Wanneer data opdroogt en systemen
vooral van zichzelf gaan leren,
verliest AI haar intelligentie.
“You’ve reached the end of the internet.
The last page was just added to Gemini.
Would you like me to crawl it again?”
Het is een grap, maar niet helemaal. AI-systemen beginnen steeds meer op hun eigen output te trainen. En wie te veel van zichzelf leert, verarmt.
Want stel je het even voor. Alle bibliotheken — van A tot Z — zijn uitgeplozen. Alle boeken zijn gelezen, alle papers verwerkt, alle databases leeggehaald. Alle universitaire kennis is verzameld, gestructureerd en opgeladen in een model.
Wat blijft er dan over om nog van te leren?
Want precies op dit punt zijn we al uitgekomen. Geen grap — dit is de huidige realiteit.
En wat er dán gebeurt, is precies waar we nu staan in de ontwikkeling van AI.
Het antwoord is ongemakkelijk eenvoudig: het systeem gaat leren van zichzelf.
Maar niet op een manier die het beter maakt. Het leert van eigen kopieën, van synthetische varianten, van ruis die bij elke cyclus verder wordt versterkt.
En dan begint het te gebeuren: het systeem degenereert. Het verliest diversiteit, nuance en veerkracht. De hele fundering waarop intelligentie rust.
De datavoorraad raakt op
Het klinkt paradoxaal: een internet dat elke seconde groeit, maar toch leegloopt. Niet in omvang, maar in bruikbare kennis. AI-modellen hebben geen behoefte aan volume; ze hebben diversiteit nodig, nuance, tegenstrijdigheid, menselijke variatie. En precies dat verdwijnt.
Het grootste deel van de hoogwaardige informatie die online beschikbaar was — boeken, artikelen, publicaties, onderzoeksarchieven, technische documentatie — is inmiddels al verwerkt. De brede, rijke basis waarop de eerste generaties taalmodellen konden bouwen, is grotendeels uitgeput. Wat overblijft is herhaling.
Daar komt iets bij dat de meeste mensen nog niet zien: de wereld sluit zich af. Reddit is minder toegankelijk, X blokkeert crawlers, nieuwsorganisaties verkopen niet langer toegang maar licenties, universiteiten trekken hun archieven terug achter paywalls, platforms zoals LinkedIn en YouTube zetten harde grenzen op automatische scraping. En in de EU is ongefilterde dataverzameling de komende jaren simpelweg niet meer mogelijk.
Het gevolg is eenvoudig te voorspellen: AI-modellen groeien harder dan hun voedingsbodem.
De datastroom die hen voedde, wordt smaller, ouder, homogener. En hoe sneller de sector groeit, hoe sneller die bodem wordt uitgeput.
Wat overblijft is een internet dat nog steeds geld oplevert in bytes, maar niet meer in variatie.
Een wereld vol content, maar steeds minder wereld.
Het probleem begint precies daar.
Een datastroom die letterlijk opdroogt: wanneer de hoeveelheid echte, bruikbare informatie afneemt, blijft er slechts een lege structuur over waar AI nog nauwelijks van kan leren.
Digitale inteelt — het mechanisme dat niemand durft te benoemen
In de biologie is het eenvoudig: systemen die te veel op zichzelf terugvallen, verliezen veerkracht. Variatie verdwijnt, fouten stapelen zich op, en elke nieuwe generatie is kwetsbaarder dan de vorige. Het principe is bekend, voorspelbaar en pijnlijk logisch. Digitale systemen werken niet anders.
Wanneer AI-modellen leren van door AI geproduceerde data, ontstaat precies dezelfde verarming. De bron raakt vervuild met kopieën van kopieën. Wat door een model is gegenereerd, belandt terug op het web, wordt opgepikt door crawlers, opgenomen in nieuwe datasets, en vervolgens weer gebruikt om een volgende generatie modellen te trainen.
Je krijgt een gesloten kringloop zonder frisse input.
Het proces is subtiel. Je ziet het niet direct aan de buitenkant. Maar onder de oppervlakte gebeurt er iets dat je bij elk iteratief systeem herkent: de complexiteit verschuift van menselijk naar synthetisch. Dat voelt efficiënt, maar het is de eerste stap richting degeneratie.
De symptomen zijn al zichtbaar. Outputs worden voorspelbaarder. Modellen antwoorden vaker met veilige middenwaardes. Unieke ideeën verdwijnen naar de randen. Oude fouten keren terug in nieuwe releases. Edgecases worden minder goed begrepen.
