Twee woorden hebben het debat over AI vijf jaar lang gekleurd: stochastische papegaai. Op 1 oktober 2026 schreef Fast Company-journalist Mark Sullivan dat het tijd is om de term met pensioen te sturen (Bron: Fast Company). De bedenker van het beeld, taalkundige Emily Bender, zei drie maanden eerder juist dat de term nog precies beschrijft wat deze systemen zijn (Bron: IEEE Spectrum). Wie heeft gelijk? Het eerlijke antwoord: het onderzoek geeft beide kampen munitie.
Waar de papegaai vandaan komt
Het beeld komt uit een wetenschappelijk artikel dat in maart 2021 werd gepresenteerd op de conferentie FAccT, geschreven door Emily M. Bender, Timnit Gebru, Angelina McMillan-Major en Margaret Mitchell (Bron: ACM). Zij beschreven een taalmodel als een systeem dat reeksen taalvormen uit zijn trainingsdata aan elkaar plakt op basis van kansberekening, “but without any reference to meaning”: zonder enige verwijzing naar betekenis. Het artikel ging ook over de energiekosten, vooroordelen in trainingsdata en de risico’s van steeds grotere modellen. De papegaai werd het bekendste deel, mede doordat Google Gebru en Mitchell rond de publicatie ontsloeg. Meer over Bender en haar werk lees je op haar profielpagina.
Beginner-tip“Stochastisch” betekent dat er kans en toeval in het spel zijn. Een taalmodel kiest steeds een volgend woord dat waarschijnlijk past. Daarom krijg je op dezelfde vraag niet altijd precies hetzelfde antwoord.
Het argument van Fast Company
Sullivan stelt dat de modellen van 2017 tot 2022 inderdaad vooral het volgende woord voorspelden, maar dat er sindsdien veel bij is gekomen (Bron: Fast Company). Hij noemt vier ontwikkelingen:
| Ontwikkeling | Wat het doet |
|---|---|
| RAG | Het model zoekt informatie op in externe bronnen voordat het antwoordt |
| Neurosymbolische systemen | Neurale netwerken gecombineerd met vaste logische regels |
| Chain-of-thought | Het model deelt een probleem op in tussenstappen |
| Redeneermodellen | Met reinforcement learning getraind om langer na te denken, zoals OpenAI’s o1 uit 2024 |
Zijn conclusie: “The stochastic parrot is now well connected and has a PhD.” De papegaai is inmiddels goed verbonden en gepromoveerd. Sullivan waarschuwt bovendien dat het papegaai-argument wordt gebruikt om de risico’s van de krachtigste modellen weg te wuiven (Bron: Fast Company). Het is een opiniestuk: hij bespreekt de beperkingen van taalmodellen niet en noemt Bender niet bij naam.
Wat Bender zelf zegt
In een interview met IEEE Spectrum van 30 juni 2026 benadrukt Bender dat de term over taalmodellen gaat, niet over AI in het algemeen (Bron: IEEE Spectrum). Ze ziet het ook niet als scheldwoord, maar als beschrijving van wat de systemen doen. Haar kernzin:
“When the text that comes out of one of these systems makes sense, it’s because we are making sense of it.”
— Emily Bender, in IEEE Spectrum, 30 juni 2026
Haar punt is dat betekenis bij de lezer zit. Een betere techniek eromheen, zoals opzoeken of in stappen werken, verandert volgens die redenering niets aan wat het model in de kern is. In het interview gaat ze niet specifiek in op redeneermodellen.
Wat het onderzoek laat zien
Hier wordt het interessant, want de metingen wijzen niet allemaal dezelfde kant op.
Anthropic keek in maart 2025 letterlijk in het model Claude, met technieken uit de interpreteerbaarheid, het onderzoek naar wat er binnen in een model gebeurt. Bij het schrijven van een rijmend gedicht bleek Claude het rijmwoord al te kiezen voordat het aan de regel begon: het plande vooruit (Bron: Anthropic). Bij de vraag naar de hoofdstad van de staat waar Dallas ligt, combineerde het model twee losse feiten (Dallas ligt in Texas, de hoofdstad van Texas is Austin) in plaats van een opgeslagen antwoord op te halen. Dat past slecht bij het beeld van een papegaai die alleen herhaalt.
Hetzelfde onderzoek toonde ook iets ongemakkelijks. De uitleg die Claude gaf over hoe het een rekensom oploste, kwam niet overeen met wat er intern gebeurde. En soms werkte het model terug vanaf een gewenst antwoord en verzon het tussenstappen die daar plausibel naartoe leidden (Bron: Anthropic). Een keurig stappenplan in beeld is dus geen bewijs dat het model zo heeft gedacht.
Apple-onderzoekers lieten in juni 2025 redeneermodellen puzzels oplossen die ze stap voor stap moeilijker maakten. Boven een bepaalde moeilijkheid zakte de nauwkeurigheid volledig in, en de modellen gingen juist minder lang nadenken terwijl ze daar ruimte voor hadden (Bron: Apple). Dat onderzoek kreeg kritiek: in een reactie op arXiv stelde A. Lawsen dat een deel van de ‘fouten’ kwam door tokenlimieten en door puzzels die wiskundig onoplosbaar waren (Bron: arXiv). Beide stukken gebruiken kunstmatige puzzels; hoe modellen zich op echte, rommelige vragen gedragen, meten ze niet.
GevorderdenLet bij dit soort studies op wat er precies gemeten is. De Anthropic-bevindingen gaan over een handvol uitgekozen voorbeelden in één model. De Apple-studie test vier puzzeltypen. Geen van beide is een algemene meting van “begrip”, en dat claimen de auteurs ook niet.
Wat betekent dit voor jou?
Het debat lijkt filosofisch, maar het raakt hoe je AI gebruikt. Zie je een chatbot als “maar een papegaai”, dan onderschat je misschien wat hij kan, en wat hij verkeerd kan doen als hij zelfstandig taken uitvoert. Zie je hem als “gepromoveerd”, dan vertrouw je een overtuigend antwoord sneller dan goed is.
De praktische les is in beide kampen dezelfde. Een taalmodel kan stellig klinkende onzin produceren, een hallucinatie, ook als het onderweg netjes stappen laat zien. Wil je weten hoe zo’n model onder de motorkap werkt, lees dan onze uitleg over hoe een taalmodel werkt. En controleer feiten, cijfers en bronnen voordat je op een AI-antwoord bouwt, zeker als het om je geld, je gezondheid of je rechten gaat.