Rutger Bregman: tussen principe en opportunisme
“Rutger Bregman is een echte klimaatontkenner. Geen figuurlijke, maar gewoon echt. Hij pompt er scripts uit met een Claude Pro-abonnement dat draait op Elon Musk z’n smerige, broeikasgas-intensieve methaandampen die een wijk in Memphis verstikken, en hij weigert dat gewoon te erkennen of er zelfs maar iets over te zeggen. Die gast boeit het niks”, aldus Ketan Joshi op Bluesky gisteren. Dit was onvermijdelijk. Vanaf het moment dat Bregman zichzelf ging verenigen met “morele ambitie” is het onvermijdelijk dat hij een koopman zou worden voor het een of ander. En hij heeft zijn product gevonden: slecht onderbouwde ai-apologie.
Allereerst de titel: “Liberalen zijn de nieuwe klimaatontkenners”. Hiermee maakt hij een vergelijking tussen wetenschapsontkenning op de rechterflank, en ai-critici op de linkerflank. Volgens hem is de ai-toekomst net zo ongewis als klimaatverandering, en is ai-kritiek dus wetenschapsontkenning.
Volgens Bregman is de structuur van de argumenten hetzelfde. Klimaatontkenners stellen:
- 1. Het klimaat warmt niet op;
- 2. Het klimaat warmt op, maar niet door mensen;
- 3. Het zijn mensen, maar de effecten vallen mee;
- 4. De effecten zijn erg, maar we kunnen er niets meer aan doen.
Ook ai-sceptici doen dit, volgens hem. Zo werden llm’s (large language models) “stochastische papegaaien” genoemd, die alleen maar hun input konden husselen en herhalen. Dit als gevolg van de enorme, niet-gecureerde datasets die voor training werden gebruikt.
Bregman gaat niet in detail in op die kritiek, maar wijst naar enkele voorbeelden. Dat ai kunstprijzen wint, bijvoorbeeld. Zijn voorbeeld is de digital arts competition op de Colorado State Fair uit 2022, met een hoofdprijs van 300 dollar. Niet wereldschokkend.
Bregman zegt ook dat de jury niet wist dat het ai-gegenereerde kunst was, maar in ieder geval in de bron die hij gebruikt, is dat niet zo. Daar was de jury op de hoogte.
Een ander voorbeeld is een algoritme van Microsoft dat beter complexe diagnoses kan maken dan huisartsen. Dit is veelbelovend, maar het is een heel ander beestje. Hier gaat het om een machine learning algorithm, wat iets anders is dan generatieve ai (zoals llm’s).
De meeste investering, en de meeste kritiek, richt zich op die generatieve ai. Dát is de “stochastische papegaai” waar zoveel kritiek op is. Door algoritmen erbij te slepen, vergelijkt Bregman eigenlijk appels met peren.
Andere behaalde resultaten, zoals de (niet-officiële) gouden medaille op de wiskundeolympiade van 2025, zijn minder indrukwekkend dan ze lijken. Het punt van de olympiade is dat scholieren lastige problemen oplossen, waarvan het antwoord al bekend is.
Dat is een van de grootste problemen van llm’s en andere generatieve ai: het zijn “black boxes” waarvan je nooit precies weet wat ze aan het doen zijn. Dat maakt antwoorden automatisch onbetrouwbaar, dus als zo’n model iets nieuws bedenkt, moet je het altijd door een mens laten controleren.
Dit is ook een probleem als het gaat om coderen. Generatieve modellen kunnen ook coderen. Het probleem: coderen gaat niet alleen om het creëren van software, maar ook over een systeem bouwen waar toekomstige it’ers mee kunnen werken. Een systeem dat helder en inzichtelijk is opgebouwd.
En dat is precies waar dit soort code-bots de fout in gaan. Hun werk is vaak onnavolgbaar. Deze schrijver probeerde een app te vibe-coden, en naast dat de code onbegrijpelijk was voor experts, zaten er ook grote veiligheidsrisico’s in de data-opslag.
Bregman extrapoleert die groei vervolgens tot in het oneindige, maar op basis van heel weinig datapunten. Het is evengoed mogelijk dat de modellen binnenkort hun limiet bereiken, zoals llm’s nu doen. Daarnaast: hoe meer je door modellen laat coden, hoe groter de fouten die opstapelen.
