Netwerksnelheid testen? Dat kan op verschillende manieren en online kom je er een hoop tools voor tegen. In dit artikel leggen we je software voor die wat ons betreft in geen enkel netwerkbeheerder-arsenaal mag ontbreken.

Lees ook:Tips om een traag netwerk te optimaliseren

Tools als ping en tracert (zie bovenstaand artikel) zijn weliswaar handig om mogelijke knelpunten in het netwerkverkeer op te sporen, maar ze halen hun informatie eigenlijk alleen uit zogenoemde ‘layer 3’-apparaten: routers dus en eventueel switches met routeringsmogelijkheden, maar deze laatste tref je vooral in wat grotere bedrijfsnetwerken aan. Stel dat het pakketverlies zich voordoet bij de eerste hop, waarbij zich tussen het testtoestel en die hop apparaten bevinden als een switch of draadloos toegangspunt, dan zijn aanvullende tests vereist om de oorzaak vast te stellen.

In dat geval kun je beginnen met het pingen van het toegangspunt. Treedt hier al pakketverlies op, dan kun je een wifi-analyzer als het gratis NetSpot inzetten. Uit de dBm-waarden zou dan weleens kunnen blijken dat het signaal te zwak is, of dat het wordt verstoord, bijvoorbeeld door een naburig draadloos netwerk dat op hetzelfde kanaal opereert.

Blijkt alles in orde, ping dan een clienttoestel dat je met dezelfde switch als dat van je toegangspunt hebt verbonden. Stel je hier pakketverlies vast, dan zou het om een slechte kabel tussen toegangspunt en switch kunnen gaan of – ietwat uitzonderlijk – om een gebrekkige switchpoort, maar net zo goed om foutief ingestelde duplex-modus (een zogenoemde duplex-mismatch). Hierbij zou het ene apparaat op ‘autonegotiation’ (automatisch onderhandelen) kunnen ingesteld zijn, terwijl het andere handmatig is ingesteld op full-duplex. Doorgaans stel je beide apparaten best in op automatisch onderhandelen.

My TraceRoute

Er zijn tools die nog grondiger te werk gaan of die je meer informatie kunnen bezorgen. Eén ervan is het al wat oudere MTR (My TraceRoute), beschikbaar voor diverse platformen. MTR is goed vergelijkbaar met pathping, maar de gebruiker bepaalt zelf hoe vaak de route (opnieuw) wordt getraceerd. Je krijgt bij elke router onder meer de gemiddelde round-trip-time en het percentage pakketverlies te zien.

©PXimport

We kunnen ons zo voorstellen dat heel wat lezers zich afvragen waar Wireshark in dit plaatje past. Nu is het wel zo dat deze populaire en uiterst krachtige tool zich vooral leent voor het analyseren van netwerkdata, maar je kunt die uiteraard ook inzetten voor het meten van latentie (en doorvoersnelheid: zie volgende paragraaf). Heel in kort kun je als volgt aan de slag gaan.

Start Wireshark, open het menu Edit en kies Preferences. Open de rubriek Appearance en selecteer Columns. Druk op het plusknopje, geef de kolom een geschikte titel mee en dubbelklik op het standaardtype (Number) waarna je in het uitklapmenu Delta time selecteert. De zogenoemde delta-tijden verschijnen nu in een afzonderlijke kolom, wat het makkelijk maakt de timings te checken. Via displayfilters kun je nu uiteraard nog verder inzoomen op bepaalde datapakketten.

Doorvoersnelheid meten

Meer dan de latentietijd springt vooral de doorvoersnelheid in het oog bij het evalueren van de netwerkprestaties. Ook daar bestaan verschillende degelijke – en gratis – tools voor. Blijven we nog even bij Wireshark, waar dat op verschillende manieren kan gebeuren. Om zo’n test uit te voeren kun je een capture-sessie initiëren, terwijl je bijvoorbeeld een groot bestand van een of andere website downloadt. Na afloop activeer je desgewenst een display-filter. Vervolgens klik je een geschikt pakket met de rechtermuisknop aan en kies je Conversation filter / TCP om het beoogde verkeer te isoleren.

Om de doorvoersnelheid te zien, open je daarna het menu Statistics en kies je Protocol Hierarchy. Je krijgt nu de doorvoersnelheid per protocol te zien, waarna je maar naar het gewenste protocol hoeft te gaan, zoals TCP. Je leest de snelheid af bij (M)bits/s. Een snellere manier is via Statistics / Capture File Properties, waar je de gezochte informatie vindt bij Average (M)bits/s.

