De AI-tijdlijn: van 1950 tot agentic AI
AI lijkt plotseling alomtegenwoordig. Maar de ontwikkeling heeft decennia geduurd — met perioden van explosieve groei en lange stiltes. Dit is de tijdlijn van AI: de mijlpalen, de winters, en wat elke fase betekende voor de wereld die erin leefde.
De AI-tijdlijn van 1950 tot nu is geen rechte lijn omhoog — het is een reeks van doorbraken, teleurstellingen, en plotselinge sprongen die niemand zag aankomen. Om te begrijpen waar AI nu staat, helpt het te weten hoe we hier gekomen zijn.
1950–1956: De geboorte van een idee
1950 — Alan Turing publiceert "Computing Machinery and Intelligence" met de vraag: "Can machines think?" Hij introduceert de Turing Test als maatstaf voor machinale intelligentie.
1956 — De Dartmouth Conference. John McCarthy introduceert de term "artificial intelligence". Een groep wetenschappers is ervan overtuigd dat "elke aspect van leren of intelligentie zo precies kan worden beschreven dat je er een machine van kunt maken." De verwachtingen zijn hooggespannen.
1957–1974: De eerste golf van optimisme
Vroege AI-systemen zijn indrukwekkend voor hun tijd: ze kunnen schaak spelen, logica bewijzen, eenvoudige gesprekken voeren. Wetenschappers voorspellen dat machines binnen 20 jaar de menselijke intelligentie zullen evenaren.
1966 — ELIZA, de eerste chatbot, wordt gebouwd door Joseph Weizenbaum bij MIT. Mensen die met ELIZA praten, hebben het gevoel met een echte therapeut te spreken — wat Weizenbaum zelf verontrustend vindt.
Voor bedrijven: AI bestaat alleen in onderzoekslaboratoria. Geen praktische toepassingen.
1974–1980: De eerste AI-winter
De beloftes van de eerste golf worden niet waargemaakt. Computerkracht is te beperkt, data is schaars, en de problemen blijken complexer dan verwacht. Overheden stoppen de financiering. De term "AI-winter" wordt geboren.
Les: Vroege hypecycli in AI eindigen altijd met een correctie. Dat is ook nu relevant.
1980–1987: Expert systems — AI in bedrijven
De tweede golf brengt "expert systems": software die de kennisregels van domeinexperts codificeert. Medische diagnose, financiële analyses, productieplanning.
Grote bedrijven investeren massaal. IBM, DEC, Xerox lanceren AI-divisies. Voor het eerst heeft AI een commercieel model.
Les: Regelgestuurde AI schaalt niet — het is te duur om te onderhouden en kan niet leren.
1987–1993: De tweede AI-winter
Expert systems falen op schaal: ze zijn duur om te bouwen, moeilijk bij te houden, en broos buiten hun specifieke domein. Investeerders trekken zich terug. Hardware-bedrijven gericht op AI gaan failliet.
1993–2011: Machine learning — de stille revolutie
De derde golf groeit geruisloos. Machine learning — computers die patronen leren uit data — vindt zijn weg naar commerciële toepassingen:
1997 — Deep Blue verslaat wereldkampioen Garry Kasparov in schaken.
1998 — Google's PageRank-algoritme maakt gebruik van ML-principes.
2006 — Netflix introduceert het eerste grote ML-aanbevelingssysteem.
2009 — ImageNet, een database van 14 miljoen gelabelde afbeeldingen, wordt gelanceerd — de training-dataset die beeldherkenning revolutioneert.
Voor bedrijven: ML zit verstopt in platforms van anderen. E-commerce, zoekmachines, fraudedetectie — allemaal aangedreven door ML, maar onzichtbaar voor gebruikers.
2012–2016: Deep learning — de doorbraak
2012 — AlexNet wint de ImageNet-competitie met een foutmarge die twee keer beter is dan het tweede systeem. Deep learning — neurale netwerken met veel lagen — bewijst zijn potentieel.
