Narrow AI, ML vs generatieve AI

Wanneer snelheid “intelligentie” lijkt — een Iran-scenario

Stel dat Israëlische en Amerikaanse eenheden in de regio een gemengde dreiging zien opbouwen: drones met lage radarreflectie, kruisraketten op lage hoogte en tegelijk een golf aan digitale ruis (spoofing-signalen, misleidende posts, storende cyberactiviteit). In de commandoketen is de druk meteen voelbaar: je moet snel triëren, maar ook verifieerbaar blijven—want één verkeerde classificatie kan een interceptor verspillen of escalatie versnellen.

In zo’n omgeving duikt een hardnekkig misverstand op: “AI” wordt vaak behandeld als één ding. In werkelijkheid is het verschil tussen Narrow AI, klassieke machine learning en generatieve AI bepalend voor wat zo’n systeem wel of niet kan, hoe je het test, en waar de operationele risico’s zitten. Een model dat uitstekend is in “is dit een drone?” is niet automatisch goed in “wat betekent dit strategisch?” of “schrijf een overtuigende briefing”. En juist dat onderscheid heb je nodig om autonomie verstandig te ontwerpen met circuit breakers, menselijke controle, en realistische validatie onder misleiding.

Deze les geeft je een scherpe, bruikbare taxonomie: wat is Narrow AI, wat doet (deep) ML in detectie/triage, en wat is generatieve AI—plus de best practices en valkuilen in een conflictcontext rond Iran.

Een gedeelde taal: Narrow AI, ML en generatieve AI

Narrow AI (smalle AI) is AI die één afgebakende taak goed uitvoert binnen duidelijke grenzen. In militaire context gaat het vaak om: detectie, tracking, classificatie, prioritering, sensor-tasking of anomaly detection. Het is “narrow” omdat het niet algemeen redeneert; het optimaliseert een functie in een keten (denk aan “sensing → thinking → acting” uit de vorige les) en werkt alleen betrouwbaar binnen de omstandigheden waarop het is ontworpen en gevalideerd.

Machine learning (ML) is de belangrijkste manier waarop Narrow AI vandaag wordt gebouwd: in plaats van handgemaakte regels leert een model patronen uit data (bijv. radarsignaturen, IR-profielen, video, RF). Deep learning (DL) is een subset van ML die vooral sterk is in hoge-dimensionale data zoals beeld en complexe signalen. ML/DL leveren vaak een score (“confidence”), maar die score is geen garantie op waarheid—zeker niet bij dataset shift als de realiteit verandert door weer, tactiek, sensorinstellingen of decoys.

Generatieve AI (zoals grote taalmodellen en generatieve beeldmodellen) produceert nieuwe output: tekst, samenvattingen, scenario’s, of gestructureerde plannen. Het kan helpen bij het verwerken van informatie-overload (briefings, rapportage, query’s), maar het brengt een ander risicoprofiel mee: het kan overtuigend klinken terwijl het fout zit, en het “verzint” soms plausibele verbindingsstappen als data ontbreekt. In een oorlogsdomein betekent dit dat generatieve AI vaak thuishoort in analytische ondersteuning en communicatie, niet als directe beslisser in engagement-ketens.

Belangrijke koppeling met de vorige les: autonomie gaat over taakdelegatie onder tijdsdruk, en sensoren gaan over waarnemen onder onzekerheid. Narrow AI/ML/generative AI bepalen vervolgens welk soort “denken” je in die keten zet—en dus waar je circuit breakers, cross-checks en human-in-the-loop echt nodig hebt.

Drie families AI en hun operationele “waarom”: taken, output en risico’s

Narrow AI is in militaire systemen meestal geen marketingterm, maar een ontwerpprincip e: je automatiseert specifieke functies waar tempo telt, zoals detectie en triage. De kracht zit in schaal: het systeem kan duizenden tracks verwerken en prioriteren zonder menselijke vermoeidheid. De zwakte is dat het “begrip” ondiep is: als de tegenstander de omgeving manipuleert (decoys, spoofing, saturatie), kan Narrow AI juist heel consistent de verkeerde kant op accelereren. Daarom is het vakmanschap niet “meer AI”, maar goed begrensde AI: duidelijke taakdefinities, beslisdrempels, en stopregels zodra sensoren elkaar tegenspreken.

ML/DL veranderen vooral hoe Narrow AI tot stand komt. In plaats van vaste regels (“als snelheid > X en hoogte < Y, dan kruisraket”) krijg je een model dat patronen herkent uit trainingsdata. Dat maakt systemen flexibeler en vaak nauwkeuriger, maar introduceert twee structurele problemen. Ten eerste: dataset shift—prestaties kunnen dalen zonder waarschuwing als de werkelijkheid afwijkt van de trainingsset (andere vliegpaden, nieuwe coatings, andere clutter, gewijzigde radarconfiguratie). Ten tweede: bias in labels en feedback—na een engagement is de “ground truth” soms onzeker; als je onzekere labels terugvoert, leer je drift in het systeem. Dat is precies waarom veldmonitoring en realistische validatie (met ruis, occlusie en misleiding) zo vaak het verschil maakt tussen “demo-accurate” en operationeel robuust.