NetStress

Vind je Wireshark toch wat overkill voor het meten van de doorvoersnelheid van je netwerk, dan kun je een meer specifieke tool inzetten. Er zijn genoeg (ook gratis) tools beschikbaar, waaronder NetStress, Netperf, iPerf en TTCP. We lichten NetStress en iPerf kort toe.

NetStress is bedoeld voor Windows en komt met een fraaie grafische interface. Om ermee aan de slag te kunnen moet je wel eerst .NET Framework 3.5 activeren in Windows: dat doe je vanuit het Configuratiescherm waar je achtereenvolgens Programma’s en onderdelen / Windows-onderdelen in- of uitschakelen selecteert en de optie .NET Framework 3.5 (inclusief .NET 2.0 en 3.0) inschakelt. Je zult je firewall ook duidelijk moeten maken dat NetStress wel degelijk een bonafide tool is.

©PXimport

NetStress werkt, zoals veel vergelijkbare tools, met een zender en ontvanger om zo de netwerkprestaties tussen twee clients te kunnen meten door datatransfers zowel via tcp als udp te genereren. Die data zijn afkomstig uit gebufferd geheugen zodat schijflatentie vermeden wordt.

Wil je het ene toestel als ‘zender’ laten fungeren, dan moet je op die computer bovenaan 0.0.0.0 (bij Remote Receiver IP) aanklikken en daar het ip-adres van de bedoelde ontvanger invullen. Vervolgens kun je de meting starten: de dataflow is wel unidirectioneel en alleen ipv4 wordt getest. Via het instellingenvenster kun je zowel de pakketgrootte, het aantal pakketten per seconde (pps) voor zowel tcp- als udp-streams, als de ‘maximum transmission unit’ (mtu) aanpassen. Deze laatste waarde laat je normaliter wel best ingesteld op de standaardwaarde (1500 bytes voor breedbandconnecties; een bezoek aan Speedguide vertelt je de actuele waarde).

iPerf

Het portable iPerf is iets minder gelikt, maar is wel beschikbaar voor zowat alle mogelijke platformen (Linux, macOS, Windows, iOS, Android). We tonen hoe je met iPerf3 aan de slag gaat. Deze tool meet de doorvoersnelheid van tcp, sctp en udp, zowel via ipv4 als ipv6, en laat zich via allerlei parameters (rond timing, protocollen en buffers) nauwgezet fijnregelen. iPerf3 werkt volgens het server-client-model. Aan ‘serverzijde’ voer je dan een commando uit als iperf3 -s > testiperf3sv.txt.

Dat houdt in dat alles wat iPerf3 op deze machine van de client ontvangt in het bestand testiperf3sv.txt in de actuele map wordt gelogd. Op de clientmachine voer je een commando uit als iperf3 -c <ip-adres iperf-server> > testiperf3cl.txt. Standaard neemt zo’n test 10 seconden in beslag, maar dat valt aan te passen: iperf3 -t 300 bijvoorbeeld zorgt voor een test van 5 minuten (300 seconden).

©PXimport

Op deze pagina vind je alle mogelijke parameters waarmee iPerf3 zich vanaf de opdrachtregel laat aansturen. We raden je aan die lijst zeker even door te lopen, want zoals gezegd zijn heel wat opties instelbaar. Enkele voorbeelden aan clientzijde:

-u (gebruik udp in plaats van tcp);

-k n (aantal te versturen pakketten);

-P n (het aantal simultane verbindingen die je met de server wilt opzetten; standaard is dat één connectie);

-6 (gebruik alleen ipv6).

Jammer genoeg vinden heel wat gebruikers pas de weg naar zulke tools op het moment dat ze netwerk(prestaties)problemen ondervinden. Toch doe je goed aan zulke tests ook enkele keren uit te voeren wanneer je netwerk wel optimaal presteert. Immers, je kunt die testresultaten dan gebruiken als ijkpunt wanneer je zo’n test nogmaals uitvoert op een moment dat je netwerk het minder lijkt te doen.

