Kunstmatige Intelligentie in de Economie

UU Open Dag 2025

Bas Machielsen

Introductie

Wie ben ik?

  • Bas Machielsen
  • Universitair docent Toegepaste Economie
  • Onderwijs:
    • Data Science
    • Econometrie
  • Onderzoek:
    • Economische geschiedenis, politieke economie
    • Veel gebruik van data science methoden om data te structureren

Inhoud

  • “Kunstmatige Intelligentie in de Economie”
  • Op twee manieren op de vatten:
    • Wat is de rol en de invloed van kunstmatige intelligentie (AI) in de economie?
    • Hoe wordt kunstmatige intelligentie gebruikt binnen de studie economie?
  • Deze twee onderwerpen zal ik vandaag behandelen.

De rol van AI in de Economie

AI is populair

  • Sinds de komst van ChatGPT is AI enorm populair geworden.

Populariteit van AI

  • Met de populariteit van AI zijn ook de aandelenkoersen van AI-gerelateerde bedrijven gestegen.

AI wordt steeds beter

Wat kan AI allemaal?

  • De huidige topmodellen evenaren of overtreffen effectief de gemiddelde menselijke prestaties in bepaalde domeinen.
    • Programmeren en Softwareontwikkeling (Benchmark: HumanEval)
      • Score: ~92.0% (Claude 3.5 Sonnet)
      • Context: Kan functionele Python-code schrijven, fouten opsporen en standaard programmeergesprekken beter afhandelen dan de meeste kandidaten op instapniveau.
    • Middelbareschool Wiskunde (Benchmark: GSM8K)
      • Score: ~95.0%
      • Context: Lost woordproblemen met meerdere stappen op (bijv. “Als Mary 5 appels heeft…”) met vrijwel perfecte nauwkeurigheid.
    • Algemene Kennis (Benchmark: MMLU)
      • Score: ~88.0%
      • Context: Beantwoordt vragen over 57 vakken (geschiedenis, recht, STEM) op het niveau van een deskundige student.

Voorbeeld: HumanEval

Wat kan AI allemaal?

  • Multimodale input
    • VQA (Visual Question Answering): >85% nauwkeurigheid bij OK-VQA en ScienceQA.
    • Bijschriften bij afbeeldingen (COCO Caption): CIDEr-scores >135 (bijna menselijk niveau).
    • Videobegrip (Video-MME): >80% nauwkeurigheid bij complexe temporele redeneringen.
  • Toepassingen in de echte wereld
    • Analyseren van medische beelden (AI-tools voor radiologie zijn nu in de meeste landen goedgekeurd voor het detecteren van fracturen en tumoren).
    • Interpreteren van grafieken, diagrammen en screenshots.
    • Realtime videoanalyse voor bewaking en moderatie van content.

Wat kan AI nog niet?

  • Langetermijnplanning
    • Beperking: Heeft moeite met het uitvoeren van doelen over meerdere dagen en stappen zonder menselijk toezicht.
    • In de “AgentBench”-benchmark (2025) faalden AI-agenten in 70% van de taken die meer dan 5 opeenvolgende stappen vereisten met externe tools (bijv. “Plan een driedaagse reis naar Kyoto, boek vluchten, reserveer hotels en pas de reisroute aan op basis van het weer”).
    • Verliest context tijdens lange interacties of vergeet gebruikersvoorkeuren tijdens sessies.
  • Betrouwbare actie in de echte wereld
    • Beperking: Kan niet betrouwbaar communiceren met de fysieke wereld of ongestructureerde omgevingen.
    • Roboticabenchmarks (bijv. RT-2, OpenAI’s GPT-4o + robotarm): Slagingspercentage <60% bij nieuwe objectmanipulatietaken.
    • Kan niet omgaan met onverwachte fysieke obstakels (bijv. een gemorste vloeistof, een gebroken deurklink) zonder hertraining.
  • Zelfrijdende auto’s (?), complexe huishoudelijke taken, bouwwerkzaamheden en genuanceerde sociale interacties blijven (vooralsnog) buiten bereik.

Niet iedereen is enthousiast

  • Veel zorgen over de sociale impact van AI

Is AI alleen maar goed?

  • AI kan ook negatieve effecten hebben op de economie en samenleving.

  • Voorbeelden:

    • Banenverlies door automatisering.
    • Toename van inkomensongelijkheid.
    • Ethische en privacy kwesties.
    • Kwesties over auteursrecht en eigendom van AI-gegenereerde content.
    • Kwaliteit van studeren en leren.

AI en de economie

  • Zorgen AI over banenverlies en inkomensongelijkheid.

AI en de economie

  • Het kan verder gaan dan alleen banenverlies; banen kunnen ook veranderen in plaats van verdwijnen.

AI en de economie

  • Lijkt niet alleen een Europees/westers fenomeen te zijn.

AI en de economie

  • Hoewel anderen er anders over denken.