Generatieve AI lost een ander probleem op: informatie-overload en cognitieve belasting in commandovoering. Het kan sensor- en rapportagestromen samenvatten, hypotheses structureren (“wat zijn alternatieve verklaringen?”), en briefingteksten maken die sneller gedeeld kunnen worden. Maar het risico verschuift: in plaats van “mistargeting door sensorruis” krijg je “verkeerde zekerheid door overtuigende taal”. In situaties met hoge tijdsdruk en hiërarchische besluitvorming kan generatieve AI onbedoeld een autoriteitssausje geven over zwakke aannames—waardoor automatiseringsbias niet alleen in knoppenwerk zit, maar ook in argumenten.

Onderstaande vergelijking helpt om in één oogopslag te zien wat je wel en niet moet verwachten van elk type, en welke remmen je standaard inbouwt.

Misvattingen die in echte commandoketens schade doen

De eerste misvatting is: “Generatieve AI is gewoon een betere versie van ML.” In werkelijkheid zijn het verschillende gereedschappen. ML/DL optimaliseert voorspellingen uit sensordata; generatieve AI optimaliseert plausibele output in taal/structuur. Dat betekent dat generatieve AI niet automatisch beter is in waarheid of betrouwbaarheid, zeker niet wanneer input incompleet of misleid is. Als je generatieve AI inzet in een omgeving vol OSINT-ruis of adversarial messaging, moet je het ontwerpen alsof het een extreem snelle concept-schrijver is—niet alsof het een sensor is.

De tweede misvatting is: “Confidence = kans dat het waar is.” Confidence is meestal een model-interne maat die netjes werkt binnen het trainingsdomein, maar misleidend kan zijn bij dataset shift. In luchtverdediging rond Iran—met wisselende weersomstandigheden, andere routes, nieuwe signaturen en actieve misleiding—kan een model heel zeker lijken terwijl het precies buiten zijn competentiegebied zit. Daarom is de beste praktijk om confidence te combineren met kruisvalidatie: wat zeggen radar, IR, video en SIGINT samen, en waar spreken ze elkaar tegen?

De derde misvatting is: “Meer data en meer AI lossen alert fatigue op.” Soms gebeurt het omgekeerde. Extra sensoren en modellen kunnen leiden tot meer conflicterende aanwijzingen en meer meldingen, waardoor operators sneller gaan rubber-stampen. Het ontwerpantwoord is niet “meer automatiseren”, maar slimmer frictie plaatsen: drempels, stopregels, en escalatiepaden die rekening houden met menselijke aandacht als schaarse resource. Een goed systeem durft ook te zeggen: “te onzeker—menselijk oordeel vereist.”

Hoe je AI robuust maakt: validatie, circuit breakers, en datadiscipline

Een robuust militair AI-systeem begint niet bij het model, maar bij het idee dat de omgeving “vies” is: ruis, occlusie, spoofing en decoys zijn normaal. Voor ML/DL betekent dit dat je niet alleen valideert op gemiddelde accuracy, maar op fouttypes die operationeel verschillen. Een false positive kan interceptors en aandacht verspillen; een false negative kan een kritieke inslag veroorzaken. Hetzelfde accuracy-percentage kan dus totaal andere risico’s verbergen, afhankelijk van welk type fout domineert.

Daarom horen circuit breakers thuis in de workflow, niet als afterthought. Een circuit breaker is een ontwerpregel die automatische escalatie stopt bij bepaalde signalen: conflicterende sensoren, onzekerheid buiten bandbreedte, of patronen die lijken op bekende misleiding. In de vorige les kwam al naar voren dat “human-on-the-loop” in hoge-tempo situaties effectief “out-of-the-loop” kan worden; circuit breakers zijn een manier om op het juiste moment tempo te verlagen en menselijke verificatie af te dwingen voordat een stap onomkeerbaar wordt.

Datadiscipline is de stille derde pijler. Post-engagement feedback is waardevol, maar gevaarlijk als labels onzeker zijn. In echte operaties is het vaak moeilijk om met zekerheid te zeggen wat een track precies was (decoy, drone, kruisraket, artefact). Als je die onzekerheid terugvoert als harde waarheid, krijg je dataset drift en schijnverbetering. Een best practice is daarom: leer alleen van bevestigde gevallen, log onzekerheid expliciet, monitor prestaties continu in het veld, en test tegen saturatie en misleiding alsof het standaard tactiek is.

