Hoelang bestaat kunstmatige intelligentie al? Van Turing tot ChatGPT in een nuchtere tijdlijn

Je hoort overal over AI en het voelt alsof het pas sinds ChatGPT bestaat. Maar als je even terugstapt, merk je dat de vraag hoelang bestaat kunstmatige intelligentie al eigenlijk twee antwoorden heeft. Als term en vakgebied gaat AI terug naar de jaren vijftig. Als idee is het veel ouder, van automaten tot wiskundige logica. In dit artikel neem ik je mee door de belangrijkste mijlpalen, de AI winters, en waarom AI juist nú zo zichtbaar is. Je krijgt ook een praktische kijk op wat deze geschiedenis betekent voor bedrijven die slimmer willen werken.

De korte, eerlijke samenvatting

Als iemand mij vraagt hoelang bestaat kunstmatige intelligentie al, dan antwoord ik meestal: als vakgebied ongeveer 70 jaar, als idee veel langer, en als massaproduct pas sinds 2022 echt zichtbaar.

1. Als idee: al eeuwen, mensen fantaseren lang over denkende machines.

2. Als term: 1955 tot 1956, John McCarthy introduceert “Artificial Intelligence”.

3. Als wetenschappelijk vakgebied: rond 1950 tot 1956, met Turing en Dartmouth.

4. Als technologie in je dagelijkse werk: vooral sinds 2010, en explosief sinds ChatGPT in 2022.

Die nuance ontbreekt vaak in discussies. En juist daardoor nemen bedrijven soms verkeerde beslissingen. Of ze wachten te lang omdat het “hype” zou zijn, of ze rennen achter iedere nieuwe tool aan zonder plan.

Wat bedoelen mensen eigenlijk met “bestaat AI”?

Vier definities die je uit elkaar moet houden

In de praktijk zie ik dat ondernemers en managers allemaal iets anders bedoelen met dezelfde vraag. Daarom maak ik zelf altijd dit onderscheid. Het voorkomt eindeloze semantiek en helpt om de geschiedenis van AI logisch te snappen.

• AI als verbeelding: verhalen over kunstmatige wezens, automaten en “machines met verstand”.

• AI als term: het moment dat “kunstmatige intelligentie” een naam krijgt.

• AI als wetenschap: onderzoek naar methodes om redeneren, leren en taal te modelleren.

• AI als product: systemen die je vandaag in software en processen inzet.

Waarom dit belangrijk is: als je AI als “ChatGPT” definieert, dan is het nieuw. Als je AI definieert als “machines die mensachtige taken doen”, dan is het al decennia mainstream.

Mijn praktische take als Automations AI

Wat mij opvalt bij automatiseringstrajecten: teams discussiëren vaak over AI alsof het één ding is. Daardoor ontstaan twee typische fouten. De eerste is overschatting, waarbij men denkt dat AI al bijna alles autonoom kan. De tweede is onderschatting, waarbij men denkt dat het nog onbetrouwbaar speelgoed is. De waarheid zit ertussenin en dat zie je terug in de geschiedenis.

De wortels van AI zijn ouder dan computers

Van mythen en automaten naar mechaniseerbaar werk

Lang vóór de computer bestond, waren mensen al bezig met het idee dat je taken kunt uitbesteden aan iets niet menselijks. Dat begon niet met “intelligentie” maar met automatisering. Denk aan mechanische automaten, rekenmachines en de fascinatie voor apparaten die iets lijken te kunnen.

Een klassiek voorbeeld uit de 18e eeuw is de “Mechanische Turk”, een schaakautomaat die later een hoax bleek. Het was geen AI, maar het laat wél zien hoe sterk het verlangen is om menselijke vaardigheid na te bootsen. Dat patroon zie je steeds terug: eerst verbeelding, dan techniek, dan overspannen verwachtingen, dan realistische toepassingen.