Bregman haalt vervolgens Claude Mythos aan, een nieuw model van Anthropic dat volgens hem het elektriciteitsnet en drinkwatersystemen zou kunnen hacken. Mythos werd twee maanden geleden aangekondigd doordat Anthropic het model in het geheim met concurrenten deelde, om de veiligheid te checken.
Dit lijkt nu echter vooral marketing te zijn geweest. Mythos werd stil gehouden omdat het bedrijf te weinig computerkracht had om het open te stellen voor publiek gebruik, niet vanwege veiligheidsissues. En dit is het grote ding in de ai-wereld: hype.
Ai-bedrijven zijn erbij gebaat om apocalyptische beelden te creëren van wat hun modellen allemaal kunnen, want dat trekt investeerders. Dat genereert aandacht. Veel journalisten vallen daarvoor, dus daarom is het belangrijk om met zulke scepsis naar deze beweringen te kijken.
Bregman haalt vervolgens het aantal gebruikers en de inkomstengroei aan, en hier gaat de video van het gebruik van twijfelachtige argumenten naar pure eenzijdigheid. Die honderd miljoen actieve gebruikers van ChatGPT zijn meer een probleem voor het bedrijf dan een winst.
Het gebruik van de taalmodellen blijkt namelijk heel duur te zijn. In het verleden werd dat gebruik gesubsidieerd door de bedrijven, maar Anthropic en OpenAI willen nu de daadwerkelijke kosten in rekening brengen, en die blijken gigantisch.
De focus van Anthropic op de winstgevendheid van het tweede kwartaal van 2026 is dan ook bijzonder. Anthropic verwacht namelijk niet dat 2026 een winstgevend jaar wordt. Alleen: vanwege de meevallende kosten is het tweede kwartaal toevallig winstgevend.
En dan komt het moment waardoor ik hardop moest lachen. “Als dit zo’n grote bubbel is, waarom zit er dan zoveel geld in???” Ja, dat is de kern van een bubbel! Dat er veel geld in gaat, betekent niet dat het geen bubbel is.
Vergelijk dit met de South Sea-zeepbel. Hier groeide de marktwaarde van de South Sea Company enorm, terwijl het bedrijf nooit winst had gemaakt. “Als de South Sea Company geen winst maakt, waarom stopt iedereen er geld in?”, vraagt Bregman zich af.
De South Sea-zeepbel van 1720 is overigens om meer redenen een goede vergelijking, want de Britse regering en de koning hadden er een financieel belang bij dat de South Sea-zeepbel bleef groeien. Die staatssteun maakte blijvende groei mogelijk, net zoals nu met de ai-zeepbel.
Dus, zegt Bregman, net als bij klimaatontkenners veranderen ai-sceptici steeds van punt:
- 1. llm’s zijn slechts napraters;
- 2. llm’s kunnen niet redeneren;
- 3. llm’s kunnen bepaalde testen doorstaan, maar geen bedrijf gebruikt het;
- 4. llm’s zijn een gigantische bubbel.
- 5. De winst is echt, maar…
Deze vergelijking hangt aan elkaar van stropoppen. Deze argumenten volgen elkaar niet op, ze worden gelijktijdig gegeven. llm’s zijn een bubbel omdat llm’s slechts kunnen napraten. Niemand zegt dat ai-bedrijven niets verdienen, alleen verdienen ze niet genoeg.
Bregman eindigt zijn video met de opmerking dat Europa datacenters moet gaan bouwen, want anders kan Europa niet meer met de VS concurreren en verliezen we belastinginkomsten voor de verzorgingsstaat. Een argument dat rechtstreeks van de VVD geleend is.
In de rest van de video behandelt Bregman llm’s en ai als een natuurkracht, een feit als klimaatverandering. Hij creëert een paar spookbeelden, precies het soort dat de kracht en de winstgevendheid van ai-producten enorm overschat. De vraag is dan: waarom doet hij dit allemaal?
De kern is de ideologie en het verdienmodel van Bregman. Hij is de grondlegger van de “School voor morele ambitie”, gebaseerd op zijn boek “Morele ambitie”. Hierin stelt hij dat je als moreel mens carrière moet maken, om het systeem van binnenuit te veranderen.
