In één gesprek over een nieuw project hoorde ik laatst vier termen langskomen: AI, machine learning, generatieve AI en agentic AI. Door elkaar, alsof het synoniemen waren. Dat zijn ze niet. Het zijn lagen die in elkaar passen, en als je het verschil snapt, snap je meteen waarom de ene oplossing wél werkt voor jouw probleem en de andere geld kost zonder resultaat.
Deze gids tekent de kaart. Geen diepe duik in elk begrip, daarvoor link ik door naar aparte uitleg, maar het overzicht: hoe de termen zich tot elkaar verhouden en welke je wanneer nodig hebt.
AI is de grote paraplu
Kunstmatige intelligentie, AI, is de overkoepelende term. Alles wat een computer laat doen wat normaal menselijke intelligentie vraagt, valt eronder: taal begrijpen, beelden herkennen, beslissingen nemen, voorspellen. AI is dus geen techniek, het is een doel. Onder die paraplu zitten allerlei methodes, en de meeste daarvan vallen tegenwoordig onder machine learning.
Wil je de paraplu zelf goed begrijpen, wat AI wel en niet kan voor een MKB-bedrijf, dan staat dat uitgewerkt in wat is AI, uitgelegd voor het MKB. Hier gaat het om wat eronder zit.
Machine learning: leren uit voorbeelden
Kort gezegd: AI is het doel, een slimme machine, en machine learning is de belangrijkste methode om daar te komen door te leren van data. Vroeger programmeerde je een computer met regels: als dit, doe dat. Dat werkt zolang je alle regels kunt opschrijven. Maar hoe schrijf je een regel voor "herken een spammail" of "voorspel welke klant gaat opzeggen"? Dat lukt niet met vaste regels, want de patronen zijn te grillig.
Machine learning draait het om. In plaats van regels geef je het systeem duizenden voorbeelden, en het leert zelf de patronen eruit. Geef het tienduizend mails die als spam zijn gemarkeerd, en het leert herkennen wat spam waarschijnlijk maakt, zonder dat iemand die regels expliciet heeft opgeschreven.
Dat is het wezenlijke verschil tussen AI en machine learning waar veel mensen naar zoeken: AI is het doel, machine learning is veruit de belangrijkste methode om er te komen. Bijna alle moderne AI ís machine learning.
Het verschil tussen zwakke en sterke AI
Nog een onderscheid dat vaak voorbijkomt: zwakke versus sterke AI. Bijna alle AI die we vandaag gebruiken is zwakke AI, ook wel narrow AI genoemd: getraind voor één afgebakende taak, zoals tekst schrijven, spam herkennen of een route plannen. Het lijkt slim, maar het kan alleen dat ene. Sterke AI, een systeem dat op menselijk niveau over alles kan redeneren, bestaat nog niet en is voorlopig toekomstmuziek. Gaat een discussie over de gevaren van "een AI die alles overneemt", dan gaat dat over sterke AI. Wat jij in je bedrijf inzet, is zonder uitzondering zwakke AI: krachtig op zijn taak, hulpeloos daarbuiten.
Deep learning: machine learning op grote schaal
Deep learning is een soort machine learning, geïnspireerd op de manier waarop hersencellen in lagen met elkaar verbonden zijn. Door heel veel van die lagen op elkaar te stapelen, "deep", kan zo'n netwerk veel ingewikkeldere patronen leren dan eenvoudigere methodes. Dit is wat beeldherkenning, spraakherkenning en de taalmodellen achter ChatGPT en Claude mogelijk maakt.
Voor jou als ondernemer is het onderscheid tussen machine learning en deep learning vooral technisch. Het punt om te onthouden: deep learning is de motor die de doorbraak van de laatste jaren mogelijk maakte, en de directe voorouder van de volgende laag.
Generatieve AI: van herkennen naar maken
Lange tijd was AI vooral goed in herkennen en voorspellen: is dit spam, gaat deze klant opzeggen, wat staat er op deze foto. Generatieve AI doet iets nieuws: het maakt zelf inhoud. Tekst, beeld, code, geluid. ChatGPT die een mail schrijft, een tool die een afbeelding genereert, een model dat code typt, dat is allemaal generatieve AI.