Babbage en Lovelace: het idee dat een machine symbolen kan verwerken

In de 19e eeuw legden Charles Babbage en Ada Lovelace conceptueel fundamenten voor wat later AI mogelijk maakt. Het interessante aan Lovelace is dat ze al speculeerde dat machines misschien ooit meer kunnen dan rekenen, zoals symbolen manipuleren. Dat is precies waar veel AI in de kern over gaat: patronen en symbolen verwerken om tot uitkomsten te komen.

Alan Turing: het moment dat de vraag serieus wordt

1936 tot 1950: berekenbaarheid en de Turingtest

Als je één persoon moet noemen die het denken over AI op de rails zette, dan is het Alan Turing. In 1936 beschreef hij het concept van een universele machine die elke berekenbare taak kan uitvoeren. Dat klinkt abstract, maar het betekent in praktijk: als je iets als regels kunt opschrijven, kan een machine het uitvoeren.

In 1950 publiceerde Turing Computing Machinery and Intelligence. Hier komt de bekende Turingtest vandaan. Niet als perfecte definitie van intelligentie, maar als pragmatische test: als een machine in een gesprek niet te onderscheiden is van een mens, dan gedraagt hij zich intelligent.

Waarom Turing nog steeds relevant is voor bedrijven

Wat ik vaak zie bij bedrijven: er wordt gediscussieerd over “bewustzijn” en “echte intelligentie”. Dat is zelden de juiste discussie. Voor processen telt vooral: doet het systeem betrouwbaar wat je nodig hebt, binnen acceptabele risico’s en kosten? Turing’s benadering is eigenlijk verrassend zakelijk: focus op observeerbaar gedrag, niet op filosofie.

1943: het vroege begin van neurale netwerken

McCulloch en Pitts: simpele neuronen, complexe logica

In 1943 beschrijven Warren McCulloch en Walter Pitts een model van kunstmatige neuronen. Dit wordt vaak genoemd als vroege basis voor neurale netwerken. Het belangrijkste idee: als je eenvoudige bouwstenen slim verbindt, kun je complexe functies krijgen.

Waarom dat ertoe doet: de huidige golf van generatieve AI leunt zwaar op neurale netwerken. Het is dus niet zo dat “alles ineens nieuw” is. Veel ideeën zijn oud, maar zijn pas echt bruikbaar geworden door data en rekenkracht.

1955 tot 1956: de term AI wordt geboren

John McCarthy en Dartmouth

De term “Artificial Intelligence” wordt in 1955 tot 1956 geïntroduceerd door John McCarthy, gekoppeld aan het Dartmouth Summer Research Project on Artificial Intelligence in 1956. Dat zomerse onderzoeksproject wordt vaak gezien als het officiële startpunt van AI als vakgebied.

Als je het dus strikt neemt, dan bestaat AI als discipline al ongeveer zeventig jaar. Dat verklaart ook waarom je in oudere bronnen al chatbots, schaakprogramma’s en expertsystemen tegenkomt. Het is niet nieuw. Het is alleen ineens toegankelijk geworden.

Logic Theorist: een vroege AI die stellingen bewijst

Rond 1955 tot 1956 komt ook Logic Theorist van Newell, Shaw en Simon. Dit programma kon wiskundige stellingen bewijzen. Dat was destijds een enorme shift: computers waren niet alleen rekenmachines, maar konden ook symbolisch redeneren.

In moderne termen zou je dit “symbolische AI” noemen. Het is een andere tak dan machine learning, maar veel bedrijfssoftware heeft nog steeds iets van die logica in zich, bijvoorbeeld beslisregels in workflows en validaties in systemen.

De eerste AI boom en de eerste teleurstelling

Grote beloftes, kleine computers

In de jaren vijftig en zestig was er enorm optimisme. Er werden voorspellingen gedaan dat algemene machine intelligentie snel haalbaar was. Wat er vaak misging was simpel: rekenkracht en opslag waren te beperkt. Ook waren datasets klein of niet beschikbaar.

Dit patroon zie je vaker in technologie. De theorie loopt vooruit op de infrastructuur. En wanneer de infrastructuur eindelijk inhaalt, lijkt het alsof er “ineens” een doorbraak is.

