De verborgen prijs van denken: waarom AI-modellen en mensen verrassend veel op elkaar lijken

“Kunstmatige intelligentie verloor voor mij zijn magie op het moment dat ik me realiseerde dat het soms net zo piekert als ik over complexe wiskunde.”

Waar denkwerk en kunstmatige intelligentie samenkomen, schuilt een fascinerende paradox: grote taalmodellen zoals ChatGPT lijken moeiteloos en bliksemsnel essays, menu’s en antwoorden te produceren. Maar wie ooit een LLM wiskundige raadsels of complexe logica voorschotelde, weet: ook computers raken soms in de knoop. MIT-onderzoek toont nu dat juist deze cognitieve worstelingen schokkend veel overeenkomen met die van mensen zelf. Wat kunnen we leren uit ‘de prijs van denken’ – en hoe verandert dat ons beeld van slimme AI?

Denkwerk is niet gratis: mensen en modellen haperen op dezelfde plekken

In het recente onderzoek van het MIT McGovern Institute for Brain Research krijgt zowel mens als machine een reeks uitdagingen voorgelegd: van simpele rekensommen tot ingewikkelde ‘intuitive reasoning’ en de gevreesde “ARC challenge” (waar abstracte transformaties toegepast moeten worden). Niet alleen werd gekeken naar wie het juiste antwoord vond, maar – belangrijker nog – naar hoeveel inspanning dat kostte.

Voor mensen is die inspanning rechttoe rechtaan: hoe moeilijker de opgave, hoe langer de reactietijd. Voor AI-modellen werd het aantal gebruikte ‘tokens’ – de interne bouwstenen van hun denkproces – meegeteld. En wat bleek? De probleemtypes die mensen het meest tijd kosten, vereisen bij AI-modellen ook steevast de meeste tokens. Arithmetic is vlot geklaard, maar bij patroonherkenning en abstractie gaan zowel mens als machine door hetzelfde dal.

Redeneermodellen: van ‘warp speed’ naar ‘stepwise slow’

De nieuwste generatie redeneermodellen binnen machine learning – soms reasoning LLMs genoemd – is getraind om niet direct een antwoord te spugen, maar problemen stap voor stap te ontleden. Dat is cruciaal: pas toen onderzoekers toestonden om complexiteit te ontleden en oplossingen op te bouwen, ontstond AI die niet alleen sneller maar ook correct antwoordde op ‘mensenproblemen’.

Dit trainingsproces wordt ondersteund door reinforcement learning: het model krijgt een beloning voor een correct antwoord, en een penalty bij een fout. Zo leert het model niet alleen dat het goed moet antwoorden, maar hoe je dat soort uitdagingen best ontleedt.

De inefficiënte kunst van menselijk denken – en de rubiks kubus in het brein van AI

Het is verleidelijk om te denken dat AI altijd efficiënter werkt. Maar het onderzoek suggereert het tegendeel. Net als mensen hebben LLMs soms een soort ‘innerlijke monoloog’ – een interne, niet-zichtbare stroom tokens die vergelijkbaar is met hardop sprekend denken bij mensen. Die tussenliggende fase is allesbehalve lineair of rationeel: soms worden verkeerde paden bewandeld voor het antwoord daadwerkelijk landt. “Zowel mensen als modellen kunnen indrukwekkend lang in kringetjes draaien, voor ze tot de oplossing komen,” aldus de onderzoekers.

De abstractie van AI-denken is zelfs zo niet-taalgebonden dat, ook al lijkt het erop dat een model stap voor stap redeneert, het interne proces vol nonsens kan zitten – zinnen die nergens op slaan maar wel bijdragen aan het vinden van de juiste uitkomst. ‘Denkend zonder taal’, zoals de onderzoekers het noemen.

Menselijke beperkingen – en de ethiek van digitale arbeid

Waarom is deze gelijkenis relevant? Het roept nieuwe vragen op over de grenzen van digitale intelligentie, en – belangrijk – over de waarde van arbeid. In het menselijke brein is denken een energieverslindende activiteit: per dag wordt ongeveer 20% van de energie besteed aan neurale processen. AI verbruikt niet alleen serverpower, maar ook tijd en ‘inwendige moeite’ (tokens, cycles) om tot antwoorden te komen.

