De persoonlijkheid van uw AI is net zo belangrijk als de IQ – en zal de inzet van ondernemingen bepalen

De meeste bedrijven kiezen nog steeds voor AI-modellen op basis van benchmarks. In de praktijk is dat zelden wat bepaalt of deze systemen daadwerkelijk werken.

Tot nu toe zijn de meeste gesprekken over grote taalmodellen in bedrijfsomgevingen gedomineerd door benchmarks. Teams zijn gericht op meetbare prestaties, zoals welk model het meest intelligent is, het sterkst in codering, het meest nauwkeurig in samenvatting of in wiskundige redenering.

Maar als teams beginnen met het verlaten van de experimentele fase en daadwerkelijk grote schaalimplementaties uitvoeren, zullen andere belangrijke factoren, die door de meeste CEO’s sterk worden genegeerd, zich snel bewijzen als even belangrijk voor het succes van een bedrijf.

De inzetbaarheid van AI

Ruwe intelligentie en analytische capaciteit zijn duidelijk belangrijk, maar de meest onderschatte variabele in de inzet van AI in bedrijven is persoonlijkheid. Persoonlijkheid, in de context van grote taalmodellen, verwijst naar de consistente stem, toon en gedrag die een model over interacties heen uitstraalt. Het is wat een AI coherent en betrouwbaar maakt.

Wanneer bedrijven AI implementeren, moeten ze dezelfde aanpak volgen als bij het aannemen van een menselijke medewerker: beoordeel niet alleen hoe goed een model een taak kan uitvoeren, maar ook zijn houding ten opzichte van de taak, hoe het communiceert en hoe het past in de grotere workflow.

De mogelijkheid van een model om consistentie te behouden, adequaat te reageren en nuances in verschillende contexten aan te pakken, kan een aanzienlijke impact hebben op bedrijfsresultaten. Een technisch briljant AI dat langzaam reageert, van toon verandert of subtiele interacties verkeerd aanpakt, kan door bedrijven verkeerd worden toegepast, waardoor gebruikers gefrustreerd raken, de betrokkenheid afneemt en uiteindelijk de effectiviteit van de AI en het succes van het bedrijf afnemen.

Dit is vooral belangrijk in branches zoals klantenservice, politieke uitreiking of interne communicatie, aangezien subtiele verschuivingen in toon of formulering tussen antwoorden verwarring kunnen veroorzaken, vertrouwen kunnen ondermijnen en de algehele betrokkenheid kunnen verminderen. Net als bij mensen is er geen enkel ideale model dat in elke categorie beter presteert dan de concurrentie. Sommige modellen zijn beter in het uitvoeren van analytische taken zoals codering of wiskunde, terwijl anderen veel beter presteren in conversational writing en het samenvatten van vergaderingen.

Maar een uitdaging voor teams die op basis van deze systemen bouwen, is dat deze kenmerken niet vaststaan.

Een bewegend doel

Het AI-landschap evolueert sneller dan de meeste organisaties kunnen bijhouden. Nieuwe versies worden frequent uitgebracht en prestatiekenmerken kunnen van de ene update naar de andere veranderen. Google’s Gemini-modelserie is een recent voorbeeld.

Gemini 2.0 Pro werd in februari 2025 uitgebracht en werd onmiddellijk gepresenteerd als het vlaggenschipmodel voor ontwikkelaars en bedrijven die het wereldwijd voor codering en complexe prompts gebruiken.

Het kwam met wat op dat moment de grootste contextwindow van Google was die ooit was aangeboden, met twee miljoen tokens, waardoor het in staat was om grote hoeveelheden informatie tegelijk grondig te analyseren en te begrijpen, en tegelijkertijd tools zoals Google Search te gebruiken en zelfs code te schrijven.

Voor teams die systemen bouwen die grote hoeveelheden data snel en nauwkeurig moeten verwerken, leek het de duidelijke keuze. Maar binnen enkele weken bracht Google Gemini 2.5 Pro uit, die onmiddellijk de toplijsten bereikte en zijn voorganger overtrof met verbeteringen in codering, wiskunde en wetenschap.

Over een nacht was het model dat nog maar twee maanden eerder de beste optie op de markt, al door een opvolger vervangen. Maar vroege aanvaarders merkten onmiddellijk dat de veranderingen niet alleen incrementeel of analytisch waren — Gemini’s hele persoonlijkheid was in één nacht veranderd. Meerdere ontwikkelaars gingen zo ver als te zeggen dat de AI leek alsof het was “gelobotomiseerd” na de update.

Zij klaagden dat de AI leek te zijn, letterlijk, “dommer te worden” — consistent langzamere antwoorden producerend, minder coherente uitvoer en inconsistenties vertonend in hoe het prompts afhandelde die het eerder geen problemen mee had en taken die eerder soepel verliepen, plotseling stug werden.

En hier begint een bedrijfsstrategie rond AI-implementatie fundamenteel te veranderen.

Verder dan de benchmarks

Op papier zou Gemini 2.5 Pro de duidelijke winnaar moeten zijn met zijn enorme verbeteringen in capaciteit en veiligheid.

Maar in de praktijk veranderden die veranderingen volledig hoe betrouwbaar het model was, hoe het zich gedroeg, reageerde op prompts en, in het verlengde daarvan, stuurden teams die net veel geld hadden uitgegeven en uren hadden besteed aan het bouwen van systemen rond deze systemen, terug naar af als de nieuwe capaciteiten van het model niet overeenkwamen met hun bestaande pijplijn.

Selfs kleine verschuivingen in gedrag kunnen systemen die zijn gebouwd op consistentie en voorspelbaarheid verstoren. Dit creëert een reëel operationeel risico als een bedrijf sterk afhankelijk is van één model, aangezien elke update onmiddellijke instabiliteit kan introduceren in teams die van deze systemen afhankelijk zijn.

Om dit te bestrijden, zijn veel vooruitstrevende bedrijven begonnen met het implementeren van een multi-modelstrategie waarbij ze verschillende taken routeren naar de modellen die het beste geschikt zijn voor hen, in plaats van te vertrouwen op één model om alles te doen.

Deze aanpak verbetert niet alleen de prestaties aangepast aan elke taak, maar vermindert ook het risico dat samenhangt met AI-implementatie, omdat als één model zou degraderen na een update, het de hele systeem die ervan afhankelijk is niet naar beneden zou trekken, aangezien er back-ups beschikbaar zijn.

Om het simpel te zeggen, zijn de persoonlijkheid en betrouwbaarheid van de AI net zo belangrijk als de ruwe intelligentie als het gaat om het toepassen van het model in een werkomgeving om verschillende taken uit te voeren. Deze verschuiving in denken vertegenwoordigt een fundamentele verandering in hoe bedrijven niet langer alleen een “slimme tool” kopen, maar een hele digitale infrastructuursysteem bouwen en beheren.

Om te overleven, maar vooral om te floreren in het huidige bedrijfslandschap, moeten teams pijplijnen opzetten die verschillende modellen in- en uit kunnen schakelen, en constant controleren hoe updates zowel de prestaties als de interactiekwaliteit beïnvloeden.

Uiteindelijk zullen de modellen zelf blijven evolueren met een tempo dat moeilijk bij te houden is. Maar bedrijven die verandering plannen, redundantie bouwen en AI behandelen als zowel een tool als een teamgenoot, zullen degene zijn die deze snelle verschuivingen omzetten in een concurrentievoordeel.