Kort antwoord: Er is mogelijk sprake van een "AI-bubbel" in specifieke segmenten – met name bij copycat-apps, waarderingen gebaseerd op verhalen en investeringen in infrastructuur met hoge schulden – ondanks de alomtegenwoordigheid van AI. Als het gebruik zich niet vertaalt in duurzame inkomsten en verbeterde winstgevendheid per eenheid, is een sanering te verwachten. Als contracten, cashflow en klantbehoud standhouden, lijkt het eerder op een structurele verschuiving dan op een hype.
Een veelzeggend teken: het gebruik is al wijdverbreid (zo meldt de AI-index van Stanford dat 78% van de organisaties aangaf in 2024 AI te gebruiken, tegenover 55% het jaar ervoor) - maar wijdverbreid gebruik staat niet automatisch gelijk aan duurzame winststromen. [1]
Belangrijkste conclusies:
Verduidelijking van de laag: Definieer of u waardering, financiering, verhaal, infrastructuur of producthype bedoelt.
Monetariseringskloof: Volg de adoptie versus de inkomsten; breed gebruik garandeert geen winst.
Eenheidseconomie: Meet de inferentiekosten, marges, klantbehoud, terugverdientijd en de last van menselijke correcties.
Financieringsrisico: Test de aannames over het gebruik onder stresstests; een hoge schuldgraad in combinatie met lange terugbetalingstermijnen kan snel tot problemen leiden.
Governance-problemen: Betrouwbaarheid, naleving, registratie en verantwoording vertragen de doorlooptijden van demo naar productie.
Artikelen die u wellicht interessant vindt om na dit artikel te lezen:
🔗 Zijn AI-detectoren betrouwbaar voor het opsporen van door AI geschreven teksten?
Ontdek hoe nauwkeurig AI-detectoren zijn en waar ze tekortschieten.
🔗 Hoe gebruik ik AI dagelijks op mijn telefoon?
Eenvoudige manieren om AI-apps te gebruiken voor alledaagse taken.
🔗 Wat is tekst-naar-spraak-AI en hoe werkt het?
Verdiep je in TTS-technologie, de voordelen ervan en veelvoorkomende praktijkvoorbeelden.
🔗 Kan AI handschrift in cursief schrift lezen van gescande notities?
Ontdek hoe AI omgaat met cursief schrift en wat de herkenningsresultaten verbetert.
Wat mensen bedoelen als ze het over een "AI-bubbel" hebben 🧠🫧
Meestal is het een (of meer) van deze:
-
Waarderingsbubbel: prijzen impliceren een bijna perfecte uitvoering gedurende een lange periode.
-
Financieringsbubbel: te veel geld dat te veel vergelijkbare startups achterna zit.
-
Het verhaalballonnetje: "AI verandert alles" verandert in "AI lost morgen alles op".
-
Infrastructuurbubbel: enorme datacenters en energieprojecten gefinancierd op basis van optimistische aannames.
-
Productbubbel: veel demonstraties, minder producten voor dagelijks gebruik die echt blijven plakken.
Dus als iemand vraagt: "Bestaat er een AI-bubbel?", dan is de eigenlijke vraag: over welke laag hebben we het dan?
Een snelle reality check: wat gebeurt er 📌
Enkele concrete gegevenspunten helpen om "oppervlakkige hype" te onderscheiden van "structurele verschuivingen":
-
De investeringen zijn enorm (vooral in generatieve AI): de wereldwijde particuliere investeringen in generatieve AI bereikten in 2024 $33,9 miljard (Stanford AI Index). [1]
-
Energie is niet langer een voetnoot: het IEA schat dat datacenters in 2024 ongeveer 415 TWh verbruikten (~1,5% van de wereldwijde elektriciteit) en projecteert ~945 TWh in 2030 in een basisscenario echte uitbouw – en ook een reëel risico voor de prognoses en de financiering als de adoptie of de efficiëntie niet meegroeit. [2]
-
Er stroomt ‘echt geld’ door de kerninfrastructuur: NVIDIA rapporteerde een omzet van $130,5 miljard voor het fiscale jaar 2025 en een jaaromzet van $115,2 miljard voor datacenters – wat zo ver mogelijk verwijderd is van ‘geen fundamentele basis’. [3]
-
Adoptie ≠ omzet (vooral bij kleinere bedrijven): uit een onderzoek van de OESO bleek dat gen-AI wordt gebruikt in 31% van de mkb's, en van de mkb's die gen-AI gebruiken, meldde 65% een verbeterde prestatie van de werknemers, terwijl 26% een hogere omzet rapporteerde. Waardevol, jazeker - maar het schreeuwt ook "de monetisatie is ongelijkmatig". [4]
Wat maakt een goede versie van een AI-bubbeltest ✅🫧
Een goede bubbeltest is niet alleen gebaseerd op de sfeer. Hij controleert zaken als:
1) Adoptie versus monetisatie
Dat mensen AI gebruiken, betekent niet automatisch dat ze er genoeg voor betalen (of er lang genoeg voor) om de huidige prijzen te rechtvaardigen.