Twee economische visies op AI

  • De Turing Trap door Daron Acemoglu (MIT)
    • Het idee dat de maatschappij uiteindelijk AI-systemen ontwerpt en inzet die gebouwd zijn om menselijke werknemers te vervangen – in plaats van hen te versterken – simpelweg omdat het op de korte termijn goedkoper en winstgevender is voor bedrijven.
    • Het is vernoemd naar Alan Turing, de Britse wiskundige en computerwetenschapper die de basis legde voor moderne computers – en die de beroemde “Turingtest” bedacht: een manier om te beoordelen of een machine zich zo intelligent kan gedragen dat een mens niet kan zien dat het geen mens is.
  • Acemoglu waarschuwt dat AI, indien slecht ontworpen en gecontroleerd, menselijke werknemers sneller zou kunnen vervangen dan er nieuwe banen worden gecreëerd.
    • Met name in routinematige banen met een middelhoge vaardigheid, zoals klantenservice, data-invoer of zelfs bepaalde onderdelen van de journalistiek en boekhouding.
    • Hij stelt dat bedrijven zich haasten om AI in te zetten om kosten te besparen en winst te verhogen, niet om werknemers productiever te maken of betere banen te creëren. Dit zou kunnen leiden tot wijdverbreid banenverlies, lagere lonen voor velen en grotere ongelijkheid.

Productiviteitsboost

  • Productiviteitsboom door Erik Brynjolfsson (Stanford)
    • Brynjolfsson gelooft dat AI zal zijn zoals eerdere technologische revoluties – de stoommachine, de computer – die banen niet hebben vernietigd, maar veranderd.
    • AI zal saaie, repetitieve taken overnemen, waardoor mensen zich kunnen concentreren op creatief, emotioneel of strategisch werk.
    • Het zal werknemers productiever maken, wat betekent dat bedrijven groeien, de vraag stijgt en er nieuwe banen ontstaan ​​– zoals AI-trainers, ethici of functies in de technische ondersteuning.
  • Brynjolfsson wijst op bewijs dat AI laaggeschoolde werknemers al helpt hun prestaties sneller te verbeteren dan experts, waardoor de vaardigheidskloof kleiner wordt.

Voorspellingen

  • Visie 1: Turing Trap
    • Miljoenen banen gaan de komende 10 tot 20 jaar verloren.
    • Werknemers zonder geavanceerde vaardigheden zullen moeite hebben om nieuw werk te vinden.
    • De economische groei kan vertragen omdat mensen minder te besteden hebben als ze werkloos of onderbetaald zijn.
    • Oplossing: we hebben slimmere AI nodig – ontworpen om werknemers te helpen, niet te vervangen – en sterker beleid zoals omscholingsprogramma’s en werknemersbescherming.
  • Visie 2: Productiviteitsboom
    • Verstoring op korte termijn, maar banengroei en hogere lonen op lange termijn.
    • Meer mensen kunnen meer doen met AI – zoals een arts die AI gebruikt om sneller een diagnose te stellen, of een leraar die het gebruikt om lessen te personaliseren.
    • Over het algemeen wordt de economie groter, rijker en efficiënter.
    • Oplossing: we moeten investeren in onderwijs en training zodat mensen AI-tools goed kunnen gebruiken – maar hij is optimistisch dat mensen zich zullen aanpassen en floreren.

Hoe gaan wij hier mee om?

Economie in Utrecht en AI

  • Wij denken dat het belangrijk is om AI goed te begrijpen.
  • Daarom bieden we bij de bachelor Economie een minor aan gefocust op AI en de economie.
  • In deze minor leer je over de technische aspecten van AI, de economische impact ervan, en hoe je AI kunt toepassen in economische analyses.
    • Je leert programmeren met AI-tools.
    • Je leert data-analyse uitvoeren met behulp van AI.
    • Je leert de ethische en maatschappelijke implicaties van AI in de economie te beoordelen.
    • Je werkt aan projecten die AI integreren in economische vraagstukken.

Wat is AI nu eigenlijk?

Definitie van AI

AI is een verzameling van technieken die computers in staat stellen taken uit te voeren die normaal menselijke intelligentie vereisen.

  • Hele brede definitie.
  • Concreter: taalmodellen zoals GPT-4, Claude, Deepseek, etc. gebruiken machine learning om menselijke taal te begrijpen en te genereren.
    • Machine learning is een subset van AI waarbij computers leren van data om voorspellingen of beslissingen te maken zonder expliciet geprogrammeerd te zijn voor elke taak.
    • Deze modellen worden getraind op enorme hoeveelheden data
    • Het leert patronen en structuren in deze data herkennen
    • Hierdoor kan het nieuwe data (text of iets anders) genereren die coherent en contextueel relevant is.

Trainen van modellen

  • Het trainen van modellen bestaat uit 4 elementen:
    • Data: Stel je voor dat je een computer bijna elk boek, elke website en elk artikel ooit geschreven geeft. De AI zet al deze woorden om in getallen, zodat hij ze kan verwerken.
    • Guess: Maak de zin af. Het model kijkt naar een sequentie van woorden en probeert het volgende woord te voorspellen. Aan het begin van het trainproces doet het dat willekeurig.
    • Check: Het leerproces. Als het echte woord niet overeenkomt met de voorspelling berekenen we hoe “verkeerd” de gok was.
    • Backpropagation: Aan de hand van die ‘straf’ updaten we de wiskunde binnen het model (“parameters”) zodat we de volgende keer een betere gok doen.
  • Dit doen we miljarden keren todat we goed zijn in het voorspellen van text.

