De obsessie met AI dreigt de onderzoeksgebieden uit te hongeren die nodig zijn om te overleven

Ik schrijf al tien jaar uitsluitend over kunstmatige intelligentie. In 2022 waren er wereldwijd maar een handvol andere journalisten die zich uitsluitend op AI richtten; inmiddels zijn we met vele duizenden, zo niet meer. Beter gefinancierde media hebben nu zelfs meer dan één medewerker in dienst die uitsluitend over kunstmatige intelligentie schrijft.

Als soort richten we onze aandacht, inspanningen, angsten en hoop nu op een cultureel en technologisch fenomeen dat zich maar eens per eeuw voordoet. Tot de komst van bruikbare grote taalmodellen en effectieve beeld- en videogeneratie op basis van diffusie was dit fenomeen blijven steken in de hoek van de ‘curiosa’. Deepfakes waren daarbij een politieke speelbal, terwijl de wereldeconomieën ogenschijnlijk geen gevaar liepen.

De ‘routinematige’ AI-storm

Dat is nu natuurlijk allemaal verleden tijd. Alles staat op het spel, alles wordt ontwricht en 2026 is mogelijk het jaar waarin voorspellingen over het daaropvolgende jaar het moeilijkst te onderbouwen waren*.

Wekelijks, soms meerdere keren per week, verschijnen er nieuwe modellen met gesloten broncode en open gewichten. Ze worden inmiddels zo vaak uitgebracht dat sommige niet eens worden besproken door de enthousiastelingen en hobbyisten, die er steeds cynischer tegenover komen te staan,  en steeds hogere eisen stellen aan wat hun aandacht verdient, gezien de aanhoudende stroom nieuwe releases.

Als iemand die de onderzoeks- en releasescene met grote belangstelling en beroepsmatig volgt, moet ik zeggen dat verbeteringen in de verschillende sectoren van AI-onderzoek en -ontwikkeling, hoewel ze met grote tussenpozen veel impact hebben, doorgaans (en altijd al) in kleine stappen tot stand komen, en niet via revolutionaire of evolutionaire mijlpalen zoals Transformers. Tegenwoordig hebben de schokken vooral te maken met de gevolgen van AI voor de economie, en minder met de nieuwste mogelijkheden ervan.

Zoals ik eerder heb opgemerkt, staat de kwaliteit van de ideeën achter de enorme toename van AI-onderzoek sinds 2022 niet altijd in verhouding tot de kwantiteit. Veel ervan zijn Frankensteinachtige herhalingen, combinaties of samenvoegingen van bestaand en nieuwer werk: lappendekenarchitecturen die bedoeld zijn om schijnbare aanzienlijke verbeteringen ten opzichte van eerder werk te realiseren, maar bij nader onderzoek worden gehinderd door broze methoden of absurd hoge VRAM-kosten.

De spooksteden van de journalistiek

Toen die duizenden journalisten overstapten naar berichtgeving over AI, kregen de onderwerpen waarover ze eerder schreven onvermijdelijk minder directe aandacht. Dat maakte nauwelijks verschil, want AI werd zo alomtegenwoordig in cultuur en infrastructuur dat bijvoorbeeld een energiecorrespondent inmiddels meer over AI-gerelateerde kwesties zou schrijven dan over enig ander onderwerp. Hetzelfde gold voor journalisten die economie, werkgelegenheid, politiek en beleid versloegen, naast andere terreinen.

Het leek erop dat al deze onderwerpen voortaan door de lens van AI konden worden bekeken. Dat kan deels verklaren waarom de ‘specifieke’ berichtgeving over AI zo sterk is toegenomen, in een steeds kleiner wordend vakgebied (al heeft dat zich de laatste tijd enigszins hersteld).

Je moet je dan ook afvragen of andere onderwerpen nu onvoldoende aandacht krijgen door de ‘AI-obsessie’ — onderwerpen met verhalen, trends en ontwikkelingen die uiteindelijk ook gevolgen kunnen hebben voor het ‘gouden onderwerp’ AI zelf.

Maar wat kun je eraan doen? De middelen zijn beperkt en tot dusver is AI het verhaal van de eeuw.

