelen van output nog belangrijker. Dat maakt de vraag urgent hoe lerenden domeinexpertise opbouwen als AI steeds meer uitvoerend werk overneemt. Expertise ontwikkel je immers grotendeels door dat uitvoerende werk zelf te doen. Curricula zullen bewuster ruimte moeten maken voor oefening zonder AI, naast het leren aansturen en beoordelen van AI. Ook voor werkplekleren geldt die opgave: organisaties zullen beginnende professionals bewust werk moeten laten doen dat een agent sneller zou kunnen, omdat zij anders nooit de expertise ontwikkelen om agents goed aan te sturen.
Wat ik ook ingewikkeld vind, is dat als je AI-tools langdurig zelfstandig aan betekenisvolle taken laat werken, jij die AI-tools toegang moet geven tot privacygevoelige en bedrijfsgevoelige gegevens. Persoonlijk worstel ik hier best mee. Ik wil experimenteren met dergelijke toepassingen -dat hoort bij mijn werk- maar dan moet ik tools als Claude Cowork toegang geven tot mijn mails, agenda’s, logingegevens en documenten. Ik ben daar zeer huiverig voor. Met als gevolg dat ik weinig experimenteer met betekenisvolle en complexere taken. Daar komt bij dat ik vrees voor een glijdende schaal: we laten AI-modellen steeds meer zelfstandig werken. De stap naar autonoom opererende tools is dan snel gezet. Willen we dat wel?
Mijn bronnen over (generatieve) artificiële intelligentie
Deze pagina bevat al mijn bijdragen over (generatieve) artificiële intelligentie.
Lees het hele
artikel