2) Eenheidseconomie (de onsexy waarheid)
Zoek naar:
-
brutomarges
-
Inferentiekosten per klant (wat het u kost om de gewenste output te genereren)
-
behoud en uitbreiding
-
terugverdienperiode
Een korte, maar belangrijke definitie: inferentiekosten zijn niet gelijk aan "clouduitgaven". Het zijn de marginale kosten voor het leveren van waarde : tokens, latentie, GPU-tijd, beveiligingsmechanismen, menselijke tussenkomst, kwaliteitscontrole, herhalingen en al het verborgen werk dat nodig is om het betrouwbaar te maken.
3) Hulpmiddelen versus apps
Infrastructuur kan winnen, zelfs als veel apps verdwijnen, omdat iedereen nog steeds rekenkracht nodig heeft. (Dat is deels de reden waarom de stelling "alles is een zeepbel" vaak misplaatst is.)
4) Hefboomwerking en kwetsbare financiering
Schulden + lange terugbetalingstermijnen + de druk van het verhaal zorgen ervoor dat het misgaat - vooral in de infrastructuur, waar de aannames over het gebruik de doorslaggevende factor zijn. Het IEA gebruikt expliciet scenario-/gevoeligheidsanalyses omdat de onzekerheid reëel is. [2]
5) Een falsificeerbare bewering
Niet "AI zal groot worden", maar "deze kasstromen rechtvaardigen deze prijs"
Het "ja"-argument: tekenen van een AI-bubbel 🫧📈
1) De financiering is sterk geconcentreerd 💸
Enorme hoeveelheden kapitaal zijn gestroomd naar alles wat het label "AI" draagt. Concentratie kan duiden op overtuiging, maar ook op oververhitting. De gegevens van de Stanford AI Index laten zien hoe groot en snel de investeringsgolf is geweest, vooral in generatieve AI. [1]
2) “Narrative premium” doet ontzettend veel werk 🗣️✨
Je zult zien:
-
Startups halen snel geld op voordat ze product-marktfit hebben bereikt
-
"AI-geoptimaliseerde" pitches (hetzelfde product, nieuw jargon)
-
waarderingen gerechtvaardigd door strategische storytelling
3) De uitrol binnen de bedrijfsomgeving verloopt minder soepel dan de marketingcampagne 🧯
Het verschil tussen demo en productie is reëel:
-
betrouwbaarheidsproblemen
-
hallucinaties (een chique woord voor "vol vertrouwen ongelijk hebben")
-
Problemen met naleving en gegevensbeheer
-
trage inkoopcycli
Dit is niet zomaar "FUD". Risicokaders zoals het AI RMF van NIST benadrukken expliciet valide en betrouwbare, veilige, beveiligde, verantwoorde, transparanteen privacyversterkende systemen - oftewel het checklistwerk dat de fantasie van "morgen lanceren" vertraagt. [5]
Een samengesteld uitrolpatroon (niet één specifiek bedrijf, maar gewoon het bekende scenario):
Week 1: teams zijn enthousiast over de demo.
Week 4: de juridische afdeling/beveiliging vraagt om governance, logging en gegevensbeheer.
Week 8: nauwkeurigheid wordt het knelpunt, dus worden er "tijdelijk" extra mensen ingezet.
Week 12: de waarde is reëel, maar minder breed dan in de pitchpresentatie werd voorgesteld, en de kostenstructuur is heel anders dan verwacht.