De grote AI-migratie

Volgens een nieuw artikel dat me hierover sterk heeft aangesproken, is dit mogelijk wat er met AI zelf gebeurt: naast het risico dat terugschakeling en het opnieuw voeden van modellen de kwaliteit van toekomstige modellen zullen verlagen, raakt het bredere wetenschappelijke ecosysteem, waarin ideeën ontstaan en tussen disciplines worden uitgewisseld, zo sterk geconcentreerd op AI-onderzoek dat ‘serendipiteit’ — momenten waarop onverwachte verbanden tussen ogenschijnlijk ongerelateerde ideeën complete vakgebieden kunnen veranderen — steeds zeldzamer dreigt te worden.

Kort gezegd stelt het nieuwe onderzoek, getiteld Sterkere doorbraken op het gebied van kunstmatige intelligentie versnellen hun eigen uitputting, dat de AI-obsessie de omstandigheden wegneemt waarin nieuwe ontwikkelingen ontstaan, ook ontwikkelingen die rechtstreeks van invloed zijn op AI. En dat er in dit nieuwe brandpunt van belangstelling (om de auteurs sterk te parafraseren) sprake is van een zekere ‘incestueuze tendens’ die waarschijnlijk niet goed zal aflopen.

In het artikel staat^†:

‘Een dominant paradigma verdringt niet alleen zijn rivalen, maar ook de diversiteit waaruit zijn eigen opvolger opnieuw zou zijn samengesteld.

‘De versmalling van de aandacht sinds 2017, de overstap naar AI van meer dan de helft van alle auteurs die van vakgebied wisselen, de afnemende vitaliteit van nieuwe ideeën en de steeds sterkere afname aan de staart van actieve ideeënpopulaties in opeenvolgende cycli beschrijven samen een systeem waarvan het creatieve vermogen wordt uitgehold door het succes van de dominante paradigma’s die het heeft voortgebracht.’

Eerder onderzoek heeft vastgesteld dat AI onderzoek mogelijk verandert in een monocultuur, maar de auteurs van het nieuwe onderzoek denken ook dat de groeiende dominantie van AI de verse ideeën kan verdringen die nodig zijn om het vakgebied verder te ontwikkelen. Ze vergelijken AI-onderzoek met de biologische wetenschappen, waar doorbraken zoals cryo-EM en AlphaFold vergelijkbare cycli van innovatie en verval op gang hebben gebracht.

Om empirisch bewijs voor hun theorieën te verzamelen, analyseerden de auteurs 7,18 miljoen computerwetenschappelijke artikelen uit OpenAlex, gepubliceerd tussen 1990 en 2025. Ze volgden veranderingen in onderzoeksonderwerpen en citaties, de overstap van 3,7 miljoen onderzoekers tussen vakgebieden en 73.089 collegiale beoordelingen, om te zien hoe de groeiende dominantie van AI de wetenschappelijke diversiteit heeft beïnvloed.

Een van de interessantste bevindingen uit de gegevens heeft te maken met de recente overstap van onderzoekers naar AI, weg van de onderwerpen die ze al bestudeerden:

‘De overstappers zijn onderzoekers halverwege hun loopbaan, met een zekere reputatie, die het werk achter zich laten waarmee ze hun status hebben verworven om zich te laten aantrekken door de zwaartekracht van het vakgebied, zelfs als dat een overstapboete met zich meebrengt.’

Uit het onderzoek bleek dat meer dan de helft van de 918.862 geregistreerde overstappen tussen informaticavakgebieden richting AI ging, terwijl andere gebieden, met name systeemonderzoek en theoretisch onderzoek, gestaag onderzoekers verloren.

Uit het nieuwe artikel: veranderingen in het aandeel informatica-artikelen over AI, systemen en theorie tussen 1990 en 2025. Elk vierkant staat voor één jaar; blauw duidt op een groter aandeel en rood op een kleiner aandeel. Het aandeel van AI steeg na 2017 scherp, terwijl dat van de andere vakgebieden daalde. Bron

De onderzoekers die het vaakst de overstap maakten, waren ervaren academici met een gevestigde loopbaan. Ondertussen groeide het aandeel van AI in alle informatica-artikelen van 40% in 2017 tot meer dan 55% in 2025.

