Wat menselijke waarden betekenen in het tijdperk van AI

De mythe van neutrale code

Het gesprek over kunstmatige intelligentie draait vaak om technische benchmarks en rekenkracht. We praten over parameters en petabytes alsof dat de enige cijfers zijn die ertoe doen. Deze focus verhult een dringendere realiteit. Elk large language model is een spiegel van de menselijke voorkeuren die het hebben gevormd. Er bestaat niet zoiets als een neutraal algoritme. Wanneer een systeem een antwoord geeft, haalt het dit niet uit een vacuüm van objectieve waarheid. Het reflecteert een specifieke set gewogen waarden, vastgesteld door developers en data labelers. De kernboodschap is simpel: we leren machines niet om te denken. We leren ze om onze specifieke, vaak tegenstrijdige, sociale normen na te bootsen. Deze verschuiving van logica naar ethiek is de belangrijkste verandering in computing sinds de uitvinding van het internet. Het verplaatst de verantwoordelijkheid van de hardware naar de mensen die bepalen hoe een “correct” antwoord eruitziet.

De industrie is onlangs verschoven van pure capaciteit naar veiligheid en alignment. Dit klinkt als een technische aanpassing, maar het is in feite een diep politiek proces. Wanneer we een model vragen om behulpzaam, onschadelijk en eerlijk te zijn, gebruiken we woorden die in verschillende culturen anders worden geïnterpreteerd. Een waarde die in een boardroom in San Francisco universeel lijkt, kan in Jakarta als aanstootgevend of irrelevant worden beschouwd. De spanning tussen wereldwijde schaal en lokale waarden is het voornaamste conflict in de moderne tech-wereld. We moeten stoppen met AI te zien als een autonome kracht en het gaan beschouwen als een gecureerd verlengstuk van menselijke intentie. Dit vereist dat we voorbij de marketing-hype kijken om de werkelijke keuzes achter de schermen te zien.

De mechanische spiegel van menselijke keuzes

Om te begrijpen hoe waarden in een machine terechtkomen, moet je kijken naar Reinforcement Learning from Human Feedback, oftewel RLHF. Dit is het proces waarbij duizenden menselijke contractors verschillende antwoorden van een model rangschikken. Ze zien bijvoorbeeld twee versies van een antwoord en klikken op degene die ze beleefder of nauwkeuriger vinden. Na verloop van tijd leert het model om bepaalde patronen te associëren met deze menselijke voorkeuren. Dit is geen zoektocht naar de waarheid; het is een zoektocht naar goedkeuring. Het model wordt in feite getraind om zijn menselijke beoordelaars tevreden te stellen. Dit creëert een laagje moraliteit dat in werkelijkheid slechts een statistische benadering is van wat een specifieke groep mensen graag wil horen.

Dit proces introduceert een enorme hoeveelheid subjectiviteit. Als de meerderheid van de labelers uit een specifieke demografie komt, zal het model op natuurlijke wijze het jargon, de sociale signalen en de politieke vooroordelen van die groep overnemen. Dit is waarom vroege versies van veel populaire modellen moeite hadden met niet-westerse contexten. Ze waren niet kapot; ze werkten simpelweg precies zoals ze getraind waren. Ze reflecteerden de waarden van de mensen die betaald werden om ze te beoordelen. Dit is de laag waar abstracte concepten zoals eerlijkheid en bias veranderen in concrete regels code. Het is een handmatig, arbeidsintensief proces dat plaatsvindt lang voordat het publiek ooit een chat-interface ziet. Het is de onzichtbare infrastructuur van moderne intelligentie.

De verwarring die de meeste mensen bij dit onderwerp hebben, is het idee dat AI een intern moreel kompas heeft. Dat heeft het niet. Het heeft een reward function. Wanneer een model weigert een vraag te beantwoorden, is dat niet omdat het “voelt” dat het onderwerp fout is. Het is omdat de trainingsdata zwaar gewogen is om dat specifieke patroon te vermijden. Dit onderscheid is cruciaal. Als we geloven dat de machine moreel is, stoppen we met het bevragen van de mensen die de regels opstellen. We moeten inzien dat elke weigering en elke behulpzame tip een geprogrammeerde reactie is, gebaseerd op een menselijke beslissing. Door dit te identificeren, kunnen we betere vragen gaan stellen over wie deze regels bepaalt en waarom.

