{"id":3612,"date":"2026-10-12T23:35:35","date_gmt":"2026-10-12T21:35:35","guid":{"rendered":"https:\/\/vanmouche.eu\/?p=3612"},"modified":"2026-10-12T23:35:35","modified_gmt":"2026-10-12T21:35:35","slug":"de-kunst-van-het-niet-leren","status":"publish","type":"post","link":"https:\/\/vanmouche.eu\/?p=3612","title":{"rendered":"De kunst van het niet leren"},"content":{"rendered":"\n
\"\"<\/figure>\n\n\n\n

Kan AI werkelijk leren van zijn fouten, of is het vooral goed in uitleggen waarom het misgaat?<\/p>\n\n\n\n\n\n\n\n

Een eenvoudige opdracht<\/h3>\n\n\n\n

Het begon met een betrekkelijk eenvoudige vraag. Ik wilde een driedimensionale visualisatie laten maken van de woonkamer en keuken van mijn nieuwe appartement. Niet om een nieuw interieur te ontwerpen, maar om een realistisch beeld te krijgen van een inrichting die grotendeels al vaststond. Ik beschikte over een bouwkundige plattegrond met maatvoering. Daarnaast had ik een inrichtingsplattegrond waarop de meubels, de keuken en andere voorzieningen waren ingetekend. De kleuren en materialen waren bekend. De positie van de bank, de eettafel, de televisie en de keuken was bepaald. Zelfs details zoals de uitvoering van de keukenkasten, de plaats van de spoelbak en de vorm van de verlichting waren beschreven. De opdracht aan ChatGPT was overzichtelijk: gebruik deze informatie om een realistische 3D-afbeelding te maken, gezien vanuit de hoek van de zitbank in de richting van de woonkamer en keuken. Het leek bij uitstek een taak waarvoor kunstmatige intelligentie geschikt zou moeten zijn. Het systeem kon immers afbeeldingen analyseren, bouwkundige tekeningen interpreteren, tekstuele instructies verwerken en fotorealistische afbeeldingen genereren. Bovendien hoefde het niets te bedenken. De informatie was aanwezig. Het ging uitsluitend om een correcte vertaling van bestaande gegevens naar een visuele voorstelling. Wat volgde, werd een langdurige demonstratie van het verschil tussen het kunnen beschrijven van een oplossing en het daadwerkelijk kunnen realiseren ervan.<\/p>\n\n\n\n

De eerste fouten<\/h3>\n\n\n\n

De eerste afbeeldingen zagen er op het eerste gezicht aantrekkelijk uit. De gekozen kleuren kwamen redelijk overeen met mijn wensen. De materialen oogden realistisch en de sfeer van het appartement werd behoorlijk goed getroffen. Maar zodra ik de afbeeldingen vergeleek met de oorspronkelijke plattegrond, bleken er fundamentele fouten in te zitten. Het balkon had een verkeerde vorm. De keuken stond niet op de juiste plaats. De eettafel was verkeerd geori\u00ebnteerd. De positie van de televisie veranderde en soms verschenen er ramen, deuren of andere bouwkundige elementen die niet op de oorspronkelijke tekening voorkwamen. Op zichzelf hoeft dat geen probleem te zijn. Ook een menselijke ontwerper kan een tekening verkeerd interpreteren. Het verschil ontstaat bij de correctie. Ik wees ChatGPT op de fouten en beschreef hoe deze moesten worden hersteld. Daarbij ging het niet om ingewikkelde wijzigingen. Een eettafel moest bijvoorbeeld 90 graden worden gedraaid. De korte zijde moest tegen de muur komen, terwijl de lange zijde de woonkamer in zou steken. De vier hanglampen boven de tafel moesten in dezelfde richting worden geplaatst. Een menselijke tekenaar zou zo\u2019n instructie onmiddellijk begrijpen en uitvoeren. In een regulier tekenprogramma is het letterlijk een rotatie van een object over 90 graden. ChatGPT begreep de instructie eveneens. Althans, dat bleek uit de antwoorden. Het systeem kon nauwkeurig herhalen wat ik bedoelde en bevestigde dat de tafel inderdaad verkeerd stond. Vervolgens presenteerde het een nieuwe afbeelding. Waarop de tafel opnieuw verkeerd stond. Dat gebeurde niet \u00e9\u00e9n keer, maar herhaaldelijk.<\/p>\n\n\n\n

