Blog
Prompten of verzuipen
We zijn zwaar verslaafd geraakt aan één specifiek gereedschap: de hamer. Wat ik bedoel? LLM’s. En met een hamer lijkt alles op een spijker. ChatGPT, Claude, Gemini, allemaal prachtig gereedschap voor taal. Samenvatten, herschrijven, ideeën verkennen, ruwe concepten uitwerken: snel, goedkoop, vaak goed genoeg. Maar taal ≠ kennis, en taal ≠ beslissing. Een LLM voorspelt het volgende woord, het bezit geen begrip van oorzaak en gevolg. Dat is een fundamentele beperking.
Wat betekent dat voor bestuurders en IT-leiders? Ik zeg het simpel maar dat is het niet: het besef dat niet elk probleem een taalprobleem is.
Laten we een paar voorbeelden bekijken waarin je beter GEEN AI / LLM gebruikt:
- Wil je voorspellen of een klant churnt? Gebruik klassiek machine learning met duidelijke features en een valideerbare metric.
- Moet een route, planning of voorraad worden geoptimaliseerd? Dan heb je optimalisatie-algoritmen (operations research) nodig, geen prompts.
- Zoeken naar afwijkingen in logstromen? Anomaly-detectie (statistiek + ML) werkt robuuster en reproduceerbaar.
- Beeld, geluid, sensordata? Gebruik computer vision of signaalmodellen die op die data zijn getraind.
- En bij ethiek, compliance of context die buiten het scherm valt? Dan heb je ervaren mensen nodig. Punt.
LLM’s kunnen ondersteunen maar niet sturen. Beslissingen vragen redeneren, verifiëren en verantwoordelijkheid nemen. LLM’s hallucineren, kunnen bias versterken en zijn moeilijk te auditen. {Iets zeggen als LLM’s nemen helaas in kwaliteit ook steeds verder af, mensen doen meer en meer het werk zelf}. Je kunt safeguards bouwen - retrieval, tool-use, regels, evaluaties - maar daarmee maak je van een taalmodel nog geen betrouwbare beslisser. Je vergroot hooguit de bruikbaarheid in een nauwe, gecontroleerde workflow.
De valkuil is organisatiekundig: zodra “AI” overal wordt ingezet, verdwijnen eigenaarschap en meetbaarheid. Teams gaan prompt-tunen in plaats van het probleem scherp af te bakenen. Kosten stijgen, kwaliteit wordt onvoorspelbaar en niemand kan uitleggen waarom een antwoord “zo” is. Best practices? Kies het juiste model voor het juiste werk:
- Definieer het businessprobleem en de besliscriteria.
- Bepaal of het primair taal, voorspellend, optimaliserend of detecterend is.
- Selecteer het passende AI-type (of menselijk proces) met meetbare metrics.
- Gebruik LLM’s waar ze uitblinken: interface, orkestratie en taaltaken - niet als brein van je bedrijf.
Kortom: LLM’s zijn een krachtige schroevendraaier. Maar je bouwt er geen brug mee. Voor sommige problemen kies je een ander type AI. En voor de rest kies {leer} je mensen die weten wanneer je géén AI moet kiezen.
Stop met prompten - pak echte winst met échte AI
LLM’s zijn taal. Veel businessproblemen zijn dat niet. Dit zijn de alternatieven die wél de voordelen zoals snelheid leveren, en waar je ze voor inzet.
1) Klassiek Machine Learning (supervised) - voorspel & verklaar
Toepassingen: churn-voorspelling, lead scoring, faillissementsrisico, fraudedetectie met labels.
Waarom: snelle training, duidelijke features, uitlegbaar (“deze 5 variabelen sturen 80% van het resultaat”).
KPI’s: AUC, precision/recall, uplift t.o.v. baseline.
2) Time-series forecasting - kijk vooruit, niet achteruit
Toepassingen: vraagprognoses, budget & capacity planning, voorraadniveau’s.
Waarom: seizoenen, trends en events worden gemodelleerd; minder stock-outs, minder dode voorraad.
KPI’s: MAPE, sMAPE, service levels.
3) Anomaly-detectie - vind afwijkingen vroeg
Toepassingen: logstromen, betalingen, IoT/sensoren, performance spikes.
Waarom: on-labelled data, real-time alerts, weinig valse positieven bij goede tuning.
KPI’s: false-positive rate, mean time to detect.
4) Optimalisatie / Operations Research - plan wat wél kan
Toepassingen: routes, roosters, allocatie van mensen/machines, cloud-resource planning.
Waarom: harde constraints, gegarandeerd beste (of bewezen bijna-beste) oplossing.
KPI’s: kosten per order, bezettingsgraad, SLA-hit-rate.
5) Computer Vision & Signaalmodellen - zie wat er echt gebeurt
Toepassingen: kwaliteitscontrole, tellen/herkennen, OCR + factuurverwerking, voorspellend onderhoud (vibratie/geluid).
