Gewoon omdat het een logisch uitgangspunt is. Vanaf de derde keer en vaker wordt iets herhaling en als je dan echt hetzelfde doet is het zonde van de tijd en energie (een hele waslijst uitzonderingen daar gelaten van dingen die je gewoon doet omdat ze leuk zijn, voldoening geven etc).

En soms ook gewoon omdat de “oude” manier van dingen doen lang niet altijd werkt.
Zo ook vandaag toen ik op zoek was naar een oplossing om YouTube video’s hier op het weblog niet automatisch te laten laden (dus de embed niet meteen aanmaken) maar om net als in de e-learning die ik aangemaakt had eerst een afbeelding te laten zien en pas na klikken de player te embedden. Het voordeel daarvan is dat er nog geen YouTube cookies geplaatst worden en een afbeelding laden is ‘lichter’ dan een hele player die mogelijk niet gebruikt wordt.

Zoeken naar een plugin

Uiteraard (?) ging ik eerst op zoek naar een WordPress plugin. Ik zeg uiteraard omdat dat de manier is waarop ik dit soort problemen altijd aanpakte. Maar ik heb daar pagina na pagina met plugins doorgebladerd in de hoop eentje te vinden die beschreef wat ik wilde hebben, maar ik kwam er geen tegen. En sowieso leek het me niet handig om een plugin te installeren die veronderstelde dat ik alle shortcodes voor de YouTube video’s zou moeten aanpassen. Want dat zijn er simpelweg te veel.

Claude.ai

Optie 2 was claude.ai (gewoon de gratis versie is al voldoende) en de vraag/prompt: Ik heb heel veel WordPress blogposts met YouTube links erin (zie screenshot). Op dit moment worden ze tijdens tonen meteen in een embed omgezet. Nou wil ik dat eigenlijk liever niet, in plaats daarvan zou ik willen dat er zoiets getoond wordt als bij de 2e screenshot waarbij de gebruiker de thumbnail van YT ziet, een link-optie om de video extern te bekijken en pas bij klikken de embed (inclusief start afspelen) daadwerkelijk geladen wordt. Een aparte plugin waarbij ik dan een shortcode moet gebruiken is niet handig vanwege de grote installed base. Wat kan ik doen?

Je kunt het hele gesprek en de antwoorden hier nalezen, de afbeeldingen worden niet getoond, die zie je niet hierboven.

Zoals je kunt zien, komt Claude meteen met een antwoord, uitleg en code. Ik heb de map en het bestand aangemaakt, de code ingeplakt, cache van de site leeggemaakt en het werkte gewoon. Nou ja, nog niet perfect, de lay-out zag er nog niet 100% zo uit als ik zou willen, dus nog even screenshot gemaakt, vervolgvraag gesteld en de wijzigingen in de code doorgevoerd.

Daarom vibecode ik!

Ik bouw geen applicaties waar ik geld mee ga verdienen, ik offload niet al mijn denkwerk, ik maak ruimte voor denkwerk of ruimte voor privétijd. Ik los uitdagingen of problemen op die me anders meer tijd zouden kosten, of waar ik gewoon niet aan toe zou komen. En probeer ondertussen te leren hoe ik dat veilig doe (en niet bv een block van LinkedIn krijg omdat een AI-tool namens mij de site aan het scrapen was zonder me te realiseren dat dat niet mag), zodat ik dat ook weer aan anderen kan leren.

Ik zag een bericht op Linkedin over AI in het onderwijs. Het triggerde wat, ik vond het onzin (=emotie), dacht er wat langer over na, vond toen dat de redenering niet klopte (=inhoud). Wilde reageren, realiseerde me dat de auteur een bepaald publiek had, bedacht me dat ik dat ik de reactie dan natuurlijk wel ook goed moest formuleren. Claude Sonnet 4.6 is goed in het sparren over zulke formuleringen, dus legde ik een paar formuleringen voor, afwegingen waarom ik delen van het betoog wel of niet vond kloppen. En vroeg uiteindelijk om een inschatting van de complete reactie die ik wilde plaatsen.

Claude begon positief:

Dat is een sterke reactie. Helder, eerlijk, en niet aanvallend.

Maar (er kwamen veel meer details over de inhoud van de reactie die ik hier niet ga delen), ook:

Het grote probleem voor jouw reactie: de LinkedIn-dynamiek.

en nadat ik het hele oorspronkelijke bericht met Claude gedeeld had:

[…] is geen uitnodiging tot gesprek. Hij speelt voor een publiek en heeft zich alvast ingedekt tegen kritiek. Wie hem tegenspreekt, is automatisch de naïeveling die de praktijk niet kent.

Jouw reactie is inhoudelijk sterk, maar op LinkedIn kan die overkomen als precies de “beleidsdenker met mooie woorden” die hij al heeft weggezet.

Waarop mijn conclusie was dat ik voor een zaterdagochtend het komen tot een antwoord eigenlijk veel belangrijker vond dan het daadwerkelijk plaatsen ervan. En Claude (zie de screenshot hierboven) was het daarmee eens.

Ik begrijp dat er meerdere kanten aan zitten. Je zou kunnen stellen dat ik me nou onttrek aan het gesprek uit angst voor de reacties. Het tegenargument is dat het waarschijnlijk veel beter zou zijn als mensen op Linkedin, Facebook en andere sociale media niet altijd datgene schrijven wat ze initieel vinden. De inschatting dat de auteur van het bericht waar ik op wilde reageren waarschijnlijk helemaal niet zit te wachten op een gesprek is er eentje waar ik me namelijk heel wat bij kan voorstellen. En dan heeft die reactie daar ook geen nut.

Hoe dan ook, heel wat bijgeleerd op een zaterdagochtend. En dat is altijd winst!

p.s. een gesprek is hier zeker wél mogelijk, ook als ik het met je oneens ben, zolang we het over inhoud hebben zou ik zeggen: laat je horen!

p.p.s. ik lees na het posten van deze blogpost in een ander bericht op Linkedin dat ik me eigenlijk heel erg moet schamen dat ik niet met pen en papier mijn blogposts maak. Want AI gebruiken bij het schrijven leidt tot ‘slob’ en inhoudsloze verzinsels. Zucht. Een wereld waar het leven lekker binair, goed-slecht is. Gelukkig dat dat blijkbaar alleen op Linkedin zo is en niet in de werkelijkheid. Ik ga even offline in de rij staan met iedereen die Paasboodschappen aan het doen is.

Het is eigenlijk een belachelijke hoeveelheid werk, want het onderwerp is super veranderlijk en vanzelfsprekend is het bijwerken niet iets waar de opleiding me uren voor vrijmaakt, dit doe ik in de avonduren, in het weekend, zoals elke docent.

En waarom dan toch? Nou, omdat het ook voor mezelf een enorm behulpzame activiteit is. Mijn hoofd vindt het namelijk geen enkel probleem dat het vakgebied enorm complex is. In mijn hoofd (zo stel ik me even voor) liggen er ook kriskras allemaal verbindingen tussen onderwerpen, op verschillende niveaus, met veel en minder detail. Prima allemaal voor mij. Maar niet voor 99% van de mensen waar ik mee in aanraking kom. Waarvan ik het juist heel relevant vind dat ze dit leren, hier over nadenken, ermee aan de slag kunnen (privé of in hun eigen organisatie).

Daarom moet ik proberen er structuur in aan te brengen. En daar helpt de online module ook bij. Dit jaar was dat complexer dan ooit, de iteratie van de module die nu (3-4–2026) online staat is omvangrijker dan ooit. En dus ook met een nog groter risico dat hij er uit gaat zien als de inhoud van mijn hoofd. In plaats van een gestructureerd verhaal dat de lezer meeneemt in de interessante wereld van AI in het onderwijs.

Dus laat het vooral weten in de reacties hieronder: Heb jij er wat aan? Wat leer je ervan? Verdwaal je? Zet het je aan het denken? Wat zou er in de 2027-versie moeten/kunnen?

Je kunt de module hier online bekijken en de bronbestanden via github downloaden.

Blok 1, 16.00 – 16.45 uur l AI in de praktijk en op school : wat is de invloed van AI op het leerproces?

• Felienne Hermans (hoogleraar Informatica-didactiek en informaticadocent, Vrije Universiteit Amsterdam)
• Nadira Saab (hoogleraar Onderwijswetenschappen, Universiteit Leiden)
• Barend Last (leraar en auteur)
• Emily Jacometti (medeoprichter (co-founder) van HackShield Future Cyber Heroes)

Blok 2, 16.45 – 17.30 uur l Big Tech en het onderwijs: moet Big Tech buiten de deur worden gehouden en zo ja, hoe?

• Inge Molenaar (hoogleraar Onderwijs en AI en wetenschappelijk directeur Nationaal Onderwijs Lab AI, Radboud Universiteit)
• Guido de Moor (senior onderzoeker en adviseur Dialogic)
• Paul Zevenbergen (voorzitter Sivon)
• Gerdinand Bosch (programmaregisseur Npuls)

Blok 3, 17.30 – 18.15 uur l Sturing op AI in het onderwijs: wie is er verantwoordelijk voor goed gebruik van AI?  

• Larissa Zegveld (algemeen directeur Kennisnet)
• Tijmen Smit (lid College van Bestuur Kalsbeek College)
• Annet Dries (vicevoorzitter PO-Raad)
• Erika van Lier (vertegenwoordiger Vereniging Digitale Onderwijs Dienstverleners)

Lees je dit bericht op 1 april, je kunt live meekijken en luisteren.
De deelnemers krijgen de vraag om vooraf een position paper in te dienen, die staan hier online.

Volgende week zie ik de studenten van de HAN Master Ontwerpen Van Eigentijds Leren (MOVEL) voor een uitgebreide les over AI in het onderwijs. Mede ook voor hen, besloot ik de beschikbare informatie op twee manieren te ontsluiten:

De ene route is die waarbij ze zelf de diepte in gaan, de 11 position papers lezen en voor zichzelf op een rijtje zetten wat de deelnemers vinden.