Geopolitiek in de latent space

De impact van deze keuzes is mondiaal. De meeste toonaangevende AI-modellen zijn primair getraind op Engelstalige data van het open web. Dit creëert een digitale monocultuur waarin westerse waarden de standaard zijn. Wanneer een gebruiker in een ander deel van de wereld advies vraagt over familiedynamiek of juridische kwesties, ontvangen ze antwoorden die gefilterd zijn door een specifieke culturele lens. Dit is niet alleen een kwestie van taalvertaling, maar van culturele vertaling. De nuances van hiërarchie, privacy en gemeenschap variëren enorm over de wereld, maar de modellen bieden vaak een one-size-fits-all oplossing. Deze centralisatie van “correct” denken is een nieuwe vorm van soft power die enorme implicaties heeft voor het wereldwijde discours.

We zien een race om soevereine AI-modellen te ontwikkelen als reactie hierop. Landen als Frankrijk, de VAE en India investeren in hun eigen infrastructuur om ervoor te zorgen dat hun specifieke culturele waarden vertegenwoordigd zijn. Ze erkennen dat vertrouwen op een buitenlands model betekent dat je een buitenlands wereldbeeld importeert. In 2026 is deze trend versneld nu overheden inzien dat controle over de latent space van AI net zo belangrijk is als controle over fysieke grenzen. De data die wordt gebruikt om deze modellen te trainen, fungeert als een digitaal geschiedenisboek. Als dat boek slechts één perspectief bevat, zal de resulterende intelligentie inherent beperkt zijn. Daarom is de roep om diverse datasets niet slechts een diversiteitsinitiatief; het is een vereiste voor nauwkeurigheid en relevantie op wereldwijde schaal.

De belangen voor internationale samenwerking zijn groot. Als elke natie zijn eigen gesilo-de AI bouwt met zijn eigen set rigide waarden, wordt het wellicht moeilijker om over digitale grenzen heen te communiceren. Het alternatief is echter een wereld waarin een paar bedrijven in één vallei de morele grenzen bepalen voor miljarden mensen. Geen van beide paden is perfect. De uitdaging is om ruimte te laten voor lokale nuances en tegelijkertijd een gedeeld begrip van fundamentele mensenrechten te behouden. Dit is een probleem dat niet kan worden opgelost met betere hardware. Het vereist internationale diplomatie en een heldere blik op de prikkels die de tech-industrie vandaag de dag aansturen. Je kunt meer vinden over deze uitdagingen in onze uitgebreide gids over AI-ethiek en governance.

Beslissingen in de loop

Denk aan een dag uit het leven van een hiring manager genaamd Sarah. Ze gebruikt een AI-tool om honderden cv’s te screenen voor een nieuwe engineering-rol. De tool is getraind om te zoeken naar kandidaten met “hoog potentieel”. Op het eerste gezicht lijkt dit efficiënt. Maar onder de interface past de tool een set waarden toe die het heeft geleerd van eerdere aanwervingsdata. Als uit historische data blijkt dat het bedrijf vooral mensen van drie specifieke universiteiten aannam, zal de AI die scholen prioriteren. Het is niet “racistisch” of “elitair” in menselijke zin; het optimaliseert simpelweg voor het patroon waarvan werd gezegd dat het waardevol was. Sarah beseft misschien niet eens dat de tool briljante kandidaten met niet-traditionele achtergronden wegfiltert omdat ze niet passen in het “waarde”-profiel van de trainingsdata.

Dit scenario speelt zich elke dag in duizenden kantoren af. De waarden zijn niet abstract; ze vormen het verschil tussen een baan krijgen en genegeerd worden door een algoritme. Dezelfde logica geldt voor kredietwaardigheid, medische triage en zelfs rechterlijke vonnissen. In elk geval wordt een menselijke waarde zoals “risico” of “verdienste” omgezet in een getal. Het gevaar is dat we deze getallen als objectieve waarheden behandelen in plaats van de subjectieve keuzes die het zijn. We delegeren het zware werk van moreel oordeel vaak aan de machine omdat het sneller en minder ongemakkelijk is. Maar de machine automatiseert enkel onze bestaande vooroordelen op een schaal die we niet gemakkelijk kunnen monitoren.