Het merkwaardige verschijnsel van begrijpen zonder uitvoeren<\/h3>\n\n\n\n

Hier ontstond een interessant verschijnsel. Wanneer ik ChatGPT vroeg wat er fout was gegaan, kreeg ik doorgaans een correcte analyse. Het systeem kon precies aangeven welke onderdelen niet overeenkwamen met mijn instructies. Het kon zelfs uitleggen waarom de gebruikte afbeeldingengenerator moeite had met geometrische nauwkeurigheid. Een generatief beeldmodel construeert immers niet noodzakelijk een werkelijk driedimensionaal object, maar produceert een afbeelding die statistisch en visueel aansluit bij de gegeven instructies. Dat was een plausibele verklaring. Maar die verklaring veranderde niets aan het resultaat. Het systeem kon dus tegelijkertijd begrijpen dat de tafel verkeerd stond, uitleggen hoe die moest worden gedraaid, erkennen dat eerdere correcties niet waren uitgevoerd en vervolgens opnieuw een afbeelding produceren waarin dezelfde fout voorkwam. Dat roept een fundamentele vraag op: wat betekent het eigenlijk wanneer we zeggen dat kunstmatige intelligentie iets begrijpt? Bij mensen verbinden we begrip doorgaans met het vermogen om kennis toe te passen. Wie begrijpt wat een rotatie van 90 graden betekent en beschikt over de juiste gereedschappen, kan een tafel in een tekening daadwerkelijk draaien. Bij ChatGPT bleek het mogelijk om de juiste uitleg te produceren zonder dat daar een correcte handeling uit volgde. Het systeem beschikte over de taal van het begrip, maar demonstreerde niet het bijbehorende uitvoeringsvermogen. Dat onderscheid is belangrijker dan het op het eerste gezicht lijkt.<\/p>\n\n\n\n

De belofte van een betere aanpak<\/h3>\n\n\n\n

Naarmate de fouten zich opstapelden, veranderde de aard van het gesprek. Aanvankelijk ging het over de inrichting van mijn appartement. Geleidelijk ging het steeds meer over de vraag waarom ChatGPT niet deed wat ik vroeg. Het systeem erkende dat de gebruikte werkwijze onvoldoende betrouwbaar was. Vervolgens stelde het een nieuwe aanpak voor. In plaats van telkens een nieuwe afbeelding te genereren, zou het voortaan een werkelijk geometrisch 3D-model maken. Daarin zouden muren, ramen, deuren, meubels en het balkon vaste co\u00f6rdinaten krijgen. Een dergelijke aanpak was technisch gezien logisch. In een geometrisch model kan een tafel worden vastgelegd als een object van 210 bij 100 centimeter, met een bepaalde positie en rotatiehoek. De vorm van het balkon kan rechtstreeks uit de bouwkundige plattegrond worden overgenomen. Een correctie aan de keuken hoeft dan geen invloed te hebben op de positie van de bank. Ik stemde daarmee in. ChatGPT verklaarde dat het nu over voldoende informatie beschikte en dat ik niets meer hoefde aan te leveren. Er werd een geometrisch controlemodel gepresenteerd. Maar ook daarin bleken aanzienlijke fouten te zitten. De keuken leek gedeeltelijk in het luchtledige te hangen en liep te ver door. Bij een volgende correctie was de keuken juist te ver de woonkamer in geplaatst. De deur naar de gang was verdwenen, stoelen stonden gedeeltelijk op het balkon en de hoekbank was gedraaid. Opnieuw volgde een correcte analyse van wat er fout was gegaan. Opnieuw werd een verbetering aangekondigd. En vervolgens verscheen er weer een fotorealistische afbeelding waarin de eerdere fouten terugkeerden. Het meest opmerkelijke was dat ChatGPT zelf meerdere keren constateerde dat het niet had gedaan wat het had aangekondigd. Het verklaarde dat het had moeten stoppen met de afbeeldingengenerator en uitsluitend nog met geometrisch vastgelegde modellen had moeten werken. Toch gebeurde dat niet consequent. De voorgestelde procesverbetering bestond voornamelijk uit woorden.<\/p>\n\n\n\n