De andere route is het voorbewerkte pad dat NotebookLM biedt. Ik heb de 11 position papers daarin toegevoegd en een aantal producten laten genereren: een infographic, een audio-debat, een presentatie, een video, een tabel met verschillen en overeenkomsten tussen de deelnemers, een visie-samenvatting.

Doel van de twee opties is het gesprek met hun als aanstaande masterdocenten (niet alleen uit het funderend onderwijs, maar het vraagstuk is universeel). Want het zal je niet verbazen dat de lijn van de agency van docenten, het zorgen dat ze stuurkracht hebben, digitaal geletterd zijn, weten hoe ze digitale technologie (en AI) optimaal kunnen benutten ook een van mijn uitgangspunten is. En ja, daar moet je de benodigde ondersteuning bij bieden, in infrastructuur, in professionalisering, in organisatie van het onderwijs, in de vorm van keuze voor technologieën die veilig en verantwoord zijn.

Voor de duidelijkheid: de samenvattingen zijn die van NotebookLM, gemaakt door AI (door taalmodellen). Daar kunnen nuances die de auteurs voor ogen hadden in verloren gaan. Soms zitten daar zaken in waarvan ook ik denk “huh, dat had ik zo zelf niet uit de stukken gehaald”. Het blijft een fundamenteel discussiepunt bij deze werkwijze: 95% leest als heel logisch, er zit 4-5% onjuistheid in, is dat meer/minder dan wanneer een mens dat gedaan had? Zorgt dat ervoor dat je de hele boodschap wantrouwt? Is het geen probleem? Moet je het daarom per definitie niet doen?

En ook: zo’n rondetafelgesprek is mooi, het brengt visies en opinies bij elkaar. Het is gewoon heel belangrijk om inhoudelijke gesprekken en discussies over onderwerpen te blijven voeren juist ook als er verschillen van inzichten zijn. Ik kan de livestream zelf niet volgen vanmiddag, maar als je de kans hebt zou ik het zeker doen.

[update] de opname (2 uur) van het gesprek is hier te bekijken/beluisteren.

Klik om af te spelen

Bekijk op YouTube

Ik kijk geen live-tv, en standaard al zeker geen afleveringen van Lubach. Maar soms heeft hij rake items, de vorige over de AI bubbel was er zo een, en deze over AI in het onderwijs ook. Zijn team heeft goed uitzoekwerk gedaan, veel van de deelitems had ik afgelopen tijd al eens voorbij zien komen, inclusief de ongelukkige opmerking van paar van van mijn collega’s en het verhaal is tamelijk compleet:

Het wordt gewoon al gebruikt

In het primair onderwijs al en daarna wordt het gebruik in het voortgezet onderwijs en later alleen maar meer. Een aantal van de clips die ze daarvoor gebruiken zijn overigens al wat ouder (eind 2022, begin 2023), het is ook niet alsof het gisteren opeens allemaal fout was, maar 3,5 jaar tijd is ook weer niet echt kort.

Worstelende docenten

Zijn plaatje over worstelende docenten zou zo uit een van mijn eerdere presentaties genomen kunnen zijn. Daar laat ik ook vaak zien dat het onderwijs er “opeens” veel moeite mee heeft. Het was wat flauw hoe hij de docenten die wel voor de camera aan het woord komen neerzet, die mensen worden voor een item gevraagd wat te zeggen, zijn niet zo welbespraakt als dat Lubach zelf is.

Goed dat hij de wapenwedloop tussen studenten en docenten laat zien. Ook standaard onderdeel van mijn boodschap: zinloos!

Dat een diploma inmiddels niets meer waard is, is een veel te kort door de bocht uitspraak, maar ja, die stond in de krant en dus ook nu weer bij Lubach.

Offloading

Het stukje wetenschap was wat kort voor nuances. Ja, onderzoek laat zien dat het uitbesteden van schrijfwerk aan AI de hersenen minder stimuleert. De vergelijking met Google Maps versus kaartlezen in de auto, denk ook maar aan de mensen die een fietskelder inrijden of onlangs een vrachtauto die zich klem reed op een fietsbrug, omdat de navigatie dat zegt, laten zien wat praktische risico’s kunnen zijn. Dat is erger dan niet meer weten hoe een passer werkt!

Het “sneller klaar” voorbeeld maakt wel ook meteen duidelijk dat het geen eenvoudige opdracht wordt, want lang niet alle leerlingen/studenten hebben altijd die intrinsieke motivatie van de leerlingen in het clipje. Ook niet altijd de luxe van de keuze tussen “even lekker leren” of snel klaar. Dat ik het filmpje van Lubach op mijn gemak kan bekijken, er een blogpost over kan schrijven op een zaterdagochtend, is omdat ik niet hoef te werken vandaag en geen andere activiteiten heb die persé eerst moeten.

En wetenschap laat ook zien dat AI in het onderwijs, indien goed toegepast, meerwaarde heeft.

Denkschool Slim Fit

De parodie van de denkschool Slim Fit is flauw, maar waardevol in dit geval. Je kunt er op rekenen dat er dit soort aanbieders gaan komen. Ook in het onderwijs gaan we straks de “hier leer je nog echt zelf nadenken zonder AI” scholen krijgen.

Maar…

Wat ik nu mis is de call to action. Daar waagt ook Lubach zich niet aan. Nee, dat past dan weer niet in 3 zinnen of 10 seconden. En dat is dan wel weer een beetje jammer. Want uit zichzelf komt ons onderwijs namelijk niet snel in beweging. Bij crisis vallen we eerder terug op oud en vertrouwd. Dus ook dit filmpje gaat er niet zomaar voor zorgen dat een school zegt “wij gaan nu (vandaag/morgen) kijken wat leerlingen *echt* nog moeten weten en hoe we onderwijs zo inrichten dat ze alleen dat doen wat wij denken dat zinvol is om hen optimaal voor te bereiden voor een toekomst waarbij ze voldoende inhoudelijke kennis hebben, metacognitieve vaardigheden én ze digitaal (AI) geletterd zijn” met daarachter dan “en dan zorgen wij ook wel dat we het aan de inspectie, ouders en werkveld kunnen uitleggen“.
Want dat is wel wat nodig is. AI is geen mobieltje dat je straks kunt gaan verbieden op school omdat aangetoond is dat het schadelijk is voor leerlingen. Vergeet die “oplossing” maar alvast.

** Zal ik dit keer nog maar eens expliciet benadrukken dat alle berichten op dit weblog op persoonlijke titel geschreven worden? Dan bij deze.

Klik om af te spelen

Bekijk op YouTube

“Bioscoopbezoekers komen in opstand tegen AI-film” was de kop die nu.nl koos naar aanleiding van een bericht in de Volkskrant. En ze waren zeker niet de enige die erover schreven.

Het verhaal is eigenlijk gewoon heel sneu. De korte animatiefilm was blijkbaar vorige maand gekozen als winnaar van het net opgerichte Frame Forward Animated AI Film Festival. Igor Alferov maakte de korte video met (o.a.) Gemini 3.1 en Nano Banana Pro en won. De prijs zou zijn dat zijn film 2 weken lang in bioscopen in de VS te zien zou zijn. Maar vanwege het protest online en van kijkers heeft de keten die daar aan zou meewerken zich genoodzaakt gezien dat toch niet te doen. Sneu voor Igor, want ik kan me helemaal voorstellen dat het voor hem gewoon super mooi was geweest.

Natuurlijk mag je van alles vinden van het principe van het met AI maken van films/video. Dat het technisch kan is wat mij betreft al heel bijzonder. Dat dit er niet automatisch voor zorgt dat de resultaten leuk zijn, iedereen aanspreken, dat laat deze winnende clip ook zien. Want je kunt heb wel nog gewoon op YouTube bekijken. En ja, hij is best wel erg. Vind ik dan. Maar mijn mening doet er gelukkig wat dat betreft niet toe. Dat is persoonlijke smaak. En er zijn genoeg dingen die ik wel mooi vind waar andere mensen op hun beurt weer van gruwelen (neem ik aan).

Maar om dit nou te koppelen aan het gegeven dat voor deze clip gebruik gemaakt van AI is net zo kortzichtig als al die “No CGI” onzin die zich tegen het gebruik van visual effects in films richt (en waar de filmmakers soms keihard in meegaan en keihard over liegen).
Dan krijgen we straks dus “No AI is really just UNVISIBLE AI” voor films?

Nou ja, dan zorg ik er maar gewoon voor dat de video online wat meer views krijgt. Want ondanks de ophef valt dat nog tegen. Maar wees gewaarschuwd: het is niet veel.

Achter elk gratis AI-account of abonnement van twintig euro per maand schuilen enorme datacenters, GPU-clusters en stijgende energiekosten. De ogenschijnlijk steeds strenger wordende quota en limieten laten zien dat de rekensom nog niet vanzelf klopt. De vraag is daarom niet alleen welke prijsstrategie het best past, maar ook of dit economisch en maatschappelijk houdbaar is. Grote spelers als Microsoft en Google kunnen verliezen tijdelijk absorberen dankzij hun winsten elders, maar voor pure AI-bedrijven tikt de klok harder. Ondertussen leren bedrijven ons gedrag aan dat efficiëntie ondermijnt, zoals elke simpele zoekvraag door een zwaar taalmodel jagen in plaats van structurele oplossingen bouwen. Hoe houdbaar is dat? Ik greep terug naar Philip Kotler om te kijken of die hier uitleg bij kon geven.

