Van Turing tot AI-agents: hoe AI-modellen ontstonden en waarom dat nu uitmaakt

Waarom kan een computer sinds kort een offerte schrijven, een telefoongesprek voeren en uw CRM bijwerken? Het antwoord zit in een 70 jaar oude geschiedenis van briljante ideeën, teleurstellingen en één architectuur die in 2017 alles veranderde. Die geschiedenis is geen trivia: hij verklaart wat AI nu wel en niet kan, en waar het heen gaat.

De tijdlijn in zes fasen

Periode	Gebeurtenis	Waarom het telt
1950-1956	Turing-test, conferentie van Dartmouth	Het veld krijgt een naam en een ambitie
1960-1980	ELIZA, expertensystemen	Regels en kennis handmatig geprogrammeerd; werkt smal maar echt
1974-1993	Twee “AI-winters”	Beloftes groter dan techniek; financiering droogt op
1990-2010	Machine learning, Deep Blue, statistiek	Computers leren uit data in plaats van regels te volgen
2012-2017	Deep learning, transformer-architectuur	Neurale netwerken winnen alles; “Attention is all you need” legt het fundament voor GPT
2022-nu	ChatGPT, multimodaal, agents en MCP	Van tekst voorspellen naar doelen uitvoeren

Wat er fundamenteel veranderde

Drie doorbraken op rij maken het huidige tijdperk anders dan eerdere golven:

• Schaal werkt. De transformer-architectuur uit 2017 bleek voorspelbaar beter te worden met meer data en meer rekenkracht. Voor het eerst was investeren in groter ook gegarandeerd beter.
• Eén model voor alles. Oude AI was smal: een systeem voor schaken, een ander voor spamfilters. Een taalmodel doet schrijven, samenvatten, coderen en analyseren met hetzelfde mechanisme: het volgende woord voorspellen op basis van context.
• Van praten naar doen. Tot 2023 kon AI alleen tekst genereren. Sindsdien krijgen modellen tools: ze lezen uw inbox, zoeken in databases via RAGen voeren taken uit via MCP-koppelingen. Dat is de sprong van assistent naar agent.

Waarom de geschiedenis uw strategie bepaalt

Elke AI-golf eindigde hetzelfde: hype, teleurstelling, stille consolidatie waarin de echte waarde bleef. Expertensystemen verdwenen als product maar hun logica leeft in elke business-rule-engine. De les voor nu: de bedrijven die winnen zijn niet degene die het hardst “AI doen”, maar degene die het op de juiste processen toepassen, precies zoals bedrijven in de jaren negentig wonnen met internet door er processen mee te veranderen, niet door een homepage te hebben.

De tweede les: de technologie beweegt sneller dan organisaties. Wat in 2023 maatwerk van honderdduizenden euro’s was, is nu een abonnement van 25 euro. Dat betekent dat uitstel duurder wordt: uw concurrent hoeft geen R&D meer te doen, alleen nog toe te passen.

Waar de markt heen gaat

• Agents worden werknemers, geen tools. De verschuiving van “AI die antwoordt” naar “AI die workflows uitvoert” is nu de hoofdbeweging. Gartner verwacht dat tegen 2028 een derde van de bedrijfssoftware agentic AI bevat.
• Modellen worden commodities, integratie wordt het verschil. Het model zelf wordt steeds goedkoper en verwisselbaarder. Waarde ontstaat in de koppeling met uw data, systemen en processen.
• Regulering wordt echt. De EU AI Act legt vanaf 2026 concrete eisen op. Bedrijven die nu documenteren en transparant zijn, zijn straks compliant als het erom gaat.
• Kleiner en lokaal naast groot en cloud. Open modellen worden goed genoeg voor veel taken, waardoor private AI haalbaar wordt voor middelgrote bedrijven.

Wat dit voor uw bedrijf betekent

U hoeft geen historisch besef te hebben om AI te gebruiken. Maar u moet wel weten in welke fase u zit: als u denkt dat AI “weer zo’n hype” is, kijkt u naar de winter van 1980 en mist u dat de transformer-golf structureel anders is. Als u denkt dat AI alles kan, kijkt u naar de zeventig jaar teleurstellingen en bouwt u controle in. Het gezonde midden is waar wij onze consultancy op baseren: enthousiast over wat werkt, skeptisch over wat beloofd wordt.

De namen die u moet kennen

Vier leveranciers bepalen de markt en elk heeft een eigen filosofie die uw keuze beinvloedt:

• OpenAI (ChatGPT): de doorbraak naar het publiek, het breedste ecosysteem. Partner van Microsoft, wat Copilot mogelijk maakte.
• Anthropic (Claude): opgericht door ex-OpenAI’ers met focus op veiligheid en betrouwbaarheid; sterk in agents en lange documenten, bedacht MCP.
• Google (Gemini): de transformer is hier uitgevonden; voordeel is de diepe integratie met Search, Workspace en Android.
• Open modellen (Meta Llama, Mistral, DeepSeek): vrije gewichten die u zelf kunt hosten, het fundament onder private AI.

Drie mythen die de geschiedenis weerlegt

• “AI kwam uit het niets”: nee, het is 70 jaar incremental werk. Dat betekent dat de huidige sprong geen toeval is en niet zomaar verdwijnt.
• “Het is nu af”: elke golf had een plateau. Redeneer-, agent- en multimodale modellen zijn actieve ontwikkelrichtingen, geen eindstations.
• “Wachten is verstandig”: de bedrijven die na de dotcom-bubbel wonnen waren niet de wachters maar de vroege, pragmatische toepassers. Zo is het nu ook.

