Hoe kunstmatige intelligentie onze blinde vlekken niet blootlegt, maar ze juist groter maakt, en wat we eraan kunnen doen.
“Een spiegel liegt nooit. Maar hij laat je alleen zien wat je wilt zien.”
De Spiegel Die We Onszelf Voorschotelen
Stel je voor: je pakt ’s ochtends je telefoon en ziet een nieuwsfeed die precies lijkt te zijn samengesteld voor jou. Niet alleen over onderwerpen die je interesseren, je voetbalclub, je favoriete muziek, de laatste ontwikkelingen in je vakgebied, maar ook in een toon die voelt alsof jij hem zelf had geschreven. Elke kop, elke analyse, elke mening klinkt als een echo van je eigen gedachten, alleen net iets scherper, net iets overtuigender.
Klinkt dat niet heerlijk?
Het is ook precies wat er nu gebeurt. Niet als metafoor, maar als realiteit. KI-systemen bepalen dagelijks welke informatie je te zien krijgt, welke antwoorden je ontvangt, en welke versie van de werkelijkheid voor jou de werkelijkheid wordt.
Het enge is niet dat KI liegt. Het enge is dat KI de waarheid vertelt, jouw waarheid, en dat op een schaal waar we ons niet eens meer van bewust zijn.
Bevestigingsvooroordeel, Maar Dan Erger
Cognitieve psychologen praten al jaren over confirmation bias: onze neiging om informatie te zoeken, te interpreteren en te onthouden op een manier die onze bestaande overtuigingen bevestigt. Het was ooit een persoonlijke eigenschap, een klein menselijk gebrek. Maar nu is het een systeem.
Neem dat onderzoek uit 2015 van Bakshy, Messing en Adamic in Science.[1]
Daarin zagen ze dat Facebookgebruikers minder diverse politieke content te zien kregen, niet alleen door algoritmes, maar ook door hun eigen keuzes. Wat toen nog een beperkt effect leek, is nu de norm. En KI versnelt het alleen maar.
Moderne KI is geen passieve versterker meer. Het is een actieve architect van onze informatieomgeving. Een groot taalmodel dat als zoekmachine fungeert, geeft geen neutraal overzicht van het internet. Het genereert een antwoord dat statistisch gezien het meest waarschijnlijk bij jou past, gebaseerd op je taalgebruik, je eerdere vragen, je interacties.
Het resultaat? Jij en je buurman stellen dezelfde vraag, maar krijgen een ander antwoord.
Een Werkelijkheid Op Maat – En Daardoor Armer
Neem AI-gestuurde nieuwsfeeds. Eli Pariser waarschuwde in 2011 al voor de “filterbubbel”: algoritmes die ons opsluiten in een cirkel van gelijkgestemden.[2] Maar wat KI nu doet, gaat verder.
Uit onderzoek van Sharma, Liao en Xiao (2024) bleek dat LLM-gebaseerde zoekmachines een homogeniserend effect hebben. Vragen over controversiële onderwerpen leiden tot antwoorden die de statistische consensus weerspiegelen. Dominante narratieven worden versterkt, terwijl minderheidsperspectieven verdwijnen, niet door censuur, maar door de manier waarop de modellen werken.[3]
Maar er is ook een tegenovergestelde dynamiek: hyperpersonalisatie. Neem TikTok. Het algoritme leert niet alleen wat je leuk vindt, maar wat je emotioneel raakt, verontwaardiging, nostalgie, angst, trots. En het optimaliseert daar meedogenloos op, want emotioneel geactiveerde gebruikers blijven langer hangen.
Het resultaat? We leven in een tijd van ongekende informatierijkdom, maar onze individuele informatieomgeving is armer dan ooit. We zien meer content, maar minder diversiteit.
De Emotionele Valkuil van KI-Content
Er is nog een laag die vaak over het hoofd wordt gezien: emotie.
Vroeger was propaganda een ambacht. Een overtuigende tekst schrijven kostte tijd, talent en culturele kennis. Nu kan een LLM in seconden een bericht genereren dat precies inspeelt op jouw emoties, gebaseerd op je taalgebruik, je sociale media, je culturele referenties.
