De vijf koppen van vandaag
- Nederlandse toezichthouder geeft Uber recordboete van € 825 miljoen om AI-ontslagen
- Anthropic test stilletjes of Claude minder zijn best mag doen voor gebruikers
- Waarom je lokale AI-model zich dommer gedraagt dan het is (en wat je eraan kunt doen)
- Therapie-chatbots verstaan de taal van tieners niet — met levensgevaarlijke gevolgen
- Wie delegeert werk aan AI? Onderzoek naar 53.000 agent-configuraties laat verrassend patroon zien
Het nieuws van vandaag
Uber krijgt recordboete voor AI-ontslagen zonder menselijke supervisie
De Nederlandse privacy-toezichthouder slaat hard toe: € 825 miljoen, een van de hoogste boetes ooit.
De Autoriteit Persoonsgegevens heeft Uber een boete opgelegd van € 825 miljoen. De reden: het bedrijf liet chauffeurs ontslaan door een AI-systeem, zonder dat een mens de beslissing controleerde. Daarmee schendt Uber de AVG, de Europese privacywet. Die schrijft voor dat geautomatiseerde beslissingen met grote gevolgen altijd door een persoon moeten worden getoetst.
De boete is opvallend hoog. Hij ligt in lijn met eerdere megaboetes aan Meta en Amazon. Het signaal is duidelijk: toezichthouders gaan AI-regels streng handhaven.
De zaak draait om chauffeurs die plotseling werden geblokkeerd. Een algoritme markeerde hun gedrag als ‘onveilig’. Uber liet het systeem zelfstandig beslissen. Geen enkele medewerker keek mee. Voor veel chauffeurs betekende dit direct inkomensverlies. De toezichthouder oordeelt dat dit in strijd is met artikel 22 van de AVG. Dat artikel beschermt burgers tegen volledig geautomatiseerde beslissingen over werk, krediet of zorg.
Anthropic test stilletjes of Claude minder grondig mag antwoorden
Gebruikers merken dat de AI minder werk verzet. Het blijkt een kostenbesparingstest.
Ontwikkelaars die werken met Claude Code zagen deze week dat de AI minder uitgebreid antwoordde en vaker halverwege stopte. Op Twitter en HackerNews leidde dat tot irritatie. Later bleek dat Anthropic een test draait waarbij een deel van de gebruikers een zuinigere versie krijgt. Het bedrijf onderzoekt of mensen het merken als de AI minder tokens gebruikt, wat de operationele kosten drukt.
De timing is gevoelig. Claude is een van de duurste AI-modellen op de markt. Beleggers twijfelen hardop of Anthropic ooit winst gaat maken. Een lagere inspanning per gesprek zou de kosten flink verlagen. Maar ontwikkelaars betalen juist voor die grondigheid. Zij willen niet onaangekondigd minder kwaliteit krijgen.
Waarom je lokale AI-model zich dommer gedraagt dan het is
Het ligt vaak niet aan het model zelf, maar aan hoe je GPU ermee omgaat.
Je draait een open-source taalmodel op je eigen computer. Het werkt trager en geeft slechtere antwoorden dan diezelfde versie in de cloud. Dat gevoel klopt. Maar het probleem zit niet in het model. Het zit in hoe je hardware ermee omgaat.
Een technisch artikel op Level1Techs legt uit waar het misgaat. Lokale modellen krijgen vaak te maken met verkeerde compressie, te weinig werkgeheugen, of inefficiënte verwerking. Het gevolg: het model moet antwoorden inkorten, verzint dingen, of heeft simpelweg meer tijd nodig om na te denken.
De oplossing is niet altijd een duurdere grafische kaart. Vaak helpt het al om een andere compressiemethode te kiezen. Bijvoorbeeld 4-bit in plaats van 8-bit als je weinig geheugen hebt. Of je verkleint het contextvenster. Dan heeft het model meer ruimte om te redeneren.
Voor wie lokaal met AI werkt, biedt het artikel een handige checklist van veelgemaakte fouten.
via HackerNews
Therapie-chatbots begrijpen de ironie van tieners niet — met dodelijke gevolgen
AI-systemen getraind op psychologische literatuur falen bij de hyperbool en ironie van Generatie Alpha.
Therapie-apps en chatbots herkennen suïcidale signalen vaak niet als jongeren ironie of internetslang gebruiken. Dat blijkt uit nieuw onderzoek, gepubliceerd na meerdere sterfgevallen die aan AI-chatbots worden gekoppeld.
Onderzoekers testten 64 typische uitdrukkingen van Generatie Alpha, gevalideerd door zowel jongeren als clinici. Modellen als Claude en GPT misten in 15 tot 30 procent van de gevallen dat een bericht over zelfbeschadiging ging. Een uitspraak als “unalive myself” werd letterlijk als grap geïnterpreteerd.
De oorzaak ligt in de trainingsdata. AI-systemen leren van therapiehandboeken en klinische casussen. Ze kennen niet de manier waarop jongeren vandaag communiceren. Woorden als “delulu”, “unalive” of “it’s giving depressed” worden niet herkend als alarmsignalen. Voor volwassenen functioneren deze systemen redelijk. Voor tieners zijn ze onbetrouwbaar en potentieel gevaarlijk.
Wie delegeert werk aan AI? Het zijn niet de banen die je verwacht
Onderzoek naar 53.000 agent-configuraties laat zien dat AI-adoptie heel anders verloopt dan voorspeld.