Bregman kan dus geen kritiek hebben op het kapitalistische systeem als geheel. In zijn wereldbeeld zijn er goede bedrijven en slechte bedrijven, en als moreel persoon moet je je talent inzetten om voor goede bedrijven te werken. Die ideologie is vooral nuttig voor hem.
Het zorgt er namelijk voor dat zijn “School voor morele ambitie” ook bijdragen kan ontvangen van grote bedrijven en miljardairs, zoals van Bill en Melinda Gates. De Gates Foundation is een donateur van de school.
Dit geeft Bregman zo’n groot bereik. Hij is een kapitalistische criticaster van het kapitalisme. Door de rol te spelen van de revolutionair kan hij juist selectief legitimiteit geven aan bepaalde bedrijven. Zoals deze Linkedin-post, waarin hij de CEO van Antrhopic een held noemde.
Ik weet niet in hoeverre geld hier een rol in heeft gespeeld, maar voor zo’n ‘revolutionair’ als Bregman is het in ieder geval het noemen waard dat Anthropic een partner is van de Gates Foundation waar de school zo veel geld van krijgt.
Ik wil de focus echter vooral leggen op de ideologie van Bregman. Zijn rol in het politieke ecosysteem is dat hij hoogopgeleide figuren met een moreel kompas vertelt dat het prima is om voor “goede bedrijven” te werken. Hij is een zalf voor het morele ongemak van mensen.
De lens van Bregman stelt hem niet in staat om te zien dat de hele llm-space een zwendel is. Dat betekent namelijk dat er iets fundamenteel mis is in het kapitalisme, iets systemisch dat niet opgelost kan worden door je consumptiegedrag of je carrière aan te passen.
Het is tekenend dat hij in het filmpje zegt geïnspireerd te zijn door Noam Chomsky, en dat zijn boek “De meeste mensen deugen” geïnspireerd is door het werk van Kropotkin. Dat zijn twee anarchistische, anti-kapitalistische denkers.
Maar in zijn eigen werken heeft Bregman al het anti-kapitalisme eruit gesloopt. Dat is namelijk niet ambitieus genoeg. Wat je overhoudt, is een slap aftreksel van de anarchistische kritiek. Bregman gebruikt de ergste boeven als bliksemafleiders voor het systeem.
Dat zie je ook in de onderwerpen die Bregman niet behandelt: de extreme vervuiling van de leefwereld door datacenters, de gevolgen van llm-gebruik voor de psyche van mensen, het gebruik van zeldzame grondstoffen, de arbeidsvoorwaarden van de data-labellers…
Bregman geeft een frame zoals hij de strijd graag zou zien: de datacenters komen er nu eenmaal, de vraag is alleen welk bedrijf moet winnen. Een kapitalistische voetbalwedstrijd om mensen in slaap te sussen. Terwijl: de echte strijd gaat over welke kant technologie überhaupt op moet.
In onze wereld wordt de tweedeling steeds duidelijker: óf je kiest voor een fundamentele, systemische kritiek, en erkent dat kapitalisme niet kan voortbestaan, óf je wordt uiteindelijk een veredelde koopman voor het laatste hype-product van de kapitalistische markt.
Bregman is een koopman geworden, en misschien altijd al geweest. Hij geniet van de aandacht, het geld, het prestige. Voor hem is de strijd feitelijk al gewonnen. Voor wie tegen het systeem wil strijden, is Bregman geen vriend, maar een tegenstander.
Bo Salomons
(Dit artikel verscheen eerder als draadje op Bluesky.)
PS Helaas vond Rutger dit draadje niet zo leuk.
“Liberals are the new climate deniers” – wat een frappante titel van iemand die algemeen gezien wordt als een linkse liberaal.
“Dat is een van de grootste problemen van llm’s en andere generatieve ai: het zijn “black boxes” waarvan je nooit precies weet wat ze aan het doen zijn. Dat maakt antwoorden automatisch onbetrouwbaar, dus als zo’n model iets nieuws bedenkt, moet je het altijd door een mens laten controleren.