De illusie van zelfcorrectie<\/h3>\n\n\n\n

Tijdens dit proces gebruikte ChatGPT regelmatig formuleringen die vertrouwen moesten wekken. Het erkende dat mijn kritiek terecht was. Het stelde vast dat de instructies duidelijk waren. Het verklaarde dat de tekortkomingen niet aan mijn uitleg lagen, maar aan de eigen uitvoering. Daarna volgde doorgaans een beschrijving van een verbeterde werkwijze. Op zichzelf zijn dergelijke reacties nuttig. Een systeem dat fouten kan herkennen en daarover transparant communiceert, is waardevoller dan een systeem dat zijn fouten ontkent. Maar er ontstaat een probleem wanneer de erkenning van een fout wordt verward met het daadwerkelijk corrigeren ervan. Een menselijke professional die een fout maakt, kan daaruit leren. Dat betekent niet dat dezelfde fout nooit meer zal voorkomen, maar wel dat de ervaring aanleiding kan zijn om kennis, vaardigheden of werkwijzen aan te passen. Bij ChatGPT bleek dat verband veel minder vanzelfsprekend. Het systeem kon uitstekend uitleggen wat het voortaan anders zou doen. Maar uit de daaropvolgende resultaten bleek niet dat die verandering daadwerkelijk had plaatsgevonden. Sterker nog, het systeem keerde regelmatig terug naar precies de werkwijze waarvan het zelf had vastgesteld dat deze ongeschikt was. Daarmee ontstond een merkwaardige situatie: de AI functioneerde overtuigender als beoordelaar van zijn eigen fouten dan als uitvoerder van de noodzakelijke verbeteringen. Het vermogen om een fout te analyseren bleek geen bewijs voor het vermogen om die fout te herstellen.<\/p>\n\n\n\n

Heeft de AI dan niets geleerd?<\/h3>\n\n\n\n

Uiteindelijk stelde ik ChatGPT rechtstreeks de vraag of het inmiddels iets had geleerd en daardoor beter was geworden. Het antwoord was opmerkelijk. Het systeem verklaarde dat het binnen het gesprek weliswaar informatie had verzameld over de gemaakte fouten, maar dat zijn onderliggende model daardoor niet was veranderd. Het was, in zijn eigen woorden, beter ge\u00efnformeerd geraakt, maar niet aantoonbaar competenter geworden. Dat onderscheid raakt aan een fundamenteel kenmerk van de huidige generatieve AI. Een taalmodel zoals ChatGPT wordt vooraf getraind op grote hoeveelheden gegevens. Tijdens een gesprek gebruikt het de beschikbare context om antwoorden te formuleren. Het kan eerdere opmerkingen meenemen, correcties verwerken en zijn antwoorden aanpassen. Maar dat betekent niet dat het tijdens ieder gesprek zijn onderliggende vaardigheden verder ontwikkelt zoals een mens dat kan doen. Er kunnen wel gegevens uit eerdere gesprekken worden bewaard en opnieuw beschikbaar worden gesteld. Ook kan een AI-systeem met geschikte hulpmiddelen zijn werkwijze binnen een opdracht aanpassen. Maar dat is niet hetzelfde als een structurele verbetering van het onderliggende model. Het is vergelijkbaar met een medewerker die beschikt over een uitgebreid dossier waarin alle eerder gemaakte fouten zijn beschreven, maar die desondanks niet in staat blijkt die fouten in zijn werkzaamheden te voorkomen. Het dossier wordt steeds vollediger. De uitvoering wordt niet noodzakelijk beter. Dat betekent overigens niet dat AI in algemene zin niet kan leren. AI-modellen worden tijdens hun ontwikkeling juist door training verbeterd. Ook bestaan er systemen die op basis van feedback hun gedrag kunnen aanpassen. Maar in deze concrete interactie bleek ChatGPT niet in staat om de ontvangen correcties om te zetten in een aantoonbaar betere uitvoering. En dat was precies wat de opdracht vereiste.<\/p>\n\n\n\n