4) Het risico van de uitbouw van de infrastructuur is reëel 🏗️⚡
De uitgaven zijn enorm: datacenters, chips, stroom, koeling. De prognose van het IEA dat de wereldwijde elektriciteitsvraag van datacenters tegen 2030 ongeveer zou kunnen verdubbelen, is een sterk signaal dat dit daadwerkelijk gebeurt - en tevens een herinnering dat verkeerde inschattingen van het gebruik ertoe kunnen leiden dat dure activa achteraf spijt opleveren. [2]
5) Het AI-thema is overal terug te vinden 🌶️
Energiebedrijven, netwerkapparatuur, koeling, vastgoed - het verhaal reist rond. Soms is dat rationeel (energiebeperkingen zijn reëel). Soms is het gewoon thematisch surfen.
Het "nee"-argument: waarom dit geen klassieke, volledig uit de hand gelopen bubbel is 🧊📊
1) Sommige belangrijke spelers genereren daadwerkelijk inkomsten (niet alleen via het verhaal) 💰
Een kenmerk van pure zeepbellen is "grote beloftes, kleine fundamenten". In de AI-infrastructuur is er volop echte vraag met echt geld erachter - de gerapporteerde schaal van NVIDIA is daar een zichtbaar voorbeeld van. [3]
2) AI is al ingebed in alledaagse werkprocessen (alledaags is goed) 🧲
Klantenservice, programmeren, zoeken, analyses, operationele automatisering - veel van de waarde van AI schuilt in de praktische toepassingen, niet in de opvallende details. Dat is het soort adoptiepatroon dat je meestal niet ziet bij trendsetters.
3) Het tekort aan rekenkracht is geen denkbeeldig probleem 🧱
Zelfs sceptici geven meestal toe: mensen gebruiken dit soort dingen op grote schaal. En voor het opschalen van het gebruik zijn hardware en energie nodig - wat zich vertaalt in daadwerkelijke investeringen en daadwerkelijke energieplanning. [2]
Waar het risico op een zeepbel het hoogst (en het laagst) lijkt 🎯🫧
Hoogste risico op schuimvorming 🫧🔥
-
Namaak-apps zonder concurrentievoordeel en met vrijwel geen overstapkosten.
-
Startups worden geprijsd op basis van "toekomstige dominantie" zonder bewezen klantbehoud.
-
Overmatig gefinancierde infrastructuurprojecten met een lange terugverdientijd en zwakke uitgangspunten.
-
"Volledig autonome agent"-claims die in werkelijkheid zeer kwetsbare workflows met vertrouwen in stand houden.
Lager risico op schuimvorming (maar nog steeds niet risicovrij) 🧊✅
-
Infrastructuur gekoppeld aan daadwerkelijke contracten en gebruik
-
Bedrijfstools met meetbare ROI (tijdsbesparing, opgeloste tickets, verkorte doorlooptijd)
-
Hybride systemen: AI + regels + menselijke tussenkomst (minder aantrekkelijk, betrouwbaarder) - en meer afgestemd op wat risicokaders teams ertoe aanzetten te bouwen. [5]
Vergelijkingstabel: snelle realiteitscheck van lenzen 🧰🫧
| lens | het beste voor | kosten | Waarom het werkt (en de addertje onder het gras) |
|---|---|---|---|
| Financieringsconcentratie | investeerders, oprichters | varieert | Als er een enorme hoeveelheid geld in één thema wordt gepompt, kan er een hype ontstaan... maar financiering alleen bewijst nog niet dat er een zeepbel is |
| Eenheidseconomie beoordeling | exploitanten, kopers | tijdkosten | Dwingt je tot de vraag "levert dit wel iets op?" - en onthult tevens waar de kosten verborgen zitten |
| Behoud + uitbreiding | productteams | intern | Als gebruikers niet terugkomen, is het een rage, sorry |
| Controle van infrastructuurfinanciering | macro, allocators | varieert | Uitstekend voor het opsporen van hefboomrisico's, maar moeilijk perfect te modelleren (scenario's spelen een rol) [2] |
| Openbare financiën en marges | iedereen | vrij | Een houvast in de realiteit - maar de prijzen kunnen nog steeds te hooggespannen zijn |
(Ja, het is een beetje onevenwichtig. Zo voelt het nu eenmaal bij het nemen van echte beslissingen.)
