Toekomst van AI: wat weten we richting 2030? (2026)

Niemand kan één betrouwbare toekomst van AI voorspellen, maar actuele rapporten ondersteunen wel scenario's die je met meetbare signalen kunt volgen. Richting 2030 kunnen mogelijkheden langzaam, ongeveer volgens recente trends of veel sneller groeien, terwijl werk, energie, regelgeving, veiligheid en menselijke keuzes bepalen welke toepassingen werkelijk worden ingevoerd.

Stand van zaken op 29 juli 2026

Dit artikel gaat over scenario's richting 2030 en verder. Voor concrete releases en al zichtbare werkwijzen van dit jaar lees je AI-trends 2026; zo blijven een actuele momentopname en een onzekere toekomstverkenning uit elkaar.

Het International AI Safety Report 2026 beschrijft verdere vooruitgang van breed inzetbare AI, ook wel general-purpose AI, in onder meer wetenschap, software en taken met meerdere stappen en tools. Het rapport benadrukt tegelijk onzekerheid over de snelheid tot 2030: vooruitgang kan vertragen, ongeveer doorzetten of sterk versnellen.

De voorlopige beoordeling van het onafhankelijke wetenschappelijke VN-panel bekijkt mogelijkheden, kansen, risico's en huidige waarborgen. Dat een systeem beter scoort op een benchmark betekent niet automatisch dat het betrouwbaar in iedere echte omgeving werkt of dat organisatorische en maatschappelijke risico's zijn opgelost.

Daarom is AI wordt slimmer te vaag als plan. Splits de toekomst op in controleerbare vragen:

Welke taken worden aantoonbaar beter uitgevoerd?
Hoe vaak gaat het systeem op lastige praktijkgevallen fout?
Welke tools en externe acties krijgt het systeem?
Welke mensen, beroepen en groepen ervaren voor- of nadelen?
Welke rekenkracht, energie, data en infrastructuur zijn nodig?
Welke regels en aansprakelijkheden gelden bij inzet?
Welke veiligheidsmaatregel werkt aantoonbaar en is onafhankelijk te controleren?

Vijf signalen die richting 2030 tellen

1. Mogelijkheden zijn meerdimensionaal

Er bestaat geen enkele score voor algemene intelligentie. De OECD AI Capability Indicators gebruiken afzonderlijke schalen voor onder meer taal, sociale interactie, probleemoplossing, creativiteit, metacognitie, kennis, visie, manipulatie en robotische intelligentie.

Zo'n indeling maakt zichtbaar waarom een model sterk kan zijn in code of taal en tegelijk moeite kan hebben met betrouwbaarheid, fysieke handelingen of onbekende praktijksituaties. Volg dus prestaties per relevante taak en foutcategorie, niet alleen modelnamen of totaalscores.

2. Werk verandert per taak, niet in één beweging

De ILO-update over generatieve AI en werk schat dat wereldwijd één op de vier werknemers een beroep heeft met enige blootstelling aan generatieve AI. De ILO benadrukt dat transformatie door de blijvende behoefte aan menselijke invoer voor de meeste blootgestelde beroepen waarschijnlijker is dan volledige vervanging.

Blootgesteld betekent dat een deel van taken technisch geraakt kan worden. Het bewijst niet dat een hele functie verdwijnt, dat invoering rendabel is of dat kwaliteit en verantwoordelijkheid automatisch zijn geregeld.

Onderzoek daarom per functie:

welke taken uit vaste patronen bestaan;
welke bron- en vakkennis nodig blijft;
welke fouten gevolgen hebben voor klanten of medewerkers;
welke controle- en coördinatietaken erbij komen;
wie voordeel heeft en wie extra belasting of risico draagt.

3. Energie en infrastructuur begrenzen schaal

De International Energy Agency onderzoekt zowel de elektriciteitsvraag van datacenters als mogelijke toepassingen van AI in de energiesector. De ontwikkeling van modellen is daardoor niet alleen een softwarevraag: netcapaciteit, chips, datacenters, koeling, locaties en energiebronnen beïnvloeden tempo, kostenstructuur en maatschappelijke afwegingen.

Een efficiënter model kan per taak minder middelen gebruiken, terwijl veel bredere toepassing het totale verbruik toch verhoogt. Kijk daarom zowel naar efficiëntie per verwerking als naar totaal volume en benodigde infrastructuur.

4. Regels worden concreter en blijven bewegen

De EU AI Act trad in 2024 in werking met een gefaseerde toepassing. De eerste acht verboden praktijken en de AI-geletterdheidsverplichtingen gelden sinds 2 februari 2025 en regels voor general-purpose AI-modellen sinds 2 augustus 2025. Verordening (EU) 2026/1744 voegde een negende verbod toe dat vanaf 2 december 2026 geldt.