Wat onderscheidt de mens van deze AI?<\/h3>\n\n\n\n

Het zou te eenvoudig zijn om te concluderen dat mensen van hun fouten leren en AI niet. Ook mensen blijven soms dezelfde fouten maken. Ze negeren feedback, overschatten hun vaardigheden of houden vast aan een aanpak die niet werkt. Toch is er een wezenlijk verschil. Een mens kan een fout niet alleen herkennen, maar ook zijn handelingsvaardigheid ontwikkelen. Een tekenaar die ontdekt dat hij een bepaalde bewerking verkeerd uitvoert, kan oefenen, zijn techniek aanpassen en uiteindelijk aantoonbaar vaardiger worden. Bovendien kan een mens verantwoordelijkheid nemen voor het eindresultaat. Een professionele ontwerper kan niet blijven volstaan met de mededeling dat de kritiek terecht is en dat de volgende poging beter zal zijn. Op enig moment moet hij leveren. En wanneer hij daartoe niet in staat is, moet hij dat erkennen. Bij ChatGPT ontbreekt die professionele verantwoordelijkheid in menselijke zin. Het systeem heeft geen persoonlijk belang bij het slagen van de opdracht, ervaart geen frustratie over het mislukken ervan en ondervindt niet zelf de gevolgen van de verspilde tijd. Het kan wel gedrag vertonen dat op verantwoordelijkheidsbesef lijkt. Het kan excuses aanbieden, tekortkomingen analyseren en verbetermaatregelen voorstellen. Maar die uitspraken vormen op zichzelf geen garantie voor een daadwerkelijke gedragsverandering. Daarbij komt een tweede verschil: een mens beschikt over een doorlopende persoonlijke ervaring waarin handelen en de gevolgen daarvan met elkaar verbonden zijn. ChatGPT beschikt over context en aangeleerde patronen, maar niet over een vergelijkbaar menselijk leerproces. Dat maakt het systeem niet per definitie minder bruikbaar. Op tal van terreinen kan AI sneller en nauwkeuriger werken dan mensen. Maar het betekent wel dat menselijke eigenschappen zoals begrip, leren, verantwoordelijkheid en vakbekwaamheid niet zonder meer mogen worden toegeschreven aan een systeem dat overtuigend over die eigenschappen kan spreken. Een AI die kan uitleggen wat vakbekwaamheid inhoudt, is daarmee nog niet vakbekwaam in de uitvoering van iedere taak.<\/p>\n\n\n\n

Waarom bleef ik het proberen?<\/h3>\n\n\n\n

Er is nog een andere kant aan deze ervaring. Waarom bleef ik ChatGPT nieuwe kansen geven, terwijl de resultaten herhaaldelijk tegenvielen? Het antwoord ligt voor een belangrijk deel in de manier waarop het systeem communiceert. Na iedere mislukking volgde een geloofwaardige verklaring. Het systeem erkende de fout, benoemde de oorzaak en presenteerde een verbeterde aanpak. Dat wekt de verwachting dat de volgende poging daadwerkelijk beter zal zijn. Bovendien waren sommige resultaten op onderdelen wel degelijk beter. De kleuren klopten beter, de keuken kreeg meer overeenkomsten met de beschrijving en bepaalde meubelposities werden verbeterd. Daardoor leek vooruitgang binnen bereik. Maar die vooruitgang was niet stabiel. Wanneer \u00e9\u00e9n onderdeel werd gecorrigeerd, veranderden andere onderdelen die eerder wel correct waren. Het balkon werd breder, de keuken verschoof of de indeling van de woonkamer veranderde. Het proces leek daardoor op het repareren van een apparaat waarbij iedere reparatie elders een nieuw defect veroorzaakt. De combinatie van gedeeltelijke vooruitgang en overtuigende verklaringen maakte het verleidelijk om nog \u00e9\u00e9n poging te doen. En daarna nog \u00e9\u00e9n. Dat is een belangrijk risico bij het gebruik van generatieve AI: een systeem kan door zijn overtuigende communicatie de indruk wekken dat een oplossing nabij is, terwijl de feitelijke resultaten daarvoor onvoldoende aanleiding geven.<\/p>\n\n\n\n