Uit de Arxiv-blog: de toename van inzendingen voor informatica-artikelen over een periode van 2 jaar, 2024-26. Bron

Drie signalen

Het artikel benoemt drie ‘samenkomende kenmerken’ die volgens de auteurs sinds 2017 bepalend zijn geworden voor de informatica.

Het eerste is de scherpe vernauwing van de onderzoeksfocus na 2017, toen de Transformer-architectuur werd geïntroduceerd. Door de tien belangrijkste trefwoorden uit elk van de 7,18 miljoen informatica-artikelen te halen, volgden de auteurs in welke mate het onderzoek zich op dezelfde onderwerpen richtte:

Grafieken die laten zien hoe het informaticaonderzoek sinds 2017 steeds meer geconcentreerd is geraakt. Links: onderzoekers richten zich op een steeds kleiner aantal onderwerpen. Rechts: een groeiend aandeel van de citaties gaat naar een kleinere selectie artikelen. Beide trends versnelden rond de komst van de Transformer.

Tientallen jaren was deze concentratie relatief stabiel gebleven, zelfs tijdens de opkomst van internet, smartphones en deep learning. Maar tussen 2017 en 2025 steeg de Gini-coëfficiënt^†† voor de onderzoeksfocus (zie afbeelding hierboven) van 0,26 naar 0,33, een toename van 27%. Ook citaties raakten sterker geconcentreerd: hun Gini-coëfficiënt steeg van 0,60 tot een piek van 0,69.

De onderzoekers, afkomstig van Tsinghua University, the University of Chicago en the Santa Fe Institute, stellen:

‘De Transformer bracht een ontwrichting teweeg op een schaal die zijn voorganger niet bereikte. Dit patroon is geen artefact: het blijft bestaan bij variatie in [keyword count].’

Ze vervolgen:

‘Het aandeel van AI in informaticapublicaties stijgt tussen 2017 en 2025 van 40% naar meer dan 55%, terwijl systeemonderzoek terugvalt na een lange gouden eeuw en theoretisch onderzoek nog verder krimpt.’

De bevindingen wijzen er dus op dat onderzoekers, ondanks de groei van de informatica, steeds vaker dezelfde ideeën nastreefden en naar een beperktere selectie onderzoek verwezen.

Het tweede ‘kenmerk’ betreft het groeiende aantal onderzoekers dat de eigen specialisatie achter zich laat om in AI te gaan werken: door 3,7 miljoen onderzoekers te volgen, brachten de auteurs bijna 919.000 overstappen tussen informaticavakgebieden in kaart. Daarvan ging 53,81% richting AI — een onderzoeksgebied dat er elk jaar onderzoekers bij kreeg, terwijl systeemonderzoek en theoretisch onderzoek gestaag onderzoekers verloren:

Migratie van onderzoekers naar AI. De grafiek links laat zien dat AI een steeds groter aandeel onderzoekers uit andere computerwetenschappelijke vakgebieden aantrekt, terwijl systeemonderzoek en theorie terrein verliezen. De twee grafieken rechts laten zien wie de overstap het waarschijnlijkst maakt: onderzoekers die ongeveer 32 jaar actief zijn in het publiceren van onderzoek, en van wie de publicatieprestaties beter zijn dan die van ongeveer 82% van hun vakgenoten. Er is sprake van een verandering van vakgebied wanneer een onderzoeker de meeste artikelen in een ander gebied begint te publiceren.

De onderzoekers die de overstap maakten, waren doorgaans gevestigde wetenschappers in het midden van hun loopbaan, en geen nieuwkomers of oudgedienden. De kans op een overstap naar AI was het grootst bij een academische leeftijd van 31,8 jaar en onder onderzoekers op het 82e percentiel wat publicatieprestaties betreft.

De derde van de drie trends die het artikel signaleert, is een toenemende druk op peerreview – het proces waarbij andere onderzoekers vóór publicatie de kwaliteit en betrouwbaarheid van een wetenschappelijk artikel beoordelen.

