In het kort
- Machine learning is een deel van AI. Deep learning is weer een deel van machine learning.
- Taalmodellen zoals ChatGPT en Claude zijn gemaakt met machine learning, maar jij hoeft ze niet zelf te trainen.
- Een eigen machine learning model is zinvol als je veel eigen historische data hebt en iets wilt voorspellen.
- Veel wat bedrijven AI noemen, is gewone automatisering met vaste regels. Dat is vaak goedkoper en betrouwbaarder.
AI vs machine learning in het kort
Zie het als cirkels in elkaar.
- AI is de grootste cirkel. Alles waarbij een computer iets doet wat op menselijk denkwerk lijkt: herkennen, voorspellen, beslissen, taal begrijpen.
- Machine learning zit daarbinnen. Het systeem leert patronen uit voorbeelden. Je programmeert niet dat een factuur boven de 5.000 euro verdacht is, je laat het model duizenden oude facturen zien en het leert zelf wat afwijkt.
- Deep learning zit weer binnen machine learning. Dat zijn modellen met veel lagen, neurale netwerken, die heel grote hoeveelheden data nodig hebben.
- Generatieve AI, zoals de taalmodellen achter ChatGPT, Claude en Gemini, is gebouwd met deep learning.
Buiten machine learning valt AI die werkt met regels en kennis die mensen hebben vastgelegd, zoals oudere expertsystemen. De Europese AI Act rekent die ook tot AI, zolang het systeem zelf conclusies trekt uit wat het binnenkrijgt. Eenvoudige software met regels die alleen door mensen zijn bepaald, valt er volgens de toelichting bij de wet buiten.
In de praktijk bedoelen mensen met AI nu vaak generatieve AI, en met machine learning de klassieke variant: een model dat je traint op je eigen cijfers om iets te voorspellen of in te delen.
De verschillen naast elkaar
| Vaste regels (geen AI) | Klassieke machine learning | Generatieve AI (taalmodel) | |
|---|---|---|---|
| Hoe het werkt | Iemand schrijft de regels uit | Model leert patronen uit jouw historische data | Model is vooraf getraind op enorme hoeveelheden tekst |
| Goed in | Vaste stappen, berekeningen, doorzetten | Voorspellen, indelen, afwijkingen vinden | Tekst lezen, samenvatten, schrijven, vertalen |
| Wat je nodig hebt | Een duidelijk proces | Veel eigen data van goede kwaliteit | Goede instructies, eventueel je eigen documenten |
| Uitkomst | Altijd hetzelfde bij dezelfde invoer | Een kans of een score | Tekst, per keer iets anders |
| Uitlegbaar | Volledig | Redelijk tot lastig | Lastig |
| Start | Snel | Weken tot maanden, met data-werk | Snel, want het model bestaat al |
| Typische fout | Uitzondering die niet in de regels staat | Voorspelt slecht als de situatie verandert | Verzint met stelligheid iets wat niet klopt |
De middelste kolom is waar machine learning in de klassieke zin over gaat. De rechterkolom is ook machine learning, maar dan een model dat een ander voor je heeft getraind.
*Laatst gecontroleerd: september 2026.*
Wanneer heb je welke nodig?
- Vaste regels Het werk verloopt altijd volgens dezelfde stappen en de uitzonderingen zijn bekend. Denk aan een order doorzetten naar de vervoerder of een factuur boeken op een vaste grootboekrekening.
- Klassieke machine learning Je wilt iets voorspellen of indelen en je hebt jaren aan eigen data. Denk aan de vraag per product per week, welke klanten dreigen te vertrekken of welke transacties afwijken.
- Generatieve AI Het werk draait om tekst of documenten zonder vaste vorm. Denk aan klantmails beantwoorden, gegevens uit pdf's halen of een rapport samenvatten.
- Een combinatie De meeste goede oplossingen mengen de drie. Een taalmodel leest de mail, vaste regels zetten de order klaar en een voorspelmodel zegt of de voorraad het aankan.
Voorbeeld uit het mkb: een groothandel in levensmiddelen
Een groothandel met 40 medewerkers heeft drie wensen en vraagt zich af of het AI of machine learning nodig heeft.
| Wens | Beste aanpak | Waarom |
|---|---|---|
| Bestellingen uit mails en pdf's in het ordersysteem zetten | Generatieve AI plus vaste regels | Elke klant bestelt anders. Een taalmodel leest de mail, regels controleren artikelnummers en aantallen |
| Inkoop beter afstemmen op de vraag | Klassieke machine learning | Er is vijf jaar verkoopdata per artikel per week, met duidelijke seizoenen |
| Een melding als een klant twee weken niet bestelt | Vaste regels | Dat is een eenvoudige telling, daar is geen AI voor nodig |
De groothandel begint met de bestellingen, omdat daar de meeste uren in zitten en het taalmodel al bestaat. De voorspelling voor inkoop komt later, als de verkoopdata is opgeschoond. Dit voorbeeld is samengesteld om de keuze uit te leggen en beschrijft geen bestaande klant.