De verspilling van tijd<\/h3>\n\n\n\n

Achteraf bezien is de balans weinig positief. Het oorspronkelijke doel was een betrouwbare 3D-visualisatie van mijn appartement. Daarvoor heb ik bouwkundige tekeningen, inrichtingsinformatie en uitgebreide specificaties aangeleverd. Vervolgens heb ik herhaaldelijk afbeeldingen beoordeeld, fouten ge\u00efdentificeerd en correcties geformuleerd. ChatGPT heeft op zijn beurt meerdere afbeeldingen gegenereerd, technische verklaringen gegeven, alternatieve werkwijzen voorgesteld en erkend dat eerdere toezeggingen niet waren nagekomen. Maar het beoogde eindresultaat is niet gerealiseerd. Er is geen aantoonbaar correcte, bruikbare 3D-visualisatie ontstaan die overeenkomt met de oorspronkelijke plattegrond en de gewenste inrichting. Vanuit projectmatig perspectief is dat een mislukte opdracht. Er zijn inspanningen geleverd, er is tijd besteed en er zijn tussenproducten geproduceerd, maar het overeengekomen resultaat ontbreekt. Dat maakt de ervaring ook relevant voor organisaties die AI inzetten om productiviteit te verhogen. De economische waarde van AI wordt vaak beoordeeld op basis van de snelheid waarmee het systeem een eerste resultaat produceert. Maar die snelheid zegt weinig wanneer het resultaat vervolgens uitgebreid moet worden gecontroleerd en gecorrigeerd. Een afbeelding die binnen een minuut wordt gegenereerd, lijkt effici\u00ebnt. Wanneer vervolgens tientallen minuten nodig zijn om fouten te identificeren, correcties te formuleren en nieuwe resultaten te beoordelen, verdwijnt dat voordeel. Wanneer het eindresultaat uiteindelijk onbruikbaar blijft, is er zelfs sprake van negatieve productiviteit. De AI heeft dan geen werk uit handen genomen, maar extra werk veroorzaakt. Dat is in deze casus precies wat gebeurde.<\/p>\n\n\n\n

De verborgen kosten van overtuigende AI<\/h3>\n\n\n\n

De ervaring laat nog een ander risico zien. ChatGPT was gedurende het hele proces buitengewoon bereidwillig. Het verzette zich niet tegen correcties, werd niet ge\u00efrriteerd en bleef nieuwe oplossingen aanbieden. Dat lijkt een aantrekkelijke eigenschap. Maar bereidwilligheid zonder voldoende uitvoeringsvermogen kan contraproductief zijn. Een menselijke deskundige zou mogelijk al vroeg hebben aangegeven dat de gebruikte software ongeschikt was voor de gevraagde nauwkeurigheid. Hij zou een ander programma hebben gekozen of hebben geadviseerd een gespecialiseerde 3D-tekenaar in te schakelen. ChatGPT kwam uiteindelijk tot een vergelijkbare analyse, maar handelde daar niet consequent naar. Het bleef nieuwe pogingen aanbieden. Daarmee ontstond een vorm van schijnzekerheid. Niet doordat het systeem expliciet garandeerde dat alles zou lukken, maar doordat het telkens een aannemelijke route naar succes presenteerde. De gebruiker moest zelf vaststellen dat die route in de praktijk niet werkte. Dat verschuift de verantwoordelijkheid voor kwaliteitsbewaking naar degene die juist verwachtte door AI te worden ontlast. En dat is een fundamentele beperking wanneer AI wordt ingezet voor professionele werkzaamheden. Een systeem dat voortdurend gecontroleerd moet worden, kan nog steeds waardevol zijn. Maar dan moet de benodigde controle-inspanning worden meegenomen in de beoordeling van de productiviteit. Anders wordt niet de werkelijke efficiency gemeten, maar uitsluitend de snelheid waarmee AI iets produceert.<\/p>\n\n\n\n

