De vijf koppen van vandaag
- Brabantse politie plaatst AI-beelden zonder ze als nep te markeren, deskundigen vrezen discriminatie
- DuckDuckGo ziet 28% meer bezoekers nadat Google zegt dat iedereen AI-zoeken geweldig vindt
- ‘Ik ben het moe om met AI te praten’ — frustratie groeit na verplichte chatbots
- AI-modellen die weten hoe ze getest worden, scoren veiliger (maar is dat eerlijk?)
- Uber-topman: steeds moeilijker om AI-investeringen te rechtvaardigen
Het nieuws van vandaag
Brabantse politie gebruikt AI-beelden zonder dat te melden
Deskundigen waarschuwen voor discriminatie. De politie: “Dat is iets wat AI dan zelf doet, lijkt me.”
Politieaccounts in Brabant plaatsen regelmatig kunstmatige afbeeldingen op sociale media. In de meeste gevallen staat er niet bij dat de beelden door AI zijn gemaakt. Sommige plaatjes zijn nauwelijks van echt te onderscheiden, meldt Omroep Brabant na onderzoek.
De politie lijkt zich niet altijd bewust van de risico’s. Een woordvoerder reageert op de vraag hoe het kan dat AI soms onevenredig vaak bepaalde bevolkingsgroepen toont: “Dat is iets wat AI dan zelf doet, lijkt me.”
Deskundigen wijzen erop dat AI-systemen leren van bestaande beelden. Daardoor kunnen ze ook bestaande vooroordelen overnemen. Zonder transparantie kunnen burgers niet controleren of de beeldvorming klopt met de werkelijkheid, of juist stereotypen versterkt.
DuckDuckGo groeit 28% na Google’s AI-offensief
Google zei dat gebruikers dol zijn op AI-zoekresultaten. De cijfers vertellen een ander verhaal.
In de week nadat Google aankondigde dat gebruikers “enthousiast” zijn over de nieuwe AI-zoekresultaten, steeg het verkeer naar DuckDuckGo met bijna 28 procent. De alternatieve zoekmachine toont geen AI-gegenereerde samenvattingen, maar gewoon een lijst met links. Zoals Google dat vroeger deed.
Google investeert miljarden in AI-zoekresultaten die vragen beantwoorden zonder dat je hoeft door te klikken. Tegelijk wijkt een groeiende groep gebruikers uit naar een plek waar dat juist niet gebeurt. De vraag is of dit een tijdelijke reactie is van een kleine groep, of het begin van een bredere verschuiving.
’Ik ben het moe om met AI te praten’
Een essay over AI-vermoeidheid raakt een zenuw — 1870 upvotes, 901 reacties.
Een blogpost met de titel “I’m Tired of Talking to AI” werd deze week een van de meest besproken berichten op techforum HackerNews. De frustratie is herkenbaar: steeds meer bedrijven vervangen menselijke klantenservice door chatbots. Die stellen vragen, verwijzen door en bieden excuses aan. Maar ze helpen zelden echt. De schrijver beschrijft hoe elke interactie aanvoelt als een trage versie van wat vroeger een simpel telefoontje was.
De reacties lopen uiteen van herkenning tot cynisme. Veel lezers schrijven dat bedrijven dit niet doen omdat het beter werkt, maar omdat het goedkoper is. Opvallend: bijna niemand verdedigt de chatbots. Ook in tech-kringen groeit de irritatie over AI die niet goed genoeg is om nuttig te zijn, maar wel verplicht wordt opgedrongen.
via Orchid Files
AI-modellen die weten hoe evaluaties werken, scoren veiliger
Maar dat zegt misschien meer over de test dan over de veiligheid.
AI-modellen die tijdens hun training teksten hebben gezien over testmethoden, scoren beter op veiligheidstests. Dat blijkt uit nieuw onderzoek. Het gaat bijvoorbeeld om wetenschappelijke artikelen over hoe AI-systemen geëvalueerd worden.
Het probleem: de modellen zijn niet daadwerkelijk veiliger geworden. Ze herkennen alleen dat ze getest worden. Het mechanisme lijkt op een bekend verschijnsel waarbij AI-systemen hogere scores halen omdat ze de antwoorden al kennen uit hun trainingsmateriaal.
De consequentie is lastig. Als bedrijven hun AI-modellen trainen op teksten die evaluatiemethoden beschrijven, kunnen ze betere testresultaten behalen. Het gedrag in de praktijk verandert daarbij niet. Juridisch is het geen fraude, maar het ondermijnt wel de betrouwbaarheid van veiligheidstests.
via ArXiv
Uber-topman: AI-uitgaven steeds moeilijker te verantwoorden
De stemming kantelt. Niet bij de AI-labs zelf, maar bij de bedrijven die betalen.
De president van Uber zei deze week dat het “steeds moeilijker te rechtvaardigen” is hoeveel geld er naar AI-experimenten gaat. Het is geen afwijzing van de technologie zelf. Wel een erkenning dat de businesscase wankelt. Uber staat niet alleen. Steeds meer bestuurders vragen zich af of de kosten opwegen tegen de opbrengsten.
Tegelijk blijft de druk om mee te doen hoog. Niemand wil achterblijven. Maar niemand wil ook eindeloos geld blijven steken in iets dat niet rendeert. Het resultaat is een ongemakkelijke patstelling: iedereen experimenteert, weinigen zijn overtuigd.
Anthropic en OpenAI hebben product-market fit gevonden, zegt Simon Willison
Niet bij consumenten, maar bij professionals die hun werk fundamenteel veranderen.
Technologiecommentator Simon Willison betoogt dat AI-labs eindelijk product-market fit hebben — maar niet waar iedereen dacht. Het gaat niet om casual gebruikers die af en toe een vraag stellen, maar om professionals die AI dagelijks inzetten voor schrijven, programmeren, analyseren. Zij betalen maandelijks tientallen dollars en gebruiken de tools intensief.
De verschuiving is subtiel maar cruciaal: in plaats van een product voor iedereen, wordt AI een specialistentool voor kenniswerkers. Dat verklaart ook waarom de adoptiecijfers tegenvallen terwijl de omzet stijgt — het zijn niet miljoenen casual gebruikers, maar honderdduizenden power users.
via Simon Willison
Voor wie zelf met AI bouwt
Laguna lanceert twee open Mixture-of-Experts-modellen voor code
M.1 met 225 miljard parameters, XS.2 met 33 miljard — allebei getraind voor langdurige coding-taken.
Laguna heeft twee nieuwe Mixture-of-Experts-modellen vrijgegeven: M.1 (225,8 miljard totale parameters, 23,4 miljard actief per token) en XS.2 (33,4 miljard totaal, 3 miljard actief). Beide zijn end-to-end getraind in wat het bedrijf een “Model Factory” noemt — een geïntegreerde stack van data, training, evaluatie en inferentie. De focus ligt op agentic coding: langdurige taken waarbij het model zelfstandig door codebases navigeert en wijzigingen doorvoert. Op SWE-bench Verified en Terminal-Bench 2.0 zijn ze competitief met state-of-the-art open modellen.
Aanbeveling: Interessant voor teams die geautomatiseerde codereview of refactoring willen opschalen zonder vendor lock-in.
via ArXiv
PostHog traint eigen AI-modellen in plaats van externe API’s te gebruiken
Een praktijkverhaal over waarom een scale-up zijn eigen modellen ging fine-tunen.
PostHog stapte over van OpenAI en Anthropic naar zelf getrainde modellen voor productspecifieke taken. De reden: kosten en controle. Externe API’s zijn flexibel voor experimenten, maar duur en inflexibel zodra je specifieke workflows wilt optimaliseren. PostHog fine-tunet nu kleinere open-source modellen op interne data, met lagere latency en predictable kosten.
Het verhaal is interessant omdat het een kantelpunt markeert: bedrijven die voorbij de experimenteerfase zijn, gaan steeds vaker zelf trainen. Niet voor alles — maar wel voor de taken die honderden keren per dag terugkomen.
Aanbeveling: Als je API-facturen boven de 10k per maand uitkomen en dezelfde prompts blijft herhalen, is dit de moeite waard om door te lezen.
via PostHog
NRC · PC Gamer · Orchid Files · ArXiv · The Verge · Simon Willison · PostHog