Minder data, meer inzicht: waarom AI-onderzoek ons dwingt anders te kijken

Opbouw bepaalt de AI-leercurve

Onderzoekers van de Johns Hopkins University* laten zien dat de architectuur van bepaalde AI-modellen mogelijk belangrijker is dan de hoeveelheid trainingsdata. Met andere woorden: hoe een model qua structuur is opgebouwd bepaalt in sterke mate wat het kan leren en begrijpen.

Architectuur vóór data: toelichting op het onderzoek

In het onderzoek is gekeken naar convolutionele neurale netwerken (CNN’s), een veelgebruikte AI-architectuur voor beeldherkenning en visuele patronen. Wat opvalt: zelfs zonder intensieve training vertonen deze netwerken al gedrag dat sterk lijkt op de manier waarop het menselijk brein visuele prikkels verwerkt. Dat is een wezenlijk ander perspectief dan het klassieke “train het model tot het slim wordt”-verhaal.

Het beeld dat nu ontstaat is dat intelligentie deels al besloten ligt in de structuur zelf. Training verfijnt, maar creëert niet alles vanaf nul.

Dit raakt aan een bredere verschuiving binnen AI: van brute kracht en (data)massa naar de focus op ontwerp. We zien dit ook (deels) terug in recente ontwikkelingen zoals AI modus en AI bronvermeldingen.

Waarom dit een kantelpunt kan zijn

Als deze lijn zich doorzet, heeft dat gevolgen voor hoe we AI ontwikkelen en inzetten:

• AI hoeft niet per definitie groot, zwaar en energie-intensief te zijn.

• Slim ontworpen modellen kunnen sneller en efficiënter leren.

• De drempel voor praktische AI-toepassingen wordt lager.

Voor organisaties betekent dit dat AI-strategie niet langer alleen draait om “hebben we wel genoeg data?” maar steeds meer om de vraag: bouwen we wel de juiste systemen voor het probleem dat we willen oplossen?

Wat je hier als organisatie nu al mee kunt

Dit onderzoek is geen pleidooi om morgen al je AI-aanpak om te gooien. Het is wel een uitnodiging om scherper te kijken:

• Start met het probleem, niet met de technologie. Definieer eerst wat je wilt oplossen voordat je in AI-tools duikt. Een kleinere, doelgerichte oplossing kan effectiever zijn dan een complex systeem.

• Investeer in begrip, niet alleen in data. Zorg dat je team begrijpt hóé AI werkt en waarom bepaalde keuzes gemaakt worden. Dit maakt het verschil tussen een tool die gebruikt wordt en een tool die waarde toevoegt.

• Test klein en leer snel. Begin met pilots die specifieke problemen aanpakken. Meet niet alleen of het werkt, maar vooral wát het oplevert voor je organisatie.

AI wordt niet slimmer door alleen maar groter te worden. Het wordt slimmer wanneer we beter begrijpen wat intelligentie eigenlijk is. En belangrijker: wanneer we begrijpen hoe we die intelligentie gericht kunnen inzetten voor jouw businesswaarde.

(*bronvermelding artikel: Johns Hopkins University, “AI may not need massive training data after all”, ScienceDaily, december 2025)