In december 2024 concludeerden de AIVD, de MIVD en de NCTV in een gezamenlijke analyse dat de ontwikkeling van kunstmatige intelligentie zeer waarschijnlijk nagenoeg alle bestaande dreigingen tegen Nederland versterkt. Het AIVD-jaarverslag over 2025 bevestigt dat beeld voor het cyberdomein, waar AI de ontwikkeling van nieuwe aanvalsmethoden aantoonbaar versnelt en waar steeds meer aanvallers gebruikmaken van automatisering. Het Cybersecuritybeeld Nederland 2025 schetst in vergelijkbare bewoordingen een complexer wordend dreigingslandschap. Deze documenten richten de blik consequent naar buiten, naar de dreiging. De vraag die daar logisch bij hoort maar zelden expliciet wordt gesteld, richt zich naar binnen: wat doet kunstmatige intelligentie met de kwaliteit van onze eigen analyse?
Die vraag is niet hypothetisch. Analisten gebruiken taalmodellen, of hun organisatie daar nu beleid voor heeft of niet. De CTIVD rekent geautomatiseerde data-analyse en kunstmatige intelligentie inmiddels tot haar vaste toezichtsonderwerpen bij de AIVD en de MIVD. De relevante vraag is dus niet of het gebeurt, maar of het het oordeel beter maakt. Het antwoord daarop verschilt sterk per fase van het werk.
Waar AI in de inlichtingencyclus past
Het is verstandig om die vraag per stap van de intelligencecyclus te beantwoorden, want de winst is niet gelijkmatig verdeeld. In de vergaar- en verwerkingsstap is de meerwaarde het grootst en het risico het kleinst. Het ontsluiten van grote hoeveelheden documenten, vertalen, transcriberen, ontdubbelen en een eerste ordening aanbrengen zijn taken waarin volume en snelheid tellen. Fouten zijn daar bovendien relatief goedkoop, omdat ze verderop in het proces nog worden opgemerkt en gecorrigeerd.
In de analysestap ligt het fundamenteel anders. Daar wordt betekenis toegekend, worden hypothesen tegen elkaar afgewogen en wordt onzekerheid vertaald naar een oordeel waarop iemand een besluit baseert. Precies daar zit ook de kern van de klassieke kritiek op menselijke analyse: het oordeel komt te snel tot stand, de eerste plausibele verklaring wint, en informatie die daarmee in strijd is wordt onvoldoende gewogen. Een instrument dat moeiteloos plausibele tekst produceert, sluit ongemakkelijk goed aan op die zwakte.
Het bewijs dat taalmodellen zelf systematisch afwijken
De empirie is hier inmiddels behoorlijk expliciet. Sumita, Takeuchi en Kashima brachten in 2025 het onderzoek naar cognitieve vertekeningen in taalmodellen samen en lieten onder meer zien dat alleen al de volgorde van antwoordopties de prestaties van een model beïnvloedt.
Een andere studie laat zien dat taalmodellen bij realistische morele dilemma’s een systematische neiging tot niets doen vertoonden die sterker was dan bij menselijke respondenten. Zij vonden daarnaast een vertekening die bij mensen niet is aangetroffen: het model keert zijn advies om afhankelijk van de formulering van de vraag. Beide effecten lijken volgens de auteurs te ontstaan bij het finetunen van modellen voor chattoepassingen.
Voor de analytische praktijk is dat een ongemakkelijke bevinding. Een systeem dat gevoelig is voor de formulering van de vraag, is gevoelig voor precies de mechanismen die gestructureerde technieken beogen te neutraliseren, namelijk bias en framing. De veronderstelling dat een machine het oordeel objectiveert omdat zij geen belang heeft bij de uitkomst, houdt daarmee geen stand. De vertekening verdwijnt niet, zij verplaatst zich naar een laag die voor de gebruiker onzichtbaar is.