Waarom: direct op pixels/sensoren getraind; minder menselijke handjes, minder fouten.
KPI’s: accuracy/F1, doorlooptijd, first-pass-yield.
6) Recommenders - verhoog omzet zonder korting
Toepassingen: up-/cross-sell, content-suggesties, dynamische bundels.
Waarom: gepersonaliseerd zonder spam; bewezen omzetstijging.
KPI’s: CTR, conversion uplift, extra omzet per sessie.
7) Regels + Kennisgraaf + Bayesian - als uitlegbaarheid cruciaal is
Toepassingen: compliance, claims-triage, beslisbomen met context.
Waarom: transparant, auditeerbaar, combineerbaar met ML.
KPI’s: doorlooptijd, foutpercentage, audit-pass-rate.
8) Reinforcement Learning - voor besturing & beleid
Toepassingen: dynamic pricing, real-time energiebeheer, intraday scheduling.
Waarom: leert van feedback; optimaliseert beleid in plaats van losse beslissingen.
KPI’s: reward per episode, kosten/voordeel vs. rule-based.
Praktisch: begin bij het probleem, kies de klasse, definieer een meetbare KPI en valideer tegen een simpele baseline. LLM’s? Prima als interface of ‘glue’. De winst komt van het juiste model en van de mens die besluit wanneer je géén model nodig hebt.
AI denkt niet. Jij wel - dus gedraag je ernaar ;)
We noemen het “intelligence”, maar AI is vooral statistiek die patronen herkent. Krachtig? Zeker. Intelligent zoals een mens? Nee. Het verschil zit in vijf dingen die je als CIO/CEO niet mag negeren.
1) Begrip vs. correlatie
AI ziet verbanden; mensen begrijpen oorzaken. Een model kan perfect voorspellen dat twee gebeurtenissen samen optreden en tóch de verkeerde maatregel adviseren. Strategie vraagt causaliteit, niet alleen correlatie.
2) Doelvorming en waarden
AI optimaliseert de functie die wij kiezen. Mensen kiezen het doel, wegen belangen, nemen morele afwegingen en accepteren verantwoordelijkheid. Wie het doel verkeerd formuleert, krijgt een perfecte optimalisatie van het verkeerde.
3) Redeneren en transfer
Modellen generaliseren binnen de data waarop ze zijn getraind. Mensen kunnen hardop redeneren, aannames testen en kennis toepassen op totaal nieuwe situaties. Out-of-distribution is voor AI een afgrond en voor mensen een uitdaging.
4) Context & gezond verstand
AI heeft geen ‘wereldmodel’ met common sense en geen theory of mind. Het kent geen impliciete regels van kantoorpolitiek, cultuur of macht. Mensen wél. Daarom gaat een model vaak stuk op randgevallen, precies waar voor winst of reputatieschade wordt besloten.
5) Verifieerbaarheid & verantwoordelijkheid
AI-uitkomsten zijn vaak moeilijk te auditen. Mensen kunnen hun aannames en stappen toelichten, en vooral: ze kunnen aangesproken worden. Governance zonder aanspreekpunt is schijnzekerheid.
Wat betekent dit voor besluitvorming?
Gebruik AI om te zien (patronen, afwijkingen, scenario’s) en mensen om te oordelen (doelen, trade-offs, actie). Zet modellen in voor detectie, voorspelling en optimalisatie; zet mensen in voor prioritering, ethiek, context en het accepteren van gevolgen.
Praktische regel:
- AI voor analyse en opties.
- Mens voor richting en knopen doorhakken.
- Hybride voor snelheid mét controle: AI bereidt voor, mens tekent af.
AI kan je sneller naar een antwoord brengen. Alleen de mens kan bepalen of dat het juiste antwoord is.
Sneller, stabieler, goedkoper? Kies Sciante.
Zo werken wij bij Sciante: doelgerichte AI voor het zware rekenwerk, menselijke intelligentie voor de keuzes die ertoe doen. We meten waar prestaties achterblijven, kosten stijgen of stabiliteit lekt. We zetten de juiste technieken in (ML, OR, anomaly-detectie) om feiten boven tafel te krijgen.
Daarna vertalen we dat naar heldere beslissingen die je direct kunt uitvoeren. Zodat jouw IT weer presteert: sneller, stabieler, goedkoper. Cloud of on-prem? Maakt ons niet uit. Wij optimaliseren waar de waarde zit.
Wil je stoppen met prompten en starten met presteren?
Plan een vrijblijvende afspraak. We laten je zien waar je nu geld verliest, welke ingrepen het meeste opleveren en hoe je grip terugpakt - zonder gedoe, zonder vendor-bullshit (sorry vendoren maar iemand moet het zeggen).
Klaar voor optimale IT?
Laat AI het werk doen. Laat mensen de richting bepalen. Met Sciante krijg je beide - keurig onderbouwd.