De producten die we dagelijks gebruiken maken deze argumenten tastbaar. Wanneer een foto-bewerkings-app automatisch de huidskleur van een persoon lichter maakt om ze er “beter” uit te laten zien, drukt het een waarde uit. Wanneer een navigatie-app “hoog-risico” gebieden vermijdt, maakt het een waardeoordeel over veiligheid en sociale klasse. Dit zijn geen technische fouten; het zijn de logische conclusies van de data en de reward functions die door mensen zijn verstrekt. We leven in een wereld waarin onze software voortdurend morele keuzes voor ons maakt. Meestal merken we het niet eens totdat er iets misgaat. We moeten kritischer zijn op de “behulpzame” functies die in feite gewoon ingebakken aannames zijn.

De recente verandering in de industrie is de beweging naar “steerability”. Bedrijven geven gebruikers nu meer controle over de “persoonlijkheid” of “waarden” van hun AI. Je kunt een model vertellen om “creatiever” of “professioneler” te zijn. Hoewel dit voelt als empowerment, verschuift het de verantwoordelijkheid feitelijk terug naar de gebruiker. Als de AI een bevooroordeeld antwoord geeft, kan het bedrijf beweren dat de gebruiker de parameters niet correct heeft ingesteld. Dit creëert een complex web van verantwoording waarin niemand echt verantwoordelijk is voor de output. We bewegen van een wereld van vaste waarden naar een wereld van vloeibare, door de gebruiker gedefinieerde waarden, wat zijn eigen set risico’s en beloningen met zich meebrengt.

De prijs van geautomatiseerde moraliteit

We moeten socratisch scepticisme toepassen op het idee van “veilige” AI. Als een model perfect is uitgelijnd, met wiens waarden is het dan uitgelijnd? Er is een verborgen prijs voor de veiligheidsfilters die we vandaag zien. Vaak worden deze filters gebouwd met goedkope arbeid in ontwikkelingslanden. Mensen worden voor een paar dollar per uur betaald om de meest gruwelijke content op het internet te lezen, zodat de machine leert deze te vermijden. We besteden in feite het psychologische trauma van waarde-bepaling uit aan het mondiale zuiden. Is een AI echt “ethisch” als de veiligheid ervan is gebouwd op de ruggen van uitgebuit personeel? Dit is een vraag die de tech-industrie zelden direct beantwoordt.

Een andere beperking is de “hallucinatie van moraliteit”. Omdat deze modellen zo goed zijn in nabootsing, kunnen ze erg overtuigend klinken wanneer ze over ethiek praten. Ze kunnen met gemak filosofen en juridische precedenten citeren. Maar ze begrijpen er niets van. Ze voorspellen enkel de volgende token in een reeks.

Wanneer we vertrouwen op AI voor morele begeleiding, raadplegen we in feite een zeer geavanceerde papegaai. Dit creëert een risico op “morele de-skilling”. Als we zelf stoppen met het maken van moeilijke keuzes en de AI het laten afhandelen, verliezen we wellicht het vermogen om zelf over complexe ethische problemen na te denken. We ruilen ons morele agentschap in voor gemak.

• Wie definieert de “ground truth” voor subjectieve onderwerpen zoals politiek of religie?
• Wat gebeurt er wanneer de waarden van een privaat bedrijf botsen met de waarden van een democratische samenleving?
• Hoe auditen we de “black box” van RLHF om te zien wat er tijdens de training daadwerkelijk werd beloond?
• Kan een machine ooit echt “eerlijk” zijn als de wereld waarop hij getraind is inherent oneerlijk is?