De Europese Commissie vermeldt 2 augustus 2026 voor brede toepasbaarheid en beschrijft ook latere of aangepaste termijnen voor bepaalde hoog-risicosystemen.

Een politieke afspraak, voorstel en geldende wettekst zijn niet hetzelfde stadium. Controleer daarom bij ieder besluit de actuele officiële tekst, je rol en het specifieke gebruik.

Regelgeving is bovendien maar één grens. Contracten, privacy, intellectueel eigendom, sectorregels, beveiliging en professionele zorgplichten kunnen eerder of aanvullend gelden.

5. Veiligheid wordt een doorlopend bewijsprobleem

NIST organiseert in het AI Risk Management Framework risicowerk rond besturen, context in kaart brengen, meten en beheersen, in het framework govern, map, measure en manage. Het framework is vrijwillig en wordt herzien; het is dus geen certificaat dat een toepassing veilig is.

Nuttig bewijs is concreet:

een test van mogelijkheden en misbruikrisico's met vastgelegde gevallen;
beperkte rechten en goedkeuring voor externe acties;
logging die laat zien welke bron en tool zijn gebruikt;
incidentrapportage en een herstelprocedure;
een onafhankelijke controle van belangrijke claims;
hertesten na een model-, data- of integratiewijziging.

Gebruik AI-veiligheidstips voor toegangsrechten en herstel. De gids AI-hallucinaties herkennen behandelt broncontrole en foutcategorieën.

AGI: een vraag zonder betrouwbare kalenderdatum

AGI wordt meestal gebruikt voor een verondersteld systeem met brede algemene vermogens, maar definities verschillen. De ene voorspelling kijkt naar benchmarks, een andere naar economische taken, zelfstandigheid of vergelijking met menselijke vermogens.

Dat maakt precieze jaartallen misleidend zonder:

een operationele definitie;
vooraf vastgelegde en afgeschermde tests;
eisen voor betrouwbaarheid en consistentie;
toetsing in onbekende situaties;
grenzen voor tools, fysieke handelingen en sociale context;
onafhankelijke reproductie.

Snelle vooruitgang op deelgebieden kan belangrijk zijn zonder dat daarmee AGI als universele status is bewezen. Baseer organisatiebesluiten op mogelijkheden die vandaag zijn getest en houd scenario's voor verdere groei apart.

Drie scenario's richting 2030

Deze scenario's zijn geen voorspellingen. Ze helpen je signalen en voorbereidende keuzes uit elkaar te houden.

Scenario A: geleidelijke vooruitgang

Modellen verbeteren verder, maar betrouwbaarheid, data, infrastructuur en integratie vertragen brede automatisering. AI ondersteunt steeds meer taken, terwijl mensen uitzonderingen, broncontrole en besluiten blijven behandelen.

Signalen: beperkte winst op lastige praktijksets, hoge correctielast, trage organisatie-invoering en blijvende behoefte aan specialistische controle.

Scenario B: snelle taakautomatisering

Model- en toolmogelijkheden groeien snel genoeg om langere digitale werkprocessen uit te voeren. Organisaties herontwerpen functies rond goedkeuring, monitoring en escalatie.

Signalen: sterke reproduceerbare prestaties op langere taken, lagere fout- en herstelpercentages, betrouwbare toolcontrole en snelle invoering in meerdere sectoren.

Scenario C: begrensde inzet

Technische incidenten, energie- en chipgrenzen, juridische eisen, maatschappelijke weerstand of tegenvallende waarde beperken sommige toepassingen. AI groeit door, maar ongelijk per sector, land en risiconiveau.

Signalen: strengere toegangseisen, infrastructuurknelpunten, hoge incidentlast, uitgestelde projecten en duidelijk verschil tussen laag- en hoog-risicowerk.

Een organisatie kan tegelijk delen van alle drie scenario's ervaren. Tekstbewerking kan snel worden ingevoerd, terwijl personeelsbesluiten terecht sterk begrensd blijven.

Stappenplan: maak een toekomstbestendig AI-plan

Stap 1: inventariseer taken en beslissingen

Splits functies op in invoer, verwerking, communicatie, besluit en externe actie. Noteer waar fouten iemand raken, waar toestemming nodig is en welke kennis niet verloren mag gaan.

Stap 2: kies een klein aantal scenario's

Gebruik ten minste een geleidelijk, snel en begrensd scenario. Schrijf per scenario welke aannames gelden en welke signalen het waarschijnlijker of minder waarschijnlijk maken.

Stap 3: bouw referentietests

Verzamel representatieve taken, uitzonderingen en bekende fouten. Test nieuwe producten of modellen steeds met dezelfde criteria en bewaar versie, instellingen en datum.