Dat is geen toeval. Het is het mechanische gevolg van een datacirkel die te klein wordt om nog gezond te zijn.
Digitale inteelt → degeneratie van het systeem.
Een hard gegeven, geen metafoor. En AI staat al in fase één.
Een systeem dat alleen zichzelf nog ziet: elke nieuwe reflectie wordt vlakker, ruisachtiger en minder scherp — digitale inteelt in beeld gebracht.
De AI-bubbel versnelt de degeneratie
De meeste mensen zien de AI-bubbel als een financieel risico: te veel investeringen, te hoge waarderingen, te weinig bewezen businessmodellen. Dat klopt allemaal, maar het is niet het echte probleem. De bubbel ondermijnt vooral de kwaliteit van AI — en versnelt precies het degeneratieproces dat in de vorige sectie is beschreven.
Te veel geld in te korte tijd creëert één voorspelbaar gedragspatroon: versnellen is belangrijker dan verbeteren. Bedrijven die afhankelijk zijn van groei moeten elke maand nieuwe capabilities laten zien, ook als de dataset daar eigenlijk niet geschikt voor is. En zodra de echte data schaars wordt, schuiven ze onvermijdelijk richting synthetische alternatieven.
Het gevolg: modellen worden getraind op data die door andere modellen is gemaakt. Niet omdat dat beter is, maar omdat het goedkoper, sneller en schaalbaarder is. Het is een geforceerde efficiëntie die direct in conflict staat met wat intelligente systemen nodig hebben: variatie, nuance en onvoorspelbaarheid.
Startups die hun burn rate niet meer aankunnen, kiezen steeds vaker voor synthetische uitbreidingen om nieuwe versies te rechtvaardigen. Grote labs doen hetzelfde, maar dan subtieler en op veel grotere schaal. Iedereen heeft meer data nodig dan er nog legaal en kwalitatief beschikbaar is. Dus wordt de cirkel langzaam gesloten.
De bubbel maakt dat niemand stopt. Elk kwartaal moet er iets nieuws verschijnen. Elke demo moet groter zijn dan de vorige. Elke versie moet “meer kunnen”.
Maar onder die groei verschuilt een systeem dat in werkelijkheid steeds homogener wordt. De markt ziet vooruitgang omdat de modellen meer output leveren. Inhoudelijk is het tegenovergestelde aan de gang: de onderliggende informatiebasis wordt iedere maand iets minder menselijk.
De ironie is scherp: de bubbel die AI heeft laten exploderen, versnelt ook de erosie van zijn fundament.
Een opgeblazen AI-bubbel vol data en beloften: van buiten indrukwekkend, van binnen onder spanning — precies het soort fragiliteit dat de kwaliteit van moderne modellen onder druk zet.
De echte bottleneck — menselijke data droogt op
AI heeft geen oneindige behoefte aan data; het heeft behoefte aan nieuwe data. Menselijke data. Data die nog niet eerder in een model is verdwenen, niet door een algoritme is gladgestreken, niet synthetisch is gereconstrueerd. Dat soort data wordt niet alleen schaarser — het verdwijnt.
Het web staat nog vol tekst, maar het grootste deel daarvan is herhaling. Content die ooit origineel was, wordt nu door SEO-systemen gekopieerd, herschreven of opgeschaald door generatieve modellen die alleen maar meer van hetzelfde produceren. Het oppervlak groeit, maar de diepte neemt af. De illusie van overvloed maskeert een onderliggende leegte.
De echte, hoogwaardige, menselijk geproduceerde datasets — journalistieke archieven, universitaire kennisbanken, gespecialiseerde fora, niche-wetenschappelijke discussies — verdwijnen achter licenties en muren. Niet alleen vanwege geld, maar vanwege risico’s. Data is juridisch gevoelig. Platforms willen geen gratis trainingsmateriaal leveren aan bedrijven die er miljarden mee verdienen.
Dat maakt de situatie precair: AI heeft menselijke data nodig, maar die data is niet langer vrij beschikbaar. Wat resteert, is synthetisch materiaal dat nauwelijks nog verschil kent tussen kopie en kopie. Het versterkt zichzelf, maar verrijkt zichzelf niet.
Zodra deze trend doorzet — en dat gebeurt al — komt het systeem op een punt waarop het vooral traint op materiaal dat het zelf geproduceerd heeft. Niet als keuze, maar als noodzaak. De toevoer van nieuwe kennis stokt en de kwaliteit van het geheel zakt langzaam weg.