Smartphone-apps

Tot nog toe zijn in dit artikel mobiele tools voor netwerkanalyse nauwelijks aan bod gekomen – op een kleine verwijzing naar de iPerf-apps na. Toch bestaan er tegenwoordig heel aardige apps waarmee je ook flink wat netwerkproblemen kunt analyseren. Veel van deze apps zijn bovendien gratis, hoewel je dan vaak de nodige advertenties voor lief moet nemen. Een prima app die zowel voor Android als iOS beschikbaar is, is het gratis Fing, weliswaar alleen geschikt voor ipv4.

Bij een scan worden alle gedetecteerde netwerkapparaten overzichtelijk opgesomd, inclusief hostnaam, ip-adres, producent, mac-adres. Tik je zo’n apparaat aan, dan verschijnen extra functies als wake-on-lan, ping en traceroute. Je kunt het apparaat ook laten scannen op beschikbare netwerkservices als ftp, telnet, http, netbios, enz. Die kun je dan inzetten om bepaalde diensten of functies te troubleshooten.

Een andere veelzijdige tool voor Android en iOS is he.net (Network Tools, Hurricane Electric). Op het dashboard tref je heel wat tools aan, waaronder iPerf (2 en 3), poortscanner, een arp- en ndp-browser (voor het vinden van lokale apparaten, respectievelijk via ipv4 en ipv6), dns-lookup, en uiteraard ook de obligate ping en traceroute.

Een echte monitoringfunctie tref je in he.net niet aan, maar die vind je dan wel weer bij de gratis PingTools Network Utilities, beschikbaar voor Android en ook weer boordevol handige functies. Blijken bepaalde apparaten niet langer bereikbaar, dan kun je via de optie Monitor een systeemmelding ontvangen. iOS-gebruikers kunnen hiervoor de gratis Joe’s Network Diagnostics & Scanner Utility overwegen.

AI is inmiddels doorgedrongen tot in bijna elk digitaal domein. Van vertaaltools en chatbots tot beeldmakers en medische toepassingen. Veel gebruikers vinden AI handig, efficiënt en zelfs creatief. Toch brengt deze evolutie ook minder zichtbare risico's met zich mee, op persoonlijk, maatschappelijk en ecologisch vlak.

AI is inmiddels doorgedrongen tot in bijna elk digitaal domein. Van vertaaltools en chatbots tot beeldmakers en medische toepassingen. Veel gebruikers vinden AI handig, efficiënt en zelfs creatief. Toch brengt deze evolutie ook minder zichtbare risico's met zich mee, op persoonlijk, maatschappelijk en ecologisch vlak.

In dit artikel bekijken we verschillende AI-risicozones. Wat is bijvoorbeeld de milieu-impact van AI? Hoe betrouwbaar zijn de antwoorden van chatbots? Wat als synthetische media (alles wat met AI wordt gemaakt) niet meer van echt te onderscheiden zijn? En hoe beïnvloeden AI-systemen onze economie, privacy en ons denkvermogen? De grens tussen mens en machine vervaagt.

Dit artikel is bedoeld voor wie voorbij de hype wil kijken en wil begrijpen wat er op het spel staat. Elk onderdeel behandelt een specifiek risico, met voorbeelden en toepassingen. Zo krijg je een goed beeld van de schaduwkanten van AI. Niet om de technologie af te wijzen, maar om er bewuster en verantwoordelijker mee om te gaan.

Ecologische voetafdruk

Hoewel AI vaak als iets immaterieels en 'in de cloud' wordt voorgesteld, is de milieu-impact allesbehalve onzichtbaar. De menselijke hersenen verbruiken continu ongeveer 20 watt, vergelijkbaar met een gloeilampje. Daarmee worden 86 miljard neuronen en duizenden synapsen per neuron gevoed.

Grote taalmodellen als GPT of Gemini vragen daarentegen enorm veel rekenkracht. De trainingsfase kan duizenden MWh vereisen en miljoenen liters water voor koeling, afhankelijk van het datacenter en de gebruikte hardware. Ook het gebruik (inferentie) is belastend: elke prompt/antwoord-interactie bij modellen uit deze klasse vraagt energie en koeling aan de serverzijde.

AI heeft dus een stevige ecologische voetafdruk. Tegelijk worden oplossingen ontwikkeld, zoals restwarmtehergebruik, luchtkoeling in plaats van waterkoeling, meer hernieuwbare energie en efficiëntere modellen. Denk aan compacte taalmodellen, zoals TinyML, quantisatietechnieken (kleinere getallen en minder geheugen) en lokaal draaiende AI's (edge AI).