Een praktische checklist voor AI-bubbels 📝🤖
Voor AI-producten (apps, copiloten, agents) 🧩
-
Keert de gebruiker wekelijks terug zonder dat daar een aansporing voor nodig is?
-
Kan het bedrijf de prijzen verhogen zonder dat het klantverloop explosief stijgt?
-
Hoeveel output vereist menselijke correctie?
-
Zijn er sprake van bedrijfseigen gegevens, afhankelijkheid van specifieke workflows of distributiemethoden?
-
Dalen de inferentiekosten sneller dan de prijzen?
Voor infrastructuur 🏗️
-
Zijn er getekende overeenkomsten of gaat het alleen om "strategische interesse"?
-
Wat gebeurt er als de benutting lager is dan verwacht? (Modelleer een geval met tegenwind, niet alleen het basisgeval.) [2]
-
Wordt het gefinancierd met een zware schuldenlast?
-
Is er een plan voor het geval de hardwarevoorkeuren veranderen?
Voor de ‘AI-leiders’ op de beurs 📈
-
Groeit de kasstroom, of is dat slechts een verhaal?
-
Worden de marges groter of kleiner?
-
Is groei afhankelijk van een kleine groep klanten?
-
Gaat de waardering uit van permanente dominantie?
Afhaalmaaltijden voor de sluiting 🧠✨
Is er sprake van een AI-bubbel? Delen van het ecosysteem vertonen bubbelgedrag, met name bij copycat-apps, waarderingen gebaseerd op het verhaal erachter en projecten met een hoge schuldgraad.
Maar AI zelf is niet “nep” of “slechts marketing”. De technologie is echt. De acceptatie is echt – en we kunnen wijzen op echte investeringen, echte prognoses voor de energievraag en echte inkomsten in de kerninfrastructuur. [1][2][3]
Kort samengevat: verwacht een sanering in de zwakkere of overgefinancierde segmenten. De onderliggende verschuiving zet zich voort, alleen met minder illusies en meer spreadsheets.
Praktisch voorbeeld: het testen van een AI-gestuurde copiloot voordat je spreekt van "werkelijk rendement op investering"
Scenario
Stel je voor: een SaaS-bedrijf met 35 medewerkers overweegt een AI-gestuurde co-pilot voor hun klantenserviceteam. Het product ziet er indrukwekkend uit in de demo's: het vat tickets samen, stelt antwoorden op en suggereert links naar helpcentra. Maar het team wil weten of dit echt waarde biedt, of dat het gewoon weer een AI-product is dat meelift op de hype van de markt.
In plaats van de tool aan te schaffen op basis van de demo, voert de supportmedewerker een pilot van twee weken uit met 100 echte, maar geanonimiseerde historische tickets. Het doel is simpel: kan de co-pilot de tijd die nodig is om een antwoord op te stellen verkorten zonder dat dit leidt tot meer fouten, terugbetalingen of escalaties?
Wat de assistent nodig heeft
Het team geeft de copiloot:
-
30 goedgekeurde helpcentrumartikelen
-
20 voorbeelden van uitstekende antwoorden uit het verleden
-
Regels voor terugbetaling, annulering en escalatie
-
een lijst met zinnen die het merk vermijdt
-
Een duidelijke regel is dat factuurgeschillen, juridische dreigingen en boze zakelijke klanten bij een medewerker moeten worden gemeld
Voorbeeldinstructie
Je bent een supportmedewerker voor een B2B SaaS-bedrijf. Stel een behulpzaam antwoord op, uitsluitend gebaseerd op de goedgekeurde helpcentrumartikelen en beleidsrichtlijnen. Als het antwoord onduidelijk is, geef dan aan welke informatie ontbreekt en adviseer tot escalatie. Verzin geen productkenmerken, retourvoorwaarden of levertijden. Houd de toon rustig, specifiek en praktisch.
Hoe test je het?
Gebruik een kleine testomgeving voordat u het uitrolt:
-
Selecteer 100 eerdere tickets uit de categorieën facturering, installatie, bugs, annuleringen en accounttoegang.
-
Meet hoe lang agenten erover doen om antwoorden op te stellen zonder de copiloot.
-
Voer dezelfde taak uit met de copiloot op de aangegeven tijd.
-
Vraag een ervaren supportmedewerker om elk concept te beoordelen als "klaar om te verzenden", "lichte bewerking nodig", "grote bewerking nodig" of "onveilig".