Dit is de kern van het probleem: zonder nieuwe menselijkheid verliest AI zijn intelligentie.
De meeste AI-modellen zijn indrukwekkend zolang er nog voldoende variatie in de dataset zit. Wanneer die variatie opdroogt, blijft er een mechaniek over dat vooral zijn eigen patronen herhaalt.
Dat moment komt sneller dan de sector wil toegeven.
Wanneer menselijke kennis verdampt tot digitale fragmenten: een bibliotheek die leegloopt terwijl de laatste restjes informatie oplossen in pixels.
De toekomst van AI — consolidatie of instorting
De belofte was dat AI steeds goedkoper zou worden. Dat modellen efficiënter zouden draaien, dat training eenvoudiger zou worden, dat schaalvoordeel de kosten zou drukken. Maar niets wijst daarop. Integendeel: hoe groter de modellen worden, hoe sneller de kosten stijgen. En dat is geen tijdelijke groeipijn, maar een structurele lijn.
Het maakt niet uit welke techniek je kiest — transformer, mixture-of-experts, distillation, retraining, fine-tuning of RAG. De fundamentele werkelijkheid blijft dezelfde: elk model dat actueel moet blijven, heeft een constante stroom nieuwe, diverse menselijke data nodig. Die data wordt exponentieel duurder. De compute om ermee te werken eveneens.
AI wordt niet goedkoper. AI wordt alleen maar duurder.
En dan volgt onvermijdelijk het punt waarop veel spelers het niet meer kunnen dragen. Startups hebben de burn-rate niet. Middelgrote labs hebben de schaal niet. Grote spelers hebben de juridische en economische druk wel, maar zelfs voor hen is het een curve die je alleen kunt dragen als je al op miljardenplatforms draait.
Daaruit volgt één simpele, maar harde uitkomst: de AI-sector moet consolideren, omdat het anders economisch niet houdbaar is.
Niet omdat de technologie faalt, maar omdat de voorwaarden om haar in leven te houden te zwaar worden voor individuele bedrijven.
- voldoende data kunnen licentiëren
- voldoende compute kunnen financieren
- voldoende juridische capaciteit kunnen opbouwen
- voldoende schaal hebben om veiligheid en governance te dragen
Er blijven straks maar een paar spelers over die:
Iedereen daaronder valt weg of wordt ingekocht.
Het lijkt op de ontwikkeling van telecom, energie of cloud: een nutsvoorziening met slechts een handvol beheerders. Een technologie die groot werd door openheid, maar volwassen wordt door centralisatie.
Artificial intelligence wordt geen markt meer, maar een infrastructuur.
En infrastructuur kent geen tientallen aanbieders.
Alleen beheerders.
De ironie is dat AI zich eerst razendsnel heeft verspreid, en daarna versneld zal samentrekken.
De vraag is niet of dat gebeurt.
Alleen wie er nog overeind staat wanneer het stof neerdaalt.
Wanneer de markt verschuift naar een handvol dominante spelers: kleine AI-systemen verbrokkelen, terwijl de grote torens alles naar zich toe trekken — consolidatie als onvermijdelijke uitkomst.
Apple’s strategie — relevant blijven zonder te investeren
Apple wordt vaak weggezet als ‘te laat’ in AI. Alsof het bedrijf een sprint mist die anderen al lang aan het lopen zijn. Maar dat beeld klopt alleen als je AI als softwaremarkt ziet. Apple ziet het anders: AI is geen product, AI is een functie. En functies koop je in wanneer ze volwassen zijn — niet op het hoogtepunt van de bubbel.
Waar Microsoft, Google en Meta gedwongen zijn om modellen te bouwen — omdat hun hele businessmodel draait op cloud, search of advertenties — heeft Apple dat probleem niet. Apple verdient zijn geld met hardware, marges en ecosysteem. Voor hen is AI geen geldmachine, maar een ingrediënt dat de ervaring van het apparaat moet versterken.
En precies daarom blijven ze op afstand.
Apple wil het risico niet bezitten: niet de datastromen, niet het juridische mijnenveld, niet de verantwoordelijkheid voor synthetische zelfvervuiling, niet de kosten van modellen die elk jaar duurder worden.
In plaats daarvan kiest Apple voor een strategie die bijna klinisch koel is: wachten tot de markt instort, en pas dan inkopen wat gezond genoeg is om te integreren.
