Heb je je ooit afgevraagd waarom kunstmatige intelligentie soms voelt als een doorbraak van gisteren, terwijl anderen zeggen dat het al decennia bestaat? Dat gevoel klopt allebei. De geschiedenis kunstmatige intelligentie is een aaneenschakeling van grote ideeën, harde beperkingen, periodes van hype en plotselinge versnellingen zodra data en rekenkracht beschikbaar kwamen. In dit artikel neem ik je mee van vroege dromen over denkende machines, via Turing en de Dartmouth conferentie, langs AI winters en iconische mijlpalen zoals Deep Blue en AlphaGo, tot de generatieve AI van nu. En belangrijker, wat dit verhaal je leert als je AI praktisch wilt inzetten.
Wat bedoelen we eigenlijk met kunstmatige intelligentie?
Een werkdefinitie die in de praktijk werkt
Kunstmatige intelligentie is een verzamelnaam voor systemen die taken uitvoeren die we normaal met menselijke intelligentie associëren. Denk aan leren, redeneren, plannen, taal begrijpen, patronen herkennen en beslissingen nemen. In de praktijk gaat het bijna altijd om smalle AI die één taak goed doet, zoals het classificeren van e mails of het herkennen van afwijkingen in facturen.
Wat ik vaak zie bij bedrijven is dat het woord AI meteen wordt gekoppeld aan iets menselijks of magisch. Dat is precies waar misverstanden ontstaan. AI is meestal statistiek op schaal, gecombineerd met software die het in je proces kan toepassen.
- Narrow AI is de standaard: goed in één domein, slecht daarbuiten.
- Generatieve AI maakt nieuwe tekst, beeld of code op basis van patronen in data.
- AGI is het theoretische doel: breed mensachtig kunnen denken.
- AI agents zijn een actuele tussenstap: systemen die taken achter elkaar uitvoeren met beperkte autonomie.
Als je een heldere basis zoekt, lees dan ook kunstmatige intelligentie betekenis. Dat helpt om de rest van de geschiedenis in de juiste context te plaatsen.
Waarom geschiedenis belangrijk is voor ondernemers
De geschiedenis laat vooral één ding zien: AI gaat niet in een rechte lijn omhoog. Het gaat in golven. En precies daarom zie ik organisaties steeds opnieuw dezelfde fouten maken: te vroeg te veel beloven, te laat starten met datakwaliteit, of tools inkopen zonder procesontwerp.
Als je begrijpt waarom AI eerder vastliep, snap je ook waarom het nu wél werkt. En je leert waar het in 2026 en daarna waarschijnlijk weer gaat knellen: kosten, governance, energieverbruik en betrouwbaarheid.
Vroege wortels: mythen, automaten en de illusie van intelligentie
De droom van kunstmatig leven is ouder dan computers
Lang voordat iemand het woord AI gebruikte, fantaseerden mensen al over kunstmatige wezens. In mythologieën duiken mechanische wachters en levende beelden op. Het is interessant omdat het laat zien dat de behoefte niet nieuw is. We willen al eeuwen taken uitbesteden aan iets dat lijkt te kunnen denken.
Voor mij is dit meer dan een leuk weetje. Het verklaart waarom AI vandaag zo emotioneel beladen is. Mensen projecteren intentie op systemen die vooral probabilistisch gedrag vertonen.
De Mechanische Turk als waarschuwing voor hype
De Mechanische Turk was een beroemde schaakmachine uit de achttiende eeuw die uiteindelijk een truc bleek: er zat een menselijke speler verstopt. Het verhaal is een perfecte metafoor voor iets wat ik in automatisering nog steeds zie: systemen die slim lijken, maar in werkelijkheid leunen op handwerk, uitzonderingsroutes of verborgen menselijke controle.
De les is simpel. Vraag altijd door waar de intelligentie echt zit: in het model, in de data, of in de mensen die het systeem draaiende houden.
De theoretische basis: Alan Turing en de vraag of machines kunnen denken
Van Turingmachine naar Turingtest
Alan Turing legde in de jaren dertig en vijftig een fundament onder de informatica én de AI discussie. Zijn Turingmachine was een abstract model dat liet zien wat berekenbaar is. Later kwam de Turingtest: als een machine in tekstgesprek niet te onderscheiden is van een mens, mogen we het dan intelligent noemen?
