5 mythes over wat AI echt ziet in je foto's
Door Chatday Editorial Team ·
Laat een AI een foto van een hond zien en vraag hoeveel poten hij heeft. Het antwoord: vier. Bewerk de foto nu zo dat de hond vijf poten heeft en vraag het opnieuw. Nog steeds vier.
Dat is geen verzonnen strikvraag. Het is een van de tests uit een studie met de titel “Vision Language Models Are Biased”, geaccepteerd op ICLR 2026, een van de grote AI-onderzoeksconferenties. Toen de onderzoekers modellen dieren lieten zien met een poot te veel of te weinig, telden de AI’s maar in 2,12% van de gevallen goed.
En toch kan hetzelfde soort AI een vaag kassabonnetje lezen, een onduidelijk instellingenscherm uitleggen of vertellen welke plant er op je vensterbank staat. Dus hoe zit het nu: ziet AI je foto’s echt, of niet? Het meeste wat mensen erover denken, klopt maar half. Hier zijn vijf hardnekkige ideeën, een voor een gecheckt.
Mythe 1: AI bekijkt een foto zoals jij dat doet
Onwaar. Jij kijkt naar een foto en ziet wat er echt staat. Een AI die beelden leest (de technische term is vision language model) doet iets wat meer lijkt op herkennen en dan herinneren. Hij ziet ‘hond’, weet nog dat honden vier poten hebben, en meldt dat. De onderzoekers zeggen het zonder omwegen: de modellen ‘tellen niet’.
Met logo’s gebeurde precies hetzelfde. Voeg een vierde streep toe aan het bekende drie-strepenlogo van Adidas en de modellen zeiden nog steeds drie. Over zeven soorten bewerkte afbeeldingen (dieren, logo’s, schaakborden, bordspellen, optische illusies en rasters met patronen) scoorden de geteste modellen uit 2025 gemiddeld 17,05% op telvragen. Op de onbewerkte originelen hadden ze alles goed.
Ongeveer driekwart van al hun antwoorden op de bewerkte afbeeldingen was precies het ‘verwachte’ getal: het getal dat het model al kende, niet het getal op de foto. Een eerdere studie, “Vision Language Models Are Blind”, vond hetzelfde patroon bij getekende vormen. Gevraagd om overlappende cirkels te tellen in een logo in Olympische stijl, antwoordde een Gemini-model in bijna 99% van zijn foute antwoorden ‘5’, wat het echte aantal ook was. Vijf ringen, net als de Olympische Spelen.
Kortom: AI is briljant in het herkennen van bekende dingen, en veel zwakker in opmerken dat er iets bekends is veranderd.
Mythe 2: een AI die een wiskundeolympiade wint, kan zeker wel klokkijken
Dat duurde even. Deze verbaast mensen het meest. In september 2025 liet een benchmark genaamd ClockBench AI-modellen analoge klokken aflezen: de tijd, welke wijzer welke is en wat de klok een paar minuten later zou aangeven. Mensen scoorden gemiddeld 89,1%. Het beste van de 11 geteste modellen kwam niet verder dan 13,3%.
De AI Index 2026 van Stanford gebruikte dit als favoriete voorbeeld van wat onderzoekers ‘grillige intelligentie’ noemen: AI die goud kan winnen op de Internationale Wiskunde Olympiade, maar nog steeds niet betrouwbaar kan klokkijken. Klokken zijn verrassend lastig. Het model moet hoeken precies inschatten, twee vergelijkbare wijzers uit elkaar houden en dan nog een beetje rekenen, en analoge wijzerplaten kom je online veel minder tegen dan gewone digitale cijfers.
Het goede nieuws is hoe snel het gaat:
| Wanneer | Beste AI-score op ClockBench | Gemiddelde mens |
|---|---|---|
| September 2025 (lancering) | 13,3% | 89,1% |
| Maart 2026 (Stanford AI Index) | 50,6% (GPT-5.4) | ongeveer 90% |
| November 2026 (openbaar klassement) | 87,8% (Claude Fable 5.2) | 90,7% |
Vandaag staan Claude Fable 5.2, Gemini 4 Carbon, Gemini 4 Argon, Claude Opus 5.5 en GPT-6 Astra in de top vijf van het klassement, allemaal op hun hoogste denkstand. Mensen zijn ze nog net de baas. Maar in ongeveer een jaar ging het gat van ‘hopeloos’ naar ‘dichtbij’.
Mythe 3: een scherpere, grotere foto lost de fouten op
Grotendeels onwaar. Het voelt logisch: als de AI het fout heeft, geef je hem een betere foto. Maar in de ‘blinde’ studie maakte het aanpassen van kleuren, lijndikte of resolutie nauwelijks uit voor hoe goed modellen overlappende cirkels telden. Het probleem was niet dat ze de vormen niet konden onderscheiden. De informatie zat er wel in. Die omzetten in de juiste woorden, dat was het lastige deel.