- Stabiliteit van de technologie
Niet de hype, maar de vraag: werkt dit consistent, voorspelbaar, on-device? - Gezondheid van de aanbieder
Geen startups met opgeblazen waarderingen, maar volwassen spelers na de consolidatiegolf. - Veiligheid van het ecosysteem
Past deze AI in Apple's belofte: privacy, controle, elegantie, voorspelbaarheid?
Het bedrijf let op drie dingen:
Dat noemen beleggers vaak “traag”. Maar in werkelijkheid is het pure risicobeheersing.
Apple hoeft niet te concurreren op software. Apple hoeft geen foundation model te bouwen. Apple hoeft niet miljoenen GPU’s te huren. Apple hoeft geen datacentra vol te stapelen met synthetische ruis.
Het hoeft alleen te zorgen dat een iPhone, iPad of Mac beter, sneller en slimmer wordt op het moment dat het model er rijp voor is. De rest van de sector kan de fouten, kosten en jeugdziektes dragen.
Het is de strategie van een bedrijf dat begrijpt dat AI geen marathon is, maar een energievreter die alleen overleeft als iemand anders de brandstof betaalt.
Waar anderen in een systeem vol digitale inteelt terechtkomen, blijft Apple aan de rand staan — en stapt pas in wanneer de degeneratie is uitgefilterd.
Niet omdat ze achterlopen. Maar omdat ze het zich kunnen veroorloven om niet mee te rennen.
Aan de rand van de digitale chaos: een enkel apparaat dat stabiel blijft boven een turbulente datastroom. Een metafoor voor Apple’s strategie om pas in te stappen wanneer het systeem is uitgezuiverd.
Het systeem in één zin
Alles in dit verhaal komt terug bij één mechanisme:
Digitale inteelt → degeneratie van het systeem.
Zodra AI te veel van zichzelf leert, verliest het de kwaliteiten die het intelligent maken: diversiteit, tegenspraak, nuance, verrassing. Het systeem wordt platter, voorspelbaarder en minder robuust. En elke generatie die op die basis wordt gebouwd, zakt iets verder weg.
Dit is geen theoretisch risico dat ooit zou kunnen gebeuren. Het is een proces dat al begonnen is — stil, maar zichtbaar voor wie oplet.
Afsluiting — wat we wél nodig hebben
AI hoeft niet te degenereren. Het gebeurt omdat het ecosysteem niet is ingericht op gezondheid, maar op snelheid. Op groei om de groei. Op schaal in plaats van variatie. Dat is geen technologische fout, maar een marktkeuze. En die keuze kan worden gecorrigeerd.
Er zijn vier dingen die nodig zijn om AI weer veerkrachtig te maken:
- Betere regulatie op synthetische data
Niet om innovatie te remmen, maar om te voorkomen dat modellen structureel vervuild raken met hun eigen output. Synthetische data mag bestaan, maar niet ongetoetst terugstromen in trainingssets. - Toegang tot echte, menselijke data via licenties
Kennis heeft waarde. Hoogwaardige data ook. Een volwassen AI-markt erkent dat, en betaalt voor wat het gebruikt. - Nieuwe modellen die minder afhankelijk zijn van massa-data
Architecturen die beter omgaan met beperkte input, minder herhaling en meer contextuele kwaliteit. Kleinere, slimmere, efficiëntere modellen in plaats van oneindige opschaling. - Een sector die begrijpt dat variatie de basis is van intelligentie
Systemen die alleen met meer van hetzelfde gevoed worden, worden steeds minder waard. Dat geldt biologisch, economisch en digitaal.
AI blijft alleen intelligent zolang het menselijkheid kan blijven opnemen. Niet als dataset, maar als bron van complexiteit.
Dat is de keuze waar de sector nu voor staat: blijven opschalen totdat de degeneratie zichtbaar wordt — of bouwen aan een ecosysteem dat gezond genoeg is om te blijven leren.
Slotwoord
Wie dit vraagstuk serieus wil nemen, heeft iemand nodig die niet alleen de technologie begrijpt, maar vooral het systeem erachter — hoe het communiceert, hoe het beïnvloedt en waar het breekt.
Dit is precies waar ik organisaties mee help: AI niet als hype omarmen, maar als volwassen instrument dat past binnen communicatie, positionering en strategie.
Wil je weten wat dit voor jouw organisatie betekent?
Stuur me een bericht — dan kijken we samen naar een aanpak die gezond blijft, ook als de rest van het landschap dat niet is.