ELIZA: chatbots bestaan al sinds de jaren zestig

ELIZA, ontwikkeld door Joseph Weizenbaum in de jaren zestig, wordt vaak genoemd als vroege chatbot. ELIZA werkte met patroonherkenning en scripts. Technisch gezien simpel, maar psychologisch indrukwekkend. Mensen projecteerden begrip op het systeem.

Dat is een belangrijk lespunt voor nu. Ook moderne systemen kunnen overtuigend klinken zonder dat ze altijd gelijk hebben. In bedrijfscontext betekent dat: je hebt guardrails nodig, zoals menselijke checks, bronvermelding en goede procesafbakening.

AI winters: waarom de hype soms instortte

Wat een AI winter praktisch betekent

Een AI winter is een periode waarin verwachtingen niet worden waargemaakt en financiering terugloopt. Dat gebeurde meerdere keren, vooral omdat “algemene intelligentie” veel lastiger bleek dan optimisten dachten.

Voor mij als automatiseringspartner is dit relevant omdat het laat zien dat vooruitgang niet lineair is. Als je nu investeert in AI, moet je dat doen met een businesscase, niet met hoop op magie.

Wat bedrijven hiervan kunnen leren

Hier laten bedrijven kansen liggen: ze baseren hun strategie op een enkele tool of trend. Als die tool tegenvalt, stoppen ze volledig. Beter is om AI te zien als een capability. Bouw kennis op, verbeter datakwaliteit, en maak processen meetbaar. Dan kun je meebewegen, ook als de markt schommelt.

Van onderzoek naar praktijk: de jaren 90 en 2000

Deep Blue en de kracht van specialistische AI

In 1997 versloeg IBM’s Deep Blue wereldkampioen schaken Garry Kasparov. Dat was een iconisch moment, maar het is belangrijk om het goed te duiden. Deep Blue was geen algemene intelligentie. Het was een extreem goede specialist, met veel rekenkracht en slim afgestemde evaluaties.

Die les geldt nog steeds: de meeste waarde in bedrijven komt van smalle AI die één taak heel goed doet. Denk aan classificatie, extractie, routering, voorspellen van vraag, of kwaliteitscontrole.

Het internet en data als brandstof

In de jaren 2000 groeiden data en opslag explosief. Daardoor werd machine learning praktisch interessant. Je kunt de mooiste algoritmes hebben, maar zonder data blijft het een lab-experiment. Met data wordt het een productieomgeving.

Als je dit wilt vertalen naar vandaag: AI succes is vaak minder een modelvraag en meer een datavraag. Welke bronnen heb je, hoe schoon zijn ze, en kun je feedback verzamelen om te verbeteren?

2010 tot 2021: AI wordt overal, maar blijft onzichtbaar

AI in zoekmachines, aanbevelingen en bedrijfssoftware

Vanaf ongeveer 2010 werd AI onderdeel van dagelijkse producten. Denk aan zoekalgoritmen, spamfilters, aanbevelingssystemen en beeldherkenning in je telefoon. Veel mensen noemden het niet “AI”, maar het was het wel.

In bedrijven gebeurde hetzelfde. AI zat verstopt in features. Dat maakt dat sommige organisaties nu verbaasd zijn dat AI “ineens” belangrijk is. Het was al jaren aan het insijpelen, alleen niet als gesprekspartner met een chatvenster.

Waarom die fase belangrijk is voor automatisering

Als Automations AI kijk ik hier anders naar: dit was de fase waarin bedrijven ongemerkt leerden werken met probabilistische systemen. Geen honderd procent zekerheid, maar wel betere uitkomsten op schaal. Dat vraagt om procesontwerp: wanneer accepteer je 95 procent, en wanneer wil je 99,9 procent?

2022: ChatGPT verandert vooral de publieke perceptie

Waarom november 2022 een kantelpunt was

Met ChatGPT werd generatieve AI in één klap toegankelijk. Niet alleen voor developers, maar voor iedereen met een browser. Daardoor ontstond het gevoel dat AI ineens bestond. In werkelijkheid bestond de onderliggende techniek al langer, maar de combinatie van schaal, gebruiksgemak en kwaliteit maakte het mainstream.