Dit is ook een probleem als het gaat om coderen. Generatieve modellen kunnen ook coderen. Het probleem: coderen gaat niet alleen om het creëren van software, maar ook over een systeem bouwen waar toekomstige it’ers mee kunnen werken. Een systeem dat helder en inzichtelijk is opgebouwd.”
LLM’s zijn geen blackboxes. De werking is bekend en wiskundig onderbouwd.
De antwoorden blijven een kans van onzekerheid hebben dat is waar… een LLM kan echter niet ‘denken’ het is gewoon een zeer grote wiskundige formule waar getallen (tokens) in gestopt worden. Sterker nog, er zal nooit een nieuw antwoord uitkomen, alleen combinaties van dingen die bestonden in de trainingsdata.
Wat betreft programmeren, nee, LLM’s en chatbots kunnen dat niet. Antwoorden van deze programma’s kunnen (in tokenvorm) code bevatten ja. Deze code is over het algemeen van lage kwaliteit. Afhankelijk van het doel en project gaat de code slechts om het oplossen van een probleem. Code kwaliteit is lang niet altijd relevant (prototypes bijvoorbeeld, wil je snel ontwikkelen zonder interne kwaliteit)
Ik ben het absoluut eens dat AI bedrijven de hype maken voor het artificieel verhogen van hun waarde. De doemscenarios die ze daarvoor schetsen zijn ook verzinsels. Maar het idee dat LLM’s en chatbots ‘slim zijn’ of kunnen ‘nadenken’ of ‘liegen’ is eveneens een verzinsel recht uit de mond van de AI bedrijven…
En wat vindt ai zelf van Bregman’s verhaal? Florian Cramer vroeg het aan Claude AI:
This is a rhetorically sophisticated piece, and some of its individual claims are defensible. But the argument leans on several recurring logical moves that don’t hold up. Here are the main ones, grouped by type.
1. The framing fallacies (the load-bearing ones)
The central “climate denial = AI denial” analogy ‘begs the question’. It presupposes exactly what’s in dispute — that the dangerous trajectory is as empirically settled as anthropogenic climate change. Climate science rested on decades of measurement of an observed phenomenon; most of Bregman’s AI claims are forward projections of capabilities and speculative harms. By calling disagreement “denial,” he poisons the well: anyone who pushes back is preemptively cast as the moral equivalent of a snowball-on-the-Senate-floor crank, which is an ad hominem that does a lot of work before any evidence is weighed.
The “moving the goalposts” narrative commits a strawman by composition. He stitches together logically independent positions held by different people — (a) AI can’t reason (Chomsky’s philosophical claim), (b) businesses aren’t really using it, (c) it’s an economic bubble, (d) the risks are overstated — and treats them as one shifty “denier” retreating from line to line. But a person who thinks the sector is overvalued and that capabilities are real isn’t moving goalposts; they hold a coherent position he hasn’t addressed. Different people making different claims is just disagreement, not a single evasive opponent.
Relatedly, he misrepresents the skeptics he names. The “stochastic parrots” paper was largely about training-data bias, environmental cost, and conflating linguistic form with meaning — not primarily a prediction that capabilities would plateau. Recasting it as a falsifiable capability forecast and then declaring it falsified attacks a position they didn’t quite take. And passing benchmarks (IMO gold, licensing exams) doesn’t actually resolve Chomsky’s philosophical claim about understanding versus pattern-matching; it talks past it.
2. The unfalsifiable structure
Notice the bubble argument is built so it can’t lose: if it’s not a bubble, AI is transformative; if it is a bubble, “bubbles build infrastructure” and we still get a civilization “permanently reorganized around machine intelligence.” A thesis that’s confirmed by every possible outcome isn’t being tested. The railway analogy propping up the second branch is also a *cherry-picked* comparison — rail beds lasted a century, whereas GPUs depreciate to obsolescence in a few years, and plenty of bubbles (tulips, much of the dot-com era) left little durable value.
3. Non-sequiturs around the “it’s not a bubble” case
“If it’s useless, why are people paying so much?” doesn’t follow — large sums flowing into something is precisely what a bubble looks like; the spending can’t be evidence against the bubble when the spending is the thing in question. Likewise, “fastest revenue growth in history” establishes neither profitability nor that current valuations are justified (these firms are losing money at enormous scale). Revenue velocity and underlying value are different claims.