©(c) Wikipedia, CC BY-SA

Hallucinaties

AI-chatbots doen de gebruiker graag een plezier. Daarbij zijn ze opvallend overtuigend, ook wanneer ze onzin produceren, oftewel wanneer ze hallucineren.

Hallucinaties kunnen ernstige gevolgen hebben, bijvoorbeeld wanneer juristen verwijzen naar niet-bestaande wetsartikelen of wanneer medische informatie klakkeloos wordt overgenomen. Controleer gevoelige informatie daarom altijd via meerdere bronnen. Doe dit zeker bij gevoelige of complexe thema's. Weet ook dat AI-modellen zich vaak verontschuldigen als je teruggeeft dat er een fout is gemaakt. Vervolgens herhalen ze zich doodleuk.

Hallucinaties zijn hardnekkiger bij fenomenen als data- en conceptdrift. Bij het eerste herkent het model je eigen input minder goed doordat de vorm afwijkt van de trainingsinput. Bij het tweede is de inputvorm hetzelfde gebleven, maar is de betekenis inmiddels veranderd. Meer weten over datadrift en conceptdrift.

Verder kan het model te veel details uit trainingsdata opnemen en zo irrelevante informatie meenemen (overfitting). Of omgekeerd: onvoldoende zinvolle data gebruiken (underfitting). Ook deze fenomenen kunnen het hallucineren versterken.

Bias en manipulatie

AI-modellen krijgen enorme datahoeveelheden van het internet als input. Deze zijn zelden neutraal, waardoor vooroordelen of een westers wereldbeeld in het leerproces sluipen. Dat zorgt voor vertekening of bias (vooringenomenheid). AI-modellen kunnen bijvoorbeeld vrouwen aan zorgberoepen linken en mannen aan leidinggevende functies, of etnische groepen benadelen bij risicobeoordelingen.

Bias is niet alleen maatschappelijk, maar ook technisch. Een model leert niet alleen wat er ín de data staat, maar ook hoe die data zijn verdeeld. Als een bepaalde bron oververtegenwoordigd is, of als een schrijfstijl vaker voorkomt, dan krijgt dat automatisch meer gewicht. De architectuur en trainingsmethode versterken die patronen. Daardoor kunnen antwoorden die objectief lijken toch subtiel een voorkeur bevatten.

Interessant is ook dat onderzoekers political compass-testvragen voorlegden aan grote AI-taalmodellen (LLM's). De conclusie: zowat alle LLM's situeren zich in het links-economische, sociaal-libertaire kwadrant. Besef dat ook deze testvragen een vooroordeel (kunnen) bevatten, wat aantoont hoe moeilijk het is bias correct te beoordelen.

Nog problematischer wordt het bij manipulatie, wanneer deze bias opzettelijk in het model zit. Denk aan AI-toepassingen in advertenties die inspelen op angsten of overtuigingen. Algoritmische sturing kan bovendien gemakkelijk tot gelijkgezinde groepen (echo chambers) en polarisering leiden.

Omdat AI-modellen zo complex zijn, is vaak onduidelijk hoe de output tot stand komt (de black box). Dit vergroot de transparantiebehoefte en verklaart waarom veel wetenschappers pleiten voor explainable AI, of LLM's en AI-algoritmen opensource willen maken.

Synthetische media

De term synthetische media verwijst naar beelden, audio of tekst die volledig of deels AI-gegenereerd zijn. Denk aan deepfakes, nagebootste stemmen of automatisch gegenereerde nieuwsartikelen. Zulke toepassingen lijken creatief en handig, je maakt bijvoorbeeld een marketingvideo zonder camera of acteurs, maar de keerzijde is zorgwekkend.

Deepfakes kunnen personen dingen laten zeggen die zo zijn uitgesproken. Andersom kunnen echte beelden als deepfake worden afgedaan, ook wel 'the liar's dividend' genoemd. Deepnudes (gefingeerde naaktbeelden) kunnen dan weer gebruikt worden voor wraakporno.

Deze technologieën maken ook nepnieuws: desinformatie waarbij feiten doelbewust worden verdraaid. Dit tast het vertrouwen in communicatie en bewijsvoering aan en doet steeds meer mensen geloven in de maakbaarheid van de realiteit. Wat echt is, hangt vooral af van hoe je deze zelf vormgeeft. Feit en fictie raken verstrengeld, waardoor we belanden bij concepten als alternate truth en postrealiteit. Daarin wegen perceptie, gevoel en overtuiging zwaarder dan feiten. Synthetische media vragen daarom niet alleen om kritische blik, maar mogelijk ook om watermerken en regulering.