[[flowchart-placeholder]]

Toepassing 1: Luchtverdediging onder saturatie — waar Narrow AI en ML winnen (en verliezen)

In een saturatie-aanval richting Israëlische of Amerikaanse posities krijg je eerst een data-explosie: meerdere radars, IR-sensoren en mogelijk video leveren tracks die elkaar overlappen of tegenspreken. Narrow AI helpt hier door de keten te versnellen: detectie → tracking → classificatie → prioritering. ML/DL kan de classificatie verbeteren door signatuurpatronen te herkennen die vaste regels missen, en sensorfusie kan meerdere meldingen samenbrengen tot één “track per object” met een inschatting van onzekerheid.

Stap voor stap ontstaat dan een triage-lijst: welke objecten naderen kritieke infrastructuur, welke hebben “high-risk” profielen, en welke lijken decoys. Het tempo-voordeel is enorm: operators hoeven niet honderden tracks handmatig te rangschikken. Maar precies hier zit ook de valkuil uit de vorige les: automatiseringsbias. Als het systeem meestal gelijk heeft, wordt het verleidelijk om adviezen te rubber-stampen, vooral als alarmdruk hoog is en de tijdvensters kort zijn.

De tegenstander speelt daar op in met decoys en spoofing die ontworpen zijn om “high-risk” te lijken. Als ML/DL een decoy consistent hoog prioriteert, verbruik je interceptors op goedkope doelen en open je gaten voor echte dreigingen. De oplossing is niet om ML “nog autonomer” te maken, maar om conflict-signalen te belonen: wanneer radar en IR niet matchen, of wanneer het patroon verdacht veel lijkt op bekende misleiding, moet het systeem niet harder roepen maar juist remmen—met circuit breakers, verplichte kruischecks, en traceerbare uitleg (“welke inputs droegen deze prioriteit?”). Zo blijft het tempo-voordeel bestaan zonder dat het systeem een uitputtingsval versnelt.

Toepassing 2: Doelidentificatie en infrastructuur — generatieve AI als versneller, niet als bewijs

In de strategische dynamiek rond Iran is doelinformatie vaak fragmentarisch en verweven met civiele of dual-use infrastructuur. Analisten krijgen een stroom van beelden, logistieke signalen, rapporten en open bronnen die elkaar soms tegenspreken. Generatieve AI kan hier nuttig zijn als triage- en synthesehulpmiddel: het kan anomalieën samenvatten (“plots meer transport ’s nachts”), hypotheses structureren, en alternatieve verklaringen expliciet maken. In plaats van duizend pagina’s door te ploegen, kan een team sneller naar de beslissende inconsistenties.

Stap voor stap werkt een goede workflow zo: eerst selecteert Narrow AI/ML relevante signalen (anomaly detection, clustering), daarna helpt generatieve AI om die signalen te ordenen in een leesbaar narratief met onzekerheden (“mogelijk opslag, maar kan ook decoy/relocatie zijn”). Vervolgens volgt menselijke verificatie met kruischecks uit onafhankelijke bronnen, waarbij het systeem juist wordt beoordeeld op hoe goed het twijfel zichtbaar maakt, niet op hoe overtuigend het klinkt. In dit domein is “mooie tekst” een risico-indicator: te vloeiende conclusies kunnen de illusie geven dat iets bewezen is.

De beperking is fundamenteel: proportionaliteit, juridische kaders, en escalatierisico zijn geen simpele features die een model betrouwbaar optimaliseert. Generatieve AI kan bovendien misinformatie “normaliseren” door het netjes samen te vatten, of bronvervaging veroorzaken (“waar kwam deze claim vandaan?”). Best practices zijn daarom: verplichte broncitaten, scheiding tussen feiten en hypothesen, en een ontwerp waarin de top-3 aanbevelingen nooit automatisch de planning domineren. Zo wordt generatieve AI een versneller van analyse—zonder stille autoriteit te worden in de besluitketen.

Wat je meeneemt: het juiste AI-gereedschap op de juiste plek

Narrow AI, ML/DL en generatieve AI zijn geen concurrenten maar verschillende bouwstenen, met elk een eigen foutmodus. In een conflictomgeving waar sensoren onbetrouwbaar kunnen zijn en de tegenstander actief misleidt, is het kernprincipe: versnel alleen datgene wat je kunt verifiëren. Tempo is een voordeel, maar alleen als je tegelijk onzekerheid zichtbaar houdt en automatische escalatie begrenst.

Belangrijkste takeaways:

• Narrow AI automatiseert afgebakende taken; het faalt vooral wanneer het systeem buiten de ontworpen context komt of wanneer mensen rubber-stampen.

• ML/DL verhoogt detectie- en classificatiekracht, maar is kwetsbaar voor dataset shift en slechte labels; veldmonitoring en realistische validatie zijn essentieel.

• Generatieve AI helpt bij synthese en briefing, maar kan schijnzekerheid creëren; het moet bronvast en hypothese-gedreven gebruikt worden, niet als bewijsbron.

Next, we'll build on this by exploring Kill chain/OODA + risico’s & bias [30 minutes].