Ik vind de Turingtest historisch belangrijk, maar praktisch beperkt. In bedrijven gaat het zelden om menselijk klinken. Het gaat om betrouwbaar presteren in een proces met KPI’s, uitzonderingen en compliance.
Waarom Turing nog steeds relevant is
De kern van Turing is dit: vervang filosofie door toetsbare criteria. Dat is ook mijn favoriete aanpak in automatisering. Niet discussiëren of iets echt intelligent is, maar meten of het werk uit handen neemt zonder extra risico.
- Definieer de taak en kwaliteitseisen.
- Meet baseline prestaties zonder AI.
- Test AI op dezelfde meetlat: snelheid, foutmarge, uitzonderingen.
- Beslis pas daarna over opschalen.
Dartmouth 1956: de geboorte van AI als vakgebied
Waarom Dartmouth een keerpunt was
In 1956 organiseerden John McCarthy en anderen het Dartmouth Summer Research Project. Daar werd de term artificial intelligence stevig neergezet als onderzoeksgebied. Het idee was ambitieus: machines die leren, taal gebruiken en abstracte concepten vormen.
Die ambitie is opvallend, want de hardware was toen extreem beperkt. Dat verklaart meteen het eerste patroon in de geschiedenis: het idee loopt altijd voor op de infrastructuur.
De eerste programma’s: Logic Theorist en symbolische AI
De Logic Theorist en later de General Problem Solver lieten zien dat computers formeel konden redeneren. Dit was de geboorte van symbolische AI, waarbij kennis in regels en symbolen wordt vastgelegd.
Symbolische AI is niet verdwenen. In veel bedrijfsprocessen werkt een combinatie van regels en ML juist het best. Denk aan factuurverwerking: regels voor BTW en drempels, ML voor herkenning en classificatie.
Jaren 60 en 70: chatbots, expertsystemen en de eerste AI winter
ELIZA en het begin van mens machine interactie
ELIZA, ontwikkeld door Joseph Weizenbaum, is een van de eerste chatbots. Het systeem gebruikte patroonherkenning in tekst en simuleerde een therapeutische stijl. Veel gebruikers dachten dat het systeem hen begreep. Weizenbaum zelf werd juist kritisch over dat effect.
Hier zie je een terugkerend probleem: taal voelt als begrip, maar is het niet per se. Ook vandaag bij generatieve AI is dat een valkuil. Een model kan overtuigend klinken en toch feitelijk fout zitten.
Expertsystemen en het onderhoudsprobleem
Expertsystemen zoals MYCIN probeerden kennis van specialisten om te zetten in regels. Ze konden indrukwekkend zijn, maar waren moeilijk schaalbaar. Elke nuance werd een extra regel. En regels hebben onderhoud nodig, net als software.
- Veel handwerk om kennis vast te leggen.
- Breekbaar bij uitzonderingen.
- Moeilijk te updaten als de werkelijkheid verandert.
- Beperkt herbruikbaar buiten het domein.
Dit leidde tot teleurstelling en uiteindelijk de eerste AI winter. Financiering daalde en verwachtingen werden teruggeschroefd.
Jaren 80: neurale netwerken, backpropagation en opnieuw afkoeling
Waarom neurale netwerken terugkwamen
Het idee van kunstmatige neuronen bestond al langer, maar in de jaren tachtig kwamen technieken op om meerlaagse netwerken beter te trainen, met name backpropagation. Dat was een sleutel richting moderne deep learning.
Toch bleef de praktijk achter. Rekenpower en data waren nog niet op het niveau dat nodig was. En veel commerciële projecten waren te ambitieus. Resultaat: een tweede periode van teleurstelling, vaak aangeduid als een tweede AI winter.
Wat deze fase je leert over implementatie
Ik trek hier altijd dezelfde conclusie uit: als je inzet op AI zonder randvoorwaarden, wordt het een dure pilot. Randvoorwaarden zijn onder meer datakwaliteit, processtabiliteit en eigenaarschap.
Wil je sneller waarde leveren, begin dan niet bij het meest complexe probleem. Begin bij repetitieve digitale taken waar je data al redelijk goed is. Dat is meestal administratie, planning of klantcommunicatie.
Jaren 90 en 2000: van onderzoek naar zichtbare mijlpalen
Deep Blue tegen Kasparov
In 1997 versloeg IBM’s Deep Blue wereldkampioen Garry Kasparov. Voor veel mensen was dit hét bewijs dat machines intellectuele taken konden overnemen. In werkelijkheid was Deep Blue vooral extreem goed in zoeken, evalueren en rekenen binnen één strak afgebakend spel.
De zakelijke parallel is nuttig. Smalle AI kan uitzonderlijk sterk zijn als je de spelregels helder maakt. In bedrijfsprocessen zijn de spelregels vaak impliciet of inconsistent. Daar laten bedrijven kansen liggen: ze automatiseren op chaos en hopen dat AI het oplost.
Watson en taalbegrip als engineering
IBM Watson won later Jeopardy door taal, zoeken en probabilistische selectie te combineren. Het punt is niet dat Watson menselijk begreep, maar dat het slim genoeg was om in een beperkt format te scoren. Dat is ook hoe veel enterprise AI werkt: niet magisch, maar goed ontworpen voor een context.
Jaren 2010: deep learning wordt praktisch en AlphaGo verrast de wereld
GPU’s, data en de versnelling van deep learning
De echte doorbraak van deep learning kwam toen rekenkracht, opslag en data samenkwamen. Hierdoor werden neurale netwerken opeens bruikbaar voor beeldherkenning, spraak en later taal. Dit is de fase waarin AI stilletjes in producten kroop: camera’s, zoekmachines, aanbevelingen.
Als je wilt begrijpen hoe snel die versnelling gaat, is hoe snel ontwikkelt AI zich een nuttige verdieping. Dat tempo is namelijk ook een managementvraagstuk, niet alleen techniek.
AlphaGo en reinforcement learning
AlphaGo liet zien dat AI niet alleen brute force is. Door deep learning te combineren met slimme zoekmethodes en reinforcement learning, ontstonden zetten die menselijke topspelers verrasten. Dat is een belangrijke verschuiving: AI kan patronen vinden die wij niet expliciet kunnen uitleggen.
In organisaties zie ik hetzelfde gebeuren bij forecasting en anomaly detection. Je krijgt signalen die waardevol zijn, maar je moet je governance op orde hebben om erop te durven sturen.
Vanaf 2018: grote taalmodellen en de explosie van generatieve AI
Waarom LLM’s zo’n groot effect hebben
Large Language Models zijn getraind om waarschijnlijk volgende woorden te voorspellen. Dat klinkt simpel, maar op schaal levert het verrassend bruikbare vaardigheden op: samenvatten, herschrijven, classificeren, brainstormen en code genereren.
Wat mij opvalt bij bedrijven is dat LLM’s vooral waarde leveren waar werk al digitaal is, maar versnipperd. Denk aan mailboxen, documenten, ticketsystemen en CRM notities. Daar kun je met generatieve AI veel tijd terugwinnen, mits je het koppelt aan een proces.
ChatGPT als kantelpunt voor adoptie
ChatGPT maakte generatieve AI mainstream vanaf eind 2022. Niet omdat de techniek volledig nieuw was, maar omdat de gebruikerservaring extreem toegankelijk werd. Dit veroorzaakte een verschuiving van AI als niche naar AI als gereedschap voor iedereen.
In de praktijk ontstaat dan de vraag: welke tool past bij welke taak? Als je twijfelt tussen modellen, is Claude vs ChatGPT een heldere vergelijking vanuit use cases en stijlverschillen.
Van prompt naar proces: hier winnen MKB teams
Veel teams blijven hangen in ad hoc prompts. Dat levert losse winst op, maar geen structurele capaciteit. De echte stap is van chat naar workflow. Ik zou dit zo aanpakken:
- Kies één proces met hoge frequentie en duidelijke output, zoals offerte samenvattingen of ticket triage.
- Standaardiseer input en output, zodat de AI niet hoeft te gokken wat je bedoelt.
- Automatiseer de keten: ophalen, verwerken, controleren, wegschrijven.
- Bouw menselijke checks in op risicopunten, niet op elke stap.
Voor inspiratie met concrete automatiseringen zijn ChatGPT workflows en digitale workflow relevant. Dit is waar AI van leuk naar rendabel gaat.
AI agents: de volgende golf of vooral marketing?
Wat een AI agent wél is
AI agents worden vaak omschreven als systemen die meerdere stappen zelfstandig uitvoeren. Niet alleen genereren, maar ook plannen, tools aanroepen, acties uitvoeren en resultaten evalueren. Denk aan onderzoek doen, bronnen verzamelen, concepten schrijven en taken klaarzetten in je tooling.
Mijn nuchtere kijk: een agent is vooral waardevol als je duidelijk afgebakende taken kunt formuleren en de omgeving voorspelbaar is. In rommelige processen gaan agents eerder fouten stapelen.
Waar bedrijven nu al mee kunnen starten
Je hoeft niet te wachten op perfecte agents. Wat nu al werkt is een hybride: een workflow met een LLM stap en een paar deterministische controles. Dat geeft je snelheid zonder dat je alles uit handen geeft.
- Mail samenvatten en automatisch labelen, met menselijke goedkeuring op uitzonderingen.
- CRM notities omzetten naar taken en follow ups.
- Offertes of rapporten opstellen op basis van vaste sjablonen.
- Documenten classificeren en archiveren met audit trail.
Als je het verschil tussen agent en workflow scherp wilt krijgen, lees AI agent vs workflow. Dat helpt om hype van implementatie te scheiden.
Terugkerende patronen in de geschiedenis van kunstmatige intelligentie
Hype, teleurstelling, doorbraak
De geschiedenis laat een duidelijke cyclus zien. Eerst zijn er grote beloftes, dan blijkt de praktijk stroperig, dan zakt de interesse, en vervolgens komt er een doorbraak door betere randvoorwaarden. Dit geldt van expertsystemen tot deep learning en nu tot generatieve AI.
Voor ondernemers is de belangrijkste les: laat je niet leiden door demo’s. Laat je leiden door procesdata en kosten. Een pilot is pas succesvol als hij schaalbaar is, niet als hij indrukwekkend is.
Rekenkracht en data zijn vaak belangrijker dan het algoritme
Veel algoritmische ideeën bestaan al decennia. De reden dat ze nu werken, is dat we ze op grote schaal kunnen trainen en draaien. Dat heeft consequenties. AI is niet gratis. Het vraagt budget, data governance en vaak ook energie en infrastructuur.
Daarom adviseer ik vaak om eerst je digitale basis te versterken. Digitalisering is niet sexy, maar het maakt AI ineens praktisch. Kijk bijvoorbeeld naar digitalisering bedrijven als je merkt dat processen nog te veel op losse bestanden en mailtjes draaien.
Ethiek, wetgeving en risico’s: AI groeit op
Waarom governance nu niet optioneel is
Met generatieve AI komen risico’s sneller naar voren: bias, privacy, auteursrecht, hallucinaties en security. De Europese AI Act en bredere governance initiatieven dwingen organisaties om na te denken over verantwoord gebruik.
Wat ik vaak mis zie gaan is dat teams AI gaan gebruiken zonder afspraken over data. Welke informatie mag erin? Waar worden outputs opgeslagen? Wie is eigenaar? Wie controleert?
- Privacy: voorkom dat klantdata onbedoeld in prompts belandt.
- Transparantie: leg vast wanneer AI is gebruikt en waarvoor.
- Kwaliteit: definieer checks op feitelijke claims en cijfers.
- Security: beperk tool toegang tot wat nodig is.
De menselijke kant: de skilling in plaats van deskilling
Er is een reële zorg dat mensen vaardigheden verliezen als AI alles voor ze schrijft of beslist. Mijn mening is dat dit vooral gebeurt als je AI inzet als vervanging van nadenken, in plaats van als versneller van uitvoering.
De beste teams gebruiken AI om sneller tot een eerste versie te komen, maar houden menselijk oordeel op de plekken waar context, strategie en verantwoordelijkheid zitten.
Wat je vandaag kunt doen met de lessen uit de geschiedenis
Pragmatische startpunten die bijna altijd werken
Als ik één advies mag geven op basis van de hele geschiedenis kunstmatige intelligentie, dan is het dit: begin klein, maar ontwerp het alsof je gaat opschalen. Kies een proces dat vaak voorkomt, meetbaar is en waar fouten niet meteen catastrofaal zijn.
Goede startpunten in het MKB zijn bijna altijd kenniswerk en administratie. Bijvoorbeeld klantenservice triage, sales follow ups, rapportage samenvattingen, of documentverwerking.
- Kies één proces met duidelijke input en output.
- Maak uitzonderingen expliciet, zodat AI niet hoeft te gokken.
- Bouw een feedbacklus in voor hertraining en verbetering.
- Maak kosten en tijdwinst zichtbaar, anders sterft het initiatief.
Van tool naar capaciteit
Tools zijn vervangbaar. Capaciteit is het doel. De bedrijven die winnen, zijn niet de bedrijven met de mooiste prompts, maar de bedrijven die AI koppelen aan hun workflows en governance.
Als je inspiratie wilt voor concrete toepassingen, bekijk dan voorbeelden van AI. Dat helpt om de vertaalslag te maken van geschiedenis naar implementatie.
Conclusie
De geschiedenis kunstmatige intelligentie is geen rechtlijnig succesverhaal, maar een patroon van grote ideeën, beperkingen, AI winters en doorbraken zodra data en rekenkracht op hun plek vallen. Van Turing en Dartmouth tot Deep Blue, AlphaGo en ChatGPT zie je één rode draad: AI wordt pas echt waardevol wanneer het in een afgebakende context wordt toegepast, met heldere doelen en goede randvoorwaarden.
Mijn nuchtere advies aan elke ondernemer is daarom simpel. Laat je niet leiden door hype of demo’s, maar door processen. Breng je digitale basis op orde, kies één repetitieve workflow, automatiseer stap voor stap en meet het effect. Dan gebruik je AI zoals het bedoeld is: om met hetzelfde team meer output te draaien, zonder dat het een experiment blijft.
Veelgestelde vragen
Wanneer begon de geschiedenis van kunstmatige intelligentie echt?
Ideeën over denkende machines bestaan al eeuwen, maar de moderne geschiedenis kunstmatige intelligentie begint vooral in de twintigste eeuw. Alan Turing legde met zijn werk de theoretische basis en in 1956 werd AI als vakgebied gedefinieerd op de Dartmouth conferentie. Vanaf daar ontstonden de eerste echte AI programma’s en onderzoeksstromen.
Wat was de Dartmouth conferentie en waarom is die zo belangrijk?
De Dartmouth Summer Research Project on Artificial Intelligence in 1956 wordt gezien als de geboorte van AI als onderzoeksveld. John McCarthy en andere pioniers gebruikten daar de term artificial intelligence en zetten een agenda neer voor leren, taal en probleemoplossing door machines. Het was een startpunt voor decennia aan onderzoek, successen en teleurstellingen.
Wat zijn AI winters en waarom gebeurden die?
AI winters zijn periodes waarin investeringen en aandacht voor AI sterk terugvallen, meestal na te hoge verwachtingen. In de jaren 70 en eind jaren 80 bleek de technologie vaak te beperkt door te weinig rekenkracht, te weinig data en fragiele systemen zoals expertsystemen. De les uit de geschiedenis kunstmatige intelligentie is dat randvoorwaarden alles bepalen.
Was Deep Blue echte kunstmatige intelligentie?
Deep Blue was echte AI in de zin dat het een machine was die een complexe taak uitzonderlijk goed uitvoerde, namelijk schaken. Het was wel smalle AI, niet algemene intelligentie. Deep Blue leunde zwaar op zoekalgoritmen, evaluatiefuncties en enorme rekenkracht. Het is een mijlpaal omdat het liet zien hoe sterk gespecialiseerde systemen kunnen zijn.
Waarom is ChatGPT zo’n belangrijk moment in de geschiedenis kunstmatige intelligentie?
ChatGPT maakte generatieve AI toegankelijk voor het grote publiek. Niet omdat taalmodellen nieuw waren, maar omdat de interactie eenvoudig werd en de output verrassend bruikbaar is voor kenniswerk. Daardoor verschoof AI van niche tooling naar dagelijks gereedschap. De impact zit vooral in adoptie en in het feit dat bedrijven nu sneller AI in workflows kunnen integreren.
