Dit keer weer een wat technischer blog. Eentje over een ontwikkeling die de manier waarop we naar AI kijken zomaar kan veranderen: Decision AI.

De term Decision Intelligence bestaat al een tijdje. Wie even zoekt, vindt al jaren artikelen over het gebruik van data, AI en modellen om organisaties te helpen betere beslissingen te nemen. Maar sinds kort staat er iets nieuws volop in de belangstelling: Jev van TypeSafe AI.

En dat is interessant. Want waar we AI de afgelopen jaren vooral hebben leren kennen als iets waarmee we kunnen praten, schrijven, zoeken, programmeren en creëren, draait Jev om iets anders:

Geen antwoord voor een mens, maar een beslissing voor software.

En ineens moest ik denken aan een plek waar dagelijks duizenden beslissingen worden genomen: een groot station. Je komt binnen, kijkt naar de borden en ziet tientallen bestemmingen. Welke kant ga je op? Welk perron heb je nodig? Welke trein moet je hebben? De informatie is er, de routes zijn er, maar uiteindelijk moet er een keuze worden gemaakt.

Eigenlijk lijkt het AI-landschap inmiddels een beetje op zo'n station.

Hoeveel soorten AI hebben we inmiddels eigenlijk?

Het AI-landschap is inmiddels behoorlijk uitgebreid en de verschillende vormen lopen steeds meer door elkaar.

Regelgebaseerde AI kennen we al heel lang:

ALS temperatuur > 25
DAN alarm

Snel, voorspelbaar en betrouwbaar wanneer je de regels goed kunt beschrijven. Maar zodra de werkelijkheid ingewikkelder wordt, groeit een systeem al snel uit tot een enorme verzameling if/else-constructies.

Predictive AI kijkt niet alleen naar wat er gebeurt, maar probeert te voorspellen wat er waarschijnlijk gaat gebeuren. Denk aan forecasting, anomaly detection en predictive maintenance.

Generative AI kennen we inmiddels allemaal. ChatGPT, Claude en vergelijkbare modellen kunnen tekst schrijven, code genereren, afbeeldingen maken en documenten analyseren. De kracht zit juist in de vrijheid.

Maar die vrijheid is voor software niet altijd handig. Een mens kan prima iets hebben aan:

"Het lijkt erop dat hier waarschijnlijk een communicatieprobleem speelt."

Een programma wil liever:

{
  "problem": "communication",
  "priority": "high",
  "notify": true
}

En precies daar wordt Decision AI interessant.

Decision AI

De vraag verandert namelijk opnieuw:

Wat moeten we doen?

Je kunt het ongeveer zo zien:

Regelgebaseerd
data → regels → beslissing

Predictive AI
data → voorspelling

Generative AI
data → tekst / beeld / code

Decision AI
data + context → beslissing

Bij Jev kan die beslissing bijvoorbeeld een keuze, score of ja/nee-uitkomst zijn, voorzien van een waarschijnlijkheid. Het model is daarmee niet primair bedoeld om een mooi verhaal voor een mens te schrijven, maar om een gestructureerde beslissing aan software terug te geven. Jev ondersteunt hiervoor drie soorten vragen: Choice, Score en Noul, waarbij de uitkomsten probabilistisch en gestructureerd worden teruggegeven.

En dan is er nog de prijs. Omdat Jev geen tekst hoeft te genereren, maar direct gestructureerde beslissingen teruggeeft, is het model volgens TypeSafe erg goedkoop in gebruik. TypeSafe noemt momenteel $0,042 per miljoen input tokens en rekent geen kosten voor output tokens. Dat maakt het interessant om een Decision AI-laag heel vaak aan te roepen, bijvoorbeeld bij IoT-data of binnen een agent die voortdurend kleine beslissingen moet nemen.

Van dashboard naar dAIshboard

Juist omdat ik veel bezig ben met IoT, software, meetdata en systemen die verschillende databronnen met elkaar verbinden, vind ik dit interessant.

Een traditioneel dashboard kan bijvoorbeeld laten zien:

Luchtbehandelingskast 17

Temperatuur       21,4 °C
Druk               2,8 bar
Ventilator          100%
Laatste data        17 min geleden
Status              afwijkend

Prima. Maar daarna begint het echte werk: Is dit belangrijk? Waarom gebeurt het? Hoe urgent is het? Wat moeten we doen?

Een dAIshboard kan daar een extra laag aan toevoegen:

MEETDATA
   ↓
ANALYSE
   ↓
DECISION AI
   ↓
Prioriteit: HIGH
Actie: NOTIFY
Confidence: 0.91

Een generatief model kan vervolgens de technische uitkomst vertalen naar een begrijpelijke uitleg.

Decision AI beslist. Generative AI legt uit. De software voert uit.

Dat is een interessante ontwikkeling voor IoT-software.

En waar gaat de trein dan heen?

Waar we vroeger misschien één spoor richting AI hadden, liggen er inmiddels tientallen naast elkaar. Generative AI, Predictive AI, Vision AI, RAG, Agents, Edge AI, Decision AI.