Trainen van modellen

  • Schematisch voorbeeld van Data(1), naar Guess (2), naar Check (3) naar Update (4).

flowchart LR
    %% Change direction to Left-Right to fit slides better
    
    %% 1. DATA
    subgraph Step1 ["Step 1: Data"]
        direction TB
        Source["📚 Raw Data"] --> Convert["🔢 Convert to #'s"]
    end

    %% 2. GUESS
    subgraph Step2 ["Step 2: Guess"]
        direction TB
        Model("🧠 AI Model")
        Input["Input: 'The quick...'"] --> Model
        Model --> Pred["❓ Guess: 'sleeps'"]
    end

    %% 3. CHECK
    subgraph Step3 ["Step 3: Check"]
        direction TB
        Truth["✅ Real: 'jumps'"]
        Pred --> Compare{"⚖️"}
        Truth --> Compare
        Compare --> Loss["📉 Calc Error"]
    end

    %% 4. UPDATE
    subgraph Step4 ["Step 4: Update"]
        direction TB
        Loss --> Adjust["🛠️ Tune Math"]
    end

    %% CONNECT THE STEPS
    Convert --> Model
    Adjust -.->|Backprop| Model

    %% STYLING
    style Step1 fill:#e1f5fe,stroke:#01579b
    style Step2 fill:#fff3e0,stroke:#e65100
    style Step3 fill:#ffebee,stroke:#b71c1c
    style Step4 fill:#e8f5e9,stroke:#1b5e20
    style Model fill:#fff,stroke:#333,stroke-width:3px

Voorbeeld

  • Trainingszin: “Boerenkool met worst.”
    • Input: Boerenkool met [...]
    • Gok: hagelslag
    • Correctie: het systeem zegt: “Fout. Het antwoord is worst.”
    • Update: de AI past zijn verbindingen aan om Boerenkool sterk te koppelen aan worst en zwak aan hagelslag.

Code

  • Laten we een heel simpel taalmodelletje bouwen in Python!
    • Echte LLMs zijn veel complexer, maar dit geeft een idee van hoe ze werken: ze kijken naar de waarschijnlijkheid van wat er eerder is gezien om het volgende woord te voorspellen.
    • Als je deze code draait met de input “ik”, kijkt het “brein” naar de lijst ['ben', 'ben']. De kans dat “ben” wordt voorspeld is 100%.
    • Als je het draait met “de”, is de lijst ['open', 'UU'].
    • Er is een kans van 50% kans dat je een van de twee uitkiest—net zoals in een “echt” LLM, dat een variabel antwoord kan geven op dezelfde vraag!
import random

# 1. The Training Data (Corpus)
text = "ik ben vrolijk want ik ben op de open dag van de UU."
words = text.split()

# 2. "Training" the Model (Building the relationships)
# We look at every word and record what word comes immediately after it.
brain = {} 
for i in range(len(words) - 1):
    current_word = words[i]
    next_word = words[i+1]
    if current_word not in brain:
        brain[current_word] = []
    brain[current_word].append(next_word)

# 3. Using the Model (Inference)
input_word = "de" # Probeer dit te veranderen
prediction = random.choice(brain[input_word])

print(f"Prompt: '{input_word}' -> AI Predicted: '{prediction}'")
Prompt: 'de' -> AI Predicted: 'open'

Toepassingen van AI in de Economie

Toepassingen van AI modellen in de Economie

  • Toepassing 1: het verwerken en kwantitatief maken van textuele data.

Toepassingen van AI modellen

  • Toepassing 2: het classificeren en linken van data in afbeeldingen, boeken, tabellen, etc.

Toepassingen van AI modellen

  • Toepassing 3: AI als tool om beslissingen te analyseren.

Toepassingen van AI modellen

  • Toepassing 4: AI om risicopremia van aandelen te voorspellen a.d.h.v. risicofactoren.

Conclusie

Conclusie

  • In ons Bachelorprogramma, en in het bijzonder in de minor Applied Data Science, leer je over het gebruik van methoden in data science en machine learning.
    • Je leert om data te vinden, data te structureren en data te analyseren met behulp van AI en LLMs.
    • Verschillende vakken mogelijk om te volgen: Introduction to Applied Data Science (1e jaar), Introduction to R (2e jaar), Causal Inference (3e jaar), etc.
  • In de laatste jaren is het gebruik van AI methoden in de economie enorm gegroeid.
    • Economen zijn “data” veel breder gaan interpreteren en zien nu veel meer mogelijke bronnen voor economisch onderzoek.
    • Dit heeft van economie een bij uitstek empirisch vakgebied gemaakt, waarbij de focus ligt op het testen van economische theorieen i.p.v. het ontwikkelen daarvan.

Kunstmatige Intelligentie in de Economie