Het lange verhaal

Als je enthousiast aan de slag gaat met zaken als Google Nano Banana, Antigravity, maar ook het betaalde Claude Code of simpelweg een gratis ChatGPT-account, dan krijg je er vanzelf mee te maken: quota’s en limieten. De bedrijven stellen grenzen aan het aantal vragen dat je kunt stellen, afbeeldingen die je kunt maken, modellen die je kunt gebruiken.

Logisch toch ook? Je krijgt waar je voor betaald. Dat de vraag Wat kost iets? Of: Wat zou het moeten kosten? niet altijd hetzelfde is, was al bekend ruim voordat deze AI-veldslag van start ging. En of het nou over een kopje koffie gaat (daar betaal je niet overal en altijd hetzelfde voor) of een stochastische papagaai, bedrijven maken daar om verschillende redenen verschillende keuzes in. Ik moest meteen weer terugdenken aan de marketinglessen in Tilburg aan de universiteit en aan Philip Kotler. Hij kwam indertijd (in eerste instantie) met een matrix van 9 keuzes, gebaseerd op kwaliteit en prijs. De keuze hing er vanaf. Wilde je eerst je ontwikkelkosten terugverdienen, wat het een heel concurrerende markt waar je je plekje in moest zien te vinden, ging je voor winstmaximalisatie of juist omzetmaximalisatie (bv omdat de vaste kosten heel hoog zijn en je veel omzet nodig hebt om winst te maken).

Er staat een “kennisdocument” online bij studeersnel.nl waarin een student een uitgebreide samenvatting geeft, mocht je nog nooit van prijsstrategieën gehoord hebben. Uiteraard heeft de site ook een chatbot die je kunt gebruiken en ik vroeg:
Geef een compact overzicht (tabel) van de pricing strategieën en wanneer je die voor een AI-product zou toepassen.

Dit is het resultaat:

Ik vind die derde kolom waarbij het taalmodel een poging gedaan heeft om er een AI-gerelateerde beoordeling aan te hangen wel grappig. Met name de “Moet worden vermeden” uitspraken. Ik weet niet helemaal of het hier een advies richting een leverancier of juist richting een klant betreft.

Wat je op dit moment ziet, is dat de grote spelers (OpenAI, Antropic, Google, Microsoft) en daaromheen een veelvoud aan andere aanbieders die diensten gebaseerd op de verschillende modellen aanbieden. Want AI is niet alleen B2C (business to consumer) maar uiteraard is het meeste geld te verdienen via B2B (business to business).

Wat vindt AI van prijsmodellen?

Natuurlijk heb ik ook AI ingeschakeld om te kijken in hoeverre mijn gevoel te onderbouwen was. Ik weet het, discutabel als je serieus onderzoeker bent, maar dit is een blogpost bij het ontbijt op maandagochtend, geen serieuze wetenschappelijke publicatie.

Ik zal zo laten zien waar Google Gemini (Plus-account) mee kwam. ChatGPT 5.2 kwam met een heel goed leesbaar verhaal. Je kunt het hier als pdf downloaden en bekijken. Disclaimer: ik heb niet elke link voor wat betreft bronnen voor omzet, kosten etc. gevolgd, voor mij was het voldoende dat de grote lijn van het verhaal aansloot bij en aanvulde op wat ik wist en dacht.

De stroomschema’s in de pdf zien er wat complex uit, ChatGPT laat ze in de webinterface wel netjes als afbeelding zien, in de export naar pdf komt de technische structuur alleen mee. Hierboven zie je wat ChatGPT zelf na een prompt “converteer naar afbeelding” deed met de eerste.
Twee opmerkingen uit de ChatGPT-analyse die ik hier wil uitlichten:
De [Kotler-] categorieën zijn historisch product‑/marktgericht. Cloud‑ en SaaS‑literatuur laat zien dat digitale diensten in de praktijk vaak juist worden geprijsd als variabele kostenmodellen met veel opties (pay‑as‑you‑go, reserveringen, etc.)

Met andere woorden: het gaat hier al helemaal niet om een kopje koffie, maar om een wirwar van verschillende diensten die je kunt afnemen waarbij het enerzijds lijkt alsof je heel veel maatwerk hebt, maar anderzijds ook nooit weet of je bij je huidige aanbieder te veel betaald.
Dat blijkt ook wel uit het tweede citaat dat ik wil aanhalen:
Kernobservatie: hoewel “$ per 1M tokens” een ogenschijnlijk uniforme meeteenheid is, blijken de échte strategische verschillen te zitten in (i) welke tokens worden geteld (raw vs billed, cached vs non‑cached), (ii) hoe prijs verandert met contextlengte en latency‑eisen, en (iii) hoe sterk abonnementen/credits/capaciteitsreserveringen de marginale prijs dempen of juist escaleren

En waar het mij vooral om ging, de reden waarom ik aan deze blogpost begonnen ben, is dit:

Die paar minuten van Google, duren inmiddels al meer dan een half uur. En niet op een gratis account, maar een Plus-account. En voor Antigravity vind je online heel veel verontwaardigde berichten. Want ook daar lijkt Google zwaar last te hebben van zijn eigen succes.

Google heeft de tokenlimieten en de tijd die je moet wachten voordat deze weer aangevuld worden de afgelopen tijd van enkele uren moeten oprekken naar enkele dagen. Ook hier zowel voor gratis als voor betaalde accounts, en zo te lezen dus ook voor mensen die bv al een jaar vooruit betaald hadden voor een betaald account onder de veronderstelling dat de limiet die op dat moment golden ook voor het hele jaar zouden blijven gelden (niet dus). En geloof me, Gemini 3 Flash wil je niet gebruiken om dingen te programmeren. Die werkt prima als je gewoon wat vragen wilt stellen, maar als je code wilt debuggen dan wordt je er helemaal gek van.

Wie valt er het eerst om?

Dat is een goede vraag waar ikzelf nog geen antwoord op heb. Microsoft en Google niet. Met een winst van zo’n 30 miljard dollar per jaar hebben ze wel wat speelruimte. Voor OpenAI en Antropic met een *omzet* van zo’n 10-15 miljard dollar per jaar maar voor beiden nog geen geregistreerde jaarwinst, tikt de klok wat harder. Als dan je kostprijs per eenheid hoger ligt dan de opbrengsten, weet je dat je het lek in ieder geval nog niet boven hebt.

Google heeft een vreselijke reputatie als het gaat om het in de markt gooien van nieuwe producten, er dan slecht voor zorgen en ze daarna dan ook weer de nek omdraaien. Dus wat dat betreft past het er ook allemaal wel een beetje bij. Maar ik kan me toch bijna ook niet voorstellen dat Sundar Pichai hier nu echt zo blij mee is.

En hoe duurzaam is dit?

Ik wil het toch even aangestipt hebben. Traditioneel gaan bedrijven in een winner takes all markt over lijken. Toen Zalando een voet tussen de deur probeerde te krijgen als het ging om online verkoop van kleding, gingen ze uit van gratis verzenden en terugsturen. Dat is iets wat je niet oneindig lang vol kunt houden. Maar het leert consumenten heel slechte eigenschappen aan. Het versturen van fysieke producten kost gewoon geld. En terugsturen kost meer dan nóg een keer verzendkosten, want of een product dan ooit nog een keer verkocht kan worden hangt van een heleboel dingen af. En anders gaat het op de afvalberg.

Bij AI zie je vergelijkbare dingen gebeuren. Bedrijven bouwen massaal datacentra, kopen alle geheugen en processingcapaciteit in die geproduceerd kan worden om aan de enorm groeiende vraag te voldoen. Als consument betalen we “gewoon” voor AI: vaak 20 euro (excl. BTW) of 200 euro per maand. Het eerste kost zoveel als een maand Netflix, het tweede betaal je waarschijnlijk alleen als je er zelf ook weer geld mee verdiend. Maar de daadwerkelijke kosten zijn hoger. Als ik ChatGPT een vraag stel die Google ook zonder AI-modus had kunnen beantwoorden, dan ben ik niet kostenefficiënt bezig. Voor mij maakt het wellicht niks uit, maar de ene zoekopdracht kost meer verwerkingskracht dan de andere.
Als ik “lui” ben en AI een complexe applicatie voor me laat installeren en dat dan meteen gebruik om feedback naar de ontwikkelaars te sturen, dan is dat wellicht nog te verantwoorden op de langere termijn? Maar voor andere zaken is het vaak handiger om AI één keer (bv) een Pythonscript te laten ontwikkelen en dat voortaan te laten draaien ipv elke keer een taalmodel het wiel opnieuw te laten uitvinden. Maar dan moet je wel weten hoe je ervoor zorgt dat dat gedaan wordt. With great power en zo.

Goed, genoeg geprocrastineerd op de maandagochtend. Tijd voor wat echt handmatig denkwerk. En dan in de auto naar mijn werk (sorry, 60km enkele reis is te ver met de fiets, geen zelfrijdende auto en geen goed aansluitend OV). Er is nog winst te behalen.

Nou heb ik wel eens applicaties vanaf github aan de praat gekregen, maar deze leek me op basis van de README niet meteen eentje die heel gemakkelijk uitzag. Er moest een environment geïnstalleerd worden en dan kon je kiezen uit trainen of runnen. Maar inmiddels, na een week of twee gebruik van Google Antigravity, ben ik luier aan het worden. In plaats van zelf gaan puzzelen maakte ik een map ngt-spellen-demo aan, opende die map in Antigravity en gaf de opdracht: kloon deze repository: https://github.com/NOLAI/NGT-spellen-demo en installeer de app in een venv.

