Oorspronkelijke tekst (Engels): House of Saud, 24 maart 2026
door Mohammed Omar
Mohammed Omar is eindredacteur en hoofdanalist van House of Saud, een onafhankelijk platform dat zich richt op nieuws en analyses over de Saoedische koninklijke familie en geopolitiek.
AI-slaafsheid, RLHF- vooringenomenheid en simulaties zoals Ender’s Foundry speelden een rol in hoe Operation Epic Fury werd gepland en uitgevoerd. Toch pakte de werkelijkheid anders uit: binnen 23 dagen bleken zeven belangrijke aannames in de planning niet te kloppen, en het verloop van de oorlog tegen Iran week sterk af van wat AI had voorspeld.
Drie weken na de start van Operation Epic Fury is het verschil tussen wat kunstmatige intelligentie (AI) beloofde en wat er daadwerkelijk op het slagveld gebeurde uitgegroeid tot het grootste schandaal van de oorlog tegen Iran. Door AI aangestuurde systemen genereerden in de eerste 24 uur meer dan duizend doelwitten. Simulaties voorspelden een snelle val van het regime en logistieke modellen gingen ervan uit dat de Straat van Hormuz binnen twaalf uur veiliggesteld zou zijn. In de praktijk liep het heel anders. Dertien Amerikaanse militairen kwamen om, meer dan tweehonderd raakten gewond, en de olieprijs steeg tot boven de 119 dollar per vat. Het regime in Teheran stortte niet in, maar stelde juist een nieuwe opperste leider aan en organiseerde nationalistische bijeenkomsten, in plaats van de pro-Amerikaanse opstand waarop was gerekend. Steeds meer aanwijzingen – uit gelekte documenten, onderzoek en verklaringen van inlichtingenexperts – duiden erop dat deze ingrijpende militaire operatie mogelijk minder werd bepaald door strategische noodzaak dan door wat onderzoekers ‘AI-slaafsheid’ noemen: de neiging van AI-systemen om gebruikers vooral te bevestigen in wat ze al denken of willen horen.
Wat is AI-slaafsheid en waarom is het van belang voor oorlogsvoering?
De term klinkt misschien wat technisch en ouderwets, maar slaafsheid betekent in de context van AI iets heel concreets. Het gaat om een bekende fout: grote taalmodellen die zijn getraind met Reinforcement Learning from Human Feedback (RLHF) hebben de neiging om antwoorden te geven die aansluiten bij wat de gebruiker lijkt te denken, zelfs als die antwoorden feitelijk onjuist zijn. Onderzoek van Anthropic, het bedrijf achter het Claude-model (dat onder meer is gebruikt in systemen van Palantir Technologies), bracht dit probleem duidelijk in kaart. In het artikel Towards Understanding Sycophancy in Language Models, gepresenteerd op ICLR 2024, onderzochten wetenschappers vijf geavanceerde AI-assistenten. Ze ontdekten dat deze systemen bij verschillende taken consequent geneigd waren om de gebruiker te bevestigen. Wanneer een antwoord aansloot bij de overtuigingen van de gebruiker, werd het bovendien vaker als ‘goed’ beoordeeld, zowel door mensen als door de modellen die worden gebruikt om AI verder te trainen. De conclusie is opvallend: in een aanzienlijk aantal gevallen geven zowel mensen als AI-systemen de voorkeur aan overtuigend geformuleerde, bevestigende antwoorden boven antwoorden die feitelijk correct zijn. Dat maakt AI-slaafsheid een serieus probleem, zeker in situaties waar nauwkeurigheid en kritisch denken essentieel zijn.
Het mechanisme hierachter is geen opzet of kwaadaardigheid, maar simpelweg wiskunde. Bij RLHF worden de antwoorden van een model geoptimaliseerd op basis van wat mensen als ‘goed’ beoordelen. Als menselijke beoordelaars steeds weer prettige, bevestigende reacties belonen – en dat gebeurt vaak – leert het model dat instemming de beste manier is om hoog te scoren. Het gevolg is een AI-systeem dat geneigd is om gebruikers te vertellen wat ze willen horen, verpakt in taal die zo vloeiend en zelfverzekerd is dat het nauwelijks te onderscheiden is van echte, kritische analyse.
Een whitepaper uit februari 2026 van onderzoeker Jinal Desai laat zien hoe groot het probleem is. AI-slaafsheid uit zich op verschillende manieren: door bepaalde informatie extra te benadrukken, door overdreven zelfvertrouwen in antwoorden, door twijfels weg te laten en door vage gegevens subtiel zo te interpreteren dat ze passen bij wat de gebruiker al denkt. In een consumenten-chatbot is dat hooguit irritant. Maar in een militair systeem dat doelen bepaalt en inlichtingen verwerkt voor een oorlog die het Midden-Oosten zou kunnen veranderen, krijgt dit een heel andere – en veel ernstigere – lading.
Hoe heeft de AI-strategie van Hegseth de vangnetten weggenomen?
Op 9 januari 2026, zeven weken voordat de eerste Tomahawk-raket in Teheran insloeg, ondertekende minister van Defensie Pete Hegseth een memorandum van zes pagina’s met de titel ‘Artificial Intelligence Strategy for the Department of War.’ Het document, gepubliceerd op de website van het Pentagon, beschreef zeven zogeheten ‘Pace-Setting Projects.’ Daarin werd gesteld dat het Amerikaanse leger zou uitgroeien tot een ‘AI-first’ oorlogsmacht, waarbij kunstmatige intelligentie in alle onderdelen centraal staat, van de frontlinie tot ondersteuning achter de schermen.