Dit is ook waarom je nu zoveel discussie ziet over banen, auteursrecht, privacy en energieverbruik. Niet omdat die thema’s nieuw zijn, maar omdat de adoptie ineens massaal werd.

Hoe ik dit vertaal naar een nuchtere bedrijfsstrategie

Ik zou het zo aanpakken: laat je niet leiden door de tool, maar door de taak. Start met processen die digitaal en repetitief zijn en waar fouten te herstellen zijn. Wil je voorbeelden zien van hoe dit praktisch uitpakt, dan is de pagina https://automationsai.nl/voorbeelden-van-ai/ een goede aanvulling.

• Begin klein: één proces, één KPI, één eigenaar.

• Meet effect: doorlooptijd, foutpercentage, kosten per case.

• Bouw guardrails: menselijke review waar het moet, logging overal.

• Schaal pas op als je het stabiel hebt.

AI vandaag: van smalle AI tot generatieve AI en agents

Wat bestaat er wel en wat bestaat er niet?

Er wordt veel gegooid met termen als AGI en “AI die alles kan”. In werkelijkheid zitten we vooral in deze lagen:

1. Smalle AI: systemen die één taak beter doen dan mensen, zoals classificeren of voorspellen.

2. Generatieve AI: systemen die nieuwe tekst, beelden of code maken op basis van patronen.

3. AI agents: een opkomende laag die tools aanstuurt en meerdere stappen achter elkaar uitvoert.

AGI in de zin van algemene menselijke intelligentie is er niet. Dat onderscheid is belangrijk, want anders verwacht je autonomie waar je eigenlijk procescontrole nodig hebt.

Agents versus workflows, en waarom dat verschil telt

In veel organisaties zie ik dat men meteen naar “agentic” oplossingen wil, terwijl een goed ontworpen workflow vaak sneller, goedkoper en voorspelbaarder is. Als je dat onderscheid scherp wilt hebben, lees dan ook https://automationsai.nl/ai-agent-vs-workflow/. Het helpt je om geen dure omweg te maken.

Waarom AI in golven komt: rekenkracht, data en verwachtingen

De echte motor achter doorbraken

De geschiedenis van AI is voor een groot deel de geschiedenis van infrastructuur. Drie dingen bepalen of AI “werkt” buiten het lab:

• Rekenkracht: zonder schaal kun je geen grote modellen trainen of draaien.

• Data: zonder voldoende en representatieve data leer je niets nuttigs.

• Gebruikssituatie: zonder duidelijke taak en feedback loop blijft het speelgoed.

Daarom zie je dat veel ideeën uit de jaren tachtig of negentig nu pas echt impact hebben. Niet omdat de oude onderzoekers dom waren, maar omdat de randvoorwaarden toen ontbraken.

De hype is niet de vijand, maar wel een risico

Ik ben niet tegen enthousiasme. Het versnelt adoptie. Maar hype wordt gevaarlijk als het leidt tot vage projecten zonder eigenaar, zonder datafundament en zonder meetbaar resultaat. Dan krijg je een mini AI winter binnen je eigen organisatie. Dat zie ik vaker dan je denkt.

Wat betekent deze geschiedenis voor MKB bedrijven?

AI inzetten zonder extra mensen aan te nemen

Als je het nuchter bekijkt, is AI vooral een hefboom op capaciteit. Niet omdat het alles vervangt, maar omdat het repetitief werk sneller maakt en fouten helpt verminderen. In het MKB gaat het vaak om administratie, klantvragen, marketingproductie, interne rapportage en sales opvolging.

Waar het vaak misgaat: bedrijven starten met een tool, maar niet met een proces. Ze kopen licenties, doen een workshop, en dan bloedt het dood. De reden is simpel. Er is geen harde koppeling met output.

Een praktische aanpak die ik adviseer

Als je vandaag iets wilt doen met AI en je wilt voorkomen dat je verzandt in experimenten, dan is dit een goede volgorde:

1. Maak werk zichtbaar: breng taken en volumes in kaart.

2. Kies één bottleneck: waar loopt het team structureel vast?

3. Digitaliseer de basis: AI op rommeldata geeft rommeloutput.

4. Automatiseer en pas dan AI toe: eerst voorspelbaarheid, dan intelligentie.

Voor de basis rondom digitaliseren is https://automationsai.nl/wat-is-digitalisering/ een logische verdieping.