Dit is de laag die sinds 2022 alles veranderde, omdat het AI ineens bruikbaar maakte voor iedereen, zonder technische kennis. Je typt wat je wilt en er komt iets uit. De taalmodellen die dit aandrijven heten LLM's, en hoe die precies werken, schreef ik uit in wat is een LLM.
Belangrijk om te weten: generatieve AI maakt iets, maar doet niets uit zichzelf. Het wacht op jouw volgende vraag. Het schrijft de mail, maar verstuurt hem niet. Het stelt de boeking voor, maar boekt niet. En precies daar begint de volgende laag.
Agentic AI: van maken naar doen
Agentic AI, of een AI-agent, is generatieve AI die niet alleen antwoordt maar handelt. Je geeft het een doel in plaats van een losse vraag, en het bepaalt zelf de stappen, gebruikt tools, voert ze uit en controleert het resultaat. Niet "schrijf een mail", maar "handel deze klantvraag af", en het zoekt de gegevens op, stelt het antwoord op, en boekt de afspraak in.
Dat is de betekenis van agentic AI: de stap van inhoud maken naar werk uitvoeren. Het is de reden dat AI in 2026 verschuift van een slimme assistent naar een digitale collega die taken overneemt. Wat een agent precies is, hoe hij werkt en waar hij nog tekortschiet, lees je in wat is een AI-agent. En omdat agents vaak verward worden met de oudere RPA-bots, vergeleek ik die twee in RPA of AI-agents.
De begrippen naast elkaar
| Laag | Wat het doet | Kort voorbeeld |
|---|---|---|
| AI | De paraplu: machines slim laten handelen | Het hele veld |
| Machine learning | Leert patronen uit voorbeelden | Voorspellen welke klant opzegt |
| Deep learning | Machine learning met diepe netwerken | Spraak en beeld herkennen |
| Generatieve AI | Maakt zelf nieuwe inhoud | Een mail of afbeelding genereren |
| Agentic AI | Voert zelfstandig taken uit | Een klantvraag van begin tot eind afhandelen |
Lees de tabel als een trap, niet als losse hokjes. Elke laag bouwt op de vorige: agentic AI gebruikt generatieve AI, die op deep learning draait, dat een vorm van machine learning is, dat onder de paraplu van AI valt. De evolutie loopt van regels, naar leren, naar maken, naar doen.
Welke heb je eigenlijk nodig?
Hier wordt het praktisch. Je hebt zelden "AI" nodig, je hebt een specifieke laag nodig voor een specifiek probleem.
Wil je voorspellen of patronen vinden in je eigen cijfers, bijvoorbeeld welke klanten dreigen af te haken, dan zit je in machine learning. Wil je inhoud sneller maken, teksten, concepten, samenvattingen, dan is generatieve AI je gereedschap, en kom je een heel eind met bestaande tools als ChatGPT of Claude. Wil je werk echt laten overnemen, processen die nu uren handwerk kosten, dan kijk je naar agents.
Het misverstand dat geld kost, is dat een bedrijf "iets met AI" wil en daarom de zwaarste, nieuwste laag inkoopt, terwijl het probleem met een eenvoudige generatieve tool of zelfs gewone automatisering opgelost was. De kunst is niet de nieuwste techniek kiezen. De kunst is de laag kiezen die bij het probleem past.
Waar dat voor jou ligt, hangt af van wat je wilt bereiken. Daar gaat een goede AI-strategie over: niet welke tool het hipst is, maar welke laag jouw concrete doel dichterbij brengt. Wil je verkennen of agents werk bij jou kunnen overnemen, kijk dan bij AI-agents en automatisering.
Begrip van deze begrippen is geen techniek-kennis, het is besluitvorming. Wie de kaart kent, koopt niet de duurste laag, maar de juiste.
Benieuwd wat AI voor jouw bedrijf kan betekenen?
Doe de gratis AI Scan en ontdek het in 1 minuut.