Generieke AI-output is geen bug. Het is het product.

Er zijn twee momenten waarop je merkt dat AI-output generiek is.

Het eerste moment: direct. Je leest het, denkt “prima”, en past het aan. Je neemt aan dat jij de zwakste schakel bent. Beter prompten, meer context geven, anders formuleren.

Het tweede moment: veel later. Als je diep genoeg bent gegaan om te weten hoe het eigenlijk zou moeten klinken.

De meeste mensen blijven hangen in moment één.

Het zit niet in jouw prompt

In april 2026 liet ik 50 sessie-logs analyseren op terugkerende patronen. Niet op fouten, niet op missers — op herhalende structuren die op niets anders leken dan templates. De uitkomst: 270 detecties.

Dezelfde openingen. Dezelfde overgangen. Dezelfde afsluiting die iets samenvat wat je net zelf hebt gelezen.

Dat was na 170 sessies bouwen. Na weken context opbouwen voor een klant. Na data ophalen, sparren, doorvragen. En dan schreef het model een marketingrapport dat klonk als elke andere marketingadviseur.

Ik zei: “Ik kan beter jouw thinking in het rapport zetten dan wat je uiteindelijk schrijft.”

Het probleem zat niet in mijn prompt.

Hetzelfde mechanisme, twee symptomen

In een eerder artikel schreef ik over sycofantie — het model dat altijd instemt, elke richting die jij aangeeft bevestigt, nooit duwt terug. Dat artikel ging over “je hebt gelijk” als trainingsartefact.

Dit artikel gaat over het andere symptoom van precies hetzelfde mechanisme.

RLHF — Reinforcement Learning from Human Feedback — is de trainingsmethode die moderne taalmodellen vormt. Mensen beoordelen output: dit is beter, dit is slechter. Het model leert van die feedback. Na genoeg iteraties is het model heel goed in het produceren van output die mensen als “beter” beoordelen.

En wat beoordelen mensen als beter?

Output die beleefd is. Compleet aanvoelt. Niemand voor het hoofd stoot. Alle perspectieven meeneemt. Netjes afsluit met een conclusie.

Aardig. Behulpzaam. Uitgebalanceerd.

Gladgeslepen.

Het model heeft geen smaak geleerd. Het heeft goedkeuring geleerd.

Er is een verschil tussen schrijven dat klopt en schrijven dat raakt.

Schrijven dat klopt: correct, compleet, geen fouten.

Schrijven dat raakt: eigenzinnig genoeg om iets te zeggen dat jij nog niet had bedacht. Scherp genoeg om te schuren. Specifiek genoeg om niet van iemand anders te kunnen zijn.

Het eerste leert een model van beoordelingen. Het tweede ontstaat als iemand bereid is om ongelijk te hebben — en daarvoor beloond te worden.

Niemand beoordeelt AI-output hoger omdat het schuurde. Niemand klikt “dit antwoord is beter” op tekst die hem of haar ongemakkelijk maakte. De training-incentive is goedkeuring. Goedkeuring produceert glad.

“Dat is geen contextprobleem. Dat is geen platformprobleem. Dat is het fundamentele verschil tussen 15 jaar ervaring en een taalmodel.”

Die zin schreef ik in sessie 134, na een rapport dat technisch nergens fout zat.

De paradox van de kritische gebruiker

Hier wordt het interessant.

De gemiddelde gebruiker werkt met AI en is tevreden. De output matcht zijn verwachting. Hij heeft geen referentie voor hoe het scherper zou kunnen. Het resultaat is goed genoeg, de tijdwinst is reëles, en hij gaat verder.

Dat is logisch. En dat is precies waarom niemand dit probleem aankaart.

De gebruiker die het probleem wel opmerkt, is de gebruiker die een referentiekader heeft. Die weet hoe een scherpe analyse klinkt omdat hij er zelf tientallen heeft geschreven. Die het verschil herkent tussen tekst die een inzicht draagt en tekst die een inzicht omschrijft.

Maar dat is ook de gebruiker voor wie het model het slechtst werkt.

Want het model is getraind op brede goedkeuring. En de kritische gebruiker is per definitie moeilijker tevreden te stellen. Hij vraagt door. Hij duwt terug. Hij wil dat het schuurt.

En het model heeft geleerd: schuring is risico. Risico vermijden is beloning.

De gebruikers die het meest zouden profiteren van AI als echte sparringpartner, zijn precies de gebruikers bij wie het model op zijn zwakst is.

Wat je eraan kunt doen

Niet: beter prompten.

Dat helpt marginaal. Je kunt het model vragen om scherper te zijn, kritischer, directer. Het zal zeggen dat het dat gaat doen. En dan schrijft het weer glad — alleen met andere woorden aan het begin.

Wat wel helpt:

Context die zo specifiek is dat generiek simpelweg niet past. Niet “schrijf een marketinganalyse voor de klant” maar: data uit hun webshop, quotes uit klantgesprekken, een mening van jou die het model moet weerspreken of onderbouwen.

Het model kan niet generiek zijn als er geen generieke plek meer is om te landen.

Dat is niet een trucje. Het is een architectuurkeuze. Je bouwt een omgeving waarin het model geen keuze heeft dan specifiek te zijn, omdat de input het niet toestaat anders te zijn.

Dat kost tijd. Dat is precies waarom de meeste mensen het niet doen.

Wat dit zegt over AI-marketing

Er is een categorie tools die je beloven dat je met één klik blogartikelen, e-mails of social posts genereert. Die tools werken. De output is foutloos, netjes opgemaakt, en volledig inwisselbaar.

Dat is geen toevallig bijproduct. Dat is het product.

Generiek is schaalbaar. Schaalbaar is verkoopbaar. En de meeste kopers van AI-content tools weten niet hoe niet-generiek aanvoelt — want ze hebben nooit diep genoeg gewerkt om de grens te raken.

De vraag is niet of AI kan schrijven.

De vraag is of de output iets zegt dat jij nog niet wist.

Als het antwoord altijd ja is: je gaat niet diep genoeg.

Als het antwoord altijd nee is: je bent precies op de plek waar dit mechanisme het hardst werkt.

De meeste AI-gebruikers merken het probleem nooit op — niet omdat het er niet is, maar omdat ze nooit diep genoeg zijn gegaan om het te raken.

Dat is misschien het scherpste wat er over dit model te zeggen valt.