De architectuur van beperking

Voor power users zijn de “waarden” van een AI vaak te vinden in de system prompt en de API-configuratie. Dit is de 20 procent van de tech die de andere 80 procent van de ervaring controleert. Wanneer je via een API met een model communiceert, kun je de “temperature” en “top-p” instellingen zien. Dit zijn niet zomaar technische knoppen; ze bepalen in hoeverre het model mag afwijken van de meest waarschijnlijke (en vaak meest bevooroordeelde) respons. Een lagere temperatuur maakt het model voorspelbaarder en “veiliger”, terwijl een hogere temperatuur meer “creativiteit” toelaat, maar ook meer risico. Deze instellingen zijn de eerste verdedigingslinie in waarde-alignment.

Workflow-integratie is waar het rubber de weg raakt. Developers bouwen nu “guardrail”-lagen die tussen de gebruiker en het model zitten. Deze lagen gebruiken secundaire modellen om de input en output te controleren op waarde-schendingen. Dit creëert een systeem van controle met meerdere niveaus. Deze guardrails hebben echter hun eigen API-limieten en latency-kosten. Een complexe veiligheidsstack kan een antwoord met enkele seconden vertragen, wat een significante afweging is in een productie-omgeving. Bovendien wordt lokale opslag van deze modellen steeds gebruikelijker. Het lokaal draaien van een model stelt een gebruiker in staat om bedrijfsfilters te omzeilen, maar vereist ook aanzienlijk VRAM en geoptimaliseerde kwantisatietechnieken zoals GGUF of EXL2.

De echte geek-level uitdaging is “fine-tuning” voor waarden. Dit houdt in dat je een basismodel neemt en traint op een kleine, kwalitatief hoogwaardige dataset van specifieke voorbeelden. Zo creëren bedrijven AI die hun specifieke merkstem of juridische vereisten weerspiegelt. Het is een manier om waarden “hard te coderen” in de gewichten van het model. Maar dit proces is duur en vereist een diepgaand begrip van gradient descent en loss functions. De meeste gebruikers zullen dit nooit doen, maar degenen die het wel doen, zijn degenen die werkelijk de “moraliteit” van de machine controleren. Zij definiëren de grenzen van wat mogelijk is binnen hun specifieke digitale ecosysteem. De technische beperkingen zijn de werkelijke grenzen van de ethiek van de machine.

Heeft u een AI-verhaal, tool, trend of vraag die wij volgens u zouden moeten behandelen? Stuur ons uw artikelidee — we horen het graag.

Het laatste menselijke voorrecht

Uiteindelijk is AI een tool, geen godheid. Het heeft geen waarden; het heeft instructies. De recente verschuiving naar meer mensachtige interactie heeft dit feit verhuld, waardoor we eerder geneigd zijn het “oordeel” van de machine te vertrouwen. We moeten deze drang weerstaan. De verantwoordelijkheid voor ethische uitkomsten blijft stevig liggen bij de mensen die deze systemen ontwerpen, inzetten en gebruiken. We moeten ons minder zorgen maken over “kwaadaardige” AI en meer over de mensen die “neutrale” AI gebruiken om hun eigen vooroordelen te rechtvaardigen. De machine is slechts zo goed als de intenties van zijn meester.

We blijven achter met scherpere vragen dan waarmee we begonnen. Naarmate AI meer in ons leven wordt geïntegreerd, moeten we beslissen welke delen van onze menselijkheid we bereid zijn te automatiseren en welke we moeten beschermen. De belangen gaan niet alleen over betere zoekresultaten of snellere e-mails. Ze gaan over wie we zijn als soort en wat voor wereld we willen bouwen. We kunnen niet toestaan dat het gemak van de technologie ons blind maakt voor de consequenties van het gebruik ervan. Het tijdperk van AI is niet het einde van menselijke waarden. Het is het begin van een nieuw, moeilijker hoofdstuk in onze geschiedenis. We moeten bereid zijn het met intentie te schrijven.

Noot van de redactie: We hebben deze site gemaakt als een meertalige AI-nieuws- en gidsenhub voor mensen die geen computernerds zijn, maar toch kunstmatige intelligentie willen begrijpen, er met meer vertrouwen mee willen omgaan en de toekomst willen volgen die al aanbreekt.

Een fout gevonden of iets dat gecorrigeerd moet worden? Laat het ons weten.