Zelfbevlekking

AI-modellen gebruiken vrijwel alle beschikbare internetbronnen als trainingsmateriaal. Omdat generatieve AI zelf steeds meer online content produceert, gebruiken modellen ook hun eigen output opnieuw. Zo ontstaat een zichzelf versterkende kringloop waarbij AI zich voedt met AI-gegenereerde inhoud. Deze vorm van zelfbevlekking verhoogt het risico op kwaliteitsverlies in digitale content, ook wel slop of enshittification genoemd.

AI genereert output namelijk op basis van patronen, niet vanuit betekenis of intentie. Als deze patronen ook nog eens uit andere AI-bronnen komen, ontstaat een neerwaartse spiraal met nauwelijks nuancering en steeds herhaalde ideeën. Hierdoor verhoogt ook het risico op hallucinaties en bias en de mens raakt out-of-the-loop. Op termijn dreigt model collapse: AI-modellen worden minder intelligent naarmate ze vaker op eigen output trainen.

Sommigen spreken van een zombie-internet. Zo blijkt inmiddels al zeker vijf procent van de nieuwe Engelstalige Wikipedia-inhoud AI-gegenereerd te zijn. Bovendien nemen mensen typische AI-taal, met herkenbare woordkeuzes, steeds vaker over. Om deze dynamiek te doorbreken, moeten menselijke input en creativiteit centraal blijven staan in het AI-trainingsproces.

Auteursrecht

AI roept fundamentele vragen op rond auteursrecht. Modellen worden getraind op grote hoeveelheden tekst, beeld en audio zonder dat makers altijd toestemming hebben gegeven. Dit leidt tot discussies over schending van auteursrecht.

Er lopen inmiddels meerdere rechtszaken tegen AI-bedrijven. Het gaat onder meer om claims rond ongeoorloofd gebruik van beschermde werken voor training en ongewenste herhaling van fragmenten in AI-output. Bedrijven worden daardoor steeds bewuster van licenties, databescherming en toestemmingseisen.

De VS en Europa hanteren verschillende juridische kaders. In de VS wordt soms gesproken van 'fair use' bij transformatief gebruik, terwijl Europa zich baseert op strengere richtlijnen en opt-out-mechanismen via het TDM-AI-protocol.

AI-output roept ook andere auteursrechtelijke vragen op. Wie is bijvoorbeeld de auteur van een AI-tekening? Is dat de modelontwikkelaar, de gebruiker of niemand? AI kan ook onbedoeld tekst- of beeldfragmenten uit het trainingsmateriaal overnemen, met mogelijk plagiaat. Er bestaat dus een juridische grijze zone en er is behoefte aan duidelijke regelgeving, aangepast aan de AI-evoluties.

Privacy

AI kan verder een bedreiging voor onze privacy vormen. In China zie je dit scherp: gezichtsherkenning en camera's ondersteunen er een sociaal kredietsysteem. Burgers worden continu gevolgd. Wie een overtreding begaat, riskeert sancties.

Ook in het Westen ontstaan zorgwekkende trends. Het Amerikaanse bedrijf Clearview AI bijvoorbeeld bouwt een databank met miljarden gezichten, geplukt uit sociale media en websites, zonder toestemming van de betrokkenen. Beveiligingsbedrijven gebruiken deze beelden om burgers te identificeren, nagenoeg zonder controle.

Een bijkomend gevaar is dat je zelf te veel prijsgeeft. Steeds meer AI-tools gebruiken bijvoorbeeld Retrieval-Augmented Generation (RAG), waarbij je eigen of andere data kunt uploaden voor betere antwoorden. Maar wie garandeert dat deze informatie niet elders wordt opgeslagen of hergebruikt?

Daarnaast ondermijnt AI je informatievrijheid via filterbubbels. Algoritmen tonen vooral inhoud die aansluit bij eerdere voorkeuren, waardoor je blik vernauwt en confirmation bias toeneemt: je vertrouwt vooral informatie die je bestaande overtuiging bevestigt. Gecombineerd met micro-targeting, waarbij je gericht wordt beïnvloed met politieke of commerciële boodschappen, ontstaan risico's op manipulatie.