Het interessante is niet alleen welke AI er bestaat, maar vooral:

Welke AI heb je wanneer nodig?

En daarmee komen we bij orchestration.

Stel dat je een softwareplatform bouwt waarin meerdere AI-modellen beschikbaar zijn. Dan hoeft niet iedere vraag automatisch naar hetzelfde grote taalmodel.

Een orchestrator kan bijvoorbeeld bepalen:

                 VRAAG
                   ↓
              ORCHESTRATOR
                   ↓
              DECISION AI
                   ↓
        ┌──────────┼──────────┐
        ↓          ↓          ↓
     Vision AI    RAG       LLM
        ↓          ↓          ↓
        └──────────┼──────────┘
                   ↓
                 ACTIE

Een vraag over een handleiding gaat naar RAG. Een afbeelding naar Vision AI. Een patroon in meetdata naar een anomaly-model. Een complexe uitleg naar een LLM. En een eenvoudige beslissing misschien gewoon naar normale softwarelogica.

Decision AI wordt daarmee een soort verkeersregelaar tussen verschillende AI-bouwstenen.

Net als op een station hoeft niet iedere trein dezelfde kant op. Je moet vooral weten welke trein je nodig hebt.

AI wordt steeds meer een team

We praten vaak over:

"Welk AI-model is het beste?"

Maar misschien wordt dat steeds minder relevant. De interessantere vraag wordt:

"Welk model moet welk stukje van het probleem oplossen?"

Dan krijg je bijvoorbeeld:

Generative AI → maakt
Predictive AI → voorspelt
Vision AI → kijkt
RAG → zoekt kennis
Decision AI → kiest
Agentic AI → handelt
Code → voert deterministisch uit

En samen vormen ze één systeem.

Eigenlijk precies zoals we al jaren software bouwen: niet één gigantisch programma dat alles doet, maar verschillende componenten die ieder hun eigen taak hebben.

Zonder data geen goede beslissing

Daarbij blijft één ding essentieel:

Geen goede data → geen goede analyse → geen goede beslissing.

Een Decision AI kan alleen beslissen op basis van de informatie en kennis die je beschikbaar stelt. Relevante meetdata, historische gegevens, technische documentatie, bedrijfsregels en menselijke kennis kunnen allemaal onderdeel worden van die context.

En hoe meer beslissingen je aan AI overlaat, hoe belangrijker het wordt dat je weet waarop die beslissing gebaseerd is.

AI maakt slechte broninformatie niet automatisch goed. Een hoge confidence betekent bovendien niet automatisch dat een beslissing correct is. Daarom blijven normale softwarecontroles, grenzen en eventueel menselijke goedkeuring belangrijk.

Is Decision AI dan echt nieuw?

Ja en nee.

Decision Intelligence bestaat al jaren. Het idee om data en AI te gebruiken om betere beslissingen te ondersteunen is zeker niet nieuw.

Wat nu verandert, is de technische vorm.

Modellen zoals Jev maken het mogelijk om een gespecialiseerde beslissingslaag rechtstreeks in software te verwerken. Daarmee verschuift AI langzaam van AI als gesprekspartner naar AI als onderdeel van softwarelogica.

En dat kan best een belangrijke verandering worden.

Van Generative AI naar Decision AI?

Misschien moeten we AI daarom niet meer zien als één grote categorie.

We krijgen steeds meer gespecialiseerde bouwstenen:

Generative AI maakt.
Predictive AI voorspelt.
Vision AI kijkt.
RAG zoekt kennis.
Decision AI kiest.
Agentic AI handelt.

En uiteindelijk komt alles samen in één applicatie.

Dat is voor mij de interessante gedachte achter dAIshboard:

Een dashboard vertelt je wat er gebeurt. Een dAIshboard helpt bepalen wat je ermee moet doen.

Niet méér grafieken. Niet nóg een dashboard. Maar software die data gebruikt om informatie om te zetten in een beslissing en uiteindelijk een actie.

We hoeven niet op iedere trein te springen

En misschien is dat uiteindelijk wel het lastigste aan de huidige AI-ontwikkeling.

Er komt zoveel nieuws voorbij dat het bijna onmogelijk wordt om alles te volgen. Jev is nog maar net onder de aandacht, terwijl er alweer nieuwe open-source initiatieven, agents, lokale modellen en andere AI-richtingen verschijnen.

Het AI-landschap lijkt steeds meer op een groot station.

Steeds meer sporen. Steeds meer bestemmingen. Steeds meer treinen.

Maar je hoeft niet op iedere trein te springen.

Je moet vooral leren herkennen:

Welke trein heb ik nodig?

En misschien is dát wel de belangrijkste AI-vaardigheid van de komende jaren.

Niet alles kennen, maar kunnen bepalen welke ontwikkeling voor jouw werk, jouw organisatie of jouw project relevant is.

AI gaat niet meer alleen vooruit.

AI gaat alle kanten op.

Foto's: Berlin Hauptbahnhof