De auteurs onderzochten 73.089 beoordelingen van 26.731 artikelen die tussen 2017 en 2025 waren ingediend bij 45 conferenties en andere publicatiekanalen. Daaruit bleek dat het vertrouwen van beoordelaars in hun vermogen om de artikelen te beoordelen daalde van 3,9 naar 2,9 op een vijfpuntsschaal:

Grafieken van veranderingen in de wetenschappelijke peerreview tussen 2017 en 2025. De grafiek links laat zien dat beoordelaars steeds minder vertrouwen hebben in hun vermogen om ingediende artikelen te beoordelen: de scores daalden van 3,9 naar 2,9 op een schaal van vijf. De grafiek rechts volgt vijandige opmerkingen in beoordelingen. Die namen in 2021 kortstondig af, toen de conferentie NeurIPS overstapte op het transparantere platform OpenReview, maar namen daarna weer toe. Beide lijnen tonen voortschrijdende gemiddelden over drie jaar.

De auteurs suggereren dat deze daling mogelijk het gevolg is van de snelle uitbreiding van AI, waardoor het moeilijker is geworden om artikelen aan beoordelaars met de juiste expertise toe te wijzen:

‘De poules van beoordelaars zijn overspoeld met nieuwkomers die door de aantrekkingskracht van AI zijn aangetrokken. Beoordelaars krijgen steeds vaker artikelen voorgelegd waarin AI-methoden worden gebruikt die buiten hun kernexpertise vallen. Het is structureel moeilijk geworden om inzendingen toe te wijzen aan beoordelaars met echte expertise.

‘In dit regime lijkt acceptatie steeds meer op kop of munt.’

Na de goudkoorts(en)

Het artikel suggereert ook dat de grootste doorbraken in AI uiteindelijk hun eigen uitputting kunnen versnellen: op elke grote vooruitgang volgt een golf van nieuwe ideeën, maar die eerste uitbarsting van innovatie mondt vervolgens uit in een trage herhaling, doordat onderzoek zich steeds meer op de doorbraken zelf concentreert.^†:

‘Opeenvolgende cycli in moderne AI raken sneller verzadigd en zijn eerder uitgeput. De cyclus wordt korter.

‘In 36 jaar computerwetenschappelijke ontwikkeling, waarin drie grote technologische doorbraken centraal stonden – AlexNet, de Transformer en LLM’s – zien we telkens opnieuw dezelfde spiraal [pattern].

‘Opvallend is dat dit patroon niet beperkt blijft tot de computerwetenschappen. In de biologie zien we dezelfde uitputtingscyclus na grote niet-computationele (bijvoorbeeld cryo-EM) en computationele (bijvoorbeeld AlphaFold) doorbraken.’  

Deze ‘uitputting’ deed zich zeker voor bij auto-encoders, generatieve adversariële netwerken (GAN’s) en benaderingen met auto-encoders, zoals deepfakes. Onderzoekers bleven al deze technieken jarenlang genadeloos uitmelken, lang nadat hun potentieel duidelijk was uitgeput, totdat er eindelijk nieuwe kaders en benaderingen kwamen die de druk ervan afhaalden.

Om deze cycli in kaart te brengen, doorzochten de auteurs wetenschappelijke samenvattingen op kenmerkende zelfstandige naamwoorden en woordgroepen. Ze volgden hoe die verschenen, verdwenen en soms terugkeerden als aanwijzingen voor veranderende onderzoeksideeën.

AlexNet in 2012 en Transformers in 2017 brachten elk een golf van nieuwe ideeën teweeg, die uiteindelijk weer wegebde. Met elke doorbraak liep AI verder uit op andere computerwetenschappelijke vakgebieden, die uiteindelijk in een lager tempo nieuwe ideeën voortbrachten dan vóór 2012:

Vergelijking van het aandeel nieuwe onderzoeksideeën in AI (blauw), informatica zonder AI (rood) en beide samen (paarse stippellijn). Na AlexNet in 2012 en de Transformer in 2017 nam het aantal nieuwe ideeën sterk toe, waarna het weer afnam. Na de tweede doorbraak werd de voorsprong van AI groter. De lijnen geven voortschrijdende gemiddelden over drie jaar weer.