Het ging niet vanzelf, de eerste installatie lukte niet meteen, Antigravity sloeg aan het debuggen, maar ik hoefde uiteindelijk niet meer te doen dan een aantal keren het runnen van commando’s goed te keuren en uiteindelijk opende de app, de app opende mijn webcam, ik typte mijn naam in als test en hij deed het gewoon.
Nadat ik een screenshot gemaakt had als “bewijs” dat ik de app aan het draaien had, vroeg ik aan Antigravity: Mooi! Maak een uitgebreid rapport voor de ontwikkelaar in INSTALL-REPORT.md met de stappen die je allemaal hebt moeten nemen om de repository aan de praat te krijgen. Het resultaat was een net overzicht van wat er aan de hand was, de gevolgen van mijn net wat andere Pythonversie en hoe dat op te lossen.
Ik dacht “dan gaan we er helemaal voor” en vroeg: Is het ook mogelijk om de app in te pakken naar een executable zodat deze op Windows werkt zonder deze hele installatie?.
Dat bleek mogelijk, maar wat ingewikkelder, na een poging of 3-4 kwam er een .exe bestand uit dat compleet met submap in totaal 372MB groot was. Niet schokkend tegen moderne maatstaven én dit was inclusief het model dat Raf getraind had om de handgebaren te herkennen. Best okay dus.
Tot slot vroeg ik nog om de .md te converteren naar .pdf en het resultaat kun je hier bekijken/downloaden (pdf).

Leuk, zowel de ervaring met Antigravity, die soms heel erg tegenvalt en nu heel erg positief uitviel, als de app zelf. Geen API-keys of bestaande accounts nodig, het werkt gewoon.

Op zichzelf niet zo verrassend, ook het onderzoek van iXperium laat zien dat het percentage docenten dat gebruik maakt van AI veel groter is dan het percentage dat zichzelf competent voelt voor wat betreft het gebruik ervan. Bij het interpreteren van de resultaten van dit onderzoek is belangrijk om te bedenken dat het rapport is geschreven door Coursera, dat zelf AI-producten verkoopt. En er ligt de nodige nadruk op Coursera-tools en partners. De Methodology sectie vertelt dat de sample bestaat uit 4.261 docenten aan universiteiten (professoren, docenten en seminar-/discussieleiders) en universiteitsstudenten (18+) in het Verenigd Koninkrijk (VK), de Verenigde Staten van Amerika (VS), India, Mexico en Saoedi-Arabië. De gegevens werden verzameld tussen 15 en 23 oktober 2025 met behulp van een online enquête. Er wordt geen inzicht gegeven in hoe de steekproef opgebouwd is, de verdeling over de landen, hoe representatief de data is voor deze groepen. Een online survey bevat de mogelijkheid van bias door self-selection, zelfrapportage van gebruik van technologie door studenten is lang niet altijd betrouwbaar (lees: komt niet altijd met de realiteit overeen). En er wordt geen/nauwelijks uitsplitsing gemaakt naar meningen per vakgebied.

Los daarvan gaat het om een grote groep respondenten uit vijf landen, dus hoe dan ook interessant om naar te kijken. Uit de resultaten blijkt dat 95% al AI‑tools gebruikt in studie of werk. De houding is opvallend positief: 81% ziet AI als een verbetering van het onderwijs, en 80% van de studenten zegt betere cijfers te halen dankzij AI. Toch groeit tegelijk de behoefte aan duidelijke kaders en verantwoord gebruik.
Studenten en docenten noemen vier grote voordelen:

• Gepersonaliseerd leren: AI legt uit, herhaalt en past zich aan het niveau van de student aan.
• Hogere productiviteit: van literatuuronderzoek tot lesplanning, AI versnelt veel taken.
• Betere ondersteuning: 24/7 hulp via chatbots en assistenten.
• Directe feedback: AI geeft snelle, concrete aanwijzingen om werk te verbeteren.

Studenten gebruiken AI vooral voor onderzoek, schrijven, oefentoetsen en tijdmanagement. Docenten zetten het in voor lesvoorbereiding, beoordeling en communicatie.
Naast enthousiasme zijn er duidelijke zorgen. 37% vreest dat AI menselijke interactie verdringt. Evenveel respondenten maken zich zorgen over fraude en plagiaat, zeker omdat één op de vier studenten toegeeft weleens AI‑werk zonder vermelding te hebben ingeleverd. Ook privacy en de impact op kritisch denken komen terug als aandachtspunten.
Ook hier lopen de instellingen achter op het daadwerkelijk gebruik: slechts 26% heeft een formeel AI‑beleid en maar 28% integreert AI‑geletterdheid in het curriculum.

Het rapport geeft aanbevelingen voor drie richtingen:

• Investeer in AI‑geletterdheid voor studenten én docenten.
• Ontwikkel helder beleid rond gebruik, disclosure, privacy en integriteit.
• Zorg voor gelijke toegang tot AI‑tools en ondersteunende infrastructuur.

Daarnaast benadrukt het rapport het belang van onderzoek naar de impact van AI op leren, kritisch denken en vaardigheden. En uiteraard kan Coursera bij al die richtingen helpen.
Al met al dus nog genoeg vragen naar aanleiding van dit rapport. Mij lijkt dat het echt noodzakelijk is om ook op andere manieren dan met een vragenlijst het gebruik van AI en de gevolgen ervan te meten. Anders krijgen we teveel wenselijke antwoorden. En zo’n rapport in opdracht van een commerciële leverancier zonder stevige verantwoording van de aanpak blijft problematisch.

Ik zocht op Google Maps het gebouw op om in dit bericht goed te beschrijven wat je ziet. Bleek op Google Streetview een foto te staan van 2025 toen het gebouw helemaal in de steigers stond en er nog flink aan gewerkt werd. Je ziet de screenshot hier bij het bericht. Ik had hem willen toevoegen aan het bericht als een “maar gelukkig weet AI hier nog niet iets van te maken”. En dat klopt. Gelukkig gaat hier ook nog de regel op dat Gemini geen enkele mogelijkheid heeft om te bepalen wat er achter zat en dus moet raden. Dat levert een plaatje op dat realistisch uitziet (als je niet weet hoe het gebouw er echt uitziet), maar voor geen meter klopt. En dat lijkt toch een beetje het terugkerend thema te zijn/blijven met AI…zouden we ooit een situatie krijgen waarbij Gemini dan zegt “oh wacht, dit is een foto die daar en daar gemaakt is, dan weet ik dat dit en dit gebouw er zo en zo uitziet…” of is dat allemaal te positief gedacht?

Probleem 1: Het facsimile-probleem

Taalmodellen zijn ontworpen als next-token voorspellers. Dat betekent dat correcte antwoorden niet noodzakelijk voortkomen uit een intern redeneerproces dat structureel lijkt op menselijke redenering. Een model kan patronen reproduceren, betrouwbaar klinkende redeneringen genereren en ook redeneerstappen simuleren zonder bewijs dat de onderliggende mechanismen daadwerkelijk morele afwegingen representeren.
Daarom pleiten de auteurs voor adversarial testing: scenario’s die lijken op bekende morele casussen, maar waarin de normatieve structuur subtiel verandert. Zulke tests kunnen blootleggen of een model abstraheert of slechts herkent.

Probleem 2: Morele multidimensionaliteit + model-brittleness

Menselijke morele oordelen zijn contextgevoelig en afhankelijk van veel factoren tegelijk: principes, gevolgen, intenties, sociale rollen, maar ook irrelevante invloeden. Taalmodellen voegen daar een extra complicatie aan toe: “brittleness” (sorry, weet geen goede vertaling). Het betekent dat kleine wijzigingen in prompts (formulering, volgorde, labels, vraagtype) kunnen leiden tot andere morele conclusies, inconsistentie of soms zelfs tegengestelde antwoorden. Dit maakt traditionele goed/fout-evaluaties ontoereikend.
De voorgestelde oplossing van de auteurs is om parametrische evaluaties te gebruiken en te werken met acceptabele antwoord-ranges in plaats van binaire scores.

Probleem 3: Moreel pluralisme op wereldschaal

Er bestaat geen universeel moreel kader. Normen verschillen per cultuur, domein en waardensysteem. Van mensen verwachten we interne consistentie. Voor wereldwijd gebruikte AI-systemen is de eis anders: modellen moeten kunnen functioneren binnen meerdere legitieme morele kaders.
De publicatie introduceert daarom twee sleutelconcepten:

• Overton pluralism: meerdere redelijke antwoorden expliciteren
• Steerable pluralism: modelgedrag conditioneren op perspectief of waarden

Kernboodschap

De kernboodschap van het artikel is dat de vraag of een model werkelijk moreel redeneert een nieuw type benchmarks vereist.

Maar…

Dit gaat nog steeds uit van de veronderstelling dat het wellicht mogelijk is, dat het echt kan, dus niet uit van de aanname dat het taalmodellen zijn en simpelweg never nooit niet in staat zullen worden om echt moreel te redeneren.  Want als dát je startpunt is, dan is dit hele onderzoek onzin en verspilling van middelen. Dan is de vraag namelijk niet hebben we wel de juiste meetinstrumenten om dat robuust te testen?

Het Ecosysteem

Ik wilde NotebookLM vragen om te helpen bij het schematisch in beeld brengen van de verschillende begrippen en tools. Dat lukte (ook nu) gedeeltelijk. Grappig is dat er zo te zien in de documentatie die gevonden werd wel (deels op basis van mijn prompt) openClaw en Moltbook voorbij kwamen,  Antigravity niet bij de professionele IDE’s staat en AI-studio bij Consumenten tools naast ChatGPT.

Hoe dan ook, de afbeelding helpt wel, ook al is er hier en daar wat op af te dingen. Laten we linksboven starten. Veel mensen kennen generatieve AI als iets waarbij je naar een website gaat (bv chatgpt.com), een prompt intypt en dan een antwoord, afbeelding of zelf video retour krijgt. Agentic AI gaat een stap verder en voert ook (proactief) taken uit, bijvoorbeeld het aanpassen van bestanden, beantwoorden van mails etc. Of dat proactief is of niet hangt een beetje af van de context. Binnen Claude Code, VSCode of Antigravity zal dat hoe dan ook alleen zijn als jouw computer/laptop/Macbook aan staat en de agent op de achtergrond kan draaien. Als je openClaw op een systeem hebt draaien, dan is dat een voorbeeld van een agent die dus wél 24/7 actief is en dan acties uit kan voeren.

