Ik zocht een AI-assistent voor één lastige klus: het bouwen van een dienstrooster. Al snel botste ik op een dilemma. De slimste modellen zijn Amerikaans en werken als een gesloten doos. De modellen die mijn gegevens écht beschermen, zijn een tikje minder krachtig. Dit stuk legt in gewone taal uit hoe ik die afweging maakte — en waarom "de slimste tool" niet automatisch "de beste tool" is.
De kernvraag. Niet: welke AI is het slimst? Maar: welke AI biedt de beste balans tussen rekenkracht enerzijds en controle over mijn data, ethiek en onafhankelijkheid anderzijds?
De testopdracht: een oplosser, geen kletsmachine
Een dienstrooster is wat men een constraint satisfaction problem noemt: een puzzel met heel veel regels die elkaar vaak tegenspreken. Denk aan eerlijkheid, wettelijke rusttijden, persoonlijke voorkeuren en historische patronen — allemaal tegelijk. De AI moet vage menselijke waarden ("het moet eerlijk zijn") omzetten in harde wiskunde (bijvoorbeeld: minimaliseer het verschil in gewerkte weekends over zes maanden).
En dáár zit de echte moeilijkheid. Niet in het schrijven van de code, maar in het getrouw vertalen van de regels. Een model dat perfecte code schrijft maar één regel verkeerd interpreteert, levert een technisch correct maar sociaal oneerlijk rooster op.
Deel 1 — Hoe goed lossen ze het probleem op?
Regels die onderweg verdwijnen
Hoe langer de lijst met regels wordt, hoe groter de kans dat een model regels "vergeet" die ergens in het midden staan. Dit is een gedocumenteerd verschijnsel: taalmodellen gebruiken informatie aan het begin en het einde van een lange invoer veel betrouwbaarder dan informatie in het midden (Liu et al., 2024). De grootste modellen (ChatGPT en Claude) hebben hier het minste last van, maar geen enkel model is er immuun voor.
De kloof tussen code en betekenis
Een model kan een foutloos script schrijven en tóch, stilletjes, regel 42 negeren ("medewerker X en Y mogen niet in hetzelfde team"). De code draait, maar de logica is onvolledig. Voor een gewone e-mail merk je zo'n fout meteen; bij een rooster met vijftig regels is dat vrijwel onmogelijk te controleren.
| Risico bij de vertaling | ChatGPT | Claude | Mistral | DeepSeek | Eustella |
|---|---|---|---|---|---|
| Code werkt niet (syntaxfout) | Laag | Zeer laag | Medium | Laag | Laag |
| Regel vergeten | Laag | Zeer laag | Hoog | Medium | Laag |
| Regel te simpel gemaakt | Medium | Laag | Hoog | Laag | Medium |
De grootste bedreiging is niet foute code. Bij een rooster zit de complexiteit niet in de code, maar in de bergen overlappende, tegenstrijdige menselijke regels. Het echte risico is een onvolledige logische vertaling: het versimpelen van eerlijkheid tot een simpel rotatieschema.
Deel 2 — De menselijke maat: vier vragen
Rekenkracht is maar de helft van het verhaal. Voor gevoelig werk stel ik vier vragen die niets met "slimheid" te maken hebben, maar alles met vertrouwen. Ze zijn geïnspireerd op het principeraamwerk van de Center for Humane Technology (2026), dat onder meer zorgplicht, menselijk welzijn en een gezond machtsevenwicht centraal stelt.
| Vraag | ChatGPT | Claude | Mistral | DeepSeek | Eustella |
|---|---|---|---|---|---|
| Transparantie — kan ik nagaan waaróm het dit besluit neemt? | Laag | Laag | Hoog | Medium | Hoog |
| Soevereiniteit — huur ik een dienst of bezit ik een instrument? | Zeer laag | Zeer laag | Hoog | Laag | Zeer hoog |
| Zorgplicht — dient het het publiek belang of de aandeelhouder? | Winst | Veiligheid | Efficiëntie | Groei | Publiek |
| Omgang — behandelt het mij als partner of als iets om te sturen? | Sturend | Genuanceerd | Neutraal | Functioneel | Versterkend |
Deel 3 — Drie systeemrisico's, in gewone taal
1. Veiligheid als verkooppraatje
Sommige aanbieders profileren zich als de "ethische" keuze. Anthropic (Claude) gebruikt bijvoorbeeld een methode genaamd Constitutional AI, waarbij het model zijn antwoorden toetst aan een lijst geschreven principes (Bai et al., 2022). Dat is een reële, gepubliceerde techniek. Maar het ongemakkelijke punt blijft: die ethiek is privaat en ondoorzichtig. Als het model iets weigert of een bepaalde voorkeur toont, is de onderliggende logica een bedrijfsgeheim. De AI is dan niet enkel een instrument, maar een oncontroleerbare morele medespeler in mijn proces. Critici noemen dit "safety-washing": de veiligheid dient vooral om de juridische risico's van het bedrijf te beperken, niet om mijn autonomie te vergroten.
2. Gemak dat afhankelijk maakt
Hoe soepeler en menselijker een interface aanvoelt, hoe minder geneigd we zijn om de uitkomst kritisch te controleren. Dit heet automatiseringsbias of "complacency": bij vertrouwde, meestal correcte systemen stoppen mensen — leken én experts — met opletten, en dat is niet met training te verhelpen (Parasuraman & Manzey, 2010). Daar komt een tweede valstrik bij: we verwarren "leest vlot" met "klopt". Vlot verwerkte, mooi gepresenteerde informatie wordt eerder als waar beoordeeld (Reber & Schwarz, 1999). Een strak opgemaakt rooster in een nette tabel voelt correct — ook als er een regel gebroken is.