Het patroon zien we ook bij ideeën die in onbruik raken, wanneer nieuwe doorbraken oudere benaderingen verdringen, soms pas jaren nadat die hun intrede deden. Toch zijn ook de doorbraken zelf onderdeel van dezelfde cyclus: elke doorbraak trekt een golf van onderzoeksaandacht die uiteindelijk weer wegebt, waarna het vakgebied wacht op een nieuwe ontdekking om het momentum nieuw leven in te blazen (zoals gebeurde met Gaussian Splatting, na een tussenpoos van 31 jaar):

Vergelijking van het aantal citaties naar de oorspronkelijke artikelen over AlexNet (rood) en de Transformer (blauw) van 2012 tot 2025. Het aandeel citaties naar beide artikelen nam eerst toe en daalde vervolgens sterk, wat laat zien hoe de aandacht voor grote doorbraken uiteindelijk wegebt. De lijnen geven voortschrijdende gemiddelden over drie jaar weer.

Het succes van AI concentreert onderzoekers en ideeën rond een handvol dominante benaderingen, terwijl de aangrenzende vakgebieden die kunnen helpen bij het ontwikkelen van opvolgers terrein blijven verliezen, stellen de auteurs. Hoewel ze niet zonder meer voorspellen dat dit toekomstige doorbraken zal verhinderen, wijzen ze er wel op dat AI geleidelijk de diversiteit kan uithollen waarvan de volgende grote sprong afhankelijk kan zijn.

Ook werd bijgehouden hoeveel ideeën nog actief worden gebruikt. In opeenvolgende ontwikkelingsgolven van AI bleef dit aantal steeds verder achter bij de verwachtingen. Na de Transformer was het tekort groter dan na AlexNet:

Grafiek van het aantal actieve onderzoeksideeën tijdens opeenvolgende AI-doorbraken. De ononderbroken lijnen tonen de gemodelleerde groei, terwijl de stippellijnen aangeven dat de werkelijke aantallen onder de voorspelde niveaus zakken. Het tekort is na de Transformer groter dan na AlexNet; ook tijdens het LLM-tijdperk is al vroeg een daling te zien.

Kortom, de auteurs concluderen dat de concentratie van inspanningen en mensen op een steeds smaller scala aan AI-gerelateerde uitdagingen een bedreiging vormt voor de aangrenzende vakgebieden, die vroeger vanzelfsprekend ideeën aan de AI-sector zouden hebben aangedragen – en aan andere, uiteenlopende sectoren.

Onder verwijzing naar de opmerking van John Hassler over de toekenning van de Nobelprijs voor de Economische Wetenschappen van 2025 concluderen ze:

‘De Nobelprijscommissie waarschuwde dat de mechanismen van creatieve destructie in stand moeten worden gehouden om stagnatie te voorkomen. Onze resultaten wijzen op een van die mechanismen, intellectuele diversiteit, en laten zien dat de huidige instituties die uithollen.

‘De instituties die bepalen waar de aandacht naartoe gaat – waaronder beoordelingssystemen, indieningskosten en regels, beloningsstructuren, werving, promotie en gebruiken rond pensionering 12 – bepalen allemaal of er ruimte is voor een nieuw paradigma om te ontstaan.

‘Om die instituties goed vorm te geven, moet de neiging worden weerstaan om dubbel in te zetten op het paradigma dat op dat moment de overhand heeft, moet concentratie in plaats van verkenning worden ontmoedigd en moet de beoordelingsbevoegdheid verschuiven van degenen die veel produceren naar degenen die met vernieuwende ideeën komen.

‘Creatieve destructie houdt de groei alleen in stand zolang er iets overblijft om opnieuw te combineren. Een singulariteit heeft geen opvolger.’

* Hier zou een woord voor moeten zijn: ‘voorspellingsbestendig’? Nou, dat is geen afzonderlijk woord maar een term, en het klinkt ook alsof het naar 2026 verwijst in plaats van naar het beeld van 2027 vanuit 2026. ‘Ontoekomstbaar’? De spellingcontrole zette daar een rode streep onder, dus laten we het daarbij houden.

^† Mijn omzetting van de bronverwijzingen in de tekst van de auteurs naar hyperlinks.

^†† De Gini-coëfficiënt geeft aan hoe ongelijk iets is verdeeld, op een schaal van 0 (volledige gelijkheid) tot 1 (maximale concentratie). Een hogere score betekent hier dat onderzoekers zich op minder onderwerpen richten.

Voor het eerst gepubliceerd op woensdag 21 oktober 2026