Een compacte tijdlijn: van Turing tot ChatGPT

Voor wie graag de hoofdlijn wil:

• 1936: Turing legt fundamenten van berekenbaarheid.

• 1950: Turing publiceert over machine intelligentie en de Turingtest.

• 1943: vroege neurale netwerkideeën (McCulloch en Pitts).

• 1955 tot 1956: term AI en Dartmouth als start van het vakgebied.

• Jaren 60: ELIZA en vroege taalverwerking.

• Jaren 70 en 80: verwachtingen dalen, daarna heropleving met expertsystemen en neurale netwerken.

• 1997: Deep Blue verslaat Kasparov.

• 2010s: deep learning en AI in consumentenproducten.

• 2022: ChatGPT maakt generatieve AI massaal zichtbaar.

Veelgestelde vragen

Hoelang bestaat kunstmatige intelligentie al als vakgebied?

Kunstmatige intelligentie bestaat als wetenschappelijk vakgebied grofweg sinds 1955 tot 1956. In die periode introduceerde John McCarthy de term “Artificial Intelligence” en vond de Dartmouth bijeenkomst plaats. Reken je vanaf 1956, dan bestaat AI dus ongeveer zeventig jaar, ook al is de huidige populariteit veel recenter.

Bestond AI al vóór ChatGPT?

Ja. ChatGPT maakte AI vooral zichtbaar voor het grote publiek, maar AI bestond al decennia in de vorm van schaakprogramma’s, spraakherkenning, zoekalgoritmen, aanbevelingssystemen en expertsystemen. Het verschil is dat generatieve AI nu als gesprekspartner voelt en daardoor directer en breder inzetbaar lijkt dan eerdere toepassingen.

Waarom denken zoveel mensen dat AI pas net bestaat?

Omdat veel AI tot voor kort “achter de schermen” zat in software. Je merkte het wel, maar je zag het niet als AI. Sinds 2022 is AI ineens een interface geworden. Je typt een vraag en krijgt een antwoord. Dat voelt als een doorbraak, terwijl het in feite een nieuwe, toegankelijke verpakking is van een lange ontwikkeling.

Wat was de eerste echte AI: Turing, Dartmouth of neurale netwerken?

Dat hangt af van je definitie. Turing gaf in 1950 een testbaar kader voor machine intelligentie. In 1943 werden vroege neurale netwerken theoretisch beschreven. Dartmouth in 1956 geldt vaak als de officiële start van AI als onderzoeksveld. In de praktijk is het geen één startpunt maar een reeks mijlpalen.

Wat betekent “hoelang bestaat kunstmatige intelligentie al” voor bedrijven die willen automatiseren?

Het betekent vooral dat AI geen magie is, maar een volwassen set technieken met voorspelbare patronen. De grootste winst zit meestal in smalle, goed afgebakende toepassingen. Begin bij processen, datakwaliteit en meetbare doelen. Dan profiteer je van de huidige golf zonder afhankelijk te zijn van hype of één specifieke tool.

Dus hoelang bestaat kunstmatige intelligentie al? Als je het strak definieert als term en vakgebied: sinds 1955 tot 1956, dus ongeveer zeventig jaar. Als je het ziet als idee: al veel langer. En als je het bedoelt als iets dat iedereen dagelijks gebruikt: vooral sinds 2022 is het in één klap zichtbaar geworden.

Mijn nuchtere conclusie: de geschiedenis van AI laat zien dat doorbraken zelden “uit het niets” komen. Ze komen wanneer rekenkracht, data en gebruiksvriendelijke producten samenkomen. Voor bedrijven betekent dat één ding. Richt je minder op de hype en meer op wat je vandaag al kunt automatiseren met duidelijke grenzen, meetbare KPI’s en een proces dat blijft werken als de tool verandert.