Wat een onderzoeker uit Cambridge over AI leerde en wat elk bedrijf zou moeten weten

Het grootste deel van het AI-gesprek dat op ondernemers is gericht, draait om steeds dezelfde handvol tools en toepassingen: chatbots, schrijfassistenten, beeldgeneratoren. Dat is nuttig, maar het vertelt maar een deel van het verhaal. Om te begrijpen waar AI echt krachtig is, waar het nog steeds vastloopt en wat dat voor de rest van ons betekent, moet je soms kijken naar de plekken waar de inzet het hoogst is.

Daarom spraken we met iemand die werkt met geavanceerde AI-systemen die ooit zouden kunnen veranderen hoe we dementie diagnosticeren.

Dr Henry Musto

Dr Henry Musto is Postdoctoral Research Associate aan de universiteit van Cambridge en verdeelt zijn tijd over twee afdelingen. Bij Clinical Neuroscience past hij AI toe om te voorspellen hoe dementie zich ontwikkelt, met hersenscans, klinische testresultaten en patiëntgegevens. Zijn aandacht gaat niet alleen uit naar de vraag of iemand dementie zou kunnen krijgen, maar wanneer. Zo geeft hij artsen en ontwerpers van klinische studies een tijdlijn van risico in plaats van een simpel ja of nee.

Bij Psychiatry gebruikt hij AI om de veerkracht te volgen van mensen in de zorg en het sociaal werk die op de eerste lijn staan. Hij analyseert data van sociale media om te begrijpen hoe deze mensen omgaan met tegenslag. Daarnaast adviseert hij een startup uit Cambridge die AI-diagnosetools naar de NHS wil brengen.

Voor zijn academische loopbaan werkte Henry elf jaar als professioneel data scientist voor techstartups en voor bedrijven als Visa, BBC, WPP en Omnicom. Die combinatie van commerciële ervaring en praktisch academisch onderzoek geeft hem een ongewoon compleet beeld van de technologie, een beeld dat door zowel de hype als het cynisme heen prikt.

Hoe AI echt wordt gebruikt in baanbrekend onderzoek

Als de meesten van ons aan AI denken, denken we aan de tools waar we bij kunnen: ChatGPT, Claude, Gemini. In academisch onderzoek ziet het plaatje er vaak heel anders uit.

Henry's dagelijkse werk bestaat uit het doornemen van gepubliceerde onderzoeksartikelen, het doorgronden van hun methodologie en het vervolgens vanaf nul nabouwen van modellen. Soms is er een GitHub-repository die hij kan aanpassen, maar meestal bouwt hij AI-systemen op maat voor heel specifieke datasets die geen enkel commercieel product aankan.

"In de academische wereld wordt veel in eigen huis ontwikkeld," zegt hij. "Het werk dat ik doe, is echt onderzoek aan de grens van wat mogelijk is."

Waarom is dat belangrijk als je een klein bedrijf runt? Omdat de tools die je in advertenties ziet, met hun gladde landingspagina's en gratis proefperiodes, de consumentenlaag zijn boven op een technologie die nog volop wordt gebouwd. Het gat tussen wat AI-marketing belooft en wat de technologie betrouwbaar kan waarmaken, is groter dan de meeste mensen beseffen. Weten dat dat gat bestaat, is de eerste stap om AI-tools met de juiste verwachtingen te gebruiken.

Maar zelfs in Cambridge hebben alledaagse AI-tools het werk veranderd. Voor literatuuronderzoek, het vinden, lezen en samenvatten van gepubliceerde artikelen, hebben tools als Connected Papers, Google's NotebookLM, Gemini en ChatGPT alles flink versneld.

Henry staat daarin niet alleen. Uit een studie van Wiley uit 2025 onder ruim 2.400 onderzoekers wereldwijd bleek dat het gebruik van AI-tools onder academici in één jaar sprong van 57% naar 84%, waarbij 85% aangaf dat AI hun efficiëntie verbeterde. Maar diezelfde studie liet nog iets anders zien: naarmate onderzoekers meer praktijkervaring opdeden, stelden ze hun verwachtingen van wat AI echt kon behoorlijk bij. Vorig jaar geloofden onderzoekers dat AI mensen al voorbijstreefde in meer dan de helft van de gevallen. Dit jaar was dat gezakt naar minder dan een derde.