Nieuw in dit landschap? Begin bij onze fundament-gids: wat is een LLM, van beginner tot expert.

De lessen uit de geschiedenis

De AI-geschiedenis leert één patroon: elke “doorbraak” was een combinatie van nieuwe techniek en beschikbare data/compute. De Transformer (2017) + grote datasets + GPU’s = de LLM-golf. Wat er komt zal hetzelfde patroon volgen , de vraag is welke combinatie het is, niet of het komt. Dat maakt voorspellen moeilijk maar voorbereiden mogelijk.

Waarom de geschiedenis uw verwachtingen kalibreert

De snelle evolutie van GPT-3 naar de huidige modellen laat zien dat uw AI-investeringen beweeglijke doelen zijn: wat vandaag de beste tool is kan over een jaar overbodig zijn. Bouw uw processen zo dat u kunt wisselen van model zonder uw hele workflow te herbouwen.

De lessen die de historie leert

Elke AI-golf (regels, machine learning, deep learning, nu generatief) beloofde meer dan hij direct leverde maar leverde uiteindelijk meer dan sceptici dachten. De les: investeer pragmatisch, niet in hype en niet in scepticisme.

De vier golven die u begrijpt

• Regel-systemen: experts die hun kennis codeerden, krachtig maar fragiel
• Machine learning: patronen uit data, uw eerste echte AI-winst
• Deep learning: neurale netwerken die beeld, spraak en taal veranderden
• Generatieve AI: modellen die schrijven, redeneren en creëren

De lessen die de geschiedenis u leert

Elke golf eindigde hetzelfde: hype, teleurstelling, stille consolidatie waarin de echte waarde bleef. De les voor uw beslissingen is dat AI s echte waarde pas duidelijk wordt wanneer de hype verdwijnt; investeer in wat uw probleem oplost, niet in wat trending is.

Uw strategie voor de volgende golf

Uw AI-investeringen moeten overleven wat er komt: bouw uw processen en uw data zodat u van model kunt wisselen zonder uw werkwijze te herbouwen. De bedrijven die winnen zijn niet wie het beste model hebben maar wie het best kunnen aanpassen.

Uw lessen uit uw ontwikkeling

Uw model-geschiedenis leert u drie patronen: uw capaciteit groeit exponentieel, uw toepassingen volgen uw capaciteit met uw vertraging en uw adoptie hangt van uw gebruiksgemak meer dan uw kracht. Uw strategie bouwt u op uw richting, niet uw huidige punt.

Uw hedendaagse positie

Uw huidige modellen zijn uw werkinstrumenten: uw begrip van wat ze kunnen en uw beperkingen (uw hallucinaties, uw context-grenzen) maakt uw gebruik effectiever dan uw hype-geluid. Uw geschiedenis is uw context; uw toepassing is uw werk.

Uw adoptie-timing

Uw AI-timing lessen uit uw geschiedenis: uw vroege adopters van uw vorige golven (uw internet, uw mobiel, uw social) wonnen uw structurele voordelen. Uw huidige AI-golf is uw vergelijkbare moment; uw wachten is uw catch-up spelen.

De evolutie van AI-modellen in perspectief

De AI die u vandaag gebruikt is het resultaat van een versnelling van tien jaar: van de eerste neurale netwerken via de transformer-architectuur (2017) naar de grote taalmodellen (GPT-3 in 2020) en de huidige generatie met redenatie en multimodale mogelijkheden. Die snelheid betekent dat uw strategie moet veronderstellen dat mogelijkheden groeien, niet dat ze vaststaan.

De praktische les uit die geschiedenis: systemen die vorig jaar onbetrouwbaar waren zijn vandaag productie-waardig. Toepassingen die u een jaar geleden afwees zijn misschien nu bruikbaar; bouw een halfjaarlijkse review van nieuwe mogelijkheden in uw technologie-agenda.

Wat de toekomst waarschijnlijk brengt

De trends die de komende jaren bepalen: agents die echt taken uitvoeren, multimodale modellen (tekst, beeld, audio, video in een systeem), kleinere gespecialiseerde modellen die goedkoper en sneller zijn en betere controlemechanismen voor betrouwbaarheid. Uw strategie moet op die richting inspelen, niet op de huidige staat.

Veelgestelde vragen

Bestond AI al voor ChatGPT?

Ja, ruim 70 jaar. De naam is uit 1956. ChatGPT was niet de uitvinding maar de doorbraak naar het publiek: het maakte decennia van onderzoek voor iedereen bruikbaar.

Waarom werd AI pas zo laat goed?

Drie dingen kwamen samen: de transformer-architectuur (2017), enorme hoeveelheden trainingsdata en goedkope rekenkracht. Voor die tijd ontbrak altijd één van de drie.

Is dit een hype zoals de dotcom-bubbel?

Deels. Net als bij internet zullen veel AI-bedrijven verdwijnen terwijl de technologie blijft. De vraag is niet óf AI blijft maar welke toepassingen waarde hebben.

Wat is de volgende grote stap?

De meeste experts wijzen op agents die zelfstandig meerstapsprocessen uitvoeren en samenwerken. Die verschuiving is al gaande via protocollen als MCP.