Signalen, data, informatie, kennis, wijsheid. De meeste informatieprofessionals zullen het rijtje wel kennen. Voor mij kreeg het sinds ik vorig jaar aan mijn Life Lens System begon te bouwen ineens een heel andere betekenis. Een LLS is een systeem van digitale lenzen waarmee ik informatie zo organiseer dat mens en machine er betrouwbaar nieuwe verbanden en betekenis uit kunnen afleiden. Het riep schijnbaar simpele vragen op die verdomd lastig te beantwoorden bleken. Wanneer worden data eigenlijk informatie, en wanneer wordt informatie kennis? Maar hoe langer ik eraan werkte, hoe fundamenteler de vragen werden. Waarom is iets wat het is? Hoe weet je dat het klopt? Wat mag je daar vervolgens uit afleiden? Hoe zeker weet je dat? En hoe kom je erachter of dat wel klopt?
Ik dacht dat ik een paar praktische vragen over informatiearchitectuur probeerde te beantwoorden. Uiteindelijk had ik vier flinke preprints nodig om tot op de bodem uit te zoeken wat hier eigenlijk gebeurt. In mijn vorige column in IP schreef ik dat doorzoekbare tekst niet genoeg is. Mijn advies was om betekenis toe te voegen door entiteiten in teksten te herkennen en informatie verbindbaar te maken. Inmiddels ben ik een paar stappen verder. Want weten wát iets is blijkt nog maar het begin. De interessantere vraag is: hoe kun je uit een enorme berg informatie betrouwbaar nieuwe betekenis afleiden?
Fascinerend gedachtespoor
Tijdens mijn onderzoek stuitte ik op een fascinerend gedachtespoor. Francis Bacon hielp ons systematischer waar te nemen. René Descartes maakte van het denken een methode: ontleden, ordenen en stap voor stap redeneren. Gottfried Leibniz droomde ervan kennis zo te formaliseren dat we er ook mee konden rekenen. Alexander von Humboldt liet op ongekende schaal zien hoeveel zichtbaar wordt wanneer je waarnemingen met elkaar verbindt.
Charles Peirce onderzocht hoe tekens betekenis krijgen en hoe we uit waarnemingen tot nieuwe hypotheses komen. Ludwig Wittgenstein liet zien hoe sterk betekenis samenhangt met het gebruik van taal. Karl Popper voegde daar iets cruciaals aan toe: een serieuze bewering moet kunnen worden blootgesteld aan bewijs dat haar onderuithaalt. En Alan Turing formaliseerde uiteindelijk de vraag wat mechanisch kan worden berekend.
Het is geen rechte historische lijn. Eerder een gedachtespoor door eeuwen van pogingen om beter waar te nemen, te ordenen, te verbinden, betekenis te geven, te toetsen en te berekenen. En ineens begon ik te zien hoe actueel dat spoor is.
Bronnen nauwelijks verbonden
De mensheid heeft inmiddels een onvoorstelbare hoeveelheid kennis en informatie vastgelegd. In boeken, wetenschappelijke papers, archieven, wetgeving, jurisprudentie, onderzoeksrapporten en databases. Het merkwaardige is alleen dat het grootste deel daarvan nauwelijks met de rest verbonden is. Al die bronnen bevatten gezamenlijk veel meer dan enig mens ooit kan overzien, maar ze weten niets van elkaar. Misschien ontbreekt het ons daarom niet aan kennis. Misschien ontbreekt het ons vooral aan de mogelijkheid om de stukjes van wat we al weten betrouwbaar met elkaar te verbinden.
Metadata helpen daarbij. Named entity recognition (NER) ook. Machines kunnen inmiddels automatisch personen, organisaties, plaatsen en andere entiteiten uit teksten halen. Allemaal buitengewoon nuttig. Maar niet genoeg. Stel dat in drie documenten dezelfde minister, organisatie en wet voorkomen. Een machine kan die entiteiten probleemloos herkennen. Maar daarmee weet zij nog niet dat document A een aanname bevat, document B die aanname als feit overneemt, terwijl document C bewijs bevat dat haar tegenspreekt. NER ziet drie documenten met dezelfde entiteiten. Een goede informatiearchitectuur ziet een bewijsprobleem.
Context tussen informatieobjecten
Dáár begint voor mij het interessante werk. Je moet niet alleen weten wat iets is, maar ook wat erover wordt beweerd. Door wie. Wanneer. Onder welke voorwaarden. Op basis van welke bron. Welk bewijs een bewering ondersteunt of tegenspreekt. Welke andere beweringen ermee samenhangen. En welke gevolgtrekkingen daardoor wel en vooral ook níét gerechtvaardigd zijn. Betekenis zit dus niet alleen in de informatieobjecten zelf. Ze ontstaat voor een belangrijk deel uit de expliciete relaties, context en bewijssporen ertussen.
