Wanneer onschadelijk data bijna als een menselijk brein wordt gelezen
De meeste van ons begonnen met het gebruik van AI op ongeveer dezelfde manier: Stel een vraag → Krijg een antwoord.
Dan gingen velen van ons nog verder: betere instructies, meer context, misschien wel enkele documenten: Informatie + Instructies → Leverbaar.
Een rapport. Een presentatie. Een analyse. Een plan.
Maar er is een andere manier om AI te gebruiken die ik veel interessanter vind: Verspreid informatie → AI → Inference.
In plaats van AI te vragen om iets te produceren op basis van de informatie die we hem geven, kunnen we ons de vraag stellen: Wat vertellen deze informatiestukken ons wanneer we ze samen verbinden?
En dat kan verrassend krachtige resultaten opleveren.
AI kan ons helpen te begrijpen wat niemand daadwerkelijk heeft gezegd
Stel je voor dat twee collega's het oneens zijn over een beslissing. Geef AI beide kanten van het gesprek en vraag: Wat zien elke persoon anders dan de ander? Welke zorgen kunnen hun standpunten bepalen?
Of stel je voor dat je je voorbereidt op een belangrijk gesprek met een klant: geef AI de vorige discussies, wat je wilt bereiken en relevante publieke informatie over de organisatie van de klant. Vraag het om mogelijke prioriteiten, zorgen, gesprekspunten en mogelijke bezwaren te identificeren. Hetzelfde geldt voor organisatorische veranderingen: Finance, Engineering, Sales en Operations kunnen dezelfde aankondiging heel anders ontvangen. AI kan helpen die perspectieven te anticiperen voordat we communiceren.
Dit is geen soort hersenspellen. Het gaat om inferentie – iets wat mensen altijd al hebben gedaan door te luisteren, observeren en informatie te koppelen. Wat verandert is hoe gemakkelijk AI dit kan doen met grote hoeveelheden informatie, inclusief ongestructureerde informatie die voorheen veel inspanning van mensen vereiste om te koppelen.
Steeds vaker kan iedereen die toegang heeft tot een algemeen toepasbare AI-tool eenvoudig vragen: “Wat denk je dat er hier echt aan de hand is?” En daar begint iets ongelooflijk nuttigs te worden tot iets waar we zorgvuldig over moeten nadenken.
Wanneer onschadelijke gegevens niet langer onschadelijk zijn
Denk na over de informatie die we elke dag achterlaten. Een publicatie op sociale media. Een paar zoekopdrachten. De artikelen die we lezen. De vragen die we stellen. De woorden die we kiezen. Zelfs wanneer en hoe we reageren. Individueel kunnen veel van deze signalen nog maar heel weinig vertellen. Maar AI hoeft deze niet individueel te bekijken. Het kan ze verbinden.
Uit aan het oog onopvallende informatie is het mogelijk om interesses, bezorgdheden, voorkeuren, omstandigheden of waarschijnlijke gedragingen af te leiden die iemand nooit expliciet heeft prijsgegeven. Voeg andere digitale signalen toe – bijvoorbeeld cookies, tracking pixels of browser fingerprinting – en het beeld kan nog rijker worden. AI kan letterlijk onze gedachten niet lezen.
Maar misschien hoeft dat niet. Als AI voldoende schijnbaar onschadelijke stukjes informatie kan verbinden om met redelijke waarschijnlijkheid in te schatten wat iemand wil, zich zorgen maakt of in de toekomst mogelijk iets zal doen, kan een organisatie mogelijk handelen op basis van wat zij denkt te weten over een persoon, ook al heeft deze persoon dat nooit expliciet bekendgemaakt.
En daar begint de echte impact. De belangrijke vraag is niet langer alleen wat AI kan afleiden. Het gaat erom wat er gebeurt wanneer iemand handelt op basis van die aflezing.
Hetzelfde gevolgtrekking. Volledig verschillende resultaten.
Stel je voor dat een organisatie AI gebruikt om een reeks gewone signalen te analyseren en komt tot de conclusie: deze klant kan onder toenemende financiële druk staan. De klant heeft dit nooit gezegd. De AI heeft daaruit afgeleid.
Wat moet er nu gebeuren?
Misschien gebruikt de organisatie die inzichten om te erkennen dat de klant mogelijk extra ondersteuning nodig heeft. Misschien vermijdt het hen een ongeschikt product aan te bieden. Dit zijn mogelijke doeltreffende toepassingen van AI. Maar dezelfde conclusie kan op een andere manier worden gebruikt.
Misschien besluit de organisatie dat deze persoon nu een minder aantrekkelijke klant is. Of misschien ontdekt het dat financiële druk ervoor zorgt dat een bepaalde boodschap, aanbieding of urgentiegevoel een grotere invloed heeft op hun besluit.
En er is nog een andere mogelijkheid: AI-inferentie is probabilistisch en kan fout zijn. Een verzameling signalen die erop lijken te wijzen naar één verhaal, kan een volledig andere verklaring hebben. Dat betekent niet dat we inferentie moeten stopzetten. De governancevraag is hoe we het gebruiken, welk probleem we proberen op te lossen en wat er gebeurt als de inferentie fout is.
De waarde en het risico komen niet alleen voort uit wat AI kan afleiden, maar ook uit wat we ermee doen.
Dit is geen regelgevend vacuüm
Het inferentieniveau zelf is geen nieuw begrip in het privacyrecht. Profilering en inferente informatie zijn al vaste kwesties in het gegevensbeschermingsrecht. De bestaande beginselen rond eerlijkheid, transparantie, beperking van het doel, minimalisatie van gegevens en geautomatiseerd besluitvormen blijven zeer relevant.
De EU-wet inzake kunstmatige intelligentie voegt een extra laag toe voor bepaalde AI-praktijken en toepassingen met een hoger risico. Dus de interessante vraag is niet of iemand plotseling een volledig niet-gereguleerde activiteit ontdekte die “AI-inferentie” wordt genoemd. Wat AI verandert is hoe eenvoudig geavanceerde inferentie nu kan worden uitgevoerd door veel meer mensen.
Van dagelijkse AI-gebruik tot enterprise-schalen
Een medewerker die gebruik maakt van een standaard AI-tool voor algemene doeleinden kan al een gesprek, de interne context en openbare informatie combineren en vragen stellen over wat deze informatie kan onthullen over een klant. Daarom moeten de AI-richtlijnen niet alleen rekening houden met welke informatie in de AI wordt verwerkt, maar ook met welke nieuwe informatie er uit deze informatie kan worden afgeleid en hoe die inferentie wordt gebruikt.
Op bedrijfsniveau kan dezelfde functionaliteit worden ingebouwd in producten, klantreisprocessen en bedrijfsprocessen. Hier ligt een enorm potentieel. Een beter begrip kan de klantenservice verbeteren, authentieke behoeften identificeren en betere beslissingen ondersteunen. Dus de oplossing kan niet eenvoudigweg zijn: gebruik het niet.
De uitdaging is om zorgvuldig na te denken over waarom we deze conclusie trekken, hoe zeker we zijn dat het juist is en wat we toelaten om zich als gevolg daarvan voordoen. Voor grotere investeringen moeten organisaties ook vragen of klanten redelijkerwijs verwachten dat hun informatie op deze manier wordt gebruikt en of deze mogelijkheid duurzaam blijft als de regelgeving, de verwachtingen van klanten en de werkomgeving veranderen.
Een mogelijkheid kan precies zoals ontworpen werken en toch een slechte investering zijn als het gebruik ervan later moeilijk te rechtvaardigen, te controleren of aan te passen wordt. Dat is waar digitale vertrouwen praktisch wordt. AI wordt buitengewoon goed in het leren van dingen die mensen ons nooit expliciet hebben verteld. Wat kan AI over iemand leren zonder dat deze het ooit aan ons heeft verteld en wat moeten we met die kennis doen?
Bekijk onze website voor meer informatie over AI-diensten van Resillion.