De AI-race begint: Google, Facebook, Amazon en Microsoft investeren miljarden in AI-onderzoek. Tensorflow (Google, 2015) en PyTorch (Facebook, 2016) maken deep learning toegankelijk voor iedereen.
Voor bedrijven: eerste serieuze AI-toepassingen buiten tech (beeldherkenning in medische diagnostiek, spraakherkenning, vertaling).
2017–2021: Transformers en de taalrevolutie
2017 — Google publiceert "Attention is All You Need", het paper dat de transformer-architectuur introduceert. Dit wordt de basis van vrijwel alle grote taalmodellen.
2020 — OpenAI lanceert GPT-3: 175 miljard parameters, in staat tot coherente tekst in bijna elk genre. Beschikbaar via API voor bedrijven.
2021 — DALL-E introduceert beeldgeneratie op basis van tekstbeschrijvingen.
Voor bedrijven: vroege adopters (marketing, media) beginnen GPT-3 te gebruiken voor content. De meeste bedrijven zijn zich nauwelijks bewust van wat er komt.
2022–2023: ChatGPT en de consumentendoorbraak
November 2022 — OpenAI lanceert ChatGPT. Bereikt 100 miljoen gebruikers in twee maanden — sneller dan elk platform ooit.
2023 — GPT-4, Claude 2, Gemini. De grote modellen worden multimodaal (tekst + beeld). Copilot van Microsoft integreert AI in Office 365.
Voor bedrijven: AI is plotseling zichtbaar voor iedereen. Shadow AI explodeert — medewerkers gebruiken ChatGPT zonder beleid. De eerste gesprekken over regulering beginnen serieus te worden.
2024–heden: Agentic AI
2024 — AI-agents — systemen die autonoom plannen, beslissen en handelen — worden commercieel beschikbaar. Tools als n8n, LangChain en Claude's computer use laten AI zelfstandig meerdere stappen uitvoeren.
2025 — Reasoning-modellen (o1, o3, Claude 3.7 Sonnet) tonen dat AI complexe, meerstapsproblemen kan oplossen. De grens tussen "tool" en "autonoom systeem" vervaagt.
Voor bedrijven: processen die altijd menselijke coördinatie vereisten, kunnen nu deels worden overgedragen aan AI-agents. Dit vraagt om nieuwe governance, transparantie en aansprakelijkheidsframeworks.
→ Meer over agentic AI: Agentic AI uitgelegd
→ Meer over de EU AI Act-tijdlijn: De EU AI Act-tijdlijn
Wat de tijdlijn leert
Drie patronen die zich herhalen:
1. Hypecycli zijn reëel — elke golf heeft een fase van overoptimisme gevolgd door een correctie. We zitten nu in een fase van historisch hoge verwachtingen. Dat betekent niet dat de technologie niet reëel is — maar dat selectief investeren slimmer is dan blindvaren op hype.
2. Commerciële adoptie loopt achter op technologische doorbraak — de transformer-architectuur uit 2017 leidde pas in 2022 tot massale adoptie. De agentic AI-doorbraken van nu leiden waarschijnlijk tot brede bedrijfsadoptie in 2026–2028.
3. Infrastructuur bepaalt de snelheid — ML groeide pas snel toen data en computerkracht beschikbaar werden. AI agents groeien snel nu API's, automatiseringstools en cloudinfrastructuur er klaar voor zijn.
Gratis download — AI Strategie Canvas
De tijdlijn laat zien waar we staan. Dit canvas helpt je bepalen waar jouw organisatie staat — en welke stap nu logisch is, zonder te wachten op de volgende golf.
→ Download gratis: AI Strategie Canvas
→ Lees ook: De evolutie van AI: wat elke fase betekende voor bedrijven
Wil je weten wat dit voor jouw bedrijf betekent?
Doe de gratis AI Check en weet binnen 5 minuten waar je staat. Of plan een vrijblijvend gesprek.