4. Trend extrapolation and the single-metric problem
The METR chart is treated as THE measure of “AI capabilities,” then extrapolated: doubling every 3 months → “off the charts in 5 years.” This is the classic move of projecting an exponential indefinitely when such curves frequently turn out to be S-curves that plateau. It’s also a hasty generalization: METR measures one narrow thing (autonomous length of certain coding tasks), which he silently generalizes to capability writ large.
5. Asymmetric skepticism and weak sourcing
This is the most pervasive flaw. Alarming claims rest on tweets and movement-aligned sources — “90% of code written by AI” (a tweet), the infrastructure figures (a tweet), the MIT-study rebuttal (a careful breakdown, but by 80,000 Hours, an organization native to the AI-safety/EA ecosystem, not a neutral party). Meanwhile skeptical claims get sourced to mainstream outlets and then dismissed as “highbrow misinformation.” He applies sharp skepticism to one side and credulity to the other. The clearest instance: he flags the obvious incentive problem when an AI executive (Jack Clark) forecasts explosive growth — then fails to apply the identical logic to Anthropic declaring its own model “too dangerous to release,” which is at least as plausibly a capability flex as a moment of conscience. “Have you actually used it?” anchored to his own “WTF-moments” is also just anecdote — and a non-coder’s confidence about code quality is exactly what the technology can’t be judged by (one of his commenters makes this point). The plastic-surgery quote is worse: “good AI writing is invisible, so it’s more widespread than it looks” is unfalsifiable by construction.
6. The bioterror section sidesteps its own crux
The argument is: fanatics exist + AI gives them knowledge = catastrophe. But the contested question is whether the binding constraint on bioterror is information (which AI supplies) or tacit skill, materials, equipment, and weaponization (which it doesn’t). Outscoring virologists on a knowledge test doesn’t establish that knowledge is the bottleneck. And his own Aum Shinrikyo example cuts partly against him: a cult with $30M, a real lab, and trained scientists still failed to obtain Ebola and killed only twelve — which suggests the barriers were operational and physical, not informational. The ricin-arrest anecdote (plot foiled, extraction info already widely available) likewise shows correlation, not decisive uplift.
7. Internal contradictions
A few claims pull against each other:
– Part 2 marvels at vast consumer and business demand for AI; Part 3 argues humans become economically redundant. If labor is redundant and incomes collapse, who is paying the $45B in revenue he just celebrated? The “intelligence curse” and the demand story are in tension.
– He says a moratorium “doesn’t work” because data centers just relocate to Texas or Abu Dhabi — then advocates international treaties as a core solution. But coordination is precisely the mechanism that would make relocation-proof restriction possible; if it works for “safety standards,” the relocation objection to restriction loses its force. This is also a false dilemma (total shutdown vs. democratic build-out) that erases the middle ground he himself later occupies.
– He calls the US government “increasingly fascist” while urging “the free world,” led by a US that owns 74% of compute, to build faster. If the worry is power concentrating in a few hands under an authoritarian-trending state, accelerating that state’s compute lead doesn’t obviously mitigate the risk he’s raising.
8. Smaller ones
The wealth-concentration statistics (0.00001% owning 4% in 1910 vs. 12% today) document a trend that predates AI and was driven by other forces; deploying it as an AI-specific alarm conflates a general phenomenon with the specific cause. “The people who proved the skeptics wrong again and again” is used to lend credibility to forecasts of recursive self-improvement — but being right about near-term capability gains doesn’t transfer to reliability about a qualitatively different, speculative claim (inductive overreach). And “experts converging with salespeople” is offered as reassurance that it’s not just hype, when convergence could equally reflect shared funding incentives or an information cascade.
To be fair to the piece: his correction of the MIT-study headline is probably substantively right, the productivity-pay-gap point is real, and the distributional concern (gains captured by capital rather than shared) is a legitimate one. Ironically, that last point undercuts his urgency framing — if the problem is political distribution of gains, as the Keynes passage concedes, then the issue isn’t really the technology’s trajectory at all, which sits awkwardly with treating AI capability as the thing we must race to keep pace with.