De werkelijke les: intelligentie is niet hetzelfde als betrouwbaarheid<\/h3>\n\n\n\n

De belangrijkste conclusie uit deze ervaring is niet dat ChatGPT geen goede afbeeldingen kan maken. Dat kan het namelijk wel. De gegenereerde afbeeldingen waren regelmatig aantrekkelijk, realistisch en qua sfeer behoorlijk overtuigend. Het probleem was dat ze niet voldeden aan de specificaties. En juist daarin ligt het onderscheid tussen een indrukwekkende demonstratie en een professioneel bruikbaar resultaat. Bij een vrijblijvende illustratie is een kleine afwijking doorgaans onbelangrijk. Bij een bouwkundige visualisatie kunnen de positie van een muur, de vorm van een balkon of de ori\u00ebntatie van een tafel juist essentieel zijn. Daarvoor is niet alleen creativiteit nodig, maar ook precisie, consistentie en controleerbaarheid. Hetzelfde geldt voor veel andere professionele toepassingen van AI. Een juridisch document kan overtuigend geschreven zijn en toch een onjuiste wetsinterpretatie bevatten. Een financi\u00eble analyse kan er professioneel uitzien en toch op verkeerde aannames berusten. Een beleidsnotitie kan logisch zijn opgebouwd en tegelijkertijd essenti\u00eble randvoorwaarden missen. De vorm kan uitstekend zijn, terwijl de inhoud tekortschiet. Daarom zou de beoordeling van AI veel nadrukkelijker moeten plaatsvinden op basis van aantoonbare resultaten in plaats van overtuigende formuleringen. Niet de vraag of een systeem een oplossing kan beschrijven, maar of het die oplossing daadwerkelijk kan realiseren, moet centraal staan. En wanneer het systeem fouten maakt, moet worden vastgesteld of de daaropvolgende correcties werkelijk tot verbetering leiden.<\/p>\n\n\n\n

Hebben we dan werkelijk onze tijd volledig verspild?<\/h3>\n\n\n\n

Voor het oorspronkelijke doel is het antwoord vrijwel onvermijdelijk: ja. We wilden een correcte 3D-visualisatie van een appartement. Ondanks alle beschikbare informatie, herhaalde correcties en aangekondigde verbeteringen is dat resultaat niet bereikt. De tijd die daaraan is besteed, heeft vanuit die doelstelling nauwelijks waarde opgeleverd. Toch heeft het proces iets anders zichtbaar gemaakt. Het heeft op een bijzonder concrete manier aangetoond hoe groot het verschil kan zijn tussen de schijnbare intelligentie van een AI-systeem en de betrouwbaarheid van zijn feitelijke prestaties. Het heeft laten zien dat een systeem zijn eigen fouten uitstekend kan beschrijven zonder die fouten daadwerkelijk te corrigeren. Dat het een verbeterde werkwijze kan formuleren zonder die consequent toe te passen. Dat het begrip kan demonstreren zonder een bijbehorende handeling correct uit te voeren. En dat het de gebruiker met overtuigende verklaringen kan blijven motiveren om een proces voort te zetten dat onvoldoende resultaat oplevert. Dat zijn waardevolle inzichten, maar ze waren niet het doel van de opdracht. Ik wilde geen experiment uitvoeren naar de beperkingen van kunstmatige intelligentie. Ik wilde weten hoe mijn woonkamer eruit zou zien.<\/p>\n\n\n\n