Wat wel veel hielp, was rommel weghalen. In de ‘bevooroordeelde’ studie verdubbelde de nauwkeurigheid bijna als de achtergrond van de bewerkte afbeeldingen werd verwijderd, een sprong van zo’n 21 procentpunt. Een drukke achtergrond geeft de AI meer aanwijzingen om terug te vallen op wat hij verwacht (‘dat is een boerderij, dus dat is een gewone hond’) in plaats van op wat er voor hem staat.
Mythe 4: zeg gewoon dat hij nog eens moet kijken
Werkt nauwelijks. Een model vragen om het nog eens te controleren, of om alleen af te gaan op wat er in de afbeelding staat, verhoogde de telnauwkeurigheid in de ‘bevooroordeelde’ studie gemiddeld met maar 2 punten. Langer laten nadenken hielp tot op zekere hoogte, met een nauwkeurigheid die opliep tot rond de 40%, en daarna werd het slechter omdat het model ging overdenken.
Beter werkt het om de vraag anders te stellen. ‘Hoeveel?’ lokt een antwoord uit het geheugen uit. Als je de AI eerst de afbeelding laat doorlopen, moet hij echt naar de foto kijken:
- ‘Noem elke persoon op deze foto van links naar rechts, en vertel me dan hoeveel het er zijn.’
- ‘Beschrijf waar de uurwijzer en de minutenwijzer naar wijzen, en vertel me dan hoe laat het is.’
- ‘Lees elke regel van dit bonnetje voor, en tel dan het totaal op.’
Klopt de stapsgewijze beschrijving niet, dan zie je dat meteen, en daar gaat het nu juist om. Je ziet waar het misging in plaats van alleen een zelfverzekerd getal te krijgen.
Mythe 5: dus beeld-AI is te onbetrouwbaar om iets mee te doen
Onwaar, en dit is de mythe die je echt moet loslaten. Alle fouten hierboven komen uit bewust lastige tests: bewerkte logo’s, extra poten, rare wijzerplaten. Ze zijn ontworpen om de zwakke plekken te vinden, en daar slagen ze prima in. Ze laten ook zien dat die zwakke plekken snel kleiner worden. Het team achter de ‘bevooroordeelde’ studie meldt dat GPT-6 Astra, uitgebracht in oktober 2026, 84,10% scoort op dezelfde test waarop de modellen uit 2025 gemiddeld 17% haalden.
Eén detail bleef wel hangen. Als Astra het fout heeft, zeggen de onderzoekers, geeft hij in 92,4% van de gevallen het uit het hoofd geleerde antwoord. De gewoonte is niet verdwenen. Hij duikt alleen veel minder vaak op.
In het dagelijks gebruik ziet het er een stuk zonniger uit. Een scène beschrijven, gedrukte tekst lezen, een screenshot uitleggen, een gewoon voorwerp herkennen: dat speelt allemaal in op de sterke kant van AI, namelijk bekende dingen herkennen. Hier een grove leidraad voor wanneer je kunt ontspannen en wanneer je beter even checkt:
| Wat je vraagt | Hoeveel vertrouwen | Waarom |
|---|---|---|
| ‘Wat staat er op deze foto?’ | Hoog | Bekende scènes herkennen is zijn sterkste punt |
| Gedrukte tekst, menukaarten, borden lezen | Hoog | Duidelijke tekst zit ruim in de trainingsdata |
| Een screenshot of foutmelding uitleggen | Hoog | Hij leest het scherm en kent de software |
| Voorwerpen tellen, zeker als het er veel zijn | Controleer het | Hij noemt misschien het verwachte aantal |
| Alles wat ongewoon of bewerkt is | Controleer het | Hij ‘corrigeert’ afwijkingen vaak naar wat normaal is |
| Analoge klokken, meters, wijzerplaten | Controleer het | Beter dan vroeger, maar nog achter op mensen |
Voor woorden geldt trouwens hetzelfde. Heb je je ooit afgevraagd waarom AI vroeger struikelde over het tellen van letters in een woord? Onze uitleg over waarom AI de r’s in strawberry niet kan tellen laat zien dat het een naaste verwant van dit probleem is.
De makkelijkste manier om dit zelf te zien, is het uit te proberen met een foto van je eigen camerarol. Kies iets alledaags, daarna iets wat een beetje vreemd is, en vraag de AI je stap voor stap te vertellen wat hij ziet. Onze gids over AI elke foto of screenshot laten uitleggen heeft meer ideeën voor wat je kunt vragen.