Slimmer dan de mens? ChatGPT-o3 en het belang van lange context in E-Discovery

Waar eerdere taalmodellen vooral indruk maakten met hun (relatief) vlotte antwoorden, gaat het bij modellen als o1 en o3 veel meer om grondigheid. Een treffend voorbeeld daarvan ondervond ik onlangs zelf. Mijn zoon en zijn familie waren op reis naar Singapore, maar hun initiële vlucht vanuit Amsterdam moest boven Duitsland terugkeren. Dat leidde tot een reeks omboekingen waardoor ze onbedoeld op oudejaarsdag om 10:50 uur vanuit Rome alsnog naar Singapore vertrokken. Het gevolg hiervan was dat ze letterlijk het nieuwe jaar zouden invliegen en pas op 1 januari in Singapore zouden landen. Mijn vraag aan o1 was op het oog simpel: “Wanneer en waar passeert mijn zoon middernacht lokale tijd, en hoe laat is het dan in Nederland?”

In plaats van direct te antwoorden, begon het o1 model aan een 1 minuut en 9 seconden durende redenering. Het model vergeleek vertrektijden en vluchtroutes, bekeek de typische tijdzoneverschillen boven Europa, het Midden-Oosten en Azië, en berekende uiteindelijk dat mijn zoon rond 19:30 uur Nederlandse tijd waarschijnlijk boven (oostelijk) India vloog, precies op het moment dat het daar middernacht zou zijn.

Dit wordt chain-of-thought reasoning genoemd: het model voert als het ware verschillende denkstappen uit. Het vergt zelfs extra rekentijd (soms wel een halve minuut of langer) om nauwkeurig en transparant te blijven. We krijgen hierdoor een taalmodel dat niet slechts een antwoord “raadt”, maar dat antwoord ook onderbouwt. En dat is cruciaal in een forensisch onderzoek, want daar telt niet alleen wát je vindt, maar ook hoe je daartoe komt.

Die ontwikkeling biedt echter niet alleen nieuwe mogelijkheden, maar ook nieuwe verantwoordelijkheden. Hoe ga je bijvoorbeeld om met vertrouwelijke of verschoningsgerechtigde informatie in zo’n enorme dataverzameling? Op dit moment zoeken opsporingsdiensten voornamelijk met trefwoorden en e-mailadressen, maar dat is omslachtig en verre van waterdicht. Bovendien ligt ongewenst inzien van zulke informatie op de loer. Juist op dit punt kan AI nu ook helpen — mits het model goed is ingericht en transparant werkt.

Dat het o1-model van OpenAI complexe gesprekken en data kan analyseren, staat niet op zichzelf. De AI-wereld bevindt zich (nog steeds) in een stroomversnelling, waarin meerdere grote spelers elkaar naar een hoger niveau tillen. OpenAI bouwt voort op het fundament van o1 met de aankondiging van o3. Opvallend is de snelheid van deze ontwikkeling: o3 werd slechts drie maanden na o1 geïntroduceerd, een teken van steeds sneller evoluerende taalmodellen.

Ook andere grote namen zetten significante stappen. Google innoveert met NotebookLM (bekend geworden door de populaire podcast functie) en Gemini 2.0, waarbij Gemini’s Thinking Mode AI-denklijnen inzichtelijker maakt en multimodale input en output toevoegt. Microsoft breidt zijn Copilot-assistent verder uit. Niet alleen in Office 365 en andere Microsoft-producten maar ook in consumentenelektronica zoals recent bleek uit aankondigingen door o.a. Samsung en LG op de Consumer Electronics Show in Las Vegas. Meta is een belangrijke leverancier van open-source LLM-technologie en heeft Llama 4 aangekondigd voor 2025, terwijl het Chinese DeepSeek indrukwekkende vooruitgang boekt op het gebied van redeneren en concurreert met o1.

De sprong van ChatGPT-o1 naar o3 laat zien hoezeer AI in drie maanden tijd kan veranderen. De combinatie van grote context en redenerend vermogen maakt AI geschikter voor het slimmer zoeken in digitale sporen. Maar de mens moet wel de regie houden. Gebruikers blijven verantwoordelijk voor de vraag die ze stellen, de interpretatie van het antwoord, en de juridische en ethische kaders waarbinnen ze opereren. Met andere woorden, het taalmodel is een copiloot die gebruikers ondersteunt bij het zoeken naar informatie. Net zoals dit artikel is geschreven met hulp van o1.