Uit onderzoek van Salvi, Horta Ribeiro, Gallotti en West (Nature Human Behaviour, 2025) bleek dat KI-gegenereerde, gepersonaliseerde berichten overtuigender waren dan berichten van mensen. Deelnemers die debatteerden met GPT-4 (met toegang tot hun persoonlijke gegevens) hadden 81,7% meer kans om het eens te worden met hun gesprekspartner dan deelnemers die met een mens debatteerden. [4]
Wat betekent dit in de praktijk? Als jij twijfelt over klimaatbeleid, kan een KI-systeem razendsnel een tekst genereren die precies inspeelt op die twijfel – in jouw stijl, met jouw referenties, op het moment dat je het meest ontvankelijk bent. Niet omdat iemand kwaadwillig is, maar omdat het systeem geoptimaliseerd is voor engagement. En onzekerheid, verontwaardiging en angst genereren nu eenmaal meer engagement dan nuance.
De Illusie van Objectiviteit
Hier ligt het echte probleem: we weten niet wat we niet zien.
Confirmation bias was al moeilijk te herkennen bij jezelf. Maar als de spiegel zo gepolijst is dat hij nooit een scheef beeld laat zien, als elke nieuwsbrief, elk zoekresultaat, elke aanbeveling aansluit bij wat je al denkt… dan verdwijnt het besef dat er een spiegel is.
In 2024 deden onderzoekers van Johns Hopkins University en Microsoft Research een experiment. Ze lieten twee groepen dezelfde onderwerpen onderzoeken: één via traditionele zoekmachines, de andere via een KI-zoekomgeving (zoals Perplexity of Bing Copilot). Het resultaat? De KI-groep stelde meer bevestigende vragen – vragen die hun bestaande mening ondersteunden in plaats van uitdaagden. En naarmate de gesprekken vorderden, werden hun meningen scherper in de richting die ze al hadden.[5]
Niet omdat de KI loog. Maar omdat het systeem geen ruimte laat voor toeval, voor afwijkende meningen, voor onverwachte inzichten.
Dat dit niet alleen speelt bij individueel gebruik, bleek uit onderzoek in 2025. Daaruit bleek dat GPT-4o-Mini, Claude en Gemini, als nieuwsbronnen, minder unieke nieuwsuitgevers opzochten dan Google News. Elk model voerde in feite zijn eigen redactioneel beleid, zonder dat gebruikers dat konden zien of bevragen.[6]
Dit is de kern: KI-systemen creëren niet alleen echokamers. Ze creëren de illusie dat je buiten de echokamer staat.
De Auteur in de Bubbel
Ik moet toegeven: ik herken dit bij mezelf.
Toen ik me de afgelopen maanden verdiepte in hypernormalisatie en KI, merkte ik hoe mijn zoekopdrachten steeds verfijnder werden. En hoe de antwoorden die ik terugkreeg, of het nu via een LLM was of via Google – steeds meer klonken als mijn eigen hypothesen, bevestigd en uitgebreid. Er kwamen nauwelijks tegenwerpingen. Nauwelijks ruis.
Het voelde alsof ik dacht in een echo.
En dat is geen individueel probleem. Het is een systeemprobleem. En het vraagt om structurele oplossingen, niet om individuele goedbedoelde adviezen.
Wat Kunnen We Doen?
De makkelijke oplossing is om te pleiten voor “meer kritisch denken” of “mediawijs zijn”. Maar dat is niet genoeg. Individuele bewustwording is nodig, maar onvoldoende als de architectuur van de systemen tegen je werkt.
Hier zijn een paar richtingen die wel verschil kunnen maken:
1. Algoritmische transparantie als recht. De Europese AI Act is een begin, maar te beperkt. Gebruikers zouden het recht moeten hebben om te zien waarom ze bepaalde content te zien krijgen, niet in technisch jargon, maar in begrijpelijke taal. Stel je voor: een voedingswaarde-etiket voor je nieuwsfeed. Je hoeft geen diëtist te zijn om te snappen dat iets voor 80% uit suiker bestaat.