-
Tel escalaties, waanvoorstellingen over beleid, verkeerde links naar help-pagina's en problemen met de toon.
Resultaat
Illustratief resultaat: gebaseerd op de tijd die nodig was voor 100 voorbeeldtickets vóór en na de workflow.
Vóór de copiloot besteedden agenten gemiddeld 6 minuten en 40 seconden aan het opstellen van hun eerste antwoord. Met de copiloot daalde dit gemiddelde naar 2 minuten en 25 seconden.
Dat scheelt ongeveer 4 minuten en 15 seconden per ticket. Bij 1500 tickets per maand komt dat neer op een besparing van ongeveer 106 uur aan opsteltijd per maand.
Kwaliteit blijft belangrijk. In dezelfde test:
-
Er waren 61 concepten klaar om te verzenden
-
28 hadden een lichte bewerking nodig
-
8 vereisten een grondige bewerking
-
Drie werden als onveilig gemarkeerd omdat ze een terugbetalingsregel hadden verzonnen of een escalatietrigger hadden gemist
Dat betekent dat de tool waardevol was, maar niet autonoom. Een verstandige uitrol zou agenten in staat stellen de tool te gebruiken voor eerste concepten, terwijl menselijke beoordeling verplicht blijft.
Wat kan er misgaan?
De grootste fout is om alleen snelheid te meten. Een copiloot die twee minuten bespaart, maar leidt tot terugbetalingsfouten, nalevingsrisico's of boze klanten, kan meer waarde vernietigen dan creëren.
Andere veelvoorkomende fouten zijn onder meer:
-
alleen eenvoudige tickets testen
-
De AI laten antwoorden op basis van verouderde helpdocumentatie
-
waarbij de kosten van menselijke beoordeling worden genegeerd
-
Het tellen van "gegenereerde concepten" in plaats van "veilig verzonden concepten"
-
Het niet bijhouden of klanten betere antwoorden ontvangen
Praktische tips
Een serieuze AI-bubbeltest werkt het best op de werkvloer. Vraag niet of de demo er slim uitziet. Vraag of de workflow meetbare tijd bespaart, het foutpercentage laag houdt en of het nog steeds werkt nadat de verborgen kosten van beoordeling, beheer en correcties zijn meegerekend.
Veelgestelde vragen
Is er momenteel sprake van een AI-bubbel?
Er is mogelijk sprake van een "AI-bubbel" in specifieke lagen, in plaats van in het hele AI-ecosysteem. De hype concentreert zich vaak in namaak-apps, waarderingen gebaseerd op verhalen en infrastructuurprojecten met hoge schulden, gefinancierd op basis van optimistische gebruiksverwachtingen. Tegelijkertijd is de adoptie al breed en boeken sommige belangrijke spelers in de infrastructuursector al concrete inkomsten. De uiteindelijke uitkomst hangt af van de vraag of het gebruik zich vertaalt in duurzame cashflows en klantbehoud.
Wat bedoelen mensen precies met de term "AI-bubbel"?
De meeste mensen bedoelen één – of meer – van de volgende vijf dingen: een waarderingsbubbel, een financieringsbubbel, een verhalenbubbel, een infrastructuurbubbel of een productbubbel. De verwarring ontstaat doordat "AI" al deze lagen in één kopregel samenvoegt. Als je de laag niet definieert, kun je langs elkaar heen discussiëren. Een duidelijkere vraag is welk onderdeel oververhit lijkt en waarom.
Bewijst de wijdverspreide toepassing van AI dat de markt geen zeepbel is?
Niet per se. Breed gebruik is een feit, maar adoptie vertaalt zich niet automatisch in duurzame winststromen. Organisaties kunnen AI op experimentele manieren inzetten, met lage kosten of op manieren die moeilijk op grote schaal te gelde te maken zijn. De belangrijkste test is of adoptie leidt tot terugkerende inkomsten, stijgende marges en een sterke klantretentie. Als dat niet gebeurt, kan er zelfs bij intensief gebruik nog een terugval plaatsvinden.
Hoe kan ik vaststellen of de implementatie van AI daadwerkelijk tot inkomsten leidt?