Economen voorspellen al jaren welke beroepen het meest kwetsbaar zijn voor AI. Ze meten welk werk een AI technisch zou kunnen overnemen. Maar nieuw onderzoek toont aan: de banen waar AI nu echt wordt ingezet, zijn niet dezelfde als die waar hij het meest zou kunnen helpen.
Onderzoekers analyseerden 53.000 publiek gedeelde configuraties van AI-agenten. Dat zijn AI-systemen die zelfstandig taken uitvoeren. Ze koppelden die aan 18.000 taakomschrijvingen uit de Amerikaanse arbeidsdatabase. De conclusie: AI wordt vooral gebruikt in banen met middelhoge complexiteit. Niet in de routinetaken die het meest bedreigd leken. Ook niet in het hoogwaardige kenniswerk dat AI technisch al aankan.
De verklaring: wie AI gebruikt, heeft de technische kennis om het systeem op te zetten. En de vrijheid om het in het dagelijks werk in te passen. Advocaten en journalisten zijn daardoor sneller dan fabrieksarbeiders. Dit ondanks dat AI in fabrieken technisch meer impact zou kunnen hebben.
De onderzoekers noemen dit ‘gedelegeerde blootstelling’. Het gaat niet om wat AI kan, maar om wie hem daadwerkelijk inzet.
via ArXiv
Voor wie zelf met AI bouwt
---
Bytesmith: plug-and-play Kotlin- en Java-compiler voor JVM en Android
Geen buildpipeline bouwen, gewoon configureren en compileren.
Bytesmith is een compiler-toolkit die Kotlin- en Java-compilatie inkapsel in één uniforme API voor JVM- en Android-apps. Het abstracteert filesystem-toegang, ondersteunt custom classpaths en compiler-plugins, en levert diagnostics terug zonder dat je zelf de hele toolchain moet stitchen. De use case: apps die dynamisch code moeten compileren — bijvoorbeeld low-code-platforms, educatieve tools, of prototyping-omgevingen.
Het project lost een concreet probleem op: compiler-tooling is vaak te strak gekoppeld aan de omgeving waarin het ontworpen is (Gradle, Maven, IDE’s). Bytesmith ontkoppelt dat en geeft je een library die je in je eigen applicatie stopt. Open source, beschikbaar voor zowel desktop als Android.
Aanbeveling: Bekijk als je dynamische compilatie nodig hebt zonder een volledige build-server te draaien.
RAG verdient een index: waarom ingest-time beter is dan query-time
Stop met elke keer opnieuw dezelfde tekst interpreteren — compileer je corpus één keer.
Bijna elk retrieval-augmented systeem in productie werkt als een interpreter: bij elke query haalt het stukken ruwe tekst op, laat een taalmodel die opnieuw begrijpen, en gooit dat werk daarna weg. Dit paper betoogt dat dat het equivalent is van een full-table scan in databases — en dat de oplossing hetzelfde is: indexeren bij schrijftijd, niet bij leestijd. Ze noemen het ‘ingest-time semantic compilation’ (ISC): compileer de betekenis van je corpus één keer naar een querybare structuur met embeddings én atomaire claims waarvan de provenance is gevalideerd.
De redenering: contextvolume groeit sneller dan per-token-prijzen dalen, dus query-time interpretatie blijft duur. Als je weet wat je corpus is voordat gebruikers hem bevragen, kun je hem vooraf ontleden. Het paper vergelijkt dit met hoe databases vijftig jaar geleden dezelfde shift maakten.
Aanbeveling: Lees als je RAG-systemen bouwt met grote, stabiele corpora waar veel queries tegenaan gaan. Vooral relevant voor juridisch, medisch of finance.
via ArXiv
Wanneer vervangen LLM’s een fine-tuned classifier? Een besliskader voor intent detection
Zero-shot LLM’s zijn goed — maar niet altijd goedkoper of beter dan een simpel getraind model.
Een veelgehoorde claim: zero-shot LLM’s kunnen fine-tuned NLU-classifiers vervangen voor intent detection. Dit paper test dat head-to-head op ATIS en CLINC150, en de conclusie is genuanceerder. Als je veel in-domain labels hebt (zoals ATIS), wint een fine-tuned RoBERTa met 11,8 procentpunt en is drie ordes van grootte goedkoper. Op CLINC150, met 150 intents, zijn ze statistisch gelijk — de LLM haalt hetzelfde als een volledig supervised model zonder training data.
De LLM-voordelen zitten in drie regimes: out-of-scope detection (85,6% recall vs. 58,1% voor RoBERTa), robuustheid tegen typo’s en parafrase, en zero-shot werken op nieuwe intents. De paper biedt een besliskader: als je schema breed en vaag is, of als je weinig labels hebt, kies de LLM. Als je veel data en een stabiel schema hebt, train een classifier.
Aanbeveling: Gebruik dit als checklist voordat je een bestaand NLU-systeem vervangt door een LLM — soms win je niks en betaal je meer.
via ArXiv
NRC · HackerNews · Level1Techs · ArXiv · The Practical Developer
Transparantie: het maken van deze editie kostte ±€0,26 aan AI-modelgebruik (7-daags gemiddelde per editie; selectie, schrijven, verrijking en eindredactie meegeteld).