3. Wie krijgt de schuld?
In een geautomatiseerde workflow ben ik de laatste schakel die het rooster "goedkeurt". Maar als het rooster door een subtiele vertaalfout onrechtvaardig is, is de kans dat een mens dat in een complex systeem opmerkt vrijwel nul — terwijl diezelfde mens wél de verantwoordelijkheid draagt. Onderzoeker Madeleine Elish noemt dit de moral crumple zone: net zoals de kreukelzone van een auto de klap opvangt, vangt de mens de morele en juridische klap op wanneer een geautomatiseerd systeem faalt (Elish, 2019).
De echte "oplosser" is niet de tool die de taak het beste overneemt, maar de tool die mij in staat stelt de verantwoordelijkheid voor de logica te behouden — zonder dat ik zelf de wiskunde hoef te doen.
Deel 4 — De match met mijn profiel
Nu leg ik de vijf tools naast mijn eigen eisen. Mijn uitgangspunt is dat de keuze van een tool nooit neutraal is, maar strategisch en tactisch: privacy die in de code zit weegt zwaarder dan privacy in de marketing (Tuszynski, 2025). Eén eis is bovendien een breekpunt: een absolute filter die geen enkele score kan compenseren.
Het breekpunt: geen Big Five
Betrokkenheid van Google, Apple, Meta, Amazon of Microsoft is voor mij uitgesloten. Dat diskwalificeert onmiddellijk ChatGPT (draait op Microsoft Azure) en Claude (leunt op de infrastructuur van Amazon en Google) — ondanks hun topscores als oplosser. DeepSeek is technisch sterk, maar introduceert een geopolitiek en data-soevereiniteitsrisico buiten de EU. Voor gevoelige persoonsgegevens is EU-hosting met een verwerkersovereenkomst voor mij een harde eis, in lijn met het Europese kader voor AI (EU AI Act, Verordening (EU) 2024/1689).
| Mijn criterium | Gewicht | ChatGPT | Claude | Mistral | DeepSeek | Eustella |
|---|---|---|---|---|---|---|
| Privacy (EU / DPA) | Hoog | Laag | Laag | Hoog | Laag | Zeer hoog |
| Ethisch / politiek onafhankelijk | Breekpunt | Valt af | Valt af | OK | Risico | OK |
| Geschikt als oplosser | Hoog | Extreem | Zeer hoog | Medium | Zeer hoog | Hoog |
| Kosten (± €20/maand) | Middel | OK | OK | OK | OK | OK |
| Transparantie | Laag | Laag | Laag | Hoog | Medium | Hoog |
De pijnlijke afweging. Er gaapt een kloof tussen de slimste modellen en de meest privacyvriendelijke. Ik moet kiezen tussen een model dat minder slim is maar volledig onder controle, of een model dat briljant is maar oncontroleerbaar.
Conclusie: performantie herdefiniëren
Voor mijn profiel is de keuze geen kwestie van kracht tégen ethiek, maar van het herdefiniëren van kracht. Een tool die technisch superieur is maar mij dwingt tot afhankelijkheid, is in mijn context een technisch falen. De route loopt van "intelligentie als dienst" (Big Tech) naar "controle als een instrument dat je bezit" (Mistral zelf gehost, of een agentic framework zoals Eustella, dat zich positioneert als EU-soeverein).
Mijn praktische architectuur sluit hierop aan: een soevereine assistent als dagelijkse werkpartner, terwijl de eigenlijke rooster-berekening lokaal draait in Python. Zo raken de echte personeelsgegevens nooit de cloud. De cognitieve kloof overbrug ik dan niet met brute rekenkracht, maar met een opzet die transparantie, validatie en controle centraal stelt.
Kort samengevat. De slimste AI wint niet automatisch. Voor gevoelig werk telt de vraag: houd ik de controle? Mijn keuze valt op een soevereine, transparante opzet met de zware rekenklus lokaal — kracht waar het kan, controle waar het moet.
Referenties
Bai, Y., Kadavath, S., Kundu, S., Askell, A., Kernion, J., Jones, A., … Kaplan, J. (2022). Constitutional AI: Harmlessness from AI feedback (arXiv:2212.08073). arXiv. https://doi.org/10.48550/arXiv.2212.08073
Center for Humane Technology. (2026). The AI roadmap: How we ensure AI serves humanity. https://www.humanetech.com/ai-roadmap
Elish, M. C. (2019). Moral crumple zones: Cautionary tales in human-robot interaction. Engaging Science, Technology, and Society, 5, 40–60. https://doi.org/10.17351/ests2019.260
Europese Unie. (2024). Verordening (EU) 2024/1689 tot vaststelling van geharmoniseerde regels betreffende artificiële intelligentie (AI-verordening). Publicatieblad van de Europese Unie, L 2024/1689.
Liu, N. F., Lin, K., Hewitt, J., Paranjape, A., Bevilacqua, M., Petroni, F., & Liang, P. (2024). Lost in the middle: How language models use long contexts. Transactions of the Association for Computational Linguistics, 12, 157–173. https://doi.org/10.1162/tacl_a_00638
Parasuraman, R., & Manzey, D. H. (2010). Complacency and bias in human use of automation: An attentional integration. Human Factors, 52(3), 381–410. https://doi.org/10.1177/0018720810376055
Reber, R., & Schwarz, N. (1999). Effects of perceptual fluency on judgments of truth. Consciousness and Cognition, 8(3), 338–342. https://doi.org/10.1006/ccog.1999.0386
Tuszynski, M. (2025). Choosing digital tools in the age of AI. Tactical Tech. https://tacticaltech.org/news/insights/choosing_digital_tools_in_the_age_of_ai/