De typologieën van kunstmatige intelligentie overlappen afhankelijk van het technische, functionele of regelgevende perspectief dat men aanneemt. Het classificeren van AI-systemen op basis van capaciteit (zwak, algemeen, superintelligentie) blijft gebruikelijk, maar deze indeling is niet meer voldoende om het huidige landschap te beschrijven. Sinds de geleidelijke inwerkingtreding van de Europese verordening inzake AI en de opkomst van autonome systemen die in staat zijn om volledige workflows te orkestreren, is de manier waarop deze technologieën gecategoriseerd worden veranderd.
Agentische AI: het functionele type dat door classificaties wordt genegeerd
De meeste gidsen onderscheiden voorspellende AI, generatieve AI en zowel supervisie als niet-supervisie machine learning. Sinds 2025 identificeert Gartner een extra categorie: agentische AI. Deze systemen beperken zich niet tot het produceren van een antwoord of een voorspelling. Ze waarnemen een omgeving, nemen beslissingen en voeren acties autonoom of semi-autonoom uit om een gedefinieerd doel te bereiken.
Lees ook : Hoe het gewicht van Roman Reigns zijn prestaties en successen in de ring beïnvloedt
Concreet kan een AI-agent een volledig logistiek proces aansturen, meerdere gespecialiseerde taalmodellen orkestreren of een datastroom beheren zonder menselijke tussenkomst bij elke stap. Het verschil met een chatbot of een klassiek generatief model ligt in deze autonome actiecapaciteit in een echte omgeving, of deze nu digitaal of fysiek is.
Wat deze categorie structureel maakt, is dat ze de gebruikelijke typologieën overstijgt. Een AI-agent kan supervisie leren mobiliseren om gegevens te analyseren, generatieve AI gebruiken om een rapport te produceren en voorspellende AI om een incident te anticiperen, alles in dezelfde sequentie. De grens tussen de “typen” wordt dan doorlatend, en het begrijpen van de verschillende types kunstmatige intelligentie vereist nu het integreren van deze agentische dimensie.
Lees ook : Hoe de verschillende secties en inhoud op Zazie Web te verkennen
Regelgevende classificatie van de AI Act: vier risiconiveaus
De Europese verordening inzake AI (AI Act, verordening (EU) 2024/1689), die op 1 augustus 2024 in werking trad en gefaseerd van toepassing is, heeft een leesraamwerk geïntroduceerd dat niet is gebaseerd op de onderliggende techniek of het niveau van autonomie, maar op het risiconiveau voor mensen. Deze benadering verandert de manier waarop bedrijven over hun AI-systemen moeten nadenken.
De vier niveaus die in de tekst zijn gedefinieerd zijn:
- Onacceptabel risico: puur verboden praktijken, zoals sociale scoring of manipulatie van kwetsbare personen door middel van subliminale technieken.
- Hoog risico: systemen die worden gebruikt in de gezondheidszorg, veiligheid, werving of kritieke functies, onderworpen aan strikte verplichtingen voor risicobeheer, technische documentatie en menselijke supervisie.
- Transparantieverplichtingen: systemen die met mensen interageren (chatbots, deepfakes) en hun kunstmatige aard moeten melden.
- Minimaal risico: de grote meerderheid van de gangbare toepassingen, zonder specifieke verplichtingen buiten het gemeenrecht.
Voor Europese bedrijven heeft deze classificatie op basis van risico voorrang op de technische onderscheid tussen generatieve AI en voorspellende AI. Een generatief model dat wordt gebruikt voor het produceren van reclamebeelden valt onder het minimale risico. Hetzelfde model, toegepast op de generatie van medische rapporten, valt in de categorie hoog risico met zware nalevingsvereisten.
Toepassingsschema en concrete beperkingen
De verboden met betrekking tot onacceptabel risico zijn als eerste van toepassing. De verplichtingen voor systemen met een hoog risico volgen een geleidelijk schema. Bedrijven die generieke AI-modellen implementeren, moeten technische documentatie verstrekken en voldoen aan de regels met betrekking tot auteursrechten.
De feedback uit het veld verschilt over het vermogen van KMO’s om deze nieuwe nalevingsvereisten op te nemen, vooral wanneer ze gebruikmaken van externe modellen die buiten de Europese Unie worden gehost. De vraag naar cascadeverantwoordelijkheid (modelleverancier, integrator, eindgebruiker) blijft een juridisch spanningspunt.
Generatieve AI en taalmodellen: stand van zaken in 2026
Generatieve AI heeft de afgelopen twee jaar de meeste media-aandacht gekregen. Taalmodellen (LLM) zoals die welke ChatGPT, Claude of Gemini aandrijven, produceren tekst, code, afbeeldingen en video op basis van prompts. Hun toepassingsgebied is veel verder uitgebreid dan alleen automatische tekstproductie.
In bedrijven concentreren de toepassingen zich op documentensynthese, codegeneratie, klantenservice en het creëren van marketinginhoud. De beschikbare gegevens laten niet toe te concluderen dat generatieve AI op dit moment volledige functies vervangt, maar het herverdeelt duidelijk de taken binnen teams.
Voortdurende technische beperkingen
Hallucinaties (feitelijk onjuiste antwoorden die met zekerheid worden gepresenteerd) blijven een structureel probleem van LLM’s. Geen enkel generatief model garandeert de feitelijke nauwkeurigheid van zijn output, wat hun inzet in gereguleerde domeinen zonder een menselijke verificatielaag beperkt.
Het energieverbruik van training en inferentie is een ander open onderwerp. Vergelijkingen tussen modellen tonen significante prestatieverschillen afhankelijk van de taken, wat de keuze bemoeilijkt voor bedrijven die een specifieke use case willen industrialiseren.
Machine learning en voorspellende AI: de volwassen toepassingen
Voor de explosie van generatieve AI was machine learning al de technische basis van de meeste AI-systemen die in productie zijn genomen. Voorspellende AI, die historische gegevens analyseert om trends of gebeurtenissen te anticiperen, blijft het meest voorkomende type AI in de industriële sectoren.
Voorspellend onderhoud, fraudedetectie, kredietbeoordeling: deze toepassingen zijn gebaseerd op gesuperviseerde modellen die zijn getraind op gelabelde datasets. Hun betrouwbaarheid hangt rechtstreeks af van de kwaliteit en representativiteit van de trainingsgegevens, een punt dat vaak wordt onderschat bij de overgang naar productie.
Ongecontroleerd leren vindt zijn plaats in klantsegmentatie, netwerk-anomaliedetectie of verkennende analyse van grote databases. In tegenstelling tot gesuperviseerde learning identificeert het structuren in de gegevens zonder voorafgaande labels, wat het nuttig maakt wanneer de categorieën niet van tevoren bekend zijn.
Waar voorspellende AI en agentische AI samenkomen
De meest geavanceerde systemen combineren nu een voorspellende module (die een gebeurtenis anticipeert), een beslissingsmodule (die een actie kiest) en een uitvoeringsmodule (die op de omgeving handelt). Deze convergentie vervaagt de grenzen tussen AI-typen en maakt de rigide classificaties steeds minder operationeel.
Het Europese regelgevingskader duwt in dezelfde richting: wat telt is niet langer zozeer de gebruikte techniek, maar het uiteindelijke gebruik en het bijbehorende risico. Voor organisaties die AI-systemen implementeren, combineert het relevante leesraamwerk nu de technische aard van het model, het niveau van autonomie en het regelgevingsrisico. Geen van deze drie dimensies is op zichzelf voldoende om te beschrijven wat een AI-systeem daadwerkelijk doet.