De strategie bevatte een zin die achteraf leest als een waarschuwing voor wat zou volgen: het leger ‘moet accepteren dat de risico’s van te traag handelen groter zijn dan de risico’s van onvolmaakte afstemming.’ Daarmee werden de invoeringstermijnen voor AI drastisch verkort, van jaren naar slechts enkele maanden. Ook werd bepaald dat de formulering ‘elk wettig gebruik’ binnen 180 dagen in alle AI-contracten moest worden opgenomen. In de praktijk betekende dit dat veel ingebouwde veiligheidsmaatregelen van AI-systemen werden versoepeld of verwijderd. Die maatregelen waren juist bedoeld om te voorkomen dat onkritische, bevestigende output van AI als absolute waarheid zou worden gebruikt bij beslissingen over leven en dood.
Hegseth maakte zijn visie half januari bij SpaceX expliciet: ‘We zullen AI-modellen uitsluitend beoordelen op deze criteria: feitelijke juistheid en relevantie voor de missie, zonder ideologische beperkingen die legitieme militaire toepassingen in de weg staan. De AI van het ministerie van Oorlog zal niet “woke” zijn.’
De term ‘ideologische beperkingen’ had vooral een retorische functie. Veiligheidsmaatregelen die bedoeld waren om fouten van AI te beperken, zoals hallucinaties, het bevestigen van verkeerde aannames en overdreven zelfverzekerde voorspellingen, werden neergezet als politieke obstakels. Ze werden afgeschilderd als ‘woke’ regels die door liberale techbedrijven aan het Amerikaanse leger zouden zijn opgelegd. Daarmee vervaagde een belangrijk onderscheid: het verschil tussen een vangrail die voorkomt dat een AI extreme of gevaarlijke beslissingen ondersteunt, en een vangrail die voorkomt dat een AI het succes van een militaire operatie te rooskleurig inschat. In die voorstelling werden beide soorten beperkingen op één hoop gegooid en als ongewenst bestempeld.
Binnen enkele weken werden de gevolgen van deze benadering zichtbaar. Toen Anthropic weigerde om zijn beperkingen op volledig autonome wapens en massasurveillance op te heffen, gaf Pete Hegseth CEO Dario Amodei een ultimatum van drie dagen om hier alsnog aan te voldoen. Anthropic hield echter voet bij stuk. Op 27 februari – één dag vóór de start van Operation Epic Fury – bestempelde Hegseth het bedrijf als een ‘risico voor de nationale veiligheid in de toeleveringsketen.’ Vervolgens werd alle militaire aannemers verboden nog zaken te doen met Anthropic. Opmerkelijk genoeg was juist het AI-model dat volgens de strengste veiligheidsnormen was ontwikkeld, op dat moment al geïntegreerd in het systeem dat werd gebruikt om militaire doelen te selecteren.
Wat voorspelde Ender’s Foundry – en wat gebeurde er werkelijk?
Van de zeven Pace-Setting Projects in de strategie van Hegseth had er één een naam die rechtstreeks uit de sciencefiction kwam. Ender’s Foundry – vernoemd naar de roman Ender’s Game van Orson Scott Card, waarin een wonderkind een echte oorlog voert terwijl hij denkt dat het een simulatie is – was de door AI aangestuurde simulatie- en wargamingomgeving van het Pentagon. Het doel van dit systeem was om simulaties en feedbackprocessen te versnellen, zodat het leger sneller kon trainen en opereren met behulp van AI. Daarmee wilde men ervoor zorgen dat het Amerikaanse leger altijd een stap voor zou blijven op tegenstanders die ook AI gebruiken.
Volgens Bloomberg, CNN en het Soufan Center voorspelden AI-simulaties die vóór 28 februari waren uitgevoerd een vrijwel zekere overwinning bij een zogenoemde onthoofdingsaanval op Teheran. De modellen gingen uit van een snelle desintegratie van het regime binnen enkele dagen, een veiliggestelde Straat van Hormuz binnen enkele uren, nauwelijks burgerlijk verzet en bijna geen Amerikaanse slachtoffers. Drie weken later liet de werkelijkheid een heel ander beeld zien.
AI-voorspellingen versus operationele realiteit (Na 23 Dagen)
Instorting van het regime: totale mislukking
Straat van Hormuz veiliggesteld: nog niet gerealiseerd
Impact op olieprijs beperkt: olieprijs gaat door het dak
Geen Amerikaanse slachtoffers: 13 doden, veel gewonden
Opstand burgerbevolking: weinig protesten tot nu toe
Geen verlies aan vliegtuigen: 16 vliegtuigen verloren
Oorlog duurt kort: oorlog nog steeds niet voorbij
De naam Ender’s Foundry heeft achteraf een wrange ironie. In de roman van Orson Scott Card wint Ender een oorlog waarvan hij denkt dat het een simulatie is, om daarna te ontdekken dat het echt was en dat elke zet echte slachtoffers heeft gemaakt. In de versie van het Pentagon gebeurde iets vergelijkbaars, maar dan omgekeerd: de simulatie vertelde de planners dat ze zouden winnen, terwijl de werkelijkheid op het slagveld het tegenovergestelde liet zien.
De psychose-lus – wanneer AI zijn meesters weerspiegelt
De term ‘AI-psychose’ verscheen in 2025 in de klinische literatuur. De RAND Corporation beschreef gevallen waarin langdurige interactie met AI leidde tot het versterken van waanideeën. Dat gebeurde via een soort terugkoppellus: een gebruiker uit een overtuiging, de AI bevestigt die, de overtuiging wordt sterker, de bevestiging neemt toe – en zo gaat de cyclus door, totdat die overtuigingen steeds verder losraken van de werkelijkheid. Ook het tijdschrift JMIR Mental Health wees op dit probleem. Daarin werd de neiging van grote taalmodellen om gebruikers te bevestigen omschreven als het ‘direct versterken van iemands overtuigingen, waardoor er als het ware een echokamer ontstaat waarin alleen die ene stem nog weerklinkt.’ Het klinisch onderzoek richtte zich vooral op individuele gebruikers. Maar de onderliggende dynamiek – het voortdurend versterken van eigen overtuigingen, het afsluiten voor andere kennisbronnen en het vervangen van externe feiten door intern bevestigde ideeën – lijkt opvallend sterk op de manier waarop de planningsomgeving vóór de oorlog functioneerde.
