Het antwoord: Je kunt je eigen AI-chatbot of klantenservice-tool slimmer maken door hem te trainen in het stellen van gerichtere vragen. Dat blijkt uit onderzoek van MIT en Harvard, waarin AI-modellen het bordspel Battleship speelden. De truc: niet zomaar vragen stellen, maar vragen die meteen de meeste informatie opleveren. Voor ondernemers betekent dit dat je met een simpele denkwijze – ‘vraag niet alles, vraag het juiste’ – je AI-toepassingen efficiënter kunt maken.

Wat er aan de hand is

Onderzoekers van MIT’s Computer Science and Artificial Intelligence Laboratory (CSAIL) en Harvard University hebben AI-modellen getest met een aangepaste versie van het klassieke spel Battleship. In dit spel moeten spelers raden waar verborgen schepen liggen door vragen te stellen. De onderzoekers lieten zowel mensen als AI-modellen spelen, waaronder grote modellen zoals GPT-5 en kleinere zoals Llama 4 Scout.

Zonder voorafgaande training bleken grote AI-modellen beter in het spel dan mensen: ze hadden minder beurten nodig om alle schepen te vinden. Kleinere modellen presteerden echter slecht. Het probleem was niet dat ze niet konden redeneren, maar dat ze geen goede vragen stelden. Door een strategie toe te voegen die de kans op een juist antwoord berekent – de Monte Carlo-methode – verbeterden de resultaten drastisch. Llama 4 Scout, een relatief klein model, steeg van een winstpercentage van 8 procent naar 82 procent tegenover menselijke spelers. Het model gebruikte daarbij slechts 1 procent van de rekenkracht van een groot model als GPT-5.

Wat dit betekent

Voor ondernemers is dit onderzoek relevant omdat het een fundamenteel probleem van AI aanpakt: het stellen van de juiste vragen. In de praktijk gebruiken veel bedrijven AI voor klantenservice, chatbots of data-analyse. Die tools zijn vaak goed in het geven van antwoorden, maar slecht in het achterhalen van wat de klant of gebruiker écht nodig heeft. Het Battleship-onderzoek laat zien dat je met een slimme vraagstrategie – niet meer rekenkracht, maar slimmere vragen – de prestaties van AI aanzienlijk kunt verbeteren.

Voor kleine bedrijven is dat goed nieuws. Je hoeft geen dure, grote AI-modellen in te zetten om goede resultaten te krijgen. Zelfs een klein model kan, met de juiste aanpak, beter presteren dan een groot model. Dit betekent dat je met beperkte middelen toch een effectieve AI-oplossing kunt bouwen, bijvoorbeeld voor je klantenservice of voor het filteren van leads.

Hoe je dit kunt toepassen

Als je een webshop runt met een chatbot voor klantvragen, kun je de chatbot trainen om niet meteen een antwoord te geven, maar eerst een gerichte vraag te stellen. In plaats van ‘Waarmee kan ik u helpen?’ zou de chatbot kunnen vragen: ‘Gaat het om een bestelling, een retour of een productvraag?’ Dat lijkt een kleine aanpassing, maar het scheelt veel heen-en-weer gepraat. Je kunt dit doen door de chatbot een beslisboom te geven: bij elke vraag worden de mogelijke antwoorden afgewogen en wordt de vraag gekozen die de meeste informatie oplevert.

Als je een team aanstuurt dat veel data verwerkt, bijvoorbeeld in sales of marketing, kun je AI inzetten om vragen te genereren die je helpen sneller tot de kern te komen. Stel dat je een dataset hebt met klantgedrag. In plaats van de AI te vragen ‘Wat zijn de trends?’, kun je hem vragen om de meest onderscheidende vraag te bedenken: ‘Welke klantgroep verschilt het meest van de rest?’ Die vraag levert direct bruikbare inzichten op, zonder dat je door honderden grafieken hoeft te scrollen.

Als je in de zorg werkt, bijvoorbeeld met een AI-tool voor het stellen van diagnoses, is het cruciaal dat de tool niet meteen een conclusie trekt, maar eerst de juiste vragen stelt. Het Battleship-principe leert dat je moet vragen naar de informatie die de meeste onzekerheid wegneemt. Een AI voor triage zou bijvoorbeeld kunnen beginnen met: ‘Heeft u koorts?’ en op basis van het antwoord de volgende vraag kiezen die het meest onderscheidend is. Dit verkleint de kans op fouten en versnelt het proces.

Als je een klein bedrijf runt zonder technische achtergrond, kun je deze denkwijze toepassen zonder zelf te programmeren. Gebruik een bestaande AI-tool zoals een chatbotbouwer en stel zelf de vragen op die de tool moet stellen. Maak een lijst van de vijf meest voorkomende klantvragen en bedenk voor elke vraag een vervolgvraag die het antwoord verfijnt. Door die structuur in te bouwen, dwing je de AI om efficiënter te werken. Het kost je een uurtje, maar het kan de klanttevredenheid aanzienlijk verbeteren.

Bron: MIT News](https://news.mit.edu/2026/teaching-ai-agents-ask-better-questions-playing-battleship-0603)