En dan blijven de twee vervelendste vragen over: hoe zeker weet je dat? En hoe kom je erachter of je gevolgtrekking daadwerkelijk klopt? Ik begin steeds sterker te vermoeden dat we daarmee aan de vooravond staan van het oplossen van een van de laatste grote informatiepuzzels: hoe we de kennis die de mensheid al heeft opgebouwd betrouwbaar met zichzelf kunnen verbinden.
Verrassende verhouding
Dat principe ben ik het afgelopen jaar op steeds grotere schaal gaan testen. Voor mijn Life Lens System bouw ik software agents die grote hoeveelheden wetenschappelijke literatuur, rapporten en andere bronnen kunnen verwerken, verbanden leggen, tegenspraak zoeken en gevolgtrekkingen proberen onderuit te halen. Daarbij kom ik steeds opnieuw bij een bijna omgekeerde verhouding uit dan je in de huidige AI-hype zou verwachten. Ik heb vooral IA nodig: informatiearchitectuur, met een héél klein beetje AI. Niet andersom.
In het huidige AI-geweld vergeten we namelijk iets merkwaardigs: tussen de mens en AI staat nog altijd een doodgewone computer. Een machine die we in de loop van tientallen jaren krankzinnig goed hebben gemaakt in razendsnel en exact rekenen. Zoeken, sorteren, tellen, vergelijken, relaties volgen en regels toepassen: een computer kan het miljoenen keren uitvoeren, steeds opnieuw op exact dezelfde manier. Daar heb je helemaal geen generatieve intelligentie voor nodig.
AI als vertaler
Ik gebruik AI daarom vooral als taalmodel: als vertaler tussen mijn vragen en de informatiearchitectuur eronder. Ik stel de vraag in gewone taal, het AI-taalmodel vertaalt die naar querycode en de computer voert die uit op informatie waarvan identiteit, relaties, context en bewijs expliciet zijn vastgelegd. Uiteindelijk ben ik degene die beoordeelt wat de uitkomst betekent.
Wat me daarbij nog steeds verbaast is de snelheid. Werk waarvoor ik vroeger dagen of weken nodig had, kunnen mijn agents inmiddels in minder dan een uur doen: bronnen verzamelen, beweringen uit elkaar trekken, verbanden leggen en tegenspraak opsporen, mét een bewijsspoor terug naar de bron. Hoe beter de informatiearchitectuur, hoe minder intelligent de machine hoeft te zijn. De winst zit niet in een machine die beter gokt, maar in informatie waarbij steeds minder gegokt hoeft te worden.
Informatielenzen combineren
Daarmee kwam ik weer uit bij dat handige rijtje. Signalen, data, informatie, kennis, wijsheid. Ik zie het inmiddels minder als vijf afzonderlijke bakken en meer als transformaties. Van waarnemen naar vastleggen. Van vastleggen naar betekenis. Van betekenis via bewijs naar toetsbare kennis. En uiteindelijk naar gevolgtrekkingen waarop we durven te handelen. Dat geeft het informatievak voor mij ineens een veel grotere betekenis. De informatieprofessional van de komende jaren bewaart, ordent en ontsluit niet alleen informatie. Hij of zij helpt de voorwaarden ontwerpen waaronder mensen én machines er betrouwbaar kennis uit kunnen afleiden. En precies daar komt mijn fascinatie voor lenzen vandaan.
Eeuwenlang bouwden we instrumenten om verder te kijken dan onze ogen reikten. Met telescopen keken we dieper het heelal in. Met microscopen steeds dieper de materie in. Daarna bouwden we machines die meer informatie konden verwerken dan een mens ooit kan overzien. Nu kunnen we die twee ideeën voor het eerst combineren. Ik noem die instrumenten informatielenzen. Iedere lens laat je vanuit een ander perspectief naar informatie kijken. Maar het wordt pas echt interessant wanneer je verschillende lenzen combineert. Dan kunnen verbanden, patronen en betekenissen zichtbaar worden die vanuit één perspectief verborgen blijven.
Tips van Martijn
> Onderliggende research, preprints en verdere duiding met betrekking tot het Life Lens System: bit.ly/LLS-Zenodo. Eind 2026 verschijnt bij Van Duuren Media een boek over dit onderwerp.
> Boekentip: Too Much to Know van Ann M. Blair (2010)
Over hoe mensen al eeuwenlang manieren bedenken om informatieovervloed hanteerbaar te maken: van notities en indexen tot naslagwerken en andere instrumenten om kennis te ordenen en terug te vinden.
> Reageren op de inhoud? Mail naar redactie@informatieprofessional.nl of deel je gedachten op LinkedIn.
Martijn Aslander is technologiefilosoof, internationaal spreker en auteur.
Deze bijdrage komt uit de papieren IP #6-2026. Het hele nummer kun je hieronder lezen of downloaden.