Geautomatiseerde schijnzekerheid
Het grootste risico is niet dat een model fout zit. Analisten zitten ook fout, en het vak is er tegenwoordig op ingericht dat te ondervangen. Het risico is dat de output vloeiend, compleet en evenwichtig oogt, terwijl de onderliggende redenering niet reconstrueerbaar is. Een analyseproduct ontleent zijn waarde aan navolgbaarheid: welke bronnen zijn gebruikt, welke aannames zijn gemaakt, welke alternatieve verklaringen zijn overwogen en op welke gronden zijn die verworpen.
Een gegenereerde tekst kan die vorm vrijwel perfect nabootsen zonder dat er iets is gewogen. De lezer ziet het verschil niet, en de opsteller na enige tijd evenmin. Dat raakt meer dan de kwaliteit van één product. Wie een oordeel later moet verantwoorden tegenover een opdrachtgever, een toezichthouder of een rechter, moet kunnen laten zien hoe dat oordeel tot stand kwam. Een redenering die niemand kan reconstrueren, is in dat opzicht geen analyse maar een bewering met een professionele opmaak.
Techniek als controlelaag
Hier ligt de praktische waarde van gestructureerd werken, en niet in de eerste plaats in een gemeten winst aan accuratesse. Die winst is in de literatuur omstreden. Coulthart en later Chang, Berdini, Mandel en Tetlock plaatsten stevige kanttekeningen bij de empirische onderbouwing van de technieken, en Wilcox en Mandel ontraadden in 2024 zelfs het verplicht stellen van de Analyse van Concurrerende Hypothesen.
Wie die kritiek serieus neemt, komt uit bij een bescheidener maar houdbaarder claim: gestructureerde technieken maken het denkproces expliciet. Juist die eigenschap is toepasbaar op een instrument dat zijn eigen proces niet toont. Drie elementen in de analyse lijken bij uitstek door de analist in eigen hand gehouden te moeten worden:
- Een Key Assumption Check dwingt de analist te benoemen welke veronderstellingen al in de prompt besloten lagen, want een vraag die een antwoord suggereert, krijgt dat antwoord doorgaans ook.
- Bronkritiek blijft mensenwerk, omdat een model bronnen wel samenvat maar hun herkomst, belang en betrouwbaarheid niet zelfstandig weegt. Ook als bronnen wel bestaan (en het model dus niet hallucineert) blijkt dat de modellen deze veelal ophalen uit hun geheugen (lees: de trainingsdata) en er sprake is van secundaire referenties.
- En het genereren en naast elkaar zetten van hypothesen, ook als die niet direct voor de hand liggen door bijvoorbeeld een Quadrant Crunch toe te passen, is bij uitstek een tegengif tegen een instrument dat van nature graag één samenhangend verhaal produceert.
Kan een taalmodel dan een ACH draaien? Formeel wel. Het vult de matrix, benoemt indicatoren en levert een conclusie. Maar de techniek ontleent haar waarde aan de wrijving van het toetsen, niet aan de matrix als eindproduct. Wat overblijft wanneer die wrijving wordt geautomatiseerd, is de vorm zonder de functie.
Een werkbare taakverdeling
Voor de praktijk suggereert dit een betrekkelijk eenvoudige verdeling. Laat het model doen waar volume en snelheid tellen en waar de uitkomst controleerbaar is: vergaren, vertalen, ordenen en samenvatten. Houd de weging, de hypothesevorming en de conclusie bij de mens, en leg vast welke stap door wie is gezet. Die vastlegging is geen bureaucratie maar de kern van de verantwoording.
In de terminologie van Kahneman (‘Thinking, Fast and Slow), die aan de basis ligt van veel analysemethodiek, laat het zich kort samenvatten: het model is een uitstekend systeem 1 en een zwak systeem 2. Het produceert snel, associatief en vloeiend, en is efficient maar niet transparant. Het vertragen, toetsen en tegenspreken, en dat transparant vastgelegd, blijft de kerntaak van de analist. De inzet van AI verkleint de behoefte aan methodische discipline dus niet. Zij vergroot die.
Op zoek naar een praktische handleiding voor de genoemde technieken? Zie het Handboek gestructureerde analysetechnieken voor inlichtingen en veiligheid.