2. Diversiteitsmetriek als KPI. Platforms optimaliseren nu op engagement. Wat als ze ook moesten optimaliseren op informatiediversiteit? Wat als een aanbevelingssysteem wettelijk verplicht was om minimaal 20% afwijkende perspectieven te tonen? De techniek bestaat. De politieke wil ontbreekt.
3. KI-educatie die verder gaat dan “fake news herkennen”. Het gaat niet om of een bericht waar of nep is. Het gaat erom waarom je dít bericht ziet, en niet een ander. Dat vergt een fundamenteel andere vorm van mediawijsheid, niet gericht op inhoud, maar op architectuur.
4. Open-source en auditeerbare modellen. Als de KI-systemen die onze werkelijkheid vormgeven gesloten black boxes zijn, hebben we geen democratische controle. Open-source is geen wondermiddel, maar wel een noodzakelijke voorwaarde voor onafhankelijke audits.
Conclusie: De Spiegel Leren Herkennen
Hypernormalisatie – het proces waarbij mensen een systeem in stand houden terwijl ze weten dat het niet werkt – was in de late Sovjet-Unie mogelijk omdat alternatieve informatie simpelweg niet beschikbaar was. De informatiemarkt was gesloten.
Onze situatie is het tegenovergestelde: de informatiemarkt is radicaal open, maar KI-systemen bouwen rondom ieder van ons een persoonlijke gesloten ruimte. Niet door verbod, maar door selectie. Niet door censuur, maar door bevestiging.
Het risico is niet dat we gedwongen worden om te denken wat anderen willen. Het risico is dat we steeds sterker gaan denken wat we al dachten – met steeds minder prikkels om te twijfelen.
Een spiegel die nooit liegt, maar ook nooit verraadt dat hij er staat. Dat is de sluipende uitdaging van KI in onze informatieomgeving.
De eerste stap is simpel, maar niet makkelijk: leer de spiegel zien.
Dit artikel is het laatste in een drieluik over KI en informatieomgevingen. De eerste bijdrage beschreef Hypernormalisatie in het digitale tijdperk en de tweede ging over hoe KI hypernormalisatie razendsnel versterkt.
Bronnen
[1]: Bakshy, E., Messing, S., & Adamic, L. A. (2015). Exposure to ideologically diverse news and opinion on Facebook. *Science*, 348(6239), 1130–1132. DOI: [10.1126/science.aaa1160](https://doi.org/10.1126/science.aaa1160)
[2]: Pariser, E. (2011). *The Filter Bubble: What the Internet Is Hiding from You*. Penguin Press. ISBN: 978-1-59420-300-8
[3]: Sharma, N., Liao, Q. V., & Xiao, Z. (2024). Generative Echo Chamber? Effects of LLM-Powered Search Systems on Diverse Information Seeking. In *Proceedings of the CHI Conference on Human Factors in Computing Systems (CHI '24)*. DOI: [10.1145/3613904.3642459](https://doi.org/10.1145/3613904.3642459). Preprint: [arXiv:2402.05880](https://arxiv.org/abs/2402.05880)
[4]: Salvi, F., Horta Ribeiro, M., Gallotti, R., & West, R. (2025). On the conversational persuasiveness of GPT-4. *Nature Human Behaviour*. DOI: [10.1038/s41562-025-02194-6](https://doi.org/10.1038/s41562-025-02194-6). Preprint: [arXiv:2403.14380](https://arxiv.org/abs/2403.14380)
[5]: Sharma, N., Liao, Q. V., & Xiao, Z. (2024). Generative Echo Chamber? Effects of LLM-Powered Search Systems on Diverse Information Seeking. In *Proceedings of the CHI Conference on Human Factors in Computing Systems (CHI '24)*. DOI: [10.1145/3613904.3642459](https://doi.org/10.1145/3613904.3642459). Preprint: [arXiv:2402.05880](https://arxiv.org/abs/2402.05880)
[6]: Minici, M., Consonni, C., Cinus, F., & Manco, G. (2025). Auditing LLM Editorial Bias in News Media Exposure. *arXiv:2510.27489*. Preprint: [https://arxiv.org/abs/2510.27489]
voor dit artikel is gebruik gemaakt van machine-intelligence
Geef een reactie