Een voorspelling op eigen verkoopcijfers zie je ook bij Rutten Elektroshop. Daar voorspelt het systeem wanneer een artikel op is en geeft het inkoopadvies, naast realtime inzicht in de voorraadwaarde. Lees de case van Rutten Elektroshop.
Drie misverstanden over AI en machine learning
Je moet een eigen model trainen om AI te gebruiken. Voor de meeste mkb-toepassingen niet. Taalmodellen zijn al getraind. Wil je dat ze je eigen documenten gebruiken, dan geef je die mee op het moment van de vraag. Dat heet RAG. Het verschil met zelf bijtrainen lees je in RAG vs fine tuning.
Machine learning is ouderwets sinds ChatGPT. Voor voorspellingen op eigen cijfers is een klassiek model vaak nauwkeuriger, goedkoper en beter uit te leggen dan een taalmodel. Een taalmodel is sterk in taal, niet per se in rekenen met tijdreeksen.
Alles wat slim lijkt is AI. Veel automatisering die als AI wordt verkocht, werkt met vaste regels. Dat is geen bezwaar, want regels zijn voorspelbaar en goedkoop. Vraag een leverancier wel wat er precies onder de motorkap zit.
Volgens het CBS gebruikte in 2025 12 procent van de Nederlandse bedrijven technologie om tekst te analyseren en 4 procent machine learning in de klassieke zin. Taaltoepassingen groeien dus veel sneller.
De begrippen op een rij
- Algoritme: een reeks stappen die een computer volgt. Kan een vaste regel zijn of een machine learning model.
- Model: het resultaat van het trainen. Het model maakt daarna de voorspellingen.
- Trainen: het model voorbeelden laten zien zodat het patronen leert.
- Neuraal netwerk: een model van lagen verbonden rekeneenheden. De basis van deep learning.
- LLM: een groot taalmodel, zoals het model achter ChatGPT. Hoe dat werkt lees je in wat is een LLM.
Meer termen staan in onze lijst met AI-begrippen.
Welke aanpak past bij jouw proces?
De vraag is zelden of je AI of machine learning wilt. De vraag is welk werk je wilt verminderen, en welke techniek daar het beste bij past. Een overzicht van tools die je direct kunt gebruiken staat in AI-tools voor bedrijven.
Wij bouwen oplossingen met taalmodellen, vaste regels en waar het past een voorspelmodel, gekoppeld aan je eigen systemen. Dat doen we in een implementatietraject. Moet je data eerst op orde, dan helpt data engineering. Twijfel je waar je begint, plan dan een strategiegesprek.
Uit de praktijk
Veelgestelde vragen
Wat is het verschil tussen AI en machine learning?
AI is de verzamelnaam voor systemen die taken doen waar normaal menselijk denkwerk voor nodig is. Machine learning is een deel daarvan: systemen die leren van voorbeelden in plaats van vaste regels.
Is ChatGPT machine learning?
Ja. Het taalmodel achter ChatGPT is gemaakt met deep learning, een vorm van machine learning. Als gebruiker hoef je het niet zelf te trainen.
Heb ik veel data nodig voor machine learning?
Voor een eigen voorspelmodel wel: meestal jaren aan historische gegevens van goede kwaliteit. Voor het gebruik van een bestaand taalmodel heb je geen trainingsdata nodig.
Valt machine learning onder de AI Act?
Ja. De AI Act noemt machine learning uitdrukkelijk als techniek waarmee AI-systemen worden gemaakt. Welke regels gelden, hangt af van waarvoor je het systeem gebruikt.
Verder lezen
Meer vergelijkingen
Bronnen
Geraadpleegd in september 2026.
- IBM, AI vs. machine learning vs. deep learning vs. neural networks. ibm.com
- AI Act, artikel 3, definities. artificialintelligenceact.eu
- AI Act, overweging 12. artificialintelligenceact.eu
- CBS, Bedrijven gebruiken AI vaakst voor marketing of verkoop (12 december 2025). cbs.nl