Een praktische aanpak is om de adoptie en de inkomsten over een langere periode te volgen, in plaats van alleen eenmalige gebruiksstatistieken. Zoek naar bewijs dat klanten voldoende betalen, lang genoeg blijven betalen en hun uitgaven verhogen naarmate ze meer gaan gebruiken. Ongelijkmatige inkomsten kunnen het duidelijkst naar voren komen bij kleinere bedrijven waar productiviteitswinsten niet direct in omzet worden omgezet. Als de omzetstijging inconsistent is, kunnen waarderingen de fundamentele waarden overstijgen.
Welke kosten per eenheid zijn het belangrijkst voor AI-producten?
De kosten per eenheid zijn belangrijk omdat inferentie veel kosten kan verbergen die verder gaan dan de "cloudkosten". Een nuttige invalshoek is de marginale kosten om waarde te leveren: tokens, GPU-tijd, latentiebeperkingen, beveiligingsmaatregelen, herhalingen, kwaliteitsborging en menselijke tussenkomst voor correcties. Koppel dit vervolgens aan de brutomarge, klantbehoud, groeimogelijkheden en terugverdienperiode. Als er veel menselijke correcties nodig zijn, kunnen de kosten hardnekkig hoog blijven.
Waarom is de kloof tussen "demo" en "productie" zo'n groot probleem?
De demo is vaak het makkelijke deel; de productie vereist betrouwbaarheid, naleving van regels, registratie en verantwoording. Verwarring, governance-vereisten en inkoopcycli vertragen de planning en kunnen de daadwerkelijke reikwijdte van wat er wordt geleverd beperken. Bij veel uitrolprojecten wordt er "tijdelijk" menselijk contact ingeschakeld, om vervolgens te ontdekken dat dit essentieel is voor kwaliteits- en risicobeheersing. Dat verandert zowel de vorm van het product als de kostenstructuur.
Waar is het risico op een AI-bubbel vandaag de dag het grootst?
Het risico op een zeepbel is het grootst bij namaakapps met vrijwel geen overstapkosten, startups die geprijsd zijn op "toekomstige dominantie" zonder bewezen klantbehoud, en beweringen over volledig autonome agenten die in werkelijkheid kwetsbare workflows hebben. Deze sectoren zijn sterk afhankelijk van een aantrekkelijk verhaal en kunnen snel instorten als de resultaten tegenvallen. Het patroon om in de gaten te houden is klantverloop: als gebruikers niet wekelijks terugkeren zonder aansporing, is het product mogelijk niet meer houdbaar.
Is de AI-infrastructuur (chips en datacenters) meer of minder gevoelig voor zeepbellen?
Het risico op zeepbellen kan kleiner zijn wanneer de vraag is gekoppeld aan contracten en een constant gebruik, maar dit brengt wel een ander soort risico met zich mee. Het grootste gevaar schuilt in de financiering: de hoge schuldenlast in combinatie met lange terugbetalingstermijnen kan leiden tot problemen als de benutting tegenvalt. Investeringen in infrastructuur zijn zeer gevoelig voor prognoses en scenarioplanning is belangrijk omdat onzekerheid reëel is. Een sterke, gecontracteerde vraag vermindert het risico, maar elimineert het niet volledig.
Wat is een praktische checklist om beweringen over een "AI-bubbel" te testen?
Gebruik een falsificeerbare bewering: "Rechtvaardigen deze kasstromen deze prijs?" Controleer voor producten de wekelijkse klantretentie, de prijszettingsmacht, de correctielast en of de inferentiekosten sneller dalen dan de prijzen. Kijk voor infrastructuur naar getekende overeenkomsten, benuttingsmodellen voor tegenwindscenario's en of er sprake is van een hoge schuldenlast. Als contracten, kasstromen en klantretentie standhouden, lijkt het eerder op een structurele verschuiving dan op een manie.
Referenties
[1] Stanford HAI - Het AI-indexrapport van 2025 - lees meer
[2] Internationaal Energieagentschap - Energievraag van AI (Energie- en AI-rapport) - lees meer
[3] NVIDIA Newsroom - Financiële resultaten voor het vierde kwartaal en het fiscale jaar 2025 (26 februari 2025) - lees meer
[4] OESO - Generatieve AI en het MKB-personeel (onderzoek 2024; gepubliceerd november 2025) - lees meer
[5] NIST - Kader voor risicobeheer van kunstmatige intelligentie (AI RMF 1.0) (PDF) - lees meer