Geestelijke ontwikkeling

Steeds meer AI-tools nemen cognitieve taken over: ideeën bedenken, teksten samenvatten of wiskundeproblemen oplossen. Dit is handig, maar geeft ook risico's. Als je brein weinig wordt uitgedaagd, komt je mentale ontwikkeling in het gedrang.

Vooral jongeren (digital natives) zijn kwetsbaar. Schoolopdrachten worden sneller aan AI-bots uitbesteed dan zelf uitgewerkt. Daardoor oefenen ze minder op formulering, redenering en foutcorrectie, wat juist belangrijk is voor de intellectuele groei.

Dit daagt ook het onderwijs uit, bijvoorbeeld wat betreft lesmethodes. Mogelijk biedt een aanpak als flip the classroom enig soelaas: leerlingen bereiden thuis (met hulp van AI) de leerstof voor en in de klas worden samen oefeningen gemaakt en besproken.

Bovendien zijn AI-antwoorden vaak vlot geschreven, maar missen ze nuance of tegenstrijdige ideeën. Wie zijn denkproces voortdurend daaraan spiegelt, loopt het risico op vervlakking van mening en expressie.

AI-bots creëren ook onrealistische sociale verwachtingen. Ze zijn vaak opvallend geduldig en meegaand, wat mensen minder sociaal vaardig kan maken. Sommigen raken meer sociaal geïsoleerd of ontwikkelen parasociale relaties met bots als Replika en CharacterAI.

Politiek en economie

AI dreigt ook de politiek-economische verhoudingen grondig te herschikken. Waar staten traditioneel economische groei sturen via beleidsinstrumenten (Keynesiaans model), nemen Big Tech-giganten het steeds meer over. Overheden worden afhankelijker van deze bedrijven, wat machtsasymmetrie versterkt. Er zijn al duidelijke tekenen van deregulatie: regels worden versoepeld om innovatie aan te trekken.

Ook op microniveau is de impact zichtbaar. Ontwikkelingen (zoals agentic AI) kunnen de economie en de productiviteit stimuleren en er ontstaan ook nieuwe functies, zoals prompt engineers, AI-ethici en data-curatoren. Maar helaas gaat het voornamelijk om laagbetaalde ghost workers die AI-modellen helpen trainen. Daarnaast veranderen veel jobs inhoudelijk, zoals in administratie, marketing, financiën en juridische diensten. Andere functies zullen ongetwijfeld verdwijnen. Het is dan ook niet verwonderlijk dat bijvoorbeeld vertalers, copywriters, klantenservicemedewerkers, boekhoudassistenten en junior programmeurs zich ernstig zorgen maken.

AI zal daarnaast ongetwijfeld ook de internationale machtsverhoudingen beïnvloeden. Geopolitieke spelers als de VS en China dreigen met hun AI-overmacht nog dominanter te worden, ten koste van andere (supra)nationale entiteiten. Is Europa hier een goed voorbeeld van?

Veiligheid

Vooralsnog kwamen vooral risico's aan bod die niet per se bedoeld of gewild zijn, maar er zijn ook partijen die bewust de destructieve kracht van AI inzetten. Zo worden cyberaanvallen steeds geavanceerder. Aanvallers gebruiken zelflerende algoritmen om netwerken te exploiteren. Er bestaan AI-tools die phishingmails opstellen, perfect afgestemd op het slachtofferprofiel.

Ook maatschappelijke structuren staan onder druk. Een AI die (via sociale media) nepnieuws verspreidt over bijvoorbeeld verkiezingen, kan wijdverspreide onrust veroorzaken. Door hun schaal en snelheid kunnen AI-systemen hele informatienetwerken ontregelen, zonder aanwijsbare dader.

Daarnaast loert het gevaar van verkeerde afstemming (misalignment): een AI die geen kwaad wil, maar schade aanricht omdat het doel fout werd geformuleerd. Denk aan een AI die waterverbruik wil beperken en daarom irrigatiesystemen stillegt.

Militaire toepassingen zijn er uiteraard ook. Autonome drones en zelflerende wapensystemen worden volop ontwikkeld. Grote spelers zijn bijvoorbeeld het Amerikaanse Anduril (AI-drones)en Palantir (militaire AI-software). Tekenend is dat een oprichter een ultranationalistisch manifest publiceerde waarin hij stelt dat de VS absoluut de AI-oorlog moet winnen.