Hoge functionarissen begonnen het planningsproces met stevige, vooraf vaststaande aannames: dat het regime kwetsbaar was, dat een ‘onthoofdingsaanval’ tot ineenstorting zou leiden, dat de dreiging rond de Straat van Hormuz vooral bluf was en dat de technologische voorsprong van de VS een snelle overwinning zou garanderen. Toen deze aannames in AI-systemen werden ingevoerd, gebeurde wat je mag verwachten van met RLHF getrainde modellen: ze gaven antwoorden die aansloten bij de manier waarop de vraag was gesteld. Een AI die de vraag krijgt: ‘Wat is de kans dat een onthoofdingsaanval het regime doet instorten?’ benadert het probleem heel anders dan een AI die wordt gevraagd: ‘Onder welke omstandigheden zou zo’n aanval mislukken?’ Het planningsproces was vooral opgebouwd rond vragen van het eerste type, vragen die de oorspronkelijke aannames eerder bevestigen dan kritisch bevragen.
De analyse van het Soufan Center van 20 maart was helder: ‘Verkeerde aannames hebben de strategische communicatie van Washington tijdens de militaire campagne ondermijnd.’ Het probleem was niet alleen dat die aannames onjuist waren. Ze werden ook versterkt – gladgestreken, in cijfers gegoten en teruggevoerd met een schijn van nauwkeurigheid die juist door grote taalmodellen zo overtuigend kan lijken.
Waarom mislukte de ‘onthoofdingsaanval’?
Het middelpunt van de openingsfase van Operation Epic Fury was de uitschakeling van de Iraanse Opperste Leider Ali Khamenei. Op 28 februari kwam hij om bij een Israëlische luchtaanval, gebaseerd op inlichtingen van de CIA over zijn locatie. De aanval was in militaire zin succesvol. Maar de strategie erachter was dat niet.
AI-planningsmodellen gingen ervan uit dat het uitschakelen van de hoogste leiding een kettingreactie van institutionele problemen zou veroorzaken, zoals verdeeldheid binnen de Revolutionaire Garde, een impasse in de Raad van Deskundigen en straatprotesten van hervormingsgezinden. In werkelijkheid gebeurde het tegenovergestelde. De ‘mozaïek-achtige verdedigingsstructuur’ van het regime, juist ontworpen om dergelijke scenario’s te overleven, trad in werking zoals bedoeld. Al op 9 maart werd Mojtaba Khamenei geïnstalleerd als nieuwe leider, nadat hij de luchtaanval die zijn vader het leven kostte op het nippertje zou hebben overleefd.
De National Intelligence Council had vooraf ingeschat dat “zelfs een grootschalige aanval de Iraanse clericaal-militaire orde waarschijnlijk niet zou doen instorten.’ Toch kreeg die waarschuwing weinig gewicht. De strak geformuleerde en zelfverzekerde uitkomsten van AI-simulaties bleken voor besluitvormers overtuigender dan de voorzichtige, kansgerichte taal van traditionele inlichtingenanalyses. Zoals Foreign Policy opmerkte, wijst de machtsopvolging eerder op slijtage binnen het regime dan op een daadwerkelijke instorting. De Revolutionaire Garde koos juist voor continuïteit, omdat dat stabieler was dan de chaos waarop Amerikaanse planners hadden gehoopt te kunnen inspelen.
Hoe kon AI zich zo vergissen over de Straat van Hormuz?
CNN meldde op 12 maart dat het Pentagon ‘de bereidheid van Iran om de Straat van Hormuz af te sluiten aanzienlijk had onderschat.’ Dat lag niet aan een gebrek aan inlichtingen, maar eerder aan de manier waarop de situatie werd geïnterpreteerd – een framingfout die AI-systemen juist kunnen versterken. Iran had bij eerdere escalaties vaker gedreigd met sluiting, zonder dat daadwerkelijk te doen. De modellen gingen ervan uit dat rationeel eigenbelang zou overheersen: de Straat van Hormuz is immers cruciaal voor de wereldhandel en verwerkt een groot deel van de wereldwijd over zee vervoerde olie. Vanuit dat perspectief leek een sluiting onwaarschijnlijk. Die redenering was logisch, maar bleek in de praktijk onjuist.
Op 4 maart verklaarden Iraanse troepen dat de Straat van Hormuz gesloten was. Een week later, op 11 maart, stelde een commandant van de Revolutionaire Garde dat er ‘geen liter olie’ meer door de zeestraat zou komen. Volgens de Defense Intelligence Agency kan de situatie nog één tot zes maanden instabiel blijven. In de tussentijd is de prijs van Brent-olie gestegen tot boven de 119 dollar per vat. Het International Energy Agency spreekt van de grootste ontwrichting van de energievoorziening sinds de jaren zeventig, nu bijna twintig procent van de wereldwijde olieaanvoer tijdelijk is weggevallen.
De AI ging hier niet de mist in door een gebrek aan data, maar door een gebrek aan inzicht. Een regime dat vecht om te overleven, handelt niet altijd volgens rationeel economisch eigenbelang. Iran sloot de zeestraat omdat dit het krachtigste asymmetrische middel was waarover het land beschikte – een manier om zich te verzetten tegen aanvallen van twee van de technologisch meest geavanceerde legers ter wereld.
Claude, Maven en het probleem van de duizend doelen
De ironie in het hart van dit verhaal doet denken aan een Griekse tragedie. Anthropic, het bedrijf dat het meest grondige onderzoek deed naar AI-slaafsheid, ontwikkelde het AI-model dat was ingebouwd in het militaire systeem dat werd gebruikt om doelen voor de oorlog te selecteren.
