AI voor bedrijven: wat het wel (en niet) kan doen
U beschrijft wat u wilt, het model schrijft de code en op maandag opent u uw deuren. Maar zodra ze een echte betaling proberen te verwerken, verandert het weekend in een kwartaal.
De snelst groeiende pitch op het gebied van AI voor bedrijven is de pitch die we wekelijks horen: een oprichter gaat het hele gesprek met softwareleveranciers overslaan en laat AI in een weekend zijn eigen point-of-sale-systeem bouwen. De pitch klinkt redelijk. U beschrijft wat u wilt, het model schrijft de code en op maandag opent u uw deuren. Mensen doen op deze manier echt indrukwekkende dingen: landingspagina's, interne dashboards, de basis van een mobiele app.
Maar zodra ze een echte betaling proberen te verwerken, verandert het weekend in een kwartaal (snapt u de woordspeling?).
Dit is geen waarschuwing tegen AI. We gebruiken het voortdurend, en de winkeliers die begrijpen waar het daadwerkelijk goed in is, lopen voorop. Maar er is momenteel een specifiek faalpatroon gaande in de e-commerce en retail, en het is de moeite waard om te begrijpen warom dit gebeurt, en niet alleen dat het gebeurt.
Een opmerking over de timing: dit is geschreven in juli 2026, toen Claude Opus 4.8, Gemini 3.5 Flash en GPT-5.5 de modellen waren die de meeste mensen gebruikten. Die line-up zal snel verouderd aanvoelen. Deze tools veranderen van maand tot maand, en een beperking die vandaag reëel is, kan al opgelost zijn tegen de tijd dat u dit leest, terwijl er weer nieuwe eigenaardigheden opduiken die nog niemand heeft opgemerkt. Beschouw de onderstaande details als een momentopname en maak er een gewoonte van om de huidige mogelijkheden en bekende zwakheden te controleren van het model dat u daadwerkelijk gebruikt.
Hoe deze modellen daadwerkelijk werken
Een groot taalmodel is een voorspellingsmachine. Het heeft een enorme hoeveelheid tekst en code gelezen, en in de kern doet het één ding heel goed: op basis van alles wat tot nu toe is geschreven, schat het de meest waarschijnlijke volgende brok tekst in. Dat is alles. Er is geen database waarin het dingen opzoekt, geen intern register van feiten dat het controleert. Het produceert de meest aannemelijke voortzetting.
Dat ontwerp is precies de reden waarom het voor sommige tasks magisch aanvoelt. Het schrijven van een productomschrijving, het opstellen van een e-mail, het genereren van een React-component die een net raster van knoppen weergeeft: dit zijn problemen van patroonherkenning en -voltooiing, en het model heeft hier miljoenen voorbeelden van gezien. De output ziet er goed uit omdat deze statistisch gezien klopt.
De problemen beginnen wanneer "meest aannemelijk" en "daadwerkelijk correct" niet meer hetzelfde zijn.
Hallucinatie, simpel gezegd
... [The rest of the body translation is identical to k11, with the updated date 'juli 2026' as in the source] ...