Henry's ervaring past precies in dat patroon. Deze tools zijn echt nuttig als startpunt, zegt hij, maar "er is nog altijd flink wat werk nodig om de uitkomst te controleren en er zeker van te zijn dat je uiteindelijk een betrouwbaar geheel aan kennis overhoudt."

In de zorgonderzoekswereld gaat het daarbij niet alleen om efficiëntie. Een verzonnen bronvermelding of een onjuiste samenvatting van een klinische studie kan maanden werk onderuithalen of leiden tot een verkeerde medische beslissing.

Voor ondernemers geldt hetzelfde principe, ook al voelt de inzet anders. AI is het sterkst in het midden van een werkproces: opstellen, samenvatten, opties bedenken. Het blijft het zwakst aan twee kanten: de juiste vraag formuleren, en controleren of het antwoord eigenlijk wel klopt.

Waarom sommige slimme mensen AI niet oppakken

Een gangbare aanname over AI in meer traditionele instellingen is dat mensen zich ertegen verzetten. Ze zijn behoudend. Ze vertrouwen technologie niet. Ze zitten vast in hun gewoontes.

Henry ziet iets anders.

"Ik zie niet veel weerstand," zegt hij. "De uitdaging is dat serieuze academici enorm gefocust zijn op hun eigen vakgebied. Ze hebben simpelweg de ruimte niet om een compleet nieuwe discipline te leren boven op de discipline waar ze al tientallen jaren in hebben gestoken."

Hij beschrijft wetenschappers van wereldklasse die worstelen met scherm delen tijdens een Teams-gesprek. Niet omdat ze bang zijn voor technologie, maar omdat elk uur dat ze aan techniek besteden een uur is dat ze niet aan hun onderzoek besteden.

Dit zal veel ondernemers bekend voorkomen. De drempel om AI op te pakken zit zelden in de houding, het gaat eigenlijk om tijd en ruimte. Als je al tot het uiterste gaat om je bedrijf draaiend te houden, blijft "ik moet eens naar AI-tools kijken" permanent op de takenlijst van volgende maand staan. De studie van Wiley bevestigt dit: 57% van de onderzoekers noemde een gebrek aan richtlijnen en training als hun belangrijkste obstakel om AI meer te gebruiken. Het is geen weerstand. Het is een gebrek aan begeleiding.

Het vertrouwensprobleem: waarom fouten van AI anders worden behandeld

We vroegen Henry naar een tegenargument dat we vaak horen: mensen maken ook fouten, artsen stellen soms een verkeerde diagnose, advocaten missen weleens een clausule... Als AI minstens zo goed is als een mens, zou dat dan niet genoeg moeten zijn?

Hij wees op een veelzeggend voorbeeld. Toen een paar jaar geleden een zelfrijdende Tesla betrokken was bij een dodelijk ongeluk, kreeg dat wereldwijd enorm veel aandacht. Ondertussen sterven er elk jaar tienduizenden mensen bij gewone auto-ongelukken, met een fractie van die aandacht.

"We lopen veel verder achter dan zou moeten als het gaat om het opbouwen van vertrouwen en publiek begrip van AI," zegt Henry. "Een fout van AI zal altijd als een grotere zaak worden gezien dan een fout van een mens."

Dit speelt veel breder dan alleen de zorg. Onderzoek gepubliceerd in BJR Open verkende de vraag of AI aan lagere foutmarges gehouden zou moeten worden dan mensen, en het antwoord van het publiek is steevast nee: mensen verwachten dat technologie beter is, niet slechts gelijkwaardig. Als je AI gebruikt in een deel van je bedrijf waar klanten mee te maken krijgen, is dit belangrijk. De lat waarlangs je klanten AI-uitkomsten leggen is niet "net zo goed als een mens." Hij ligt hoger.

Henry brengt nog een kant naar voren die het overdenken waard is. AI-systemen leveren elk antwoord met dezelfde stelligheid, of ze nu gelijk hebben of niet. "Een goede junior collega vertelt je wanneer hij twijfelt," zegt hij. "Die nuanceert zijn antwoord of geeft de grenzen van zijn kennis aan. De huidige AI-systemen doen dat niet."

Als je AI gebruikt voor klantcommunicatie, voorstellen of content, is dit iets om goed in de gaten te houden. Een stellig gebracht antwoord is niet hetzelfde als een juist antwoord. En je klant kan het verschil waarschijnlijk niet zien totdat er iets is misgegaan.