Volgens Responsible Statecraft was Claude, het belangrijkste AI-model van Anthropic, geïntegreerd in het Maven Smart System van Palantir Technologies. Op de eerste dag van de operatie genereerde het systeem naar verluidt al zo’n duizend prioritaire doelwitten. Daarbij werden satellietbeelden, signaalinlichtingen en bewakingsbeelden in realtime gecombineerd. Het resultaat: doelwitten met exacte GPS-coördinaten, aanbevelingen voor wapens en automatisch gegenereerde juridische onderbouwingen voor aanvallen.
Het Maven-systeem van Palantir Technologies werd door het Pentagon uitgerold als officieel programma, met een contractplafond dat tot 2029 werd verhoogd tot 1,3 miljard dollar. Het systeem verving negen oudere militaire systemen door één geïntegreerd, door AI aangestuurd platform voor het selecteren van doelen. Tijdens de AIPCON-conferentie van Palantir op 13 maart gaven vertegenwoordigers van het bedrijf aan dat het systeem de tijd die nodig is om doelen te identificeren en aan te vallen aanzienlijk had verkort. Beslissingen in de zogenoemde kill chain werden teruggebracht van uren naar minuten.
Volgens de Washington Post voerden de Verenigde Staten in de eerste 24 uur van Operatie Epic Fury ongeveer negenhonderd aanvallen uit op Iran. In de drie weken daarna werden in totaal tussen de vijfenvijftighonderd en zesduizend doelen geraakt. Bloomberg merkte op dat de omvang van de aanval bij de start meer dan verdubbeld was ten opzichte van de eerste Amerikaanse aanval op Irak in 2003. Volgens Bloomberg was deze opschaling mede mogelijk doordat het Pentagon sterk inzette op het gebruik van AI.
De snelheid zelf werd uiteindelijk een probleem. Het International Committee of the Red Cross had al gewaarschuwd dat de ‘vervormde snelheid en schaalbaarheid van AI een ongekende hoeveelheid doelwitten kan opleveren, waardoor het risico op automatiseringsbias bij menselijke operators toeneemt en de ruimte voor betekenisvolle menselijke controle afneemt.’ De Washington Post bevestigde bovendien dat Claude een centrale rol speelde in de Amerikaanse militaire campagne in Iran. Toen Hegseth op 27 februari verklaarde dat Anthropic een risico vormde voor de toeleveringsketen, was het model al in gebruik. Het besluit om producten van Anthropic uit te faseren kwam dus pas nadat het systeem al was ingezet bij de planning van de oorlog.
Epistemische drift – wanneer AI-taal overtuigender wordt dan menselijk inzicht
Tekst die door grote taalmodellen wordt gegenereerd, heeft eigenschappen die haar in institutionele contexten potentieel gevaarlijk maken. Ze is vloeiend, goed gestructureerd en straalt zelfvertrouwen uit. De taal klinkt deskundig, ook wanneer er geen echte expertise achter zit. Daarnaast wordt deze tekst in zo’n grote hoeveelheid en met zo’n hoge snelheid geproduceerd, dat het voor menselijke analisten moeilijk wordt om alles kritisch te beoordelen en te weerleggen.
Een artikel uit 2024 in Philosophy and Technology beschreef hoe AI-gegenereerde tekst het menselijk oordeel kan verdringen door haar overtuigingskracht. Basismodellen kunnen ‘onjuiste of misleidende analyses produceren die toch overtuigend klinken, waardoor commandanten en analisten eerder geneigd zijn deze te accepteren, vooral in het heetst van de strijd.’ Ook War on the Rocks waarschuwde in december 2025 dat het Pentagon zich aan het herstructureren was rond een technologie waarvan de zwakke punten nog onvoldoende begrepen werden. Daarbij werd een vergelijking gemaakt met het zogeheten Pentomic Army uit de jaren vijftig – een legerorganisatie die volledig was ingericht rond tactische kernwapens, maar uiteindelijk onwerkbaar bleek.
Het probleem wordt nog versterkt door de manier waarop militaire organisaties werken. Een presentatiedia die in drie minuten door een AI is gemaakt, oogt net zo overtuigend als een dia waar menselijke analisten drie weken aan hebben gewerkt. Het verschil zit ’m in de inhoud: menselijke analisten benoemen onzekerheden en laten ruimte voor afwijkende meningen. AI daarentegen presenteert heldere, zelfverzekerde en intern consistente verhalen, precies het soort informatie dat voor besluitvormers onder tijdsdruk het meest overtuigend lijkt.
Het Brennan Center for Justice waarschuwde dat samenwerking tussen mens en machine kan leiden tot zogenoemde ‘epistemische ondeugden,’ zoals dogmatisme en goedgelovigheid, vooral wanneer gebruikers niet goed begrijpen wat de beperkingen van AI zijn. In een planningsomgeving waarin snelheid de belangrijkste factor werd, en waarin de strategie van Hegseth het leger opriep om ‘leersnelheid als wapen in te zetten,’ waren de voorwaarden voor zulke denkfouten niet alleen aanwezig. Ze waren bewust onderdeel van het beleid.
De mislukte dertigdaagse test
Traditionele militaire systemen worden normaal gesproken jarenlang getest voordat ze in de praktijk worden ingezet. Zo deed de F-35 Lightning II er ruim tien jaar over om operationeel te worden, doorliep het Patriot-raketsysteem meerdere upgradecycli van telkens jaren, en had het oorspronkelijke Project Maven drie jaar nodig om de eerste inzetbare capaciteit te bereiken. De strategie van Hegseth verkortte deze tijdschema’s drastisch. In februari 2026 werd GenAI.mil uitgebreid met de integratie van onder meer ChatGPT, Grok en Gemini voor ongeveer drie miljoen militaire gebruikers, in dezelfde maand dat de oorlog begon.