Dat betekent ook iets voor de ethische discussie: als systemen tijd (en dus energie en mogelijk zelfs geld) kwijt zijn aan moeilijke problemen, wie is dan verantwoordelijk voor het optimaliseren van die digitale arbeid? Heeft AI straks recht op ‘rust’, zoals mensen pauzeren bij overwerk?

Wat betekent dit voor innovatie met AI?

De praktische implicatie voor bedrijven en ontwikkelaars is dubbel:

• Geduld wordt een creatieve kracht: Net als bij mensen loont het om AI-modellen serieus de tijd te geven bij complexe taken. Snelheid is niet altijd het doel; correctheid en proces zijn soms belangrijker – vooral bij high-impact toepassingen als medische analyse of juridische hulp.
• Cognitieve afstemming: Wie AI inzet, kan ervan uitgaan dat de echte winst niet komt van direct op snelheid sturen maar van het zo goed mogelijk opknippen van problemen, zodat de machines (en hun menselijke collega’s) minder aanmodderen en meer gestructureerd werken.

De toekomst: groeiend bewustzijn over de ‘kosten’ van AI-denkwerk

Dit inzicht markeert een boeiende verschuiving in onze relatie met AI. Waar de hype jarenlang draaide om ‘magische’ efficiëntie en snelheid, leren we nu dat digitale denkprocessen evenveel hobbels, omwegen en mentale vermoeidheid kennen als de menselijke geest. We staan aan het begin van een tijdperk waarin AI minder als orakel en meer als werkende collega wordt gezien: een die – net als wij – moet zwoegen, pauzeren en soms struikelt op het moeilijkste werk.

Waar menselijk en kunstmatig denken elkaar vinden

De echte les uit het MIT-onderzoek is even eenvoudig als cruciaal: goed denkwerk kost tijd, tokens – en dus moeite. Zowel mens als AI moet investeren in elke stap richting een juiste uitkomst. Dat maakt de toekomst van hybride samenwerking niet alleen efficiënter, maar vooral menselijker: bewust van de parallel tussen siliconen en synapsen, tussen de ‘innerlijke monoloog’ van de mens en het tokengeratel van de machine.

Wil je als organisatie het maximum halen uit AI? Bouw ruimte in voor grondig denkwerk – bij mensen én modellen. Want uiteindelijk wint niet wie het snelst antwoordt, maar wie de kost van denken – digitaal én biologisch – verstandig weet te benutten.

FAQ met 5 relevante Q&A’s over “the cost of thinking” bij mens en AI.

1. Wat bedoelt MIT met “the cost of thinking” bij AI-modellen?
De “kost van denken” verwijst naar de inspanning die een AI‑model intern moet leveren om een probleem op te lossen. Bij reasoning‑LLMs wordt die inspanning gemeten in het aantal tokens dat het model intern genereert tijdens zijn “denkproces”. Hoe complexer het probleem, hoe meer tokens – en dus hoe hoger de cognitieve kost.

2. Hoe lijkt het denkproces van reasoning‑LLMs op dat van mensen?
Zowel mensen als reasoning‑modellen hebben meer tijd/inspanning nodig voor dezelfde moeilijke probleemtypes: abstracte patronen, intuïtieve redenering, de ARC‑challenge… Waar mensen meer reactietijd nodig hebben, genereren modellen meer tokens. Ze haperen dus op dezelfde plekken.

3. Wat maakt reasoning‑modellen anders dan klassieke LLMs?
Reasoning‑modellen zijn expliciet getraind om problemen stap voor stap te ontleden in plaats van onmiddellijk een antwoord te geven. Met behulp van reinforcement learning worden correcte redeneringen beloond en foute paden afgestraft, zodat het model leert om complexe taken in tussenstappen op te breken.

4. Denken reasoning-modellen echt “met taal”?
Niet noodzakelijk. Hoewel we een talige “chain of thought” zien, bevat die vaak fouten of onsamenhangende zinnen, zelfs als het eindantwoord klopt. De onderliggende berekening gebeurt waarschijnlijk in een abstracte, niet‑talige representatieruimte, vergelijkbaar met hoe mensen niet voortdurend in woorden denken.

5. Wat betekent 'the cost of thinking' voor organisaties die AI inzetten?
Het onderzoek suggereert dat je AI, net als mensen, tijd en structuur moet gunnen bij moeilijke taken. De winst zit minder in pure snelheid, en meer in het goed opknippen van problemen, het toelaten van diepere redenering en het bewaken van de “denk‑kost” (tokens, energie, latency) als onderdeel van je AI‑strategie.