13 aug 2025·8 min
Demis Hassabis: AI bouwen die kan tippen aan menselijke vaardigheid
Een heldere biografie van Demis Hassabis — zijn weg van games en neurowetenschap naar DeepMind, AlphaGo en AlphaFold — en wat dat leert over moderne AI.
Een heldere biografie van Demis Hassabis — zijn weg van games en neurowetenschap naar DeepMind, AlphaGo en AlphaFold — en wat dat leert over moderne AI.
Demis Hassabis is een Britse wetenschapper en ondernemer, vooral bekend als medeoprichter van DeepMind, het onderzoeksinstituut achter AlphaGo en AlphaFold. Zijn werk is belangrijk omdat het AI van “interessante demo’s” naar systemen bracht die topmensen kunnen overtreffen in specifieke, hoge-stakes taken — en die ideeën vervolgens kunnen hergebruiken in heel verschillende domeinen.
Als mensen zeggen dat Hassabis hielp AI “concurrerend met mensen” te maken, bedoelen ze meestal taakprestaties: een AI kan mensen evenaren of overtreffen bij een duidelijk gedefinieerd doel, zoals het winnen van een complex spel of het voorspellen van eiwitstructuren. Dat is niet hetzelfde als algemene intelligentie.
AlphaGo begreep de wereld niet zoals mensen dat doen; het leerde Go uitermate goed te spelen. AlphaFold “doet geen biologie”; het voorspelt 3D-eiwitvormen uit sequenties met opmerkelijke nauwkeurigheid. Deze systemen zijn smal, maar hun impact is groot omdat ze laten zien hoe op leren gebaseerde methoden problemen kunnen aanpakken die ooit als typisch menselijk werden gezien.
Een paar prestaties zijn centraal voor waarom Hassabis als bepalend wordt gezien:
Dit is geen heldenverhaal of hype-stuk. We blijven bij duidelijke feiten, geven context zodat de doorbraken begrijpelijk worden, en halen praktische lessen naar boven — hoe je over leersystemen denkt, wat “menselijk niveau” eigenlijk betekent, en waarom ethiek en veiligheid vanzelfsprekend volgen wanneer AI op expert-niveau begint te presteren.
De weg van Demis Hassabis naar AI begon niet bij abstracte theorie. Het begon met spellen — gestructureerde werelden waarin je ideeën kunt testen, veilig fouten kunt maken en directe feedback krijgt.
Als kind blonk hij uit in schaken en andere strategiespellen en ontwikkelde hij vroeg een gemak met langetermijnplanning: je kiest niet alleen een “goede zet”, je kiest een zet die het spel meerdere stappen vooruit vormgeeft. Die gewoonte — denken in sequenties, niet in losse acties — sluit nauw aan bij hoe moderne AI-systemen leren beslissingen over tijd te nemen.
Competitieve spellen dwingen een bepaalde discipline af:
Dat zijn praktische vaardigheden, geen slogans. Een sterke speler vraagt voortdurend: Welke opties zijn er? Wat zal de tegenstander waarschijnlijk doen? Wat kost het om het mis te hebben?
Hassabis bewoog zich ook in de richting van het bouwen van spellen, niet alleen spelen. Werken in gamedevelopment betekent omgaan met veel samenwerkende onderdelen tegelijk: regels, prikkels, tijdslimieten, moeilijkheidscurves en de manier waarop kleine veranderingen door de hele ervaring heen doorwerken.
Dat is concreet “systeemdenken” — prestaties zien als het resultaat van een gehele opzet in plaats van een enkel trucje. Het gedrag van een spel ontstaat uit hoe de componenten samenhangen. Later komt diezelfde denkwijze terug in AI-onderzoek: vooruitgang hangt vaak af van de juiste combinatie van data, trainingsmethode, rekenkracht, evaluatie en heldere doelen.
Deze vroege fundamenten — strategisch spelen en het bouwen van complexe, op regels gebaseerde omgevingen — helpen verklaren waarom zijn latere werk de nadruk legde op leren via interactie en feedback, in plaats van alleen vertrouwen op handgecodeerde instructies.
Hassabis zag neurowetenschap niet als een zijweg van AI. Het was een manier om betere vragen te stellen: wat betekent leren uit ervaring? Hoe slaan we nuttige kennis op zonder alles te onthouden? Hoe beslis je wat je daarna moet doen als de toekomst onzeker is?
In eenvoudige termen is leren het bijstellen van gedrag op basis van feedback. Een kind raakt eenmaal een hete mok aan en wordt voorzichtiger. Een AI-systeem kan iets vergelijkbaars doen: acties proberen, de resultaten zien en zich aanpassen.