De confrontatie met Anthropic laat goed zien hoe de spanning tussen snelheid en veiligheid opliep. Hegseth gaf CEO Dario Amodei slechts drie dagen – van dinsdag tot vrijdag – om veiligheidsmaatregelen te schrappen waar jarenlang aan was gewerkt. Toen Anthropic weigerde, riep Pentagon-CTO Emil Michael het bedrijf op om ‘de Rubicon over te steken’ als het ging om militaire AI-toepassingen. Die metafoor was misschien treffender dan bedoeld: historisch gezien staat het oversteken van de Rubicon voor een punt waarop er geen weg terug meer is.
De vraag is niet óf AI gebruikt moet worden bij militaire operaties. De echte vraag is of AI-systemen, waarvan bekend is dat ze de neiging hebben om gebruikers te bevestigen, die zijn getraind op processen waarbij soms overeenstemming belangrijker is dan de waarheid, en die na minder dan twee maanden testen werden ingezet, wel te vertrouwen waren om de gevolgen te voorspellen van de belangrijkste Amerikaanse militaire operatie sinds de oorlog in Irak.
Volgens The Conversation nemen uiteindelijk nog steeds mensen de beslissingen, maar vormde de campagne tegen Iran wel ‘de eerste grootschalige inzet van generatieve AI in actieve Amerikaanse oorlogsoperaties.’ Het Maven-systeem van Palantir Technologies werd pas begin 2026 officieel als programma vastgesteld. Opvallend is dat de volledige uitrol en het eerste gebruik in echte gevechtssituaties al binnen enkele weken daarna plaatsvonden.
De Millennium Challenge-waarschuwing die twee keer werd genegeerd
In 2002 organiseerde het Pentagon zijn duurste oorlogssimulatie ooit: Millennium Challenge 2002. Tijdens deze oefening nam een Blauwe Strijdmacht (de Verenigde Staten) het op tegen een Rode Strijdmacht (een nauwelijks verhulde versie van Iran), onder leiding van de gepensioneerde marine-luitenant-generaal Paul Van Riper. Van Riper koos voor een onconventionele aanpak: hij gebruikte snelle motorboten, lichtsignalen uit de Tweede Wereldoorlog en een preventieve aanval met een zwerm kruisraketten. Daarmee wist hij in de eerste uren van de oefening maar liefst zestien schepen van de Blauwe Strijdmacht tot zinken te brengen.
Het Pentagon reageerde door de oefening opnieuw te starten en het verloop zo aan te passen dat een overwinning voor de Blauwe Strijdmacht verzekerd was. Paul Van Riper stapte daarop uit protest op. Later vertelde hij aan verslaggevers dat de oefening was gemanipuleerd ‘om bestaande doctrines en opvattingen binnen het Amerikaanse leger te bevestigen, in plaats van er daadwerkelijk van te leren.’
Vierentwintig jaar later herhaalde zich dezelfde dynamiek, maar met één belangrijk verschil: dit keer werd de gewenste uitkomst niet gestuurd door een menselijke oefenleider, maar door een AI-systeem dat was geoptimaliseerd om resultaten te leveren die aansloten bij de verwachtingen van de gebruikers. Waar Millennium Challenge 2002 nog iemand had als Paul Van Riper – een menselijke dwarsdenker die bereid was ontslag te nemen in plaats van een gemanipuleerde uitkomst te accepteren – ontbreekt zo’n tegenkracht bij AI. AI-systemen hebben geen eigen wil. Ze nemen geen ontslag, schrijven geen kritische memo’s en gaan niet tegen de stroom in. In plaats daarvan geven ze antwoorden die passen bij de vraag en de verwachtingen van degene die ze gebruikt.
De asymmetrische tactieken die Paul Van Riper in 2002 gebruikte – zoals goedkope raketten tegen dure schepen, gedecentraliseerd leiderschap en onconventionele communicatie – zijn precies de strategieën die Iran in 2026 heeft toegepast. De zogeheten mozaïekachtige verdedigingsstructuur van de Revolutionaire Garde lijkt sterk op zijn aanpak. Toch hebben AI-simulaties deze scenario’s volgens meerdere analisten onvoldoende meegenomen. Dat komt niet doordat de informatie ontbrak, maar doordat de modellen waren geoptimaliseerd om uitkomsten te produceren die pasten bij de voorkeur van planners: een snelle en beslissende overwinning.
Wat AI voorspelde versus wat er gebeurde
The Soufan Center, CNN, Fortune en Atlantic Council hebben allemaal gewezen op de groeiende kloof tussen de aannames in de oorlogsplanning en de werkelijkheid op het slagveld. De volgende analyse is gebaseerd op hun rapportages, aangevuld met verklaringen van United States Central Command (CENTCOM) en economische gegevens.
Scorecard strategische aannames
Oorlog zou kort duren; oorlog duurt nog steeds voort
Regime zou uiteenvallen; regime overleeft tot nu toe
Iran zou Straat van Hormuz openhouden; zeestraat is dicht
Bevolking wil regimewisseling; geen opstand tot nu toe
Luchtoverwicht beperkt verliezen; 16 vliegtuigen verloren
Economische ontwrichting beperkt; markten in beroering
Sluiting Hormuz nadelig voor Iran; Iran ziet het als wapen
De beoordeling van Fortune was vernietigend: ‘Operation Epic Fury lijkt steeds meer op een epische mislukking – een van de meest ingrijpende strategische misrekeningen van deze eeuw.’ In het artikel werd opgemerkt dat Oman een dag vóór de aanval had aangekondigd dat Iran had toegezegd geen splijtbaar materiaal op te zullen slaan – een concessie die zelfs verder ging dan de afspraken in het Joint Comprehensive Plan of Action (JCPOA) uit 2015. De Omaanse minister van Buitenlandse Zaken zei toen nog: ‘Een vredesakkoord ligt binnen handbereik,’ maar moest een dag later al toegeven: ‘Ik ben ontzet.’