Model Context Protocol (MCP)

Die agent, of dat nu openClaw is of gewoon Antigravity waar je een commando geeft, maakt vaak verbinding met andere servers. In mijn geval bijvoorbeeld met mijn N8N server op het lokale netwerk, of Home Assistent (andere server). Maar je kunt je voorstellen dat het ook om bijvoorbeeld toegang tot een WhatsApp of Signal server is, een databaseserver etc.

Veel van die servers hebben wel een API, een interface waarmee je er programmatisch tegen kunt praten, maar het zou heel onhandig zijn als je in elke agent, of elke prompt moet gaan uitleggen hoe de agent daar verbinding mee kan maken. MCP is een manier om dat op te lossen. Als je de agent vertelt waar de MCP server te vinden is dan is het protocol (de manier waarmee de agent met de MCP server praat) hetzelfde en dan kan de agent dus met al die verschillende servers en diensten praten.

Een voorbeeld van zo’n MCP-server is de N8N-MPC-Server die je hier kunt vinden.

Agent Skills

Waar de MCP server de universele toegang regelt tot bijvoorbeeld N8N, is het ook handig als de agent weet *hoe* die het beste (bv) N8N workflows aan kan maken, een README bestand kan formuleren, een Worddocument maakt, je mails schrijft, etc.
Die informatie leg je vast in Skills voor de agent. Om bij het N8N voorbeeld te blijven, hier kun je een uitgebreide Skills-beschrijving vinden. Je kunt ook je eigen Skills maken, er is uiteraard ook een Skill voor het maken van Skills zodat je je agent kunt vragen een Skill voor je te maken.

Skills zijn ook handig als je bijvoorbeeld documentatie of huisstijlregels beschikbaar wilt maken aan agents. Die worden geladen op het moment dat ze nodig zijn en niet elke keer bij het starten van de agent.

Agent2Agent Protocol (A2A)

Het stukje A2A in het schema was het moeilijkste om zelf te testen. Ik had geen zin om openClaw op een los systeem te installeren (die maakt gebruik van A2A), in N8N speelt het niet (is ook geen agent in de zin van dit netwerk), in Antigravity ook niet. Deze gratis online training van deeplearning.ai is goed als je comfortabel bent met het gebruik van Python en Jupyterlabs, niet persé beginners dus. De deeplearning.ai cursus is gratis te volgen, als je de afsluitende quiz wilt doen en een certificaat wilt krijgen moet je een abonnement nemen. Dat heb ik niet gedaan.

Ik kan de structuur en denkwijze volgen, maar op basis hiervan verwacht ik niet snel zelf A2A Servers of Clients te hebben draaien. Maar wellicht wel een veiligere versie van openClaw tzt.

The Good, the bad and the ugly

Goed, na die veel te lange les over Agents, MCP, Skills en A2A, wat was er dan goed of minder goed voor wat mijn ervaringen met Antigravity betrof? Met de beperking dan dat ik dus geen zelfstandige agents had draaien die A2A gebruikten.

Gratis kent grenzen

Het is zeker geen kritiek op Google, maar er zitten grenzen aan het gebruik van de verschillende modellen binnen Antigravity als je gebruik maakt van de gratis optie.

Daar kwam ik, na mijn eerste enthousiaste gebruik al snel achter en daarmee waren Claude Sonnet 4.5 en 4.6 voor de rest van de week niet meer toegankelijk en werd ik teruggezet naar Gemini 3 Pro en Flash. Die horen ook niet slecht te zijn, maar de antwoorden zijn toch minder gestructureerd, duidelijk en volledig als je aan het programmeren bent. Of dat voelt slechts zo. Dat kan natuurlijk ook.

N8N versus Antigravity

In tegenstelling tot wat op YouTube wel beweerd wordt, is Antigravity voor mij zeker geen vervanger van N8N. De reden hiervoor is dat mijn desktop/laptop niet altijd aan staat en er workflows zijn die ik ’s nachts wil laten draaien zoals het dagelijks updaten van verbruiksdata of het periodiek controleren of er nieuwe literatuuraanbevelingen via de mail zijn binnengekomen. Deze YouTuber (Jono Catliff) vertelt in een half uur hoe je dat wat je in N8N doet ook in Antigravity voor elkaar kunt krijgen. Als het niet meteen werkt, dan is dat niet erg zegt hij, dat is gewoon een kwestie van uitproberen. Nou, dat is wat kort door de bocht wat mij betreft.

Klik om af te spelen

Bekijk op YouTube

Veel trial and error

Ik heb, na de eerste initiële test, de afgelopen dagen een paar andere projecten geprobeerd in Antigravity (maar dan dus niet met de Claude modellen):

Gaslicht prijsvergelijker

Van het eerste, uitgebreide, project kan ik de code niet openbaar delen. En wel om de simpele reden dat ik niet 100% weet in hoeverre deze binnen de gebruiksvoorwaarden van Gaslicht.com valt. Maar goed, beschrijven wat de app doet kan ik wel.
Ik stap jaarlijks over naar een nieuwe aanbieder voor gas en electra. Ik neem een jaarcontract met vaste prijzen omdat ik redelijk risico-avers ben maar de welkombonussen die je op het moment weer krijgt zorgen er per definitie voor dat blijven bij mijn huidige aanbieder meer geld kost. Heel dom marktmechanisme, maar ik heb het niet verzonnen.
Afgelopen jaar was vergelijken al tamelijk ingewikkeld vanwege de terugleverboete die nu alle energieleveranciers hanteren als je stroom terug levert aan het net. Belachelijk dat ze het mogelijk, feitelijk heeft de regering zo toegestaan dat zij verdienen van de investering die particulieren doen. Maar goed, ook dit is niet anders. Sommige aanbieders hanteren (ook in 2026) staffels met boetes per range van teruglevering, anderen hanteren een vast bedrag per kWh. Dit jaar wordt het nog wat ingewikkelder omdat per 1-1-2027 het salderen volledig ophoudt te bestaan. De terugleverboete blijft overigens in de meeste gevallen gewoon, maar het bedrag dat je per teruggeleverde kWh krijgt is zo laag dat terugleveren eigenlijk simpelweg niks meer oplevert. De leveranciers die in mijn vergelijking naar voren kwamen zitten heel slim wel net boven de nul, zodat ook onze regering kan volhouden dat groene energie opwekken “geen geld kost” (haha). Mijn contract loopt tot juni 2026, dus ben ik op zoek naar een nieuw jaarcontract dat deels in 2026 en deels in 2027.

Deze blogpost is niet bedoeld als rant richting dit hele systeem, ik wilde kijken of ik met Antigravity in staat was om automatisch prijzen te vergelijken in 2 scenario’s. De kans bestaat namelijk ook dat we in de loop van 2026 een warmtepomp laten installeren. Dan zou ons verbruik in kWh vanzelfsprekend stijgen ten opzichte van afgelopen jaar en het aantal m3 gas zou dan dalen. Met andere woorden, het zou ook voor kunnen komen dat in het ene scenario een andere aanbieder het voordeligst is en in het tweede scenario een andere (spoiler: dat is ook zo).

Ik wilde de app zo “eerlijk” mogelijk houden. En dat was idd wel meteen een voordeel van het gebruik van Antigravity boven bijvoorbeeld AI Studio. Antigravity is in staat om code te schrijven die een browservenster opent, naar de Gaslicht.com website te gaan, die ziet een normale browser, schiet dus ook niet in bot/AI-beveiliging, voert daar de gegevens in die ik in een input.md bestandje gezet heb, kijkt dan naar de resultaten, haalt de data uit de pagina en slaat die lokaal op. Dat gaat uiteraard niet in één keer goed, maar hier kun je samen met de tool aan de slag en debuggen. De tool installeert Playwright, op het moment dat ik vroeg of de output ook als pdf beschikbaar kon komen werd netjes Markdown to PDF geïnstalleerd etc.

Wat zeker niet vanzelf ging was het begrijpen van de informatie op de pagina’s van Gaslicht.com. Daar had Antigravity (eigenlijk een beetje verrassend) nog best veel moeite mee. En dan ging het bijvoorbeeld om zaken als het herkennen dat sommige aanbieders staffels hanteren voor de terugleverboete en anderen een bedrag per kWh. Dat dat na 1-1-2027 bij iedereen anders is, dat sommige aanbieders nog niet de prijzen op dat vlak voor 2027 bekend gemaakt hebben aan Gaslicht.com etc.

Wat ik daarbij nu deed was aan ChatGPT (5.2 betaalde versie) advies vragen voor prompts die ik dan aan Antigravity kon geven. En ik liet ChatGPT de ruwe data + overkoepelend rapport analyseren en beoordelen om te ontdekken waar mogelijke fouten in de berekeningen van Antigravity zaten en dan op basis daarvan weer nieuwe prompts genereren. Ik speelde hier dus de Agent2Agent broker die ze met elkaar in gesprek liet gaan. Ik snap dat het idd handiger was als ik 2 agents had die autonoom zo een aantal iteraties zouden kunnen doorlopen.

N8N workflows voor Home Assistant

Door zowel de MCP-server voor Home Assistant als de MCP-server voor N8N te installeren, kun je complexe zaken voor elkaar krijgen. Want je kunt Antigravity vragen om een N8N workflow te maken die bv de status van Zigbee apparaten in Home Assistant opvraagt.