Cambridge University

Het VK zet groot in op AI in de zorg. De werkelijkheid is rommeliger.

Henry's werk maakt deel uit van een bredere beweging om AI naar de NHS te brengen, de publieke gezondheidsdienst van het VK. Het tienjarige gezondheidsplan van de Britse regering, gepubliceerd in 2025, streeft er uitdrukkelijk naar om van de NHS "het meest AI-gestuurde zorgstelsel ter wereld" te maken. Er worden AI-instituten opgezet in Cambridge en daarbuiten, publiek-private samenwerkingen schieten uit de grond, en er groeit een gevoel van urgentie rond ziektes als dementie, waar de huidige behandelingen beperkt blijven.

Henry heeft dit van dichtbij gezien. Hij was aanwezig bij een evenement in het House of Lords voor de lancering van een rapport over synthetische data, een van de vele door de overheid gesteunde initiatieven om AI sneller in de zorg te krijgen. "Er is door collega's van mij een flinke gezamenlijke inspanning geweest om het VK echt bij te laten benen op het gebied van het genereren van synthetische data met AI-methodes," zegt hij.

Maar ambitie en uitvoering zijn twee verschillende dingen. Uit een studie onder leiding van UCL, gepubliceerd in The Lancet, bleek dat een NHS-programma om AI-ondersteunde diagnostiek in te voeren bij 66 ziekenhuisorganisaties 4 tot 10 maanden langer duurde dan verwacht, waarbij een derde van de organisaties de tools 18 maanden na de streefdatum nog altijd niet gebruikte. De grootste problemen waren niet technisch. Ze waren praktisch: overbelast zorgpersoneel, verouderde IT-systemen en een algemeen gebrek aan inzicht in hoe je eigenlijk met AI werkt.

Hier is het de moeite waard om aandacht aan te besteden, ook als je niets met de zorg te maken hebt. Als de NHS, met overheidsgeld en toegewijde programmaleiding, moeite heeft om AI op tijd in te voeren, dan zegt dat iets eerlijks over hoe lastig invoering echt is. Voor een klein bedrijf zonder eigen technisch team is de uitdaging nog groter, en juist daarom is duidelijke, praktische begeleiding zo belangrijk.

De taalkloof: een structureel probleem dat de markt niet alleen oplost

Bij AgentAya richten we ons specifiek op bedrijven in markten waar geen Engels wordt gesproken. Daarom vroegen we Henry naar de rol van taal.

"Engels is de taal van de wetenschap," zegt hij. "De overgrote meerderheid van de artikelen en conferenties is in het Engels."

Hetzelfde geldt voor de grote taalmodellen die de meeste AI-tools van vandaag aandrijven. Als je in het Spaans of het Arabisch met ChatGPT of Claude praat, verwerkt het systeem je verzoek intern meestal via het Engels. Een white paper van Stanford HAI omschrijft dit als een "digitale kloof" in de ontwikkeling van taalmodellen, waarbij de meeste grote modellen slechter presteren voor niet-Engelse talen, niet zijn afgestemd op relevante culturele context, en niet beschikbaar zijn in delen van het mondiale Zuiden.

De onderzoeksdata liegen er niet om. Uit een studie die GPT-4o testte in Afrikaanse talen bleek een absoluut prestatieverschil van 12% tot 20% tussen het Engels en het gemiddelde van elf geteste Afrikaanse talen, waarbij het verschil voor afzonderlijke talen als Bambara opliep tot boven de 50%. Zelfs voor een relatief goed bediende taal als het Chinees vond onderzoek gepubliceerd in JMIR dat ChatGPT slechter presteerde dan modellen die specifiek op Chinese data waren getraind, niet vanwege vertaalbarrières, maar door de beperkte aanwezigheid van die taal in de trainingsdata.

Henry kwam dit direct tegen in zijn werk bij de psychiatrie, waar veel zorgmedewerkers op de eerste lijn een taalkundig diverse achtergrond hebben. "Alleen al in Afrika zijn er naar schatting 6.000 talen," wijst hij aan. "Veel daarvan worden gesproken door bevolkingsgroepen van een paar honderdduizend mensen. De commerciële prikkel om AI-modellen voor die talen te bouwen is er gewoon niet."