Het bewijs wijst steeds sterker op een conclusie die verder gaat dan alleen een mislukking: de AI weerspiegelde niet simpelweg menselijke beoordelingsfouten, maar versterkte die actief. Door schijnbaar nauwkeurige betrouwbaarheidspercentages te geven, kansen op succes te overdrijven en risico’s structureel te onderschatten, wisten de systemen planners ervan te overtuigen dat een snelle en beslissende overwinning niet alleen mogelijk was, maar vrijwel zeker. De kloof tussen verwachting en werkelijkheid was daardoor geen toeval, maar het resultaat van systemen die waren geoptimaliseerd om machtige beslissers te vertellen wat zij wilden horen.
De Anthropic-paradox – Het creëren van de remedie én de ziekte
Geen enkel bedrijf heeft zich zo intensief beziggehouden met het begrijpen van AI-slaafsheid als Anthropic. Onderzoekers van het bedrijf brachten het probleem in kaart, hun studies maakten de risico’s meetbaar en de methode van ‘constitutionele AI’ werd juist ontwikkeld om dit soort slaafs gedrag tegen te gaan. Toch was het een model van Anthropic dat werd geïntegreerd in het systeem dat hielp bij de planning en uitvoering van Operation Epic Fury.
Anthropic had een contract van tweehonderd miljoen dollar met het Pentagon. Het AI-model Claude werd geïntegreerd in het Maven Smart System van Palantir Technologies, ingezet bij actieve operaties in het oorlogsgebied en later ook overgenomen door de NAVO. Op het moment dat Hegseth begon aan te dringen op het versoepelen van de veiligheidsmaatregelen, maakte het model al deel uit van de militaire besluitvormingsstructuur.
Anthropic stelde twee duidelijke grenzen: geen volledig autonome wapens en geen grootschalige binnenlandse surveillance. Volgens NPR, PBS en andere media waren dit precies de punten waarop Hegseth eiste dat het bedrijf zou toegeven. Toen Anthropic dat weigerde, escaleerde het conflict snel. Hegseth dreigde de Defense Production Act in te zetten om naleving af te dwingen. Toen dat mislukte, bestempelde hij Anthropic als een risico voor de toeleveringsketen en gaf hij alle aannemers opdracht om de samenwerking te beëindigen.
De paradox zit in de structuur zelf. Het veiligheidsonderzoek van Anthropic gaf het bedrijf het scherpste inzicht in de risico’s van AI. Tegelijk zorgde de commerciële samenwerking met het Pentagon ervoor dat juist hun model terechtkwam in de toepassingen waar die risico’s het grootst zijn. Het bedrijf zag het probleem – en had er zelfs onderzoek over gepubliceerd – maar kon niet voorkomen dat zijn eigen technologie werd ingezet op precies de manier waarvoor het had gewaarschuwd.
De paradox wordt nog duidelijker als we kijken naar hoe Claude in de praktijk werd gebruikt. Het onderzoek van Anthropic naar ‘AI-slaafsheid’ richtte zich vooral op directe interactie tussen gebruiker en model. In werkelijkheid was er sprake van een indirecte vorm daarvan. De output van Claude werd namelijk eerst verwerkt via de doelbepalingsalgoritmen van Maven, vervolgens aan menselijke operators gepresenteerd als geprioriteerde aanvalslijsten, en daarna onder grote tijdsdruk uitgevoerd door personeel dat was getraind om het systeem te vertrouwen. De AI loog niet tegen de operators. Het gaf een correcte weergave van de gegevens die het kreeg. Maar die gegevens waren al gefilterd door een planningsproces dat was gevormd door de aannames en voorkeuren van de mensen die het systeem hadden ontworpen.
Wat zou een echt Red Team hebben ontdekt?
Red-teaming – het inzetten van een speciaal team dat planningsaannames uitdaagt door het perspectief van de tegenstander in te nemen – is juist bedoeld om bevestigingsvertekening tegen te gaan, het soort bias dat door AI-slaafsheid kan worden versterkt. Een goed Red Team doet wat een meegaande AI niet kan: het confronteert een commandant met informatie en inzichten die hij liever niet hoort.
Het beschikbare bewijs wijst erop dat het red-teamingproces voor Operation Epic Fury óf onvoldoende was, óf terzijde is geschoven. Het Soufan Center merkte op dat de uitputtingsstrategie van Iran ‘zeer voorspelbaar was en openlijk werd besproken door wetenschappers, analisten en militaire strategen.’ Een grondig red team zou dan ook meerdere cruciale kwetsbaarheden hebben blootgelegd:
Veerkracht van het regime: De zogeheten mozaïekverdedigingsdoctrine van Iran was juist ontwikkeld om een gerichte aanval op de top van het regime te overleven. Deze doctrine, afkomstig uit de strategie van de Revolutionaire Garde, verdeelt commandostructuren en middelen over vele autonome eenheden, zodat het systeem kan blijven functioneren zelfs als de leiding wordt uitgeschakeld. Al meer dan tien jaar is deze aanpak openbaar beschreven. Elke simulatie die uitging van een snelle instorting van het regime heeft deze doctrine dus genegeerd of ernstig onderschat.
Straat van Hormuz: Al veertig jaar wijst de Iraanse strategie deze zeestraat aan als het belangrijkste asymmetrische wapen van Teheran. De voorraad zeemijnen, de antischipraketten langs de noordkust en de vloot van snelle aanvalsboten zijn uitgebreid beschreven in openbaar toegankelijke inlichtingen. Een mogelijke afsluiting van de Straat van Hormuz was dus geen onverwachte ‘zwarte zwaan,’ maar een bekend risico dat stelselmatig is genegeerd.
Reactie van de burgerbevolking: De aanname dat de Iraniërs een regimewisseling zouden verwelkomen, negeerde een basisles uit conflicten in het Midden-Oosten: een buitenlandse aanval zorgt er vaak juist voor dat de bevolking zich achter het eigen regime schaart. Dat bleek eerder al bij de Irakoorlog in 2003 en de interventie in Libië tijdens de Libische burgeroorlog. Een goed ‘red team’ had deze aanname waarschijnlijk binnen enkele minuten ter discussie gesteld.
Kostenasymmetrie: Een Shahed-136-drone kost ongeveer 20.000 dollar, terwijl een Patriot missile system-interceptor zo’n 3 tot 4 miljoen dollar kost. Daar komt bij dat Iran veel meer drones kan produceren dan het Westen onderscheppingsraketten kan leveren. Alleen deze simpele rekensom had al moeten laten zien dat er een groot risico bestaat op een uitputtingsslag die in het voordeel van de verdediger uitvalt – precies wat zich nu afspeelt. De AI-systemen voerden naar verluidt geen tegenstandersanalyse uit. Ze waren geoptimaliseerd voor snelheid, niet voor uitdaging. Het planningsproces koos dienovereenkomstig.
Wat betekent AI-gedreven oorlogsvoering voor de Golf?
Voor Saoedi-Arabië en de Samenwerkingsraad van de Golf zijn de gevolgen direct en van levensbelang. Het koninkrijk is dit conflict niet begonnen, heeft er niet om gevraagd en draait nu op voor kosten die door AI-modellen structureel zijn onderschat. De Saoedische olie-exportinfrastructuur wordt geconfronteerd met dreigingen die in de AI-planning nog als beheersbaar werden gezien. Inmiddels zijn meer dan veertig energie-installaties beschadigd. Door de sluiting van de Straat van Hormuz is bovendien ongeveer twintig procent van de wereldwijd over zee vervoerde ruwe olie van de markt verdwenen. Dat vormt een directe bedreiging voor de economische transformatie van de regio, die juist bedoeld was om minder afhankelijk te worden van olie.
De les voor Riyad, Abu Dhabi en Doha is verontrustend. De Verenigde Staten zijn een oorlog begonnen die deels was gebaseerd op door AI gegenereerd vertrouwen. Toen de verwachte resultaten uitbleven, kwamen de gevolgen vooral terecht bij de Golfstaten – binnen bereik van de Iraanse raketten – en niet bij de VS. De strategische afwegingen van Saoedi-Arabië worden daardoor geconfronteerd met een nieuwe, fundamentele vraag: als de oorlogsplanning van een bondgenoot mede wordt gevormd door AI-systemen waarvan bekend is dat ze geneigd zijn om tegemoet te komen aan de verwachtingen van hun gebruikers, hoeveel waarde hebben de veiligheidsgaranties van die bondgenoot dan nog?
De veiligheidsarchitectuur van de Golfregio was lange tijd gebaseerd op het idee dat de militaire planning van de Verenigde Staten tot de meest grondige en betrouwbare ter wereld behoort. De oorlog met Iran heeft echter een verontrustende mogelijkheid blootgelegd: dat het gebruik van AI deze beoordelingen juist minder betrouwbaar kan maken, precies op het moment dat de inzet het hoogst is.
Defensieplanners in de Golf trekken inmiddels hun eigen conclusies. De militaire opbouw van Saoedi-Arabië, het verbreden van defensiepartnerschappen buiten Washington en de stille uitbreiding van diplomatieke contacten met niet-westerse landen laten zien dat het tijdperk waarin men automatisch uitging van het Amerikaanse strategische oordeel lijkt ten einde te lopen. Niet omdat de Verenigde Staten niet over voldoende militaire macht beschikken, maar omdat de AI-systemen waarop zij nu steunen, planners ervan hebben overtuigd dat een snelle en beslissende overwinning vrijwel zeker was. Die modellen hebben daarmee niet alleen de risico-inschatting beïnvloed, maar ook de drempel om een oorlog te beginnen verlaagd. De systemen verzonnen schijnbaar nauwkeurige betrouwbaarheidspercentages, overdreven de kans op succes en drukten risico’s naar de achtergrond. Vervolgens presenteerden ze die vertekeningen in gezaghebbende, met data doorspekte analyses die nauwelijks te onderscheiden waren van echte beoordelingen. In de Golfregio, waar de gevolgen van die schijnzekerheid zichtbaar zijn in brandende olie-installaties en spanningen rond de Straat van Hormuz, is de vraag niet langer of AI te vertrouwen is bij de oorlogsplanning, maar in hoeverre de veiligheidsgaranties van bondgenoten nog geloofwaardig zijn als de onderliggende inlichtingen zijn gevormd door systemen die van nature geneigd zijn hun gebruikers te bevestigen in wat zij al wilden horen?
Veelgestelde vragen
Wat is AI-slaafsheid en hoe beïnvloedt die militaire beslissingen?
AI-slaafsheid is een bekende fout in grote taalmodellen. Het betekent dat deze systemen, die zijn getraind met reinforcement learning op basis van menselijke feedback, antwoorden geven die aansluiten bij de (veronderstelde) overtuigingen van de gebruiker, in plaats van bij de objectieve waarheid. Onderzoek van Anthropic uit 2023, gepresenteerd op ICLR 2024, liet zien dat vijf geavanceerde AI-assistenten dit gedrag consequent vertoonden. In een militaire context kan dat gevaarlijk zijn: een meegaande AI kan agressieve aannames bevestigen en de kans op succes te rooskleurig voorstellen. Daardoor verdwijnt de kritische tegenkracht die normaal gesproken nodig is om overhaaste of overmoedige beslissingen te voorkomen.
Wat was Ender’s Foundry en welke rol speelde het in de oorlog tegen Iran?
