Jagged intelligence: waarom de grillige grens van AI de grootste valkuil én kans is voor kmo's

Iedereen die de afgelopen jaren met moderne artificiële intelligentie heeft geëxperimenteerd, herkent het verwarrende gevoel. Aan de ene kant analyseert een model zoals Claude of GPT in dertig seconden een vijftig pagina's tellend technisch dossier, formuleert het foutloze code of schrijft het een vlijmscherpe strategische samenvatting. Maar vraag je datzelfde model om het aantal letters in een specifiek woord te tellen, een elementaire factuurberekening te controleren of een subtiele tegenstrijdigheid in een datumreeks op te merken, dan slaat het de plank plotseling volkomen mis.

Voor menselijke begrippen is dat gedrag volslagen onlogisch. Wie in staat is om een universitair niveau van analyse te leveren, kan immers ook rekenen op lagere schoolniveau. Maar AI is geen mens.

Dit merkwaardige fenomeen staat in de wetenschappelijke literatuur bekend als jagged intelligence, ofwel de jagged technological frontier. Het concept werd vorig jaar uitvoerig beschreven in een baanbrekende studie van Harvard Business School en Boston Consulting Group (BCG), onder leiding van professor Ethan Mollick. Voor ondernemers, IT-managers en zaakvoerders van kmo's is dit geen abstract academisch concept, maar de allerbelangrijkste sleutel tot succesvolle en veilige AI-integratie.

Wat is 'jagged intelligence' precies?

Menselijke bekwaamheid ontwikkelt zich min of meer voorspelbaar en lineair: wie leert schrijven, beheerst eerst het alfabet; wie complexe fysica begrijpt, kan ook optellen en aftrekken. De capaciteitsgrens van een mens is vloeiend en evenredig.

Bij artificiële intelligentie is die grens echter niet recht, maar gekarteld en grillig (jagged):

• Binnen de grens: Taken die voor mensen complex, tijdsintensief of intellectueel zwaar lijken (zoals creatief brainstormen, meertalig vertalen, samenvatten van lange verslagen of synthese van ongestructureerde data) worden door het model moeiteloos en met verbluffende kwaliteit uitgevoerd.
• Buiten de grens: Taken die voor ons vanzelfsprekend lijken (zoals ruimtelijke verhoudingen, strikte deterministische logica, exacte cijferreeksen zonder afrondingsfouten of het detecteren van ontbrekende velden) vallen plots net buiten de grens.

Omdat een neuraal netwerk opereert op basis van probabilistische statistiek en patroonherkenning, en niet op basis van echt conceptueel begrip, heeft het geen besef van zijn eigen beperkingen. Het model formuleert een flagrante onwaarheid met exact dezelfde overtuiging en eloquentie als een briljant feitelijk inzicht.

De Harvard-studie: twee gevaarlijke valkuilen voor kmo's

In het experiment van Harvard en BCG kregen 758 professionele consultants een reeks realistische bedrijfstaken voorgelegd. De resultaten toonden haarfijn de twee gezichten van de grillige grens:

1. De enorme productiviteitssprong binnen de grens

Voor taken die volledig binnen de grens van het AI-model vielen (zoals marktonderzoek, creatieve productideeën en conceptuele voorstellen), leverden de consultants met AI-ondersteuning maar liefst 40% hogere kwaliteit af, en klaarden ze de klus 25% sneller dan hun collega's zonder AI. Het bewees onomstotelijk dat wie AI op de juiste plek inzet, een bijna oneerlijk concurrentievoordeel opbouwt.

2. De valkuil van 'in slaap vallen achter het stuur'

Vervolgens kregen de deelnemers een taak die net buiten de grens van het model lag: een analyse met een subtiele tegenstrijdigheid in de aangeleverde gegevens, ontworpen om de blinde vlekken van AI bloot te leggen. De consultants die op AI vertrouwden, presteerden maar liefst 19% slechter dan consultants die helemaal geen AI ter beschikking hadden.

Omdat het model eerdere taken zo meesterlijk had opgelost, hadden de professionals hun kritische blik uitgeschakeld. Ze controleerden de tussenstappen niet meer en namen foutieve aannames klakkeloos over. Dit is precies wat er in de praktijk van menig kmo gebeurt wanneer men overhaast experimenteert met losse chatbots.

Twee extreme reacties die jouw bedrijf geld kosten

In de praktijk zien we ondernemers en managers vaak vervallen in een van twee uitersten, die beide schadelijk zijn voor de bedrijfsresultaten:

• Het halo-effect (blinde adoptie): Een teamleider test ChatGPT voor het opstellen van een wervende vacaturetekst en is stomverbaasd over het resultaat. Gesterkt door dat succes besluit men om direct schadeclaims, offertes of juridische contracten autonoom door AI te laten controleren. Het gevolg: ongemerkte facturatiefouten, verkeerde polisbeoordelingen en potentiële aansprakelijkheidsrisico's.
• Het cynisme van de perfectionist (blinde afwijzing): Een zaakvoerder vraagt een taalmodel om een complexe BTW-berekening te maken op basis van drie gecombineerde regels. Het model maakt een rekenfout. De conclusie van de zaakvoerder luidt: 'Zie je wel, AI is onbetrouwbaar speelgoed, wij doen alles wel met de hand.' Daarmee laat het bedrijf tienduizenden euro's aan efficiëntiewinst liggen op domeinen waar het model wél foutloos en vliegensvlug werk verzet.

Hoe navigeer je als kmo veilig over de grillige grens?

De grillige grens van AI verdwijnt niet door eenvoudigweg betere prompts te schrijven in een openbare web-chat. Wie AI professioneel wil inzetten in kernprocessen, moet de technologie omkaderen met een doordachte software-architectuur. Bij AssurIO hanteren we daarvoor vier fundamentele ontwerpprincipes:

1. Deterministische software als fundament

Laat AI nooit rekenen en laat het nooit zelfstandig beslissen over database-mutaties. In een professionele maatwerk webapplicatie worden berekeningen, tarieven, datums en harde bedrijfsregels afgehandeld door deterministische backend-code (zoals Laravel, PHP of Python). Code maakt geen afrondingsfouten en kent geen hallucinaties.

Gebruik AI uitsluitend voor de componenten die diep binnen de grens liggen: het begrijpen van ongestructureerde e-mails, semantische documentextractie en het rubriceren van klantvragen.

2. Taakdeconstructie in micro-stappen

Vraag een AI nooit om een complex proces in één grote stap af te handelen ('Lees dit dossier en beslis of we de schade uitbetalen'). Breek het proces op in afzonderlijke micro-taken: laat stap 1 (het uitlezen van datum en bedrag) uitvoeren, valideer die data via traditionele code tegen je database, en roep pas daarna een volgende stap aan.

3. Realtime verificatie en betrouwbaarheidsscores

Moderne AI-integraties bieden de mogelijkheid om een betrouwbaarheidsscore (confidence score) terug te geven, zoals we recent zagen bij innovaties rond System One Models. Ligt de score van een extractie boven de 98%? Dan kan de software de taak automatisch verwerken. Zakt de score naar 80%? Dan wordt het dossier automatisch gemarkeerd voor controle door een medewerker.

4. Human-in-the-loop bij de randen van de grens

De taak van de software is om de routineuze 80% van het werk binnen de grens weg te poetsen, zodat jouw personeel zijn kostbare tijd kan besteden aan de complexe 20% die op of net buiten de grens ligt. Zo wordt AI een krachtige hefboom voor menselijke expertise in plaats van een onvoorspelbaar risico.

Veelgestelde vragen over jagged intelligence

Wat betekent de term 'jagged intelligence' bij AI?

Jagged intelligence verwijst naar de grillige, ongelijkmatige capaciteit van AI-modellen. AI kan uitblinken in zeer complexe taken zoals programmeren of juridische synthese, maar tegelijk falen bij elementaire logische stappen of eenvoudige berekeningen.

Waarom is deze grillige grens zo gevaarlijk voor bedrijven?

Omdat AI altijd zelfverzekerd klinkt, ongeacht of het antwoord geniaal of volkomen fout is. Medewerkers ontwikkelen een vals gevoel van vertrouwen en merken niet wanneer een taak net buiten de betrouwbare grens van het model valt.

Betekent jagged intelligence dat AI ongeschikt is voor kmo-processen?

Zeker niet. Binnen de grens levert AI productiviteitswinsten van meer dan 40% op. Het geheim is om AI nooit solitair te gebruiken, maar in te bedden in maatwerksoftware met strikte validatieregels en menselijk toezicht.

Hoe schermt maatwerksoftware een kmo af tegen de blinde vlekken van AI?

Door een hybride architectuur: deterministische backend-code beheert de rekenregels, BTW-tarieven en databasestructuur, terwijl AI enkel wordt ingezet voor semantische taken zoals tekstbegrip, extractie en rubricering.

Maak van de grillige grens jouw strategische voorsprong

Zelfs met de komst van nieuwere en krachtigere modellen zal AI altijd een grillig karakter behouden. Het verschil tussen bedrijven die geld verliezen door AI-flaters en bedrijven die structureel efficiënter werken, zit niet in de prompts die ze intypen, maar in de systemen die ze bouwen.

Benieuwd hoe jouw kmo de vruchten plukt van artificiële intelligentie zonder over de grillige grens te struikelen? Ontdek hoe onze praktische AI-integraties en robuuste websoftware jouw workflows versnellen. Neem vandaag nog contact op met AssurIO voor een strategisch gesprek.