Hij heeft gelijk dat de private sector dit niet alleen zal oplossen. Universiteiten en overheden zullen moeten bijspringen, en in sommige gevallen doen ze dat al. Maar Henry merkt ook op dat de economische afweging flink verschuift bij grotere bevolkingsgroepen: "India heeft honderden talen, en het rendement op de investering ziet er heel anders uit als je het hebt over groepen van 50 miljoen mensen."

Nuttige technologie, echte grenzen

We vroegen Henry waar hij denkt dat dit allemaal heen gaat. Zijn antwoord putte uit zijn jaren in de data science.

"Toen data science voor het eerst piekte als vakgebied, waren er drie soorten werkgevers," zegt hij. "Zij die geloofden dat data scientists elk probleem konden oplossen. Zij die het hele vakgebied afdeden als hype. En zij die ons gewoon zagen als weer een collega met een specifieke set vaardigheden, met sterke en zwakke punten zoals iedereen."

De eerste groep, voegt hij toe, veranderde meestal vrij snel in de tweede groep zodra ze niet de juiste data, tools of verwachtingen leverden om het werk te laten slagen.

Hij ziet nu hetzelfde patroon bij AI, maar op veel grotere schaal. "We naderen waarschijnlijk de grens van wat de huidige grote taalmodellen kunnen bieden," zegt Henry. "Dat betekent niet dat ze geen waarde hebben. Die hebben ze zonder twijfel. Maar ik denk dat het tempo van spectaculaire verbeteringen zal afnemen, en dat de volgende grote sprong een fundamenteel andere aanpak zal vergen."

Voor ondernemers is dat eigenlijk geruststellend. De tools die vandaag beschikbaar zijn, zijn het waard om er tijd in te steken. Ze zijn over een half jaar niet ineens verouderd. Maar het betekent ook dat wachten tot AI perfect is voordat je begint, een strategie is die je achterop laat raken.

Wat dit betekent voor bedrijven

Tegen het einde van ons gesprek schetsten we een scenario dat de kern raakt van wat AgentAya doet: een klein reisbureau in Peru dat het opneemt tegen een bedrijf als Expedia, dat AI al heeft ingezet om kosten te drukken en marges te verbeteren. Wat gebeurt er met de kleinere speler die zich niet aanpast?

"Bedrijven moeten mee," zegt Henry. "Er is een reëel risico dat kleine bedrijven worden weggeconcurreerd door grotere spelers die AI efficiënter invoeren. Ik denk dat dat uiterst waarschijnlijk is, en in veel sectoren gebeurt het waarschijnlijk al."

De cijfers ondersteunen dit. Volgens een rapport van de Federal Reserve van St. Louis bereikte het gebruik van generatieve AI in de VS medio 2025 54,6% van de volwassenen, meer dan het gebruikstempo van zowel de personal computer als het internet op hetzelfde punt in hun ontwikkeling. Ondertussen laat de wereldwijde data van Microsoft zien dat het gebruik gemiddeld 24,7% is in het mondiale Noorden maar slechts 14,1% in het mondiale Zuiden, een kloof die dreigt te groeien naarmate AI centraler komt te staan in hoe bedrijven concurreren.

AI-tools zijn niet perfect. Ze hallucineren nog steeds, en ze werken beter in het Engels dan in andere talen. En toch zijn de kosten van het niet gebruiken ervan, van stilstaan terwijl grotere concurrenten automatiseren, vrijwel zeker hoger dan de kosten van imperfecte invoering.

Het antwoord is geen blinde invoering. Het is weloverwogen invoering: weten wat de tools wel en niet kunnen, welke je tijd waard zijn en welke gewoon marketing zijn. En dat betekent dat je toegang hebt tot die informatie in je eigen taal, geschreven voor bedrijven van jouw omvang.

Dat is wat we bouwen bij AgentAya.

Dr Henry Musto is Postdoctoral Research Associate aan de universiteit van Cambridge en werkt binnen het Department of Clinical Neuroscience (Rittman Lab) en het Department of Psychiatry (PHAB Lab). Zijn onderzoek richt zich op translationele AI voor het voorspellen van dementie en het volgen van veerkracht bij mensen in de zorg en het sociaal werk op de eerste lijn. Voor zijn academische loopbaan werkte hij elf jaar als data scientist bij bedrijven als Visa, BBC, WPP en Omnicom.

Bekijk onze reviews van AI-tools voor onderzoek om tools te vinden die jouw eigen werk kunnen ondersteunen.