Veel marketeers leren hoe ze AI-tools moeten gebruiken, maar bijna niemand leert hoe de technologie onder de motorkap werkt. Dat is een probleem, want zonder dat basisbegrip maak je strategische fouten, kies je de verkeerde tools en vertrouw je blind op systemen die je niet begrijpt. Het verschil tussen een passagier en een bestuurder van je AI-strategie zit ’m niet in het kennen van de knopjes, maar in het begrijpen van de motor.

Het verschil tussen instructies volgen en leren

Volgens de auteur, die zich baseert op het boek Machines That Think van fysicus Inga Strümke, is de kernverschuiving die van ‘Symbolische AI’ naar ‘Machines That Learn’. Symbolische AI werkt met starre, door mensen geschreven regels. Moderne machine learning-systemen trekken zelf conclusies en vinden hun eigen patronen in de data die je ze voert. Voor een marketeer betekent dit: je implementeert geen digitale medewerker die je merkwaarden begrijpt. Je implementeert een wiskundige functie die is ontworpen om fouten te minimaliseren. Dat inzicht verandert hoe je naar een tool kijkt en welke verwachtingen je ervan hebt.

De illusie van intelligentie door triljoenen parameters

Er wordt veel gesproken over de honderden miljarden of zelfs triljoenen parameters in grote taalmodelen (LLM’s), alsof dat een maatstaf voor intelligentie is. Een belangrijk inzicht uit Strümke’s werk is de enorme schaal van wat deze modellen niet weten. Ze kunnen subtiele patronen herkennen, maar blijven beperkt tot de wereld van hun trainingsdata. Voor een marketeer is dit cruciaal: een AI-tool die getraind is op algemene internetdata, begrijpt de specifieke context, nuance en jargon van jouw niche niet automatisch. Het systoom kan patronen nabootsen, maar heeft geen echt begrip van je klant of je product.

Waarom deze kennis je creativiteit bevrijdt

De auteur ziet AI niet als een perfect systeem, maar als een ultieme bevrijder van creativiteit. Door saaie, repetitieve taken te automatiseren, krijg je tijd en ruimte voor wat er echt toe doet: menselijke creativiteit en het differentiëren van je merk. Die kracht effectief benutten lukt alleen als je het instrument begrijpt. Zonder dat begrip blijf je aan de oppervlakte, gebruik je tools verkeerd en loop je het risico op dure misstappen omdat je de beperkingen van de technologie niet kent.

Hoe kun je dit vandaag toepassen?

Een eerste stap is om je verdieping verder te laten gaan dan alleen gebruiksaanwijzingen. Je zou kunnen beginnen met het lezen van toegankelijke bronnen, zoals het boek Machines That Think dat in het bronartikel wordt genoemd, om een fundamenteel beeld te krijgen van hoe machine learning werkt. Een andere mogelijkheid is om bij de evaluatie van een nieuwe AI-tool voor je marketingteam niet alleen te vragen “Wat doet het?” maar ook “Hoe is het getraind?” en “Op wat voor data leert het?” om de contextkloof in te schatten.

De toepassingen in dit artikel zijn suggesties op basis van het bronartikel, geen gevalideerd advies.

Bron: Martech