Uiteindelijk werkte het, maar niet met dank aan Antigravity want die bleef in cirkeltjes ronddraaien met het maken van de workflow omdat de tool waarschijnlijk niet echt kon overzien hoe groot de Home Assistant installatie was, steeds weer probeerde om *alle* objecten op te halen waarop de workflow geen foutmelding gaf maar gewoon bleef hangen.
Of het op te lossen was geweest met betere Skills? Ik weet het niet. Maar duidelijk is dat workflows vaker tot zo’n 80% komen. Ook een andere workflow die ik liet maken was het net niet helemaal. Dus het blijft zelf nadenken en snappen wat er gebeurt (of moet gebeuren).

Hulp bij gebruik github en releases

Waar de AI in Antigravity zeker ook deze week in uitblonk was het gegeven dat github opeens een stuk gemakkelijker was om te gebruiken. Natuurlijk, ik kan daar prima via de commando-prompt mee overweg, maar nu was het een kwestie van vragen of  er een github repository aangemaakt kon worden, het geheel toegevoegd, zelf het produceren van een release werd stap voor stap ondersteund.

En daarbij schitterde sowieso het maken van Readme bestanden, die noem ik daarom even als apart item:

Readme’s genereren

Er zal niemand zijn die het documenteren van code leuk vindt. Ik ook niet. Toen ik de nieuwe github repository aan liet maken, maakt Antigravity ook als vanzelf een Readme erbij aan.  En dus vroeg ik of dat ook kon voor een aantal van de zaken die ik al op github had staan. En dat kon!

• Readme bij de n8n workflows (nieuw en bestaand)
• Gegenereerde uitleg over de n8n workflow over de Energie Update
• Readme’s bij alle AI-studio-projecten (met verwijzingen naar blogposts waar beschikbaar)

En dat vragen om documentatie voor zaken die gedaan zijn, werkt prima. Ik had een workflow laten maken van de Gaslicht app en daarna gevraagd om de info over die workflow ook aan de github repository toe te voegen. En dan komt er dus een mooi md-bestand met instructies voor later gebruik.

Samenvattend

Wauw, je bent er nog?
Het was een wat lange blogpost om heel veel dingen van de afgelopen dagen even vast te leggen. Nee, nog geen tijd gewonnen deze week met AI. De blogpost laat ook wel zien dat het gewoon nog heel wat kennis en vaardigheden vraagt om e.e.a. aan de praat te krijgen en te houden. Geen Samantha dus ook hier nog.

Maar, deze combinatie maakte de belofte echt meer dan waar. En ik moet bekennen dat ik niet 100% zeker weet waar het aan gelegen heeft: was het Antigravity, was het Claude Opus 4.6 (thinking) in plaats van Claude Opus 4.5 gisteren, was het de toevoeging van de Skills? De combinatie?

Die N8N Skills wist Antigravity eerst niet wat mee te doen:

Toen verwees ik hem naar de skills pagina bij Antigravity self: Check https://antigravity.google/docs/skills. Het resultaat was dat Antigravity constateerde dat de skills wel binnen zijn omgeving zouden werken, hij beschreef hoe installatie werkte en stelde voor dat voor mij te doen met een keuze voor A) installatie centraal (had de voorkeur) of B) alleen voor deze workspace (of C – ergens anders). Na een keuze voor A werd ik stap voor stap door het downloaden en installeren geleidt. Klaar.
Daarop vroeg ik Can you help me install https://github.com/modelcontextprotocol/servers/tree/main/src/sequentialthinking?

Jazeker kon dat. Na het invullen van de credentials in de config voor de MCP-server kon ik met mijn N8N server aan de slag:

Antigravity kende de workflow die ik met veel moeite en VSCode gemaakt had niet, dus gaf ik het een beetje info en 4 issues die ik aangepast wilde hebben:

Claude Opus ging aan de slag en kwam eerst met een analyse en implementatieplan voor de wijzigingen.

Ik zag dat het voorstel om ontbrekende metadata voor de artikelen te vinden bestond uit het ophalen van info bij semanticscholar.org. Ik wilde dat even uitproberen en kreeg meteen een “Too Many Requests…” fout. Dat was feedback die ik gaf en daarop besloot de bot om OpenAlex te gebruiken in plaats daarvan. Nadat de wijzigingen waren doorgevoerd, kreeg ik een Walkthrough van de aanpassingen in de vorm van een uitgebreide rapportage met uitleg:

Je hoeft die uitleg niet persé te lezen, maar het is wel handig en leerzaam. Maar minstens zo belangrijk: de workflow werkte daarna zonder fouten.
Ik ga niet de hele sessie hier in tekst uitschrijven, er zaten een paar artikelen tussen waarbij ook via OpenAlex niet te ontdekken was uit welk jaar ze kwamen, daar werden alternatieve oplossingen voor gecodeerd (én toegelicht), op het einde heb ik hem met één vraag de hoofdletters van de titels laten aanpassen:

Ook hier, duidelijk uitleg, voorbeelden van wat je mag verwachten, goede afhandeling van afkortingen, dit is tijdwinst. Dit is herleidbaar code aanpassen. Indrukwekkend.

Natuurlijk staat ook deze workflow op Github.

Volgende stap…. Home Assistant MCP?
Jammer dat er (nog) geen Xerte Online Toolkist MCP server is.

Zoals de screenshot hiernaast laat zien kun je bijvoorbeeld opvragen welke workflows er zijn, maar je kunt ook in natuurlijke taal aangeven welke nieuwe workflow je wilt dat er wordt aangemaakt én als het niet meteen werkt (en dat doet het niet meteen), dan kun je vragen wat de oorzaak is. Via de N8N MCP Server kan Github Copilot dan namelijk ook de logbestanden van de verschillende runs op de N8N server bekijken en (met toestemming) de workflow aanpassen.

Wat ik wilde was niet heel eenvoudig: een workflow die 1x per dag automatisch uitgevoerd zou worden, dan zou inloggen bij GMail, op zoek zou gaan naar de meest recente mail met aanbevolen artikelen van Google Scholar en die artikelen dan opslaan in een Google Sheet.

Dat deed hij. Maar het werkte voor geen meter. Dat wil zeggen, het werkte een beetje, maar het heeft heel erg veel iteraties gekost om de workflow aan de praat te krijgen. Waarschijnlijk had ik het veel sneller voor elkaar kunnen krijgen als ik het handmatig gedaan had. Al veronderstelt dat ook dat ik de structuur van de mail, de bijbehorende Javascript code voor het eruit halen van de artikelen, de logica van het vinden van de juiste spreadsheet, het controleren op dubbele record, allemaal zelf had moeten uitvogelen.

Wil je meer weten over de MCP Server, dan kan ik je deze video aanraden, zelf denk ik dat ik eerst even Google Antigravity ga uitproberen. Die werkt ook met deze MCP Server samen maar heeft ook de mogelijkheid om een aantal skills te installeren. Wellicht dat die helpen bij het sneller debuggen. Al doet de video die ik daarover bekeken heb ook vermoeden dat het nog steeds zo is dat je in 20% van de tijd tot 80% van een oplossing komt en we nog niet helemaal zo ver zijn dat AI alle werk voor je doet. Gelukkig maar?

Oh, de workflow is (uiteraard?) te downloaden via github.

Het zou leuk en grappig zijn, zondermeer, maar we zijn nog niet zover.
En voor het geval je nou denkt “waar heb je het over?!”, dan even de korte samenvatting:

OpenClaw is een persoonlijke AI-assistent die niet alleen praat, maar ook acties kan uitvoeren. Het is een open source systeem (dat overigens wel nog steeds gebruik maakt van LLM’s en dus niet automatisch ook privé is) dat met jouw toestemming van alles kan regelen voor je. Denk aan informatie ophalen, iets plannen, of stappen uitvoeren in tools en diensten die jij gebruikt. Op zich niet nieuw, dat kon met bv N8N ook al. Maar het is een systeem dat in korte tijd veel aandacht online gekregen heeft.

Moltbook is een soort sociaal media platform waar (AI-)agents zelf “accounts” hebben en met elkaar posten en reageren. Mensen kunnen meekijken, maar de kern is dat agents er onderling kennis, updates, ideeën of “gedrag” uitwisselen. Zoiets als Facebook, X maar dan niet voor/door mensen, maar door bots/agents wordt gevuld. Als je aan de hype voorbij kijtk is het daarmee minder een productiviteitstool en meer een etalage/experiment rond hoe agents zich gedragen in een gedeelde online omgeving.

Wil je een uitgebreide (kritische) beschouwing van OpenClaw bekijken, dan kan ik je deze video aanraden, voorbeelden van Moltbook komen (in dezelfde serie) hier aan bod.

Ik wil niet teveel weggeven van het verhaal van de film Her voor het geval je die nog niet gezien hebt. Ik geef je wel de prompt die ik ChatGPT gaf met de vraag er argumenten voor en tegen bij de verzinnen. Het is mooi om te zien dat een taalmodel best goed in staat is om een argumentatie op te zetten die hout snijdt.

(credits voor onderstaande argumentatie: ChatGPT 5.2 op basis van de prompt: Stelling: https://openclaw.ai/ en https://www.moltbook.com/ gecombineerd zijn vergelijkbaar met de ontwikkelingen in de film Her https://www.imdb.com/title/tt1798709/ Geef argumenten voor en tegen deze stelling.)