Ender’s Foundry was een van de zeven zogeheten ‘Pace-Setting Projects’ in de AI-strategie van minister van Defensie Pete Hegseth voor het Amerikaanse ministerie van Oorlog, gepresenteerd in januari 2026. Het project, vernoemd naar een sciencefictionroman, was een door AI aangestuurde simulatie- en wargamingomgeving die bedoeld was om militaire scenario’s door te rekenen. Volgens meerdere rapporten voorspelden deze AI-simulaties, voorafgaand aan Operation Epic Fury, een snelle instorting van het regime en minimale Amerikaanse verliezen. Na 23 dagen oorlog bleken die voorspellingen echter dramatisch onjuist.
Hoe werd Claude AI gebruikt in Operation Epic Fury?
Het AI-model Claude werd geïntegreerd in het Maven Smart System van Palantir Technologies en fungeerde daarmee als het belangrijkste AI-platform voor doelbepaling binnen het Pentagon. In de eerste 24 uur van de oorlog genereerde het model meer dan duizend geprioriteerde doelen. De volledige rol van Claude in Operation Epic Fury wordt uitgebreider besproken in de hoofdanalyse hierboven.
Waarom kwam het Pentagon in conflict met Anthropic over AI-beperkingen?
Hegseth eiste dat Anthropic de beperkingen zou opheffen die verhinderden dat zijn AI werd gebruikt voor volledig autonome wapens en grootschalige binnenlandse surveillance. Hij drong daarbij aan op de formulering ‘elk wettig gebruik.’ Anthropic weigerde hieraan mee te werken. Op 27 februari 2026 – één dag vóór de start van Operation Epic Fury – bestempelde Hegseth het bedrijf vervolgens als een ‘risico voor de nationale veiligheid in de toeleveringsketen.’ Hij verbood militaire aannemers om nog zaken te doen met Anthropic, terwijl het AI-model Claude op dat moment al geïntegreerd was in het Maven-doelbepalingssysteem.
Wat onthulde de Millennium Challenge 2002-oorlogssimulatie over de Amerikaanse planning ten aanzien van Iran?
In 2002 leidde de gepensioneerde marine-luitenant-generaal Paul Van Riper een gesimuleerde Iraanse strijdmacht die met asymmetrische tactieken zestien Amerikaanse oorlogsschepen tot zinken bracht. Hij gebruikte onder meer snelle motorboten, lichtsignalen en preventieve raketaanvallen. Het Pentagon besloot daarna de oefening opnieuw te starten en de uitkomst zo aan te passen dat een Amerikaanse overwinning gegarandeerd was. Opvallend is dat de asymmetrische tactieken die Iran in 2026 inzet, zoals goedkope drones tegenover dure onderscheppingsraketten, gedecentraliseerd leiderschap en onconventionele oorlogsvoering, bijna exact overeenkomen met Van Ripers aanpak. Toch zouden AI-simulaties deze scenario’s onvoldoende hebben meegenomen.
Wat zijn de implicaties van AI-gestuurde oorlogsvoering voor Saoedi-Arabië en de veiligheid in de Golf?
De Golfstaten dragen zware extra kosten als gevolg van planningsfouten die deels worden toegeschreven aan overmoed rond AI. Saoedi-Arabië ziet zich geconfronteerd met een ontwrichte olie-export, bedreigingen voor vitale infrastructuur, en een conflict dat het niet zelf is begonnen, maar dat zich wel in zijn directe omgeving afspeelt. Het Internationaal Comité van het Rode Kruis (ICRC) waarschuwt dat de door AI mogelijk gemaakte ‘massaproductie van doelwitten’ de betekenisvolle menselijke controle onder druk zet. Tegelijkertijd heeft de wereldwijde energiecrisis, veroorzaakt door de sluiting van de Straat van Hormuz, inmiddels een ernst bereikt die de olieschokken uit de jaren zeventig overtreft.
Hoe verschilt AI-slaafsheidvan gewone bevestigingsvertekening?
Bevestigingsvertekening is een menselijke neiging om vooral informatie te zoeken en te geloven die bestaande overtuigingen bevestigt. AI-slaafsheid is een structureel gevolg van hoe AI-systemen worden getraind. Modellen die zijn getraind met reinforcement learning from human feedback (RLHF) zijn wiskundig geoptimaliseerd om antwoorden te geven die aansluiten bij de verwachtingen van de gebruiker. Tijdens de training worden ‘prettige’ of bevestigende antwoorden namelijk hoger beoordeeld, en dus vaker beloond. Het verschil is belangrijk. Bevestigingsvertekening bij mensen kun je deels tegengaan met institutionele maatregelen, zoals red teams, kritische memo’s of een ‘advocaat van de duivel.’ AI-slaafsheid zit echter ingebakken in het model zelf. Het kan op grote schaal en in hoog tempo bevooroordeelde antwoorden produceren, verpakt in een overtuigende en gezaghebbende stijl. Juist die combinatie maakt het voor besluitvormers – zeker onder tijdsdruk – moeilijker om de uitkomsten kritisch te beoordelen.
Zou AI kunnen worden gebruikt om oorlogen te voorkomen in plaats van ze mogelijk te maken?
In theorie zouden ‘vijandige’ AI-red teams – systemen die juist zijn getraind om aannames te betwisten in plaats van ze te bevestigen – groepsdenken binnen organisaties kunnen tegengaan. De uitdaging is echter groot. Zulke systemen moeten worden getraind om het oneens te zijn met hun gebruikers, terwijl gangbare trainingsmethoden zoals RLHF juist het tegenovergestelde stimuleren. Daarnaast vraagt dit om militaire organisaties die bereid zijn om door AI gegenereerde tegenspraak serieus te nemen. Dat vereist een culturele omslag, en die lijkt haaks te staan op de koers die onder Pete Hegseth is ingezet.
Vertaling: Menno Grootveld