Waarom deze technologie nú het kantelpunt bereikt en wat dat betekent voor de filantropische sector
Door Marc Broers, Co-founder en CTO FindNFund
Als ik praat met bestuurders van fondsen, hoor ik vaak dezelfde zin: “AI lijkt opeens overal te zijn.” Dat klopt en het klopt ook weer niet. De technologie die we vandaag ChatGPT, Copilot of Claude noemen, staat op de schouders van zeven decennia onderzoek, experimenteren en gebruik.
In dit artikel neem ik je in grote stappen mee door de geschiedenis van AI. Niet als geschiedenisles, maar als kader om te duiden waar we staan en waarom de filantropische sector hier niet omheen kan.
1. De droom (1950-1970): kan een machine denken?
De term “artificial intelligence” werd in 1956 bedacht op een zomerworkshop in Dartmouth. Een handjevol wetenschappers geloofde dat je intelligentie kon opbreken in logische regels en dat een computer dus in principe alles zou kunnen wat een mens kan.
De eerste successen waren klein maar verbluffend: programma's die schaak- en damproblemen oplosten, zinnen in het Engels konden parsen, of eenvoudige bewijzen uit de wiskunde reproduceerden. De verwachtingen waren torenhoog. Onderzoekers voorspelden openlijk dat “binnen tien jaar” een machine wereldkampioen schaak zou zijn en vloeiend zou vertalen.
De definitie die ik zelf het mooist vind: AI is een systeem dat taken uitvoert waarvoor normaal menselijke intelligentie nodig is.
“De definitie die ik zelf het mooist vind: AI is een systeem dat taken uitvoert waarvoor normaal menselijke intelligentie nodig is.”
2. De AI-winters (1970-2000): beloftes die niet werden waargemaakt
De realiteit was weerbarstiger. Rekenkracht was beperkt, data was schaars, en de aanpak — alles in regels vangen — bleek veel te rigide voor de rommeligheid van de echte wereld. Financiering droogde op, onderzoekers verlieten het vakgebied.
Toch werd er in die decennia op de achtergrond doorgewerkt. Zogenaamde “expertsystemen” vonden hun weg naar ziekenhuizen en banken in de vorm van systemen die helpen bij risicoanalyses. Neurale netwerken, één van de fundamentele technieken van moderne AI, ging van een idee naar bewezen techniek dankzij het Perceptron algoritme. Spraakherkenning en automatisch vertalen werden langzaam bruikbaar. Simpelweg: De fundamenten voor het opschalen van AI werden gelegd.
3. De renaissance (2000-2017): data, GPU's en deep learning
Drie dingen veranderden het spel. Ten eerste: Dankzij de adoptie van computers en het internet zijn we mega veel data gaan produceren. Ten tweede: grafische kaarten (GPU's), oorspronkelijk gebouwd voor games, bleken ideaal voor het parallel rekenen dat neurale netwerken nodig hebben. Ten derde: onderzoekers leerden hoe ze véél diepere neurale netwerken konden trainen om patronen te herkennen in data, genaamd “deep learning”.
Rond 2012 won een deep learning model met grote voorsprong een bekende beeldherkenningscompetitie. Plots konden computers beter katten van honden onderscheiden dan veel mensen. Binnen een paar jaar volgden spraakherkenning, automatische vertaling en beeldclassificatie. Niet meer op basis van door mensen geschreven regels, maar door het model zélf patronen te laten ontdekken in data.
4. De doorbraak (2017-2022): de transformer-architectuur
In 2017 publiceerde een groep onderzoekers van Google een paper met de nuchtere titel “Attention Is All You Need”. Daarin stond een nieuwe architectuur beschreven: de transformer. Die bleek extreem goed in het begrijpen van context in taal, en schaalbaar: hoe meer data en rekenkracht je erin stopt, hoe beter het resultaat.
De jaren daarna ontstond een wapenwedloop aan steeds grotere taalmodellen en in 2022 zette OpenAI het deurtje open naar het grote publiek: ChatGPT. In vijf dagen stond de teller op een miljoen gebruikers. Voor het eerst ervoer een breed publiek dat een machine niet alleen kon rekenen of zoeken, maar kon schrijven, redeneren en uitleggen.
5. Waar we nu staan (2023-2026): van speeltje naar infrastructuur
De afgelopen drie jaar heeft AI de beweging gemaakt van spraakmakende demo naar serieuze infrastructuur. Modellen zijn multimodaal geworden: tekst, beeld, geluid en code in één systeem. Ze werken goedkoper, sneller en veiliger. Organisaties bouwen eigen assistenten bovenop deze modellen, getraind op hun eigen kennis en context.
Waar ik in 2023 nog uitlegde wat een “prompt” was, helpen we fondsen inmiddels met de vraag: hoe passen we dit veilig en verantwoord in ons werk in? Dat is een andere categorie vraag. Dat is de vraag die hoort bij volwassen technologie.
De vraag is niet meer óf AI de sector raakt, maar hóé we het gaan inzetten om samen nog meer impact te maken.
“De vraag is niet meer óf AI de sector raakt, maar hóé we het gaan inzetten om samen nog meer impact te maken.”
Wat betekent dit voor de filantropische sector?
Voor onze sector betekent deze geschiedenis drie dingen:
- Dit is geen hype-cyclus die vanzelf wegebt. De onderliggende technologie wordt met de maand beter, niet slechter.
- De vraag verschuift van “wat kan het?” naar “hoe gebruiken we het goed?”. Dat is een fundamenteel ander gesprek.
- De fondsen die nu leren, experimenteren en kaders opstellen, bouwen een voorsprong op die over drie jaar het verschil maakt tussen bijlopen en vooroplopen.
Bij FindNFund geloven we dat de beste technologie naar de sector moet die het het meest verdient. Dat betekent niet: zomaar meebewegen met elke hype. Het betekent: kritisch kijken, samen leren, verantwoord toepassen.