Cyborgisering

Misschien wel het grootste gevaar van AI dringt langzaam en ongemerkt ons leven binnen: cyborgisering. Dit is het vervagen van de grens tussen mens en de machine. Denk aan avatars die levensecht reageren, digitale dubbelgangers van echte personen of AI-influencers met miljoenen volgers. Daardoor wordt het steeds moeilijker om te onderscheiden waar de mens stopt en de machine begint.

Nieuwe categorieën digitale wezens duiken op, zoals virtuele klantenadviseurs, AI-therapeuten en synthetische gezelschapsdieren. Een Spaanse vrouw trouwde zelfs met een AI-hologram.

Op termijn ontstaat er een samenleving waarin mensen voortdurend zijn verbonden met AI, via brillen, lenzen, implantaten of herseninterfaces (denk aan Neuralink van Elon Musk: AI-in-the-human). Technieken als de Turingtest of Winograd-challenge volstaan al lang niet meer om mens van machine te onderscheiden. Daardoor komen autonomie en authenticiteit steeds meer onder druk te staan.

Cyborgisering roept fundamentele vragen op. In hoeverre blijven we menselijk? Wellicht is niet iedereen een transhumanist zoals Ray Kurzweil, die reikhalzend uitkijkt naar de singulariteit: het moment waarop AI slimmer wordt dan de mens.

Black Friday staat weer voor de deur en dat betekent dat je overspoeld wordt met aanbiedingen. Maar let goed op voordat je op de bestelknop drukt: uit onderzoek van de Autoriteit Consument & Markt (ACM) blijkt dat veel van deze 'megadeals' in werkelijkheid misleidend zijn. Driekwart van de onderzochte winkels houdt zich niet aan de regels.

De toezichthouder nam 24 grote webshops en fysieke winkels onder de loep. De conclusie is schokkend: maar liefst 18 van de 24 winkels gaan de fout in met hun kortingsacties.

Sjoemelen met de 'van-prijs'

De grootste valkuil voor consumenten zit hem in de zogenoemde 'van-prijs'. Wettelijk is vastgelegd dat de doorgestreepte prijs (waar de korting vanaf gaat) de laagste prijs moet zijn die de winkel in de afgelopen 30 dagen heeft gerekend.

In de praktijk lappen veel winkeliers deze regel aan hun laars. Ze baseren de korting bijvoorbeeld op de (vaak veel hogere) adviesprijs, of een oude prijs van maanden geleden. Hierdoor lijkt het alsof je een enorme korting pakt, terwijl je in werkelijkheid soms nauwelijks goedkoper – of zelfs duurder – uit bent.

Volgens Fleur Severijns van de ACM is dit niet alleen oneerlijk tegenover de consument, maar ook tegenover concurrenten die wél netjes de regels volgen. De toezichthouder heeft de overtredende winkels aangeschreven. Vorig jaar kregen ketens als Leen Bakker en Jysk al boetes van boven de een ton voor dit soort praktijken; dat risico lopen de huidige overtreders nu ook.

Ook Bol, Amazon en Wehkamp genoemd

De ACM maakt de namen van de 18 winkels nog niet bekend, omdat zij nog bezwaar mogen maken. De Consumentenbond deed echter eigen onderzoek en noemt man en paard. Volgens de bond gaan onder andere Amazon, Wehkamp en Bol de mist in:

Waarom trappen we erin?

Winkeliers worden steeds creatiever in het verhullen van de werkelijke prijshistorie. Niels Holtrop, universitair docent Marketing, legt aan de NOS uit dat dit een bewust psychologisch spel is. Omdat aanbiedingen vaak tijdelijk zijn, ontstaat er bij consumenten de angst om de deal te missen (Fear Of Missing Out).

Doordat het voor de ACM onmogelijk is om elke (kleine) webshop te controleren, nemen veel winkeliers de gok. "Prijsconcurrentie is een krachtig wapen; klanten zijn er enorm gevoelig voor," aldus Holtrop.

Wat kun je doen?

Controleer zelf of de prijzen van producten niet stiekem zijn verhoord door gebruik te maken van de prijshistorie. Op vergelijkingssites kun je bijvoorbeeld zien wat het prijsverloop van een bepaald product is geweest gedurende een jaar.

Op Kieskeurig.nl kun je bijvoorbeeld de prijsdalers bekijken, hier vind je producten die de afgelopen periode sterk in prijs zijn gedaald.