Geheugen is informatie bewaren die later helpt. Mensen leggen het leven niet vast als een video; we bewaren patronen en aanwijzingen. Voor AI kan geheugen betekenen: het opslaan van eerdere ervaringen, interne samenvattingen bouwen of informatie comprimeren zodat het bruikbaar is in nieuwe situaties.
Plannen is acties kiezen door vooruit te denken. Wanneer je een route kiest om drukte te vermijden, beeld je mogelijke uitkomsten in. In AI betekent plannen vaak het simuleren van “wat zou er gebeuren als…” en de optie kiezen die er het beste uitziet.
Het bestuderen van het brein kan problemen aanwijzen die het waard zijn op te lossen — zoals efficiënt leren van beperkte data, of het balanceren van snelle reacties met bedachtzaam nadenken. Maar het is belangrijk de link niet te overdrijven: een modern neuraal netwerk is geen brein, en biologie letterlijk kopiëren is niet het doel.
De waarde is pragmatisch. Neurowetenschap biedt aanwijzingen over de capaciteiten die intelligentie nodig heeft (generalizeren, aanpassen, redeneren bij onzekerheid), terwijl informatica die aanwijzingen omzet in toetsbare methoden.
Hassabis’ achtergrond toont hoe het mengen van vakgebieden hefboomwerking kan geven. Neurowetenschap prikkelt nieuwsgierigheid naar natuurlijke intelligentie; AI-onderzoek eist het bouwen van systemen die meetbaar, verbeterbaar en vergelijkbaar zijn. Samen dwingen ze onderzoekers om grote ideeën — zoals redeneren en geheugen — te koppelen aan concrete experimenten die daadwerkelijk werken.
DeepMind begon met een duidelijk, ongebruikelijk doel: niet het bouwen van één slimme app, maar het creëren van algemene leersystemen — software die kan leren om veel verschillende problemen op te lossen door ervaring te verbeteren.
Die ambitie bepaalde alles aan het bedrijf. In plaats van te vragen “Welke feature kunnen we volgende maand uitrollen?”, was de funderende vraag dichter bij: “Wat voor soort leermachine kan steeds beter blijven worden, ook in situaties die het nog niet heeft gezien?”
DeepMind werd meer georganiseerd als een academisch lab dan als een typisch software-startup. De output waren niet alleen producten — het waren ook onderzoeksbevindingen, experimentele resultaten en methoden die getest en vergeleken konden worden.
Een typische softwarefirma optimaliseert vaak voor oplevering: user stories, snelle iteratie, omzetdoelen en incrementele verbeteringen.
DeepMind optimaliseerde voor ontdekking: tijd voor experimenten die kunnen mislukken, diepe duiken in lastige problemen en teams rondom langetermijnvragen. Dat betekent niet dat het engineering negeerde — engineering diende onderzoeksvooruitgang, niet andersom.
Grote inzetten kunnen vaag worden tenzij ze worden verankerd aan meetbare doelen. DeepMind maakte er een gewoonte van benchmarks te kiezen die publiek, moeilijk en makkelijk te evalueren waren — vooral spellen en simulaties waarin succes onmiskenbaar is.
Dat creëerde een praktisch onderzoeksritme:
Naarmate het werk aandacht trok, werd DeepMind deel van een groter ecosysteem. In 2014 werd Google nam DeepMind over, wat middelen en rekenkracht leverde die moeilijk onafhankelijk te evenaren zijn.
Belangrijk is dat de oorspronkelijke cultuur — hoge ambitie gecombineerd met rigoureuze meting — centraal bleef. DeepMind’s vroege identiteit was niet “een bedrijf dat AI-tools maakt”, maar “een plek die probeert te begrijpen hoe leren zelf gebouwd kan worden.”
Reinforcement learning is een manier voor een AI om te leren door doen, niet door steeds het “juiste antwoord” te krijgen voor elke situatie.
Stel je voor dat je iemand free throws leert. Je geeft diegene geen spreadsheet met perfecte armhoeken voor elke mogelijke worp. Je laat hem proberen, kijkt naar het resultaat en geeft simpele feedback: “Dat was dichterbij”, “Dat miste flink”, “Doe meer van wat werkte.” Na verloop van tijd past hij zich aan.
Reinforcement learning werkt zo. De AI onderneemt een actie, ziet wat er gebeurt en krijgt een score (een “reward”) die aangeeft hoe goed die uitkomst was. Het doel is acties te kiezen die op lange termijn meer reward opleveren.
Het kernidee is proef en fout + feedback. Dat klinkt traag — totdat je beseft dat de proeven geautomatiseerd kunnen worden.
Een persoon kan 200 worpen oefenen op een middag. Een AI kan miljoenen “worpen” oefenen in een gesimuleerde omgeving en patronen leren die mensen jaren zouden kosten om te ontdekken. Dit is een reden waarom reinforcement learning centