Wie AGI verkondigt, beschrijft niet alleen vooruitgang, maar claimt ook het recht om de toekomst van werk te interpreteren

Veelzijdigheid versus algemeenheid: wat maakt een AI nu echt intelligent?

Waarom de discussie over AGI verder reikt dan alleen technologie: maatschappelijke en economische dimensies

Het debat rondom AGI is niet alleen technologisch, maar ook sociaal en economisch van belang. Sommige experts vrezen dat de term te vaak wordt gebruikt en leidt tot een vertekend beeld van de vooruitgang, terwijl anderen stellen dat de nieuwe mogelijkheden van AI-systemen zoals GPT-6 Astra ingrijpende gevolgen kunnen hebben voor de arbeidsmarkt. Het is cruciaal om onderscheid te maken tussen de indrukwekkende prestaties van moderne AI-modellen en wat als echte algemene intelligentie kan worden beschouwd. De volgende analyse zal de veelzijdige aspecten van de AGI-discussie belichten om een ​​duidelijker beeld te schetsen van de kansen en beperkingen van deze technologie.

Het AGI-verhaal: Wanneer een label machtiger wordt dan de technologie

Een model verlegt de grens, maar bewijst niet noodzakelijkerwijs een tijdperkverandering

Met GPT-6 Astra onthulde OpenAI op 3 september 2026 een systeem dat een aanzienlijke sprong voorwaarts in prestaties betekent voor diverse veeleisende disciplines. Het model kan communiceren met software-interfaces, navigeren op het internet, programma's ontwikkelen, beveiligingslekken analyseren en digitale workflows met meerdere stappen uitvoeren met relatief weinig menselijke tussenkomst. De computergestuurde functionaliteit is met name economisch gezien van groot belang: een taalmodel dat niet alleen antwoorden formuleert, maar ook programma's opent, gegevens overdraagt, formulieren invult, spreadsheets bewerkt en resultaten doorgeeft aan andere systemen, overstijgt de rol van een louter informatietool. Het benadert de status van een digitale actor die in staat is om complete procesketens te beheren.

Aan het einde van de presentatie verklaarde Greg Brockman, president van OpenAI, in feite dat het tijdperk van kunstmatige algemene intelligentie (AGI) was aangebroken. Deze uitspraak was indrukwekkend, maar geenszins wetenschappelijk sluitend. Het duidt minder op een bewezen toestand dan op een interpretatie van de behaalde vooruitgang. GPT-6 Astra levert sterk bewijs dat AI-systemen breder, autonomer en economisch relevanter worden. Dit betekent echter niet automatisch dat een algemeen aanvaarde drempel voor AGI is overschreden. Zo'n drempel bestaat nog niet in een bindende vorm.

Het centrale conflict schuilt daarom niet alleen in de vraag naar de technische mogelijkheden van het model. Het gaat erom welke vaardigheden als bewijs van algemene intelligentie moeten worden beschouwd, wie de criteria vaststelt en welke belangen aan deze classificatie verbonden zijn. Een bedrijf kan een historisch keerpunt aankondigen. Of dit echter daadwerkelijk tot een nieuw technologisch tijdperk leidt, zal alleen blijken uit onafhankelijke tests, langdurig gebruik en de economische realiteit.

De afkorting heeft geen bindende betekenis

AGI wordt vaak gelijkgesteld aan een AI die de menselijke capaciteiten op een breed scala aan taken evenaart of overtreft. Deze ogenschijnlijk duidelijke beschrijving valt echter bij nader inzien uiteen in een aantal open vragen. Moet een dergelijk systeem elke mentale taak aankunnen, of slechts de meeste? Is gemiddelde menselijke vaardigheid voldoende, of moet de AI experts overtreffen? Vereist het sociale perceptie, lichamelijke ervaring, langetermijnplanning en moreel oordeel? Moet het systeem zelfstandig nieuwe doelen formuleren, of is het voldoende om flexibel vooraf gedefinieerde doelen na te streven?

Afhankelijk van het antwoord ontstaat er een andere definitie. Een economische definitie beschouwt AGI als een zeer autonoom systeem dat mensen in een groot deel van economisch waardevolle activiteiten overtreft. Een cognitieve definitie vereist brede menselijke probleemoplossende vaardigheden. Een leertheoretische definitie benadrukt het vermogen om volledig nieuwe taken aan te pakken met weinig ervaring. Een actiegerichte definitie richt zich op betrouwbare autonomie in open omgevingen. Een filosofische definitie kan daarnaast begrip, bewustzijn of zelfreflectie vereisen.

Deze benaderingen zijn niet gelijkwaardig en leiden niet tegelijkertijd tot een positief oordeel. Een systeem kan een enorme economische output bereiken zonder een mensachtig begrip van de wereld te bezitten. Omgekeerd kan een machine flexibele leervermogens hebben zonder economisch superieur te zijn vanwege hoge kosten, trage uitvoering of een gebrek aan interfaces. Daarom is AGI geen duidelijk meetbaar natuurlijk fenomeen zoals temperatuur of massa. De term is een door mensen gecreëerde categorie waarin technische, economische en normatieve aannames samenkomen.

De conceptuele ambiguïteit is niet louter academisch. Ze beïnvloedt bedrijfswaarderingen, investeringsbeslissingen, regelgeving, aansprakelijkheid en verwachtingen op de arbeidsmarkt. Als AGI (Artificial General Intelligence) geacht wordt direct te zijn bereikt, neemt de druk op bedrijven en overheden om sneller te investeren toe. Omgekeerd, als de term alleen wordt gereserveerd voor een bijna universeel, mensachtig systeem, kunnen zelfs uitzonderlijk krachtige modellen als voorlopige stadia worden beschouwd. Dezelfde technologie genereert dan een compleet ander economisch verhaal, afhankelijk van de definitie.

Het verschil tussen veelzijdigheid en algemeenheid

Moderne basismodellen zijn universeel toepasbaar omdat ze tekst, afbeeldingen, softwarecode en andere dataformaten in talloze domeinen kunnen verwerken. Deze brede toepasbaarheid onderscheidt ze duidelijk van traditionele, gespecialiseerde software. Een schaakprogramma is misschien wel superieur in een eng gedefinieerde discipline, maar kan geen belastingaangiften controleren. Een groot, multimodaal model daarentegen kan wiskundige problemen oplossen, contracten samenvatten, afbeeldingen interpreteren, software ontwikkelen en zich voorbereiden op klantbijeenkomsten. Het beschikt dus over een vorm van functionele veelzijdigheid.

Veelzijdigheid alleen bewijst echter geen robuuste algemene intelligentie. Cruciaal is hoe betrouwbaar een systeem kennis tussen domeinen overdraagt, hoe het omgaat met nieuwe situaties en hoe betrouwbaar het zijn eigen fouten herkent. Een model kan in honderd tests goed presteren en toch falen in een ogenschijnlijk eenvoudige taak als de structuur ervan afwijkt van de aangeleerde patronen. Mensen zijn ook vatbaar voor fouten, maar ze beschikken over fysieke ervaring, sociale verankering, een blijvend geheugen en een rijk begrip van causale verbanden. Deze vaardigheden zijn niet in elk beroep even belangrijk, maar kunnen doorslaggevend zijn in open situaties.

Generaliteit moet daarom niet louter worden opgevat als het aantal beheerste taken. Belangrijker is het vermogen om onbekende problemen met beperkte aanwijzingen te structureren, relevante informatie te verkrijgen, tussentijdse resultaten te verifiëren en de aanpak aan te passen aan onverwachte gebeurtenissen. Even belangrijk is of deze prestatie herhaalbaar blijft. Een spectaculaire individuele prestatie is van minder economische waarde dan een enigszins zwakker, maar betrouwbaar beheersbaar systeem.

GPT-6 Astra lijkt op verschillende van deze criteria vooruitgang te boeken. De sterke prestaties bij interactieve taken, computergebruik en langdurige workflows suggereren een grotere operationele generaliseerbaarheid. Het blijft echter onduidelijk hoe goed deze vaardigheden functioneren buiten voorbereide tests, gedurende langere perioden en onder onvolledige omstandigheden. De overgang van indrukwekkende breedte naar robuuste generaliseerbaarheid is geen taalkundige, maar een empirische.

Waarom topscores geen bewijs zijn voor algemene intelligentie

Benchmarks zijn onmisbaar omdat technologische vooruitgang nauwelijks te beoordelen is zonder vergelijkbare meetmethoden. Tegelijkertijd creëren ze een gevaarlijke illusie van precisie. Een percentage lijkt objectief, terwijl het resultaat sterk kan afhangen van taakselectie, tools, rekenbudget, uitvoeringsomgeving en evaluatieregels. Bij agentgebaseerde systemen komt daar nog bij dat niet alleen het model zelf, maar de volledige technische implementatie wordt gemeten.

Dit is met name duidelijk in ARC-AGI-3, een test voor aanpassing aan onbekende interactieve omgevingen. GPT-6 Astra behaalde bijna 100 procent in een leverancierspecifieke uitvoeringsomgeving. In een neutralere standaardomgeving lag het beste resultaat echter rond de 63 procent. Beide waarden zijn relevant, maar ze beantwoorden verschillende vragen. De standaardomgeving vergelijkt modellen onder meer gestandaardiseerde omstandigheden. De leverancierspecifieke omgeving laat zien wat een model kan bereiken met geoptimaliseerd statusbeheer en de bijbehorende technische ondersteuning.

Het grote verschil betekent niet dat de hogere waarde waardeloos is. Uiteindelijk telt voor bedrijven de prestatie van het gehele systeem zoals het daadwerkelijk functioneert, niet de theoretisch geïsoleerde intelligentie van een modelkern. Tegelijkertijd moet de geoptimaliseerde waarde niet worden beschouwd als een bewijs van een universele capaciteit, onafhankelijk van de technische omgeving. Een resultaat is pas betekenisvol in samenhang met de testomstandigheden.

Het is ook opmerkelijk dat Astra voor veel taken minder actiestappen nodig had dan de gemiddelde persoon die getest werd. Dit suggereert een hoge efficiëntie in het opbouwen van interne representaties van nieuwe omgevingen. Desalniettemin meet ARC-AGI-3 slechts een specifiek aspect: adaptief probleemoplossend vermogen in geconstrueerde interactieve scenario's. De test omvat niet de gehele werkomgeving, noch sociale competentie, institutioneel begrip, verantwoordelijkheid op lange termijn of fysiek handelen. Een uitstekende score kan een sterke indicator zijn van vooruitgang, maar het is geen universeel bewijs van AGI.

De uitvoeringsomgeving wordt onderdeel van de intelligentie

De discussie over verschillende testomgevingen wijst op een fundamentele verschuiving. Toekomstige AI-prestaties zullen steeds minder vaak uitsluitend voortkomen uit het model zelf. Ze zullen het resultaat zijn van de wisselwerking tussen het model, het geheugen, de tools, de gegevenstoegang, de beveiligingsregels, de softwareomgeving en feedbackloops. Degenen die zich alleen richten op de modelnaam onderschatten het systemische karakter van moderne AI.

Economisch gezien is deze ontwikkeling vergelijkbaar met de overgang van individuele computers naar netwerk-IT binnen bedrijven. De waarde zit niet alleen in de processor, maar ook in de integratie ervan in processen, databases en besluitvormingssystemen. Een AI-model zonder toegang tot relevante bedrijfsgegevens kan briljante ideeën genereren, maar weinig bereiken. Omgekeerd kan een enigszins minder geavanceerd model met een solide datafundament, veilige interfaces en duidelijke goedkeuringsregels aanzienlijke productiviteitswinst opleveren.

Dit verandert ook het concurrentielandschap. Modelaanbieders concurreren niet langer alleen om betere antwoorden, maar om complete uitvoeringsomgevingen. Ze willen het besturingssysteem voor kenniswerk worden. Wie de toegang tot browsers, kantoorsoftware, ontwikkelomgevingen, communicatieplatformen en bedrijfsgegevens beheert, heeft een strategisch voordeel. Een markt voor individuele AI-vragen evolueert naar een markt voor digitale arbeidscapaciteit.

Dit perspectief plaatst ook de vraag in perspectief of de kern van het model al AGI (Automated Industrial Intelligence) is. Voor veel bedrijven is het belangrijker of het algehele systeem een ​​proces betrouwbaar, veilig en kosteneffectiever uitvoert dan de vorige organisatie. Het economische omslagpunt kan daarom al bereikt zijn voordat een filosofisch overtuigende AGI is gerealiseerd. Een machine hoeft niet als een mens te denken om menselijk werk op grote schaal te reorganiseren.

Het gebruik van computers is de echte economische doorbraak

De eerste generatie taalmodellen verhoogde voornamelijk de productiviteit van individuele taken. Ze schreven concepten, vatten documenten samen, vertaalden teksten en boden programmeerondersteuning. Mensen bleven de verbindende factor. Ze kopieerden resultaten, schakelden tussen programma's, bewaakten tussenstappen en bepaalden wanneer een proces was voltooid.

Een krachtig, computergestuurd workflowmodel gaat veel verder. Het kan in principe het hele proces van taak tot resultaat afhandelen. Dit omvat onderzoek, gegevensinvoer, bestandsbeheer, communicatie, analyse en documentatie. Dit verlaagt niet alleen de kosten van individuele taken, maar ook de coördinatiekosten, wachttijden en overdrachtsverliezen. Deze onzichtbare inefficiënties zijn verantwoordelijk voor een groot deel van de werkdruk bij veel dienstverlenende bedrijven.

De economische waarde van agentgebaseerde AI hangt daarom minder af van de welsprekendheid ervan dan van het vermogen om taken te voltooien. Een systeem dat 90 procent van een proces automatiseert, maar in elk uitzonderlijk geval menselijke tussenkomst vereist, kan waardevol zijn. Het blijft echter organisatorisch belastend als de uitzonderingen moeilijk te voorspellen zijn. Een systeem met een iets lagere pieksnelheid kan superieur zijn als het verantwoordelijkheden herkent, onzekerheden rapporteert en de overdracht aan mensen beheert.

Dit leidt tot een nuchter evaluatiecriterium: het gaat niet om het aantal indrukwekkende mogelijkheden, maar om het percentage succesvol afgeronde processen onder realistische kosten-, tijds- en kwaliteitsomstandigheden. Bedrijven zouden daarom de doorlooptijd, foutkosten, herwerk, escalatiesnelheid, risico's voor gegevensprivacy en systeemstoringen moeten meten. Alleen deze meetwaarden laten zien of een ogenschijnlijk algemeen toepasbaar systeem ook economisch haalbaar is.

Het AGI-cijfer is meer een curve dan een specifieke datum

Het idee van één enkel AGI-moment is communicatief aantrekkelijk. Het creëert een duidelijke breuklijn tussen een tijdperk ervoor en erna. Technologische vooruitgang verloopt echter meestal ongelijkmatig. Systemen bereiken aanvankelijk bovenmenselijke prestaties in individuele disciplines, worden vervolgens competent in meer taken en verwerven geleidelijk autonomie. Tegelijkertijd blijven er verrassende zwakheden bestaan.

Een gelaagd model is daarom verstandiger dan een simpele ja-of-nee-beslissing. Twee assen zijn met name belangrijk: de breedte van de mogelijkheden en de diepte van de prestaties. Een derde dimensie, autonomie, is ook cruciaal. Een systeem kan veel taken gemiddeld uitvoeren, een paar taken uitzonderlijk goed, of veel taken zeer goed onder menselijk toezicht. Deze variaties hebben verschillende economische en veiligheidsbeleidsimplicaties.

Betrouwbaarheid moet ook als een aparte dimensie worden beschouwd. In veel sectoren is een gemiddeld succespercentage onvoldoende. De medische sector, de financiële wereld, kritieke infrastructuur en industriële besturingssystemen vereisen aantoonbare veiligheid. Een systeem kan theoretisch competenter zijn dan een mens en toch ongeschikt blijven als de zeldzame fouten moeilijk te detecteren zijn of bijzonder ernstige gevolgen hebben.

De meest betekenisvolle uitspraak over GPT-6 Astra is daarom niet of AGI definitief is bereikt of definitief is gemist. Het is aannemelijker dat een nieuwe fase van breed inzetbare agentische AI ​​is bereikt. Of deze fase achteraf zal worden beschouwd als het begin van een AGI-tijdperk, hangt af van de verdere ontwikkeling, de betrouwbaarheid en de daadwerkelijke economische impact ervan.

De economische definitie is zowel praktisch als politiek van aard

OpenAI beschrijft AGI al jaren in wezen als zeer autonome systemen die mensen in de meeste economisch waardevolle activiteiten overtreffen. Deze definitie heeft één voordeel: ze vermijdt hardnekkige discussies over bewustzijn en richt zich op waarneembare prestaties. Tegelijkertijd is ze geenszins neutraal. Wat economisch waardevol is, wordt bepaald door markten, instellingen, inkomen en maatschappelijke prioriteiten.

Onbetaalde zorg, onderwijs, vertrouwen, gemeenschapswerk en culturele bemiddeling kunnen van vitaal maatschappelijk belang zijn, ook al wordt hun marktwaarde onvoldoende gemeten. Omgekeerd kunnen activiteiten hoge inkomsten genereren zonder een overeenkomstige hoge mate van maatschappelijk nut te bieden. Een puur economische definitie van AGI (Ambient Identification and Growth) houdt deze vertekeningen in stand. Het meet niet intelligentie op zich, maar eerder het vermogen om verhandelbare resultaten te genereren binnen bestaande marktstructuren.

Bovendien verschuift de maatstaf naarmate AI beschikbaar komt. Als een systeem de kosten van bepaalde taken drastisch verlaagt, kan hun marktwaarde dalen. De definitie zou dan paradoxaal genoeg achter kunnen lopen op de technologische vooruitgang: wat gisteren als economisch waardevol werk werd beschouwd, is vandaag geautomatiseerd en morgen minder waard. AGI zou dus gekoppeld zijn aan een dynamische doelvariabele.

Ondanks deze zwakheden is de economische definitie relevant voor bedrijven en beleidsmakers. AI heeft geen bewustzijn nodig om lonen, winsten en machtsverhoudingen te veranderen. Zodra systemen autonoom een ​​groot deel van de digitale taken overnemen, zal er een macro-economische omwenteling plaatsvinden – ongeacht of filosofen de term AGI accepteren. De economische gevolgen zouden elk conceptueel consensus ver kunnen overtreffen.

Een nieuwe dimensie van digitale transformatie met 'Managed AI' (kunstmatige intelligentie) – Platform- en B2B-oplossing | Xpert Consulting - Afbeelding: Xpert.Digital

Hier leert u hoe uw bedrijf snel, veilig en zonder hoge drempels AI-oplossingen op maat kan implementeren.

Een beheerd AI-platform is uw allesomvattende, zorgeloze oplossing voor kunstmatige intelligentie. In plaats van te worstelen met complexe technologie, dure infrastructuur en langdurige ontwikkelprocessen, ontvangt u een kant-en-klare oplossing op maat van een gespecialiseerde partner – vaak al binnen enkele dagen.

De belangrijkste voordelen in één oogopslag:

⚡ Snelle implementatie: Van idee tot gebruiksklare applicatie in dagen, niet maanden. Wij leveren praktische oplossingen die direct toegevoegde waarde creëren.

🔒 Maximale gegevensbeveiliging: Uw gevoelige gegevens blijven bij u. Wij garanderen een veilige en conforme verwerking zonder gegevens met derden te delen.

💸 Geen financieel risico: u betaalt alleen voor de resultaten. Hoge investeringen vooraf in hardware, software of personeel zijn volledig uitgesloten.

🎯 Focus op uw kernactiviteiten: concentreer u op waar u het beste in bent. Wij zorgen voor de volledige technische implementatie, werking en het onderhoud van uw AI-oplossing.

📈 Toekomstbestendig en schaalbaar: Uw AI groeit met u mee. Wij garanderen continue optimalisatie en schaalbaarheid en passen de modellen flexibel aan nieuwe eisen aan.

Meer informatie vindt u hier:

• De Managed AI Solution - Industriële AI-diensten: De sleutel tot concurrentievermogen in de dienstensector, de industrie en de machinebouw

Productiviteit vloeit niet automatisch voort uit technische bekwaamheid

Eerdere studies naar het gebruik van generatieve AI hebben al aanzienlijke productiviteitswinsten aangetoond bij duidelijk omschreven taken. In een grootschalige proef met klantenservice steeg het aantal afgehandelde cases per uur met gemiddeld 14 procent. Deze stijging was significant groter voor minder ervaren medewerkers. Dergelijke resultaten tonen aan dat AI kennis kan verspreiden en prestatieverschillen binnen een team kan verkleinen.

Deze effecten mogen echter niet worden gebruikt om lineaire conclusies te trekken over autonome modellen. Hoe breder een systeem wordt ingezet, hoe meer de resultaten afhangen van de organisatie, de datakwaliteit en het procesontwerp. Een goed presterend model kan inefficiënte processen versnellen zonder ze te verbeteren. Het kan extra controleverplichtingen met zich meebrengen als de resultaten onbetrouwbaar zijn. Het kan de werkdruk voor medewerkers verlagen, maar het kan ook de werkintensiteit en de monitoring verhogen.

Bovendien is productiviteit niet hetzelfde als kostenbesparing. Wanneer een taak sneller wordt voltooid, neemt de vraag naar extra varianten, analyses en documentatie vaak toe. Bedrijven produceren dan meer, maar besparen niet per se op personeel. Dit zogenaamde rebound-effect is met name waarschijnlijk bij digitaal werk, omdat nieuwe diensten lage marginale kosten hebben. Tien presentaties worden honderd gepersonaliseerde versies; incidentele data-analyses worden continue evaluaties.

Het grootste voordeel zit hem dus niet in de aanschaf van een model, maar in een reorganisatie van de werkprocessen. Taken moeten worden opgesplitst, verantwoordelijkheden verduidelijkt en controlepunten gedefinieerd. Bedrijven hebben betrouwbare toegang tot data, registratie en training nodig. Het knelpunt verschuift van het schrijven van teksten naar het ontwerpen van veilige, meetbare en aanpasbare processen.

De arbeidsmarkt verandert door taken, niet door beroepen

Het publieke debat richt zich vaak op de vraag welke beroepen zullen verdwijnen. Vanuit economisch oogpunt is het echter zinvoller om naar individuele taken te kijken. De meeste beroepen bestaan ​​uit routines, deskundige beslissingen, communicatie, verantwoordelijkheid en situationeel handelen. AI kan sommige onderdelen volledig overnemen, andere versnellen en weer andere nauwelijks beïnvloeden.

Internationale arbeidsmarktanalyses suggereren dat ongeveer een kwart van de wereldwijde werkgelegenheid banen betreft die in zekere mate te maken hebben met generatieve AI. Slechts een aanzienlijk kleiner deel valt in de categorie met de hoogste blootstelling. De impact is groter in rijkere landen, omdat daar meer administratief, analytisch en communicatief werk wordt gedigitaliseerd. Vooral kantoorbanen en administratieve functies, evenals steeds vaker technische en mediaberoepen, worden hierdoor getroffen.

Deze cijfers zijn geen voorspellingen van daadwerkelijk banenverlies. Ze laten zien waar taken technologisch kunnen veranderen. Of dit leidt tot banenverlies, verhoogde productiviteit of nieuwe mogelijkheden, hangt af van de vraag, lonen, regelgeving en bedrijfsstrategie. Historisch gezien hebben technologieën vaak individuele banen verdrongen en tegelijkertijd nieuwe werkterreinen gecreëerd. De overgang kan echter nog steeds pijnlijk zijn, omdat nieuwe banen niet automatisch op dezelfde plek, op hetzelfde moment of voor dezelfde mensen ontstaan.

Agentsystemen zoals Astra verhogen de druk op verandering omdat ze de overgang tussen taken kunnen automatiseren. Dit verandert niet alleen het werk binnen een bepaald beroep, maar ook de manier waarop activiteiten binnen een organisatie worden gebundeld. Een bedrijf zou bijvoorbeeld onderzoek, dataverwerking, standaardcommunicatie en documentatie kunnen combineren in een door AI ondersteund proces. Werknemers zouden dan beter in staat zijn om uitzonderingen af ​​te handelen, relaties op te bouwen, doelen te stellen en meer verantwoordelijkheid te nemen.

Kennis wordt goedkoper, verantwoordelijkheid waardevoller

Wanneer AI op grote schaal hoogwaardige ontwerpen, analyses en software produceert, daalt de prijs van gestandaardiseerd kenniswerk. Betrouwbare data, toegang tot klanten, wettelijke goedkeuring, fysieke infrastructuur en de mogelijkheid om verantwoordelijkheid te nemen blijven echter schaars. Dit verandert de waardecreatie in veel sectoren.

Consultants zullen minder betaald krijgen voor het samenvatten van openbaar beschikbare informatie. Probleemdefinitie, branchespecifieke gegevens, kritische beoordeling en implementatie binnen een specifieke organisatie zullen waardevoller worden. Softwareontwikkelaars zullen minder tijd besteden aan standaardcode en meer tijd aan architectuur, beveiliging en systeemintegratie. Managers kunnen meer analyses ontvangen, maar ze zullen nog beter in staat moeten zijn om onderscheid te maken tussen plausibele en betrouwbare resultaten.

Deze verschuiving kan de productiviteit verhogen, maar kan ook nieuwe afhankelijkheden creëren. Wie te veel vertrouwt op investeringen in AI, kan zijn eigen beoordelingsvermogen verliezen. Als junior medewerkers routinetaken niet langer zelf uitvoeren, missen ze de leermogelijkheden die later tot expertise leiden. Bedrijven moeten daarom beslissen welke activiteiten geautomatiseerd moeten worden en welke bewust behouden moeten blijven als trainings- en kwaliteitscontrolestappen.

Vertrouwen zou wel eens de belangrijkste schaarse grondstof van de AI-economie kunnen worden. Klanten, overheden en zakenpartners moeten kunnen begrijpen wie een beslissing heeft genomen, welke gegevens zijn gebruikt en wie aansprakelijk is voor fouten. Hoe autonomer systemen werken, hoe belangrijker bewijs van herkomst, logboeken en duidelijke verantwoordelijkheidslijnen worden. Technische intelligentie neemt verantwoordelijkheid niet weg; het verhoogt de prijs ervan.

Kapitaal, energie en data beperken de veronderstelde grenzeloosheid

De manier waarop AGI wordt beschreven, kan gemakkelijk de indruk wekken van een bijna immateriële technologie. In werkelijkheid is moderne AI afhankelijk van een buitengewoon kapitaalintensieve infrastructuur. Datacenters, krachtige processoren, elektriciteitsnetten, koelsystemen, glasvezelverbindingen en gespecialiseerd personeel bepalen hoe snel en tegen welke kosten modellen kunnen worden ontwikkeld en geïmplementeerd.

De investeringen van de grootste technologiebedrijven in datacenters en aanverwante infrastructuur bedroegen in 2025 meer dan 400 miljard dollar en de verwachting was dat dit bedrag in 2026 opnieuw aanzienlijk zou stijgen. Deze schaal laat zien dat concurrentie niet alleen wordt bepaald door betere algoritmes. Toegang tot kapitaal, energie en toeleveringsketens wordt een strategische factor. Kleine aanbieders kunnen innovatieve modellen ontwikkelen, maar blijven vaak afhankelijk van een paar infrastructuurbedrijven voor training en grootschalige exploitatie.

Ook de vraag naar elektriciteit neemt toe. Datacenters wereldwijd verbruikten in 2025 ongeveer 485 terawattuur. Dit cijfer zou tegen 2030 kunnen verdubbelen tot circa 950 terawattuur. Hoewel hun aandeel in het wereldwijde elektriciteitsverbruik beperkt zal blijven tot ongeveer drie procent, raakt de belasting regionaal geconcentreerd. Individuele locaties zullen op korte termijn grote netaansluitingen, nieuwe opwekkingscapaciteit en een betrouwbare stroomvoorziening nodig hebben.

Een lager energieverbruik per AI-taak lost dit probleem niet automatisch op. Als het verbruik sneller groeit dan de efficiëntie, zal het totale verbruik alsnog toenemen. Met name agentsystemen kunnen veel modelaanroepen genereren omdat ze taken plannen, tools gebruiken, resultaten controleren en herhalen. De economische kosten van een digitale agent bestaan ​​daarom uit meer dan alleen een licentie. Ze omvatten rekenkracht, gegevensoverdracht, beveiligingsmonitoring en de kosten van menselijk toezicht.

Het AGI-narratief bevordert marktconcentratie

Een geloofwaardige claim op algemene intelligentie kan een aanbieder enorme voordelen opleveren. Bedrijven willen hun processen koppelen aan het krachtigste platform. Ontwikkelaars bouwen complementaire applicaties. Investeerders verstrekken kapitaal. Geschoolde werknemers trekken naar de vermeende technologische leider. Dit creëert een zichzelf versterkende cyclus van marktaandeel, data, omzet en infrastructuur.

De kostenstructuur is in het voordeel van grote platformen. Het trainen van toonaangevende modellen vereist een aanzienlijke investering vooraf, terwijl extra gebruik relatief goedkoop kan worden opgeschaald zodra de infrastructuur is opgezet. Tegelijkertijd brengen eigen interfaces, gespecialiseerde agentomgevingen en geïntegreerde bedrijfsgegevens overstapkosten met zich mee. Degenen die hun workflows diepgaand integreren met één enkele modelaanbieder, zullen het later moeilijk vinden om over te stappen.

De markt is echter niet per se een natuurlijk monopolie. Modellen kunnen steeds meer uitwisselbaar worden, open systemen kunnen voor veel taken volstaan ​​en bedrijven kunnen meerdere aanbieders parallel gebruiken. Bovendien ontstaan ​​er gespecialiseerde oplossingen die in specifieke sectoren betrouwbaarder of kosteneffectiever zijn dan een universeel model. Concurrentie zal daarom waarschijnlijk op verschillende niveaus plaatsvinden: modelkwaliteit, infrastructuur, toegang tot data, integratie, beveiliging en sectorspecifieke expertise.

Voor het economisch beleid betekent dit dat toegang tot AI-infrastructuur steeds belangrijker wordt. Concurrentie kan niet uitsluitend worden gewaarborgd door de regulering van individuele modellen. Cloudmarkten, rekenkracht, chipaanbod, energieverbindingen, dataportabiliteit en open technische standaarden zijn allemaal relevant. Wie deze fundamentele zaken beheerst, heeft macht, zelfs als de term AGI wetenschappelijk nog niet is gedefinieerd.

Beveiligingscapaciteit is niet hetzelfde als beveiliging

GPT-6 Astra behaalde een topscore in een veeleisende test voor het ontwikkelen van exploits en werd voor het eerst geclassificeerd als 'kritisch capabel' op het gebied van cyberbeveiliging binnen zijn eigen beveiligingskader. Deze classificatie betekent niet dat het model zelf per se gevaarlijk is. Het betekent dat het, met de juiste tools en toegang, beschikt over mogelijkheden die uitzonderlijk effectief kunnen zijn voor zowel verdediging als aanval.

Deze dubbele functionaliteit is een kernprobleem van geavanceerde AI. Een model dat onbekende kwetsbaarheden opspoort, kan bedrijven beschermen voordat aanvallers ze misbruiken. Dezezelfde functionaliteit kan echter ook misbruikt worden. Bovendien neemt de inspanning die nodig is om complexe aanvallen te plannen en uit te voeren af ​​naarmate de autonomie toeneemt. Hierdoor zouden functionaliteiten die voorheen alleen beschikbaar waren voor zeer gespecialiseerde teams, breder toegankelijk kunnen worden.

Beveiligingsmaatregelen moeten daarom meerdere niveaus omvatten. Gedragsregels binnen het model zijn onvoldoende. Toegangscontrole, monitoring, beperkte rechten voor tools, geïsoleerde uitvoeringsomgevingen en mogelijkheden voor snelle interventie zijn vereist. Bijzonder krachtige functies mogen alleen beschikbaar worden gesteld aan geverifieerde gebruikers in duidelijk omschreven scenario's. Tegelijkertijd moeten onafhankelijke instanties de effectiviteit van deze beveiligingsmaatregelen kunnen beoordelen.

De term AGI (Awareness, Intelligence, and General Intelligence) kan in dit debat zelfs misleidend zijn. Een systeem hoeft geen algemene intelligentie te bezitten om aanzienlijke schade te veroorzaken in één specifiek veiligheidskritisch domein. Regelgeving moet zich daarom richten op specifieke capaciteiten, bedrijfsomstandigheden en het potentiële schadegevaar. Een abstracte classificatie als AGI of niet-AGI is te breed voor risicomanagement.

Wie AGI definieert, verdeelt rechten en verplichtingen

De definitie van AGI kan directe juridische en contractuele gevolgen hebben. Partnerschappen, aandelenbezit, winstverdeling en zeggenschapsrechten kunnen gekoppeld worden aan het behalen van specifieke technologische mijlpalen. Zelfs zonder individuele contracten te onderzoeken, is het duidelijk dat een AGI-verklaring meer kan zijn dan een filosofische uitspraak; ze kan economische belangen beïnvloeden.

Dit leidt tot een structureel belangenconflict. Modelaanbieders beschikken over de meeste informatie over hun systemen, maar hebben ook sterke prikkels om de voortgang positief te presenteren. Concurrenten kunnen prestaties bagatelliseren. Overheden, gedreven door economische belangen, kunnen de ontwikkeling versnellen of juist afremmen. Onafhankelijk onderzoek is daarom onmisbaar, maar beschikt vaak niet over dezelfde computerbronnen en toegang.

Een betrouwbare beoordeling mag daarom niet afhankelijk zijn van één enkele organisatie. Een transparant proces met onafhankelijke tests, duidelijke criteria en herhaalbare resultaten is noodzakelijk. Dit proces moet onderscheid maken tussen de mogelijkheden van het model, de prestaties van het systeem en het daadwerkelijke gebruik. Regelmatige herbeoordeling is eveneens belangrijk, omdat modellen, tools en kosten snel veranderen.

Zelfs een dergelijke procedure zou geen metafysische waarheid over intelligentie opleveren. Het zou echter wel het politieke en economische debat kunnen structureren. In plaats van een zelfverklaring die publiciteit genereert, zou er een begrijpelijke classificatie van specifieke vaardigheidsniveaus ontstaan. Dat zou minder spectaculair zijn, maar aanzienlijk nuttiger.

Bedrijven hebben testplannen nodig, geen tijdsgebonden concepten

Voor zakelijke beslissingen is de vraag naar AGI (Artificial General Intelligence) doorgaans te abstract. Een bedrijf moet weten of een systeem een ​​specifiek proces beter, sneller en kosteneffectiever kan afhandelen, en of de risico's beheersbaar zijn. Daarom moet de introductie van agentieve AI beginnen met een duidelijk testplan.

Allereerst moet de taak nauwkeurig worden gedefinieerd. Welke input is beschikbaar, welk resultaat wordt verwacht en welke fouten zijn acceptabel? Vervolgens wordt een vergelijking gemaakt met de eerdere prestaties van zowel mensen als software. Metingen moeten niet alleen snelheid en directe kosten omvatten, maar ook herwerk, escalaties, mislukkingen en kwaliteitsvariatie. Een gemiddelde waarde is onvoldoende als zeldzame fouten aanzienlijke schade kunnen veroorzaken.

Vervolgens moet de mate van autonomie worden gedefinieerd. Een systeem kan suggesties doen, acties voorbereiden, deze na goedkeuring uitvoeren of zelfstandig beslissingen nemen binnen vastgestelde grenzen. Deze niveaus mogen niet voor het gemak door elkaar worden gehaald. Hoe hoger de autonomie, hoe belangrijker rechtenbeheer, logboekregistratie en terugvalmechanismen worden.

Uiteindelijk moet de werking continu worden gemonitord. Modellen kunnen veranderen door updates, externe databronnen kunnen uitvallen en aanvallers kunnen nieuwe manieren vinden om het systeem te manipuleren. Een succesvolle pilotfase is daarom geen doorslaggevend bewijs. AI ontwikkelt zich tot een productiesysteem dat continue monitoring vereist, net als kritieke software of een industriële installatie.

Bedrijven die deze discipline beheersen, profiteren ervan, ongeacht of Astra AGI wordt genoemd. Bedrijven die zich door een label laten misleiden en overgaan tot ongecontroleerde automatisering, vergroten daarentegen hun operationele afhankelijkheid. De juiste maatstaf is niet technologische pracht, maar bewezen waardecreatie.

Europa mag niet verzanden in een discussie over terminologie

Dit geschil is van bijzonder belang voor Duitsland en Europa. De regio beschikt over sterke industriële bedrijven, hoogwaardige procesdata, onderzoeksinstellingen en veeleisende, gereguleerde markten. Tegelijkertijd is er een aanzienlijke afhankelijkheid van niet-Europese cloud- en modelaanbieders. Een strategie die zich uitsluitend richt op het eerstvolgende beschikbare basismodel is daarom ontoereikend.

De kracht van Europa ligt mogelijk in de combinatie van geavanceerde modellen met waardeketens uit de praktijk. Industrie, logistiek, energie, gezondheidszorg en openbaar bestuur bieden complexe toepassingsgebieden waar domeinexpertise, beveiliging en integratie cruciaal zijn. De beste benchmarkscore alleen is niet voldoende. Beschikbaarheid, datasoevereiniteit, aansprakelijkheid en het vermogen om processen jarenlang stabiel te laten verlopen, zijn doorslaggevend.

Hiervoor heeft Europa voldoende rekenkracht, een concurrerende elektriciteitsvoorziening, gedeelde dataomgevingen en duidelijke standaarden voor agentgebaseerde systemen nodig. Regelgeving moet specifieke risico's beperken zonder alle automatisering als autonome superintelligentie te beschouwen. Gefaseerde verplichtingen op basis van capaciteit, operationele context en potentieel gevaar zijn bijzonder belangrijk.

Ook de bijscholing moet veranderen. Algemene AI-kennis is niet voldoende. Werknemers moeten in staat zijn processen voor AI te structureren, resultaten professioneel te evalueren en de grenzen van hun verantwoordelijkheden te herkennen. Managers moeten begrijpen dat de implementatie van AI organisatieontwikkeling is, en niet alleen de aanschaf van software.

Een objectieve beoordeling van GPT-6 Astra

Op basis van openbaar beschikbare informatie is GPT-6 Astra een uitzonderlijk krachtig, breed toepasbaar en meer agentgebaseerd AI-systeem. Het laat aanzienlijke vooruitgang zien op het gebied van abstract probleemoplossend vermogen, computervaardigheden, softwareontwikkeling en cyberbeveiliging. Het kan takenketens afhandelen die slechts enkele jaren geleden nog nauwlettend door mensen moesten worden begeleid. Deze mogelijkheden rechtvaardigen de stelling dat een nieuwe fase van automatisering is aangebroken.

De bewering dat één enkele benchmarkwaarde objectief bewijs levert voor AGI is onterecht. Dit komt door het ontbreken van een algemeen aanvaarde definitie, een alomvattende meetmethode en voldoende onafhankelijke langetermijngegevens. De afhankelijkheid van de resultaten van de uitvoeringsomgeving, de gebruikte tools en het beschikbare rekenbudget laat met name zien dat de modelprestaties niet op zichzelf kunnen worden beschouwd.

Deze sceptische houding mag echter niet leiden tot trivialisering. Het zou een vergissing zijn om AGI pas te erkennen wanneer een machine alle menselijke eigenschappen nabootst, inclusief bewustzijn, sociale ervaring en fysieke bekwaamheid. Deze definitie zou systematisch voorbij kunnen gaan aan economisch relevante veranderingen. Een systeem kan markten, werkgelegenheid en veiligheid ingrijpend veranderen, lang voordat het volledig op een mens lijkt.

Het juiste perspectief ligt ergens tussen marketing en defensiviteit. Astra is noch het definitieve bewijs van perfecte algemene intelligentie, noch slechts een ander taalmodel. Het is een stap richting digitale actoren die steeds vaker complete workflows overnemen. Deze transitie verdient meer aandacht dan het debat over een label.

Het werkelijke keerpunt is economisch, niet semantisch

De vraag of AGI al bestaat, kan wellicht nooit met dezelfde zekerheid worden beantwoord als een fysieke meting. De opvattingen over intelligentie zijn te divers, taken veranderen te drastisch en technische prestaties en maatschappelijke beoordeling zijn te nauw met elkaar verweven. Daarom kan een poging om een ​​universele grensdatum vast te stellen meer verwarring dan duidelijkheid scheppen.

Voor de economie is een andere vraag belangrijker: op welk punt kunnen AI-systemen zelfstandig en betrouwbaar genoeg waardevolle taken uitvoeren tegen redelijke kosten, waardoor bedrijven hun organisatie, investeringen en personeelsbestand fundamenteel kunnen aanpassen? GPT-6 Astra brengt de economie dichter bij deze drempel. In sommige digitale sectoren is deze drempel wellicht al overschreden, terwijl deze in andere sectoren nog ver weg is.

De komende transformatie zal zich daarom ongelijkmatig voltrekken. Softwareontwikkeling, cybersecurity, data-analyse en digitaal beheer kunnen sneller veranderen dan fysieke diensten, ambachten of activiteiten met een hoge maatschappelijke verantwoordelijkheid. Ook tussen bedrijven zullen aanzienlijke verschillen ontstaan. Datagedreven en goed georganiseerde bedrijven zullen eerder profiteren dan organisaties met gefragmenteerde systemen en onduidelijke processen.

De provocerende uitspraak over AGI bevat een kern van waarheid: het tijdperk waarin krachtige AI louter als hulpmiddel voor individuele teksten en afbeeldingen kon worden beschouwd, loopt ten einde. De bewering dat dit de wetenschappelijke vraag naar algemene intelligentie oplost, is echter overdreven. De belangrijkste scheidslijn ligt niet tussen AGI en niet-AGI. Die ligt tussen systemen die op indrukwekkende wijze capaciteiten demonstreren en systemen die, onder reële omstandigheden, verantwoordelijkheden, kosten en resultaten permanent veranderen.

Degenen die vandaag de dag het bestaan ​​van AGI verkondigen, creëren een kader voor interpretatie. Degenen die het categorisch ontkennen, riskeren de economische veranderingen te onderschatten. De meest verstandige positie erkent beide: de term blijft vaag, maar de mogelijkheden worden concreet. Daarom is de cruciale vraag voor bedrijven, werknemers en overheden niet of ze in AGI geloven. Wat telt, is of ze kunnen meten, vormgeven en controleren wat deze systemen daadwerkelijk doen.

De quasi-interne oplossing: Hoe Xpert.Digital operationele hiaten in B2B-marketing en -verkoop dicht – Slimme, contentgedreven bedrijfsvoering - Afbeelding: Xpert.Digital

Xpert.Digital is een datagedreven B2B-branchehub onder leiding van Konrad Wolfenstein . Het bedrijf fungeert als een externe, quasi-interne oplossing voor industriële partners en dicht operationele lacunes in marketing, content en sales – zonder dat de klant extra middelen nodig heeft.

Meer informatie vindt u hier:

• De quasi-interne oplossing: Hoe Xpert.Digital operationele hiaten in B2B-marketing en -verkoop dicht – Slimme, contentgedreven bedrijfsvoering

☑️ Onze zakelijke voertaal is Engels of Duits

☑️ NIEUW: Correspondentie in uw moedertaal!

Konrad Wolfenstein

Mijn team en ik staan ​​graag tot uw beschikking als uw persoonlijke adviseur.

U kunt contact met mij opnemen door hier het contactformulier in te vullen [email protected]:of door mij te bellen op +49 7348 4088 965. Mijn e-mailadres is

Ik kijk uit naar ons gezamenlijke project.

☑️ Ondersteuning van het MKB op het gebied van strategie, advies, planning en implementatie

☑️ Opstellen of herzien van de digitale strategie en digitalisering

☑️ Uitbreiding en optimalisatie van internationale verkoopprocessen

☑️ Wereldwijde en digitale B2B-handelsplatformen

☑️ Pionier in bedrijfsontwikkeling / marketing / PR / beurzen