Overdenken is ook een (AI) skill
Waarom het kiezen van het zwaarste model niet altijd de slimste keuze is
Een paar dagen geleden zat ik veel te lang te broeden op mijn Scorito-poule. Welke topscorers moest ik kiezen voor de finale? Ik vroeg een analyse op eerdere resultaten, blessures en vorm. Ik kwam er niet uit en toen zei een vriend: “je kan ook gewoon de top 4 pakken die tot nu het meeste gescoord hebben.” Mijn reactie? “Dankjewel, nu weet ik weer waarom ik de gave heb om simpele dingen soms enorm ingewikkeld te maken.” Overigens ben ik 50 euro rijker sinds vandaag, dus uiteindelijk heeft het overanalyseren zin gehad. Maar dat geldt niet altijd. En datzelfde gedrag zit inmiddels ook in je AI.
Post bezorgen bij de buurman met een vrachtwagen. Afbeelding gegenereerd met Microsoft Copilot, 2026.
Het ligt niet aan het antwoord, maar aan wie je het vraagt
Niet elk AI-model werkt hetzelfde. Er is een categorie die je “redeneermodellen” (reasoning models) kunt noemen, zoals de o-serie van OpenAI en DeepSeek-R1, die letterlijk is gebouwd om eerst na te denken voordat er een antwoord komt. Stap voor stap, netjes redenerend naar een conclusie toe. Dat klinkt als precies wat je wilt, tot je ziet wat er gebeurt bij een simpele vraag.
Onderzoek van Apple, met de veelzeggende titel “The Illusion of Thinking” uit juni 2025, laat namelijk zien dat die denkmodellen op eenvoudige taken slechter presteren dan gewone modellen. Ze gaan het probleem overdenken en komen daardoor tot tragere of ronduit slechtere antwoorden.1 Als voorbeeld: je vraagt welke vier topscorers je moet kiezen voor de WK finale, en het model begint eerst aan een complete analyse van alle spelers van de teams. Dat komt me bekend voor.
Drie patronen die je wellicht ook bij jezelf kent
Onderzoekers van UC Berkeley en ETH Zürich hebben drie patronen van overdenken bij AI-modellen benoemd, en ik moet eerlijk zeggen dat ik mezelf in alle drie herkende.2
Analyseverlamming. Eindeloos blijven analyseren zonder ooit tot actie te komen. Het model stelt zichzelf steeds meer vervolgvragen, ongeveer zoals jij om elf uur ‘s avonds nog een tabblad opent over iets wat morgen ook prima kan.
Impulsacties. Na veel te lang wikken en wegen opeens een willekeurige keuze maken. Alsof je een uur getwijfeld hebt over het menu en uiteindelijk toch maar gewoon een pizza bestelt.
Voortijdig afhaken. Halverwege opgeven omdat het te ingewikkeld wordt. “Ach, laat maar.”
Het resultaat is dat redeneermodellen bijna drie keer zo vaak te lang doordenken als gewone modellen. En hoe meer ze overdenken, hoe slechter het gaat: gemiddeld 7,9 procent minder succesvol per eenheid overdenken.2 Precies dat moment waarop meer nadenken je verder van het antwoord af brengt in plaats van dichterbij.
De energierekening van te veel nadenken
En dan is er nog iets wat je op geen enkele schermweergave terugziet, maar wat wel gebeurt: het energieverbruik. Een gemiddelde vraag aan ChatGPT kost ongeveer 0,3 wattuur. Diezelfde vraag, maar dan door een redeneermodel dat besluit er echt eens goed voor te gaan zitten, kan oplopen tot meer dan 20 wattuur.3
Laat dat even landen. Dezelfde vraag, tot 66 keer zoveel energie, alleen omdat het model te hard nadenkt over iets wat helemaal niet ingewikkeld is. Dat is alsof je een vrachtwagen huurt om een envelop bij de buren door de brievenbus te doen. Het dient zijn doel, maar een beetje overdreven.
De spiegel
Hier wordt het ongemakkelijk, want de parallel loopt precies door tot bij onszelf. Net zoals ik dingen ingewikkelder maak dan ze zijn, doen we dat ook met AI. Zo zie ik mensen in mijn workshops soms standaard het zwaarste model kiezen, want dat zal wel het beste zijn. We stellen vage vragen, en we laten die modellen los op klusjes die helemaal geen diep denkwerk vragen. Wat je eraan overhoudt: tragere antwoorden, meer energieverbruik, en output die vaak niet eens beter is. De machine overdenkt, omdat wij het daar de ruimte voor geven.
Wat wél helpt
Bewuster kiezen kost weinig moeite en levert opvallend veel op. Een paar dingen die voor mij werken:
Stel jezelf één vraag vooraf: heb ik hier een vrachtwagen nodig, of kom ik er ook met een fiets?
Kies het model op de taak. Een boodschappenlijstje vraagt niet om een redeneermodel. Een pittige data-analyse misschien wel. Match de zwaarte van het gereedschap met de zwaarte van de taak.
Minder is meer. Zo geeft OpenAI aan dat ze bewust de zelf een schuif ingebouwd voor de “reasoning effort”, van geen tot hoog. Begin laag en schroef pas op als het antwoord daarom vraagt. Microsoft geeft je al hulp, Copilot geeft je automatisch het model wat het zelf denkt op basis van de vraag. Daar kan je uiteraard van afwijken.
Herken je eigen patroon. Merk je dat je aan de tiende vervolgvraag zit en nog steeds niet tevreden bent? Stop dan. Dat ligt niet aan het model. Dat ben jij. En ik, om eerlijk te zijn.
Overdenken is menselijk, dat mag, maar het is geen eigenschap die je wilt versterken met technologie die er nog eens overheen gaat. Het mooie van AI is juist dat het je sneller naar de kern kan brengen, mits je het juiste gereedschap uit de kast pakt. En soms is het antwoord gewoon: de top vier die het meest gescoord hebben. Zonder de hele analyse eromheen.
"Wat kost jou meer: kort en bewust nadenken over welk model je aanzet, of het overanalyseren dat daarna volgt omdat je de zwaarste hebt gekozen?"
Geraadpleegde bronnen
Apple, “The Illusion of Thinking”, juni 2025. https://machinelearning.apple.com/research/illusion-of-thinking
IEEE Spectrum, over onderzoek van UC Berkeley en ETH Zürich naar overdenken bij AI. https://spectrum.ieee.org/reasoning-in-ai
IEEE Spectrum, over het energieverbruik van AI. https://spectrum.ieee.org/ai-energy-use Epoch AI, “How much energy does ChatGPT use?” https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use