Stap 4: investeer in overdraagbare vaardigheden

Ontwikkel broncontrole, data-inzicht, vakkennis, procesontwerp en incidentherstel. AI vervangt de onderliggende softwarekennis niet: controleer bijvoorbeeld een formule ook in Excel of Google Sheets.

Stap 5: begrens rechten en gevolgen

Laat een proef eerst adviseren in plaats van autonoom publiceren, verzenden of verwijderen. Voeg goedkeuring toe voor gevoelige en moeilijk terug te draaien acties.

Stap 6: volg officiële signalen

Plan vaste herbeoordelingen van taakprestaties, incidenten, arbeidsimpact, infrastructuur en regelgeving. Gebruik primaire rapporten en de geldende wettekst, niet alleen een voorspelling of leverancierspresentatie.

Stap 7: behoud een alternatief en herstelroute

Leg vast hoe werk doorgaat wanneer een dienst verandert of uitvalt. Bewaar exportmogelijkheden, menselijke expertise, controles en een route terug naar de vorige werkwijze.

Wat dit betekent voor je volgende keuze

Kies geen tool omdat een verre toekomst onvermijdelijk zou zijn. Vergelijk de huidige taak, gegevens, integraties, betrouwbaarheid en herstelmogelijkheden met AI-tools vergelijken, en schaal pas wanneer de meetbare uitkomst beter is dan je referentieproces.

De beste voorbereiding is geen perfecte voorspelling. Het is een proces dat nieuwe informatie kan verwerken zonder broncontrole, menselijke verantwoordelijkheid of herstel op te geven.

Veelgemaakte fouten

Eén AGI-datum als feit gebruiken. Definities, tests en onzekerheid verschillen.
Benchmarkwinst gelijkstellen aan betrouwbare praktijkinzet. Test onbekende en lastige gevallen in het echte proces.
Blootstelling van taken als baanverlies lezen. Invoering, taakmix en menselijke verantwoordelijkheid bepalen de uitkomst mede.
Alleen modelmogelijkheden volgen. Energie, chips, data, regels en organisatiecapaciteit kunnen inzet begrenzen.
Een voorstel als geldende wet behandelen. Controleer het juridische stadium en de actuele officiële tekst.
Alle sectoren hetzelfde voorspellen. Risico, data en waarde verschillen sterk per toepassing.
Geen ontkrachtend signaal vastleggen. Een scenario zonder toetsbare aannames is alleen een verhaal.
Vakkennis afbouwen vóór kwaliteit bewezen is. Behoud mensen die bronnen, berekeningen en uitzonderingen kunnen beoordelen.

Veelgestelde vragen

Hoe ziet de toekomst van AI eruit?

Niemand kan één betrouwbare uitkomst voorspellen. Onderbouwde scenario's lopen van tragere vooruitgang door technische en infrastructurele grenzen tot snelle groei van mogelijkheden; werk, regelgeving, energie, veiligheid en maatschappelijke keuzes bepalen mede wat daarvan wordt ingezet.

Wanneer komt AGI?

Daar is geen betrouwbare datum voor. Definities en meetcriteria voor brede algemene intelligentie verschillen, en snelle vooruitgang op benchmarks bewijst niet dat alle menselijke vermogens of praktijksituaties zijn gedekt.

Gaat AI banen vervangen?

Sommige taken kunnen worden geautomatiseerd en functies kunnen veranderen, maar blootstelling is niet hetzelfde als baanverlies. De ILO verwacht op basis van zijn index dat transformatie voor de meeste blootgestelde beroepen waarschijnlijker is dan volledige vervanging.

Welke AI-ontwikkeling is richting 2030 het belangrijkst?

Er is niet één universeel belangrijkste ontwikkeling. Volg per organisatie de taakprestaties, betrouwbaarheid, toolrechten, arbeidsimpact, energie- en infrastructuurgrenzen, regelgeving en aantoonbare veiligheidsmaatregelen.

Zijn huidige AI-systemen bewust?

Menselijk klinkend gedrag is geen bewijs van bewustzijn. Voor praktische besluiten moet je systemen beoordelen op observeerbare mogelijkheden, beperkingen en gevolgen, niet op onbevestigde uitspraken over een innerlijke ervaring.

Hoe bereid je je werk voor op verdere AI-ontwikkeling?

Breng taken en gegevensstromen in kaart, kies kleine controleerbare toepassingen, ontwikkel vakkennis en verificatievaardigheden en leg goedkeuring en herstel vast. Herzie keuzes wanneer bewijs, regels of productwerking verandert.

Kun je AI-voorspellingen vertrouwen?

Behandel een voorspelling als een scenario met aannames, niet als een vaststaande uitkomst. Controleer bron, publicatiedatum, meetmethode, onzekerheidsmarge en welke signalen de voorspelling zouden bevestigen of ontkrachten.