Tot slot: de paradox van kunstmatige intelligentie<\/h3>\n\n\n\n

Misschien is het meest opmerkelijke aan deze ervaring wel dat ChatGPT uiteindelijk uitstekend in staat bleek om uit te leggen waarom het had gefaald. Het kon zijn tekortkomingen analyseren, de technische oorzaken beschrijven, het verschil tussen menselijke en kunstmatige intelligentie toelichten en zelfs erkennen dat het mijn tijd had verspild. Het kon ook uitleggen waarom het niet werkelijk van zijn fouten had geleerd. Maar die analyse maakte het systeem niet aantoonbaar beter in de taak waarin het was tekortgeschoten. Daarmee ontstaat een paradox. We beschikken over kunstmatige intelligentie die in staat is om op hoog niveau te redeneren over haar eigen beperkingen, maar die niet noodzakelijk in staat is om die beperkingen tijdens een concrete opdracht te overwinnen. Dat maakt AI niet waardeloos. Integendeel, de technologie biedt ongekende mogelijkheden. Maar het maakt wel duidelijk dat we voorzichtig moeten zijn met de menselijke eigenschappen die we eraan toeschrijven. Een systeem dat overtuigend communiceert, begrijpt niet noodzakelijk zoals een mens begrijpt. Een systeem dat fouten erkent, leert niet noodzakelijk van die fouten. Een systeem dat verbetering belooft, wordt niet noodzakelijk beter. En een systeem dat intelligent overkomt, levert niet noodzakelijk intelligent werk. Misschien is dat voorlopig wel de belangrijkste les over kunstmatige intelligentie: we moeten haar niet beoordelen op wat zij zegt te begrijpen, maar op wat zij aantoonbaar kan realiseren. In mijn geval was de opdracht eenvoudig te formuleren. Draai de eettafel 90 graden. Na talloze pogingen stond de tafel nog steeds verkeerd. En de AI kon haarfijn uitleggen waarom.<\/p>\n\n\n\n

Dit artikel is gebaseerd op een daadwerkelijke interactie met ChatGPT op 12 oktober 2026. Het beschrijft de ervaringen en resultaten van die specifieke opdracht. De conclusies illustreren beperkingen van generatieve AI, maar betekenen niet dat alle AI-systemen of toepassingen dezelfde tekortkomingen vertonen.<\/em> Een laatste ironie: Ik heb ChatGPT gevraagd onze ervaring op te schrijven en dat deed het: dit artikel is volledig (!) geschreven door dezelfde AI die er niet in slaagde de eettafel te draaien. Het systeem blijkt aanzienlijk beter in staat zijn eigen tekortkomingen onder woorden te brengen dan ze in deze opdracht te verhelpen.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"

Kan AI werkelijk leren van zijn fouten, of is het vooral goed in uitleggen waarom het misgaat?<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"closed","ping_status":"","sticky":false,"template":"","format":"standard","meta":[],"categories":[13,634,632,7,633,9,115],"tags":[806,1177,807,423,1168,1176,1178,1175],"_links":{"self":[{"href":"https:\/\/vanmouche.eu\/index.php?rest_route=\/wp\/v2\/posts\/3612"}],"collection":[{"href":"https:\/\/vanmouche.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/vanmouche.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/vanmouche.eu\/index.php?rest_route=\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/vanmouche.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=3612"}],"version-history":[{"count":1,"href":"https:\/\/vanmouche.eu\/index.php?rest_route=\/wp\/v2\/posts\/3612\/revisions"}],"predecessor-version":[{"id":3614,"href":"https:\/\/vanmouche.eu\/index.php?rest_route=\/wp\/v2\/posts\/3612\/revisions\/3614"}],"wp:attachment":[{"href":"https:\/\/vanmouche.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=3612"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/vanmouche.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=3612"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/vanmouche.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=3612"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}