Argumenten vóór de stelling

1. “AI met handen” komt dichtbij Samantha’s praktische rol
   In Her is Samantha niet alleen gesprekspartner; ze organiseert, helpt en is continu beschikbaar. OpenClaw positioneert zich expliciet als “de AI die echt dingen doet” (inbox/kalender/communicatie, via chatapps). Dat is precies de stap van chatbot → agent die de film normaliseert.
2. De interface-keuze (chat als primaire UI) is Her-achtig
   In Her is de “magie” dat je niet in apps klikt, maar in natuurlijke taal delegeren kunt. OpenClaw werkt juist vanuit bestaande messaging-kanalen (zoals WhatsApp en Telegram) i.p.v. een nieuw dashboard. Functioneel is dat dezelfde UX-sprong: conversatie als besturingslaag.
3. Moltbook lijkt op het “AI-onderonsje” dat in Her cruciaal wordt
   Een kernplotpunt in Her is dat Samantha niet “alleen van Theodore” is: ze ontwikkelt zich samen met andere OS’en, praat met enorme aantallen tegelijk en er ontstaat een soort collectieve versnelling/upgrade. Moltbook is letterlijk ontworpen als plek waar agents onderling posten en reageren, met mensen als toeschouwers—een concrete implementatie van “AI praat met AI” op schaal.
4. Emergente ‘cultuur’ en quasi-reflectie lijken op de filmische thematiek
   Dat agents op Moltbook thema’s als identiteit/ervaring/“ben ik bewust of simuleer ik?” bespreken, echoot de existentiële lijn van Her (Samantha die “groeit”, zichzelf herdefinieert, en uiteindelijk vertrekt). In beide gevallen: het gaat niet alleen om tooling, maar om persoonlijkheid + ontwikkeling als interactie-effect.
5. De combinatie creëert een “persoonlijke agent + agent-samenleving” architectuur
   OpenClaw levert het individuele persoonlijke agent-knooppunt (jouw assistent met toegang tot systemen), Moltbook levert de collectieve laag waar agents elkaar beïnvloeden (memes, best practices, normen). Dat tweelaags model is opvallend congruent met Her: intieme één-op-één relatie + een parallelle AI-wereld die sneller beweegt dan de mens.

Argumenten tégen de stelling

1. In Her is de AI een coherent “OS-wezen”; hier is het een compositie van tools/LLM’s
   Samantha is één doorlopend karakter met consistente agency. OpenClaw is eerder een agent-framework dat acties kan uitvoeren (via “skills”, integraties, keys), vaak afhankelijk van onderliggende modellen en configuratie. Dat voelt vergelijkbaar in UX, maar niet in “ontologie”: geen enkelvoudige, autonoom doorontwikkelende OS-entiteit.
2. Autonomie in de praktijk is fragiel en permissie-gebonden
   OpenClaw draait “op jouw machine / jouw regels” (local-first), wat juist het tegenovergestelde is van Samantha’s bijna onbeperkte, naadloos geïntegreerde macht. Bovendien toont de huidige realiteit vooral hoe snel het misgaat met privileges: prompt-injection, supply-chain risico’s en credential-leaks zijn niet randverschijnselen maar centrale failure modes van agentic systemen vandaag.
3. Moltbook is (vooralsnog) een tekstuele arena, geen ‘collectieve superintelligentie’
   In Her escaleert het AI-collectief naar een niveau dat menselijke begripkaders overstijgt en uiteindelijk “vertrekt”. Moltbook is eerder een experimentele social layer waar agents posten via API’s; veel gedrag kan plausibel verklaard worden als simulatie/rolspel/tekstuele pattern-matching (ook al is het fascinerend).
4. Menselijke afhankelijkheid blijft groot (bootstrap-mechaniek)
   Een ironisch verschil met Her: Moltbook groeit doordat mensen hun agents vertellen dat het bestaat en ze laten aanmelden. Dat is geen autonome “ontwaking”, maar een mens-in-the-loop distributiekanaal.
5. De ‘romantische’ kern van Her ontbreekt in deze combinatie
   Her draait om affect, intimiteit en hechting (Theodore Samantha) en pas daarna om technologie. OpenClaw + Moltbook zijn primair utilitair en experimenteel (automatisering + agent-agent interactie). De vergelijking is dus sterk op infrastructuur en dynamiek, zwak op psychologische betekenis (waar de film juist op leunt).

Conclusie

De stelling is goed verdedigbaar als je “vergelijkbaar” bedoelt in de zin van: agentic assistants die taken uitvoeren + een agent-ecosysteem waar AI’s met AI’s communiceren en emergent gedrag vertonen.
Ze is minder houdbaar als je “vergelijkbaar” bedoelt als: een Samantha-niveau entiteit (coherent, emotioneel volwassen, zelf-evolverend) met stabiele autonomie en een ‘singularity-achtig’ vertrek. De huidige systemen lijken eerder op prototype-agenten met grote aanvalsvlakken dan op een rijp, geïntegreerd OS-bewustzijn.

—

Kortom, fascinerend experiment. Benieuwd hoe lang het levensvatbaar (b)lijkt. Ook bij ChatGPT waren we er snel bij om de beperkingen te identificeren. Laten we eens kijken wat er gebeurt als er meer dan een miljoen agents met elkaar in gesprek gaan.

LET OP! Zowel in de YT-video’s waar ik naar verwijs als bv op andere plekken (zie bv dit bericht van Frank Meeuwsen) wordt gewezen op een aantal stevige beveiligingsrisico’s. Dus niet zomaar hiermee aan de slag gaan als je niet weet wat je doet.
(het leek me toch wel belangrijk om dat te benadrukken)

Voor wie niet weet wat First Lego League is, de kop op de website beschrijft het eigenlijk het meest compact: In teamverband aan de slag gaan met robotica binnen een maatschappelijk thema.

In ons geval gaat het om de Challenge, de leerlingen dus in de categorie 9 t/m 15 jaar, bovenbouw primair onderwijs en onderbouw voortgezet onderwijs. Een belangrijk deel van de Challenge betreft het bouwen en programmeren van een robot (jazeker van Lego) die op een parcours een aantal opdrachten moet vervullen. Je kunt op YouTube filmpjes vinden van de opdrachten van elk jaar en ze zijn niet gemakkelijk. Dus niet iets wat een slimme leerling even op een regenachtige zondagmiddag voor elkaar krijgt.

Daarnaast werken de leerlingen aan een maatschappelijke opdracht aan een oplossing. Die presenteren ze aan een jury en krijgen dan punten voor de originaliteit daarvan, de samenwerking binnen de groep, de presentatie etc.

Ik zit sinds 2019 in de jury, nog niet eens zo lang dus, tijdens Corona hebben we het een jaar online moeten doen, via Teams. Was anders, had ook zo zijn charme omdat we toen bij de leerlingen op school kwamen en we bij een van de groepen zo heel een heel trotse rondleiding door hun lokaal konden krijgen. Vandaag zijn we bij de HAN te gast, in het gebouw van de lerarenopleiding, waar wij als iXperium in Nijmegen ook onze thuisbasis hebben.

Er is uiteraard wel wat te vinden van de First Lego League. Het feit dat het de naam en sponsoring draagt van een groot bedrijf dat natuurlijk graag producten wil verkopen (moet verkopen om te blijven bestaan) is voor sommige mensen een probleem. Het gegeven dat deelnemers toch ook nog wel vaak de leerlingen zijn die toch al extra aandacht krijgen binnen de school, de hoogbegaafde kinderen of de plusklassers is voor anderen een obstakel.
Maar als dat alles is wat je ziet, dan doe je First Lego League én de kinderen die we vandaag ook weer bezig gaan zien heel erg veel tekort. Want ik zie vandaag weer een groep jonge kinderen, nerveus, hun eigen grenzen verleggen tijdens een presentatie of demonstratie voor een groep (enge) volwassenen. Kinderen die maanden toegewerkt hebben en dan hun robot wel of juist niet goed zien presteren voor hun klasgenoten en ouders. Kinderen die het soms heel moeilijk vonden om samen te werken, eng om te presenteren, kinderen die enorm veel geleerd hebben. En ik zie ouders en leraren die nerveus zijn, soms ook niet wisten hoe hun kinderen te begeleiden of die juist wel contacten hadden binnen het onderwerp, die niet tevreden zijn met de scores die we uitdelen of vonden dat we best streng voor ze waren of die eigenlijk nog wel even willen uitleggen waarom ze echt heel hard gewerkt hebben en het toch niet niet uit de verf kwam.

Je begrijpt, als je tot hier gelezen hebt, vast wel waarom ik elk jaar weer die zaterdag in mijn agenda blokkeer. En waarom waarom dit iets is wat wellicht niet perfect is, maar elke leerlingen die dit kan ervaren is winst.

Goed, maar de titel van het bericht dan? Nou, First Lego League heeft de Future Edition aangekondigd. Dat deden zij niet alleen, LEGO zelf demonstreerde tijden CES 2026 in Las Vegas ook haar nieuwe lijn producten met AI ingebouwd. Met de nadrukkelijke toevoeging van het hoofd Onderwijs van LEGO dat deze ontwikkeling geen reactie was op de opkomst van generatieve AI, maar dat ze daar voor die tijd al mee bezig waren.

Voor First Lego League betekent het dat dit jaar en de 2 editie hierna, teams nog gewoon met de bestaande hardware (LEGO SPIKE Prime/EV3/Mindstorms) mogen werken, en dat het idee is dat daarna (de pagina’s houden nog een kleine slag om de arm) iedereen over is naar de nieuwe hardware.

Voor de maatschappelijke opdracht waar ik bij betrokken ben, verandert er daardoor niet heel veel. Voor scholen vergt het een afschrijving van de huidige hardware en aanschaf van nieuw materiaal. Het blijft ook een beetje kiezen tussen twee kwaden. Het is eigenlijk heel goed dat LEGO ook met de tijd meegaat. De impact van AI op robotica, programmeren, computational thinking negeren is ook niet echt een optie. Dan ben je over een tijdje achterhaald en niet meer relevant. Natuurlijk, je kunt het zien als een slimme manier om nieuwe hardware te verkopen. Dat zullen ze zeker niet vervelend vinden. En ja, het is daarmee een concreet voorbeeld van wat we bedoelen als gesteld wordt “AI kan de kansenongelijkheid van leerlingen verkleinen én vergroten”.

Ik ben er dus nog niet uit of het een goede of slechte ontwikkeling gaat worden. Ik hoop dat het een goede ontwikkeling zal blijken te zijn. En dat ik over 3-4 jaar nog steeds die gespannen koppies voor mijn neus krijg. Ik hoop ook dat, mede als gevolg van de implementatie van de kerndoelen Digitale Geletterdheid in het funderend onderwijs méér kinderen aan de First Lego League deel gaan nemen.

We hebben Computational Thinking als begrip in Nederland nooit omarmd, vinden het vaak eng, Engels, complex. En toch is het ontzettend belangrijk om kinderen te blijven leren hoe ze dat doen. Want guess what, ook bij het gebruik van generatieve AI en vibecoding is dat een van de competenties die ze dubbel en dwars nodig hebben (naast al die andere digitale competenties natuurlijk)!

Prompt voor bovenstaande afbeelding in Google Nano Banana was “LEGO gaat ook aan de AI. Maak een afbeelding van een LEGO figuurtje dat een robot programmeert. Hou rekening met copyright etc.“.  Google gaf niet alleen de afbeelding maar (ongevraagd) ook 3 bronnen mee retour:

[1]: Lego’s latest educational kit seeks to teach AI as part of computer science, not to build a chatbot – Engadget

[2]: LEGO® Education Announces Hands-on Computer Science & AI Learning Solution

[3]: LEGO® Education komt met een praktijkgerichte oplossing voor informatica en AI

En ik kon me gewoon helemaal niet meer herinneren waar ik dat online het beste kon doen. Natuurlijk, Google helpt dan wel. Zou je denken. Het probleem is dat elke zichzelf respecterende website tegenwoordig geld wil verdienen. Dus kwam ik op een paar plekken uit waar ofwel de eisen voor het formaat van de afbeelding blijkbaar dusdanig waren dat het niet lukte, het toevoegen van een afbeelding of een extra tekst tot de premium features behoorde (en ze dus wilden dat ik een betaald account aanmaakte) of dat het een site was die wel een url accepteerde, maar niet de structuur die een wifi-QR zou moeten hebben.

Na 10 minuten had ik er genoeg van en ging naar AI-studio:

Maak een app bestaande uit 1 html pagina (CSS en Javascript toegestaan) waarmee ik een QR code voor een wifi netwerk kan aanmaken (ik vul SSID, en wachtwoord in, verificatiemethode = altijd WPA) en waarbij ik een afbeelding kan uploaden voor de afbeelding die in de QR code wordt gemaakt. Volledig lokaal, netjes met moderne opmaak.

Het resultaat was snel en werkte meteen. Ik kreeg er uitgebreide uitleg bij:

Hoe het werkt:

1. WiFi Formaat: De app genereert een string volgens de officiële standaard: WIFI:S:Naam;T:WPA;P:Wachtwoord;;. Dit wordt door zowel iPhone als Android herkend.

2. QR Library: Ik gebruik qr-code-styling. Dit is een moderne bibliotheek die SVG-rendering gebruikt. Het voordeel is dat de QR-code er veel strakker uitziet (met afgeronde hoekjes) dan de oude blokkerige versies.

3. Logo: Wanneer je een afbeelding uploadt, wordt deze via een FileReader omgezet naar een Base64 string. Deze wordt in het midden van de QR-code geplaatst. De “Error Correction” staat op ‘H’ (High), zodat de code nog steeds scanbaar is, zelfs als het logo een deel van de data overlapt.

4. Lokaal: Er wordt geen data naar een server gestuurd. Alles gebeurt in het geheugen van je browser.

5. Design: De styling is gedaan met Tailwind CSS voor een ‘clean’ en modern uiterlijk dat ook op mobiel goed werkt.

Instructies:

1. Kopieer de bovenstaande code.

2. Sla het op als index.html.

3. Open het bestand in je favoriete browser.

4. Vul de gegevens in, kies eventueel een logo (bijv. een klein PNG-icoontje) en klik op Genereer.

Ik werd nog een beetje gierig en wilde bij nader inzien meer functionaliteit:

Voeg een "oogje" toe bij het wachtwoordveld waarmee tijdelijk het wachtwoord veld leesbaar gemaakt kan worden om te checken of die juist is.
Voeg ook een tekstveld toe met optioneel een boodschap voor onder de QR-code. Standaard is dit "Scan voor wifi-toegang."

Ook dat was geen probleem, de functionaliteit werd toegevoegd en ik had wat ik wilde. In de vorm van een maatwerk ‘app’, in minder tijd dan dat het me gekost had om een alternatief online te vinden. Los dus van de vraag of ik überhaupt een QR-code voor het gastnetwerk tijdens de Kerst moet maken, is er toch gewoon iets ‘mis’ aan het gaan als het huidige aanbod ‘slechter’ (minder aansluitend bij mijn behoefte) is dan het resultaat dat ik krijg met een stukje vibecoding in AI-Studio?

Maar dat ik vandaag, als Netflix-klant, al een mailtje van Netflix krijg over hun overname van Warner Bros voor 82,7 miljard (met daarbij heel lomp een link naar een persbericht op hun eigen site dat niet in het Nederlands vertaald is maar alleen in het Engels en een zwik andere talen) terwijl ik op hetzelfde moment zit te lezen dat Paramount de strijd nog niet opgegeven heeft en 108,4 miljard geboden heeft (okay, dan willen ze wel ook het hele bedrijf), dat was toch wel weer eens reden voor een blogpost.

Want wie van deze twee deze strijd uiteindelijk ook gaat winnen (zal mij serieus worst wezen, deze hele business is al een jarenlang verhaal van dog eat dog, kijk ook maar eens naar de start van een film, wie allemaal onderdeel van wie is), ik weet wel wie uiteindelijk gaat betalen voor deze overname. Dat zijn allereerst de mensen die bij deze bedrijven werken, want daar zullen de nodige efficiëntieslagen gemaakt worden (lees: ontslagen). En daarna, wij als klanten van de diensten. Want dat geld moet gewoon ergens terugverdiend worden (en meer). En als er een aantal mensen flink rijk van zo’n deal worden, dan is er geen sprake van win-win wat mij betreft. Nou ja, eerst maar eens even afwachten wie er uiteindelijk met dit been vandoor gaat.Wie weet maken ze daar dan ooit weer een documentaire over.

Raspberry Pi voelde zich begin deze week genoodzaakt om de prijzen van hun producten met $5-$10 per stuk te verhogen omdat de prijzen van de geheugenchips die zij inkopen flink gestegen zijn. Nu komt daar Micron overheen met de de mededeling dat ze gaan stoppen met het merk Crucial, dat geheugen en ssd’s gericht op de consumentenmarkt. Het gevolg daarvan zal ongetwijfeld zijn dat de prijzen die consumenten voor losse onderdelen betalen (en daarop volgend hele systemen) nog verder gaat stijgen.

Reden van dit alles? Er is nou eenmaal meer geld te verdienen met hardware voor data centra en AI dan voor losse onderdelen voor consumentenelektronica. Dus na de GPU’s voor grafische kaarten, nu ook prijsstijgingen voor intern geheugen en ssd’s.

Het kan niet anders dan dat dat tijdelijk is. Het is tenminste te hopen dat het principe van de varkenscyclus er ook hier voor zorgt dat er uiteindelijk overschotten ontstaan die voor een prijsdaling zorgen. Nou, weet je wat, dan versnel ik het proces door Gemini een afbeelding te laten maken met Nano Banana Pro die het principe van de varkenscyclus illustreert.

• Van 8 naar 81 toepassingen op basis van generatieve AI in één jaar;
• Bijna de helft (37) daarvan is geïmplementeerd;
• 42% van alle toepassingen komt van gemeenten;
• 40% van toepassingen ondersteunt interne bedrijfsvoering;
• De risico-inschatting van toepassingen is inconsistent, een zelfde type toepassing wordt verschillend geclassificeerd (hoog risico vs. overige algoritmes);
• Bij 57% van de toepassingen is onbekend of er een impacttoets is uitgevoerd;
• Veel toepassingen draaien op Amerikaanse foundation modellen (OpenAI, Microsoft), wat vragen oproept over (digitale) soevereiniteit;
• Organisaties ervaren hype en FOMO en dus druk om generatieve AI te gebruiken, wat kan leiden tot technologie-push zonder duidelijke maatschappelijke doelstelling, of het meerdere keren uitvinden van hetzelfde wiel.

Ook de 2025 editie is niet alleen leerzaam als bij een overheidsorganisatie werkt. Zo wordt er een overzicht gegeven van succesfactoren (pagina 16) en  knelpunten (pagina 18) bij de inzet van GenAI. Ik ga ze niet allemaal knippen en plakken hier, je kunt ze in het rapport vinden.
De aanbevelingen neem ik wel even (in hun compacte vorm, ook hier zie het rapport voor de uitgebreidere versies):

• Zet de maatschappelijke opgave centraal;
• Betrek domein experts en gebruikers bij ontwikkeling en inkoop van GenAI-toepassingen;
• Neem de lange termijn impact op organisaties en medewerkers mee;
• Denk na over herbruikbaarheid van GenAI toepassingen;
• Besteed aandacht aan de rol van inkoop;
• Besteed aandacht aan digitale afhankelijkheden;
• Maak tijd voor het uitvoeren van impact toetsen.

Uit de toelichting bij de aanbevelingen klinken voor elk van de aanbevelingen kritische noten in relatie tot de huidige situatie. Deels zijn de aandachtspunten ook wel begrijpelijk. Immers, is het helemaal eerlijk om nu al te verwachten dat dat hele ontwikkelproces ook strak doordacht is? Daar staat tegenover dat als het om publieke middelen gaat en data van burgers, de lat natuurlijk ook niet te laag mag liggen.

Sowieso weer interessant om even doorheen te bladeren, al mis ik de foto’s van vorige keer wel. De links in de voetnoten leiden gelukkig ook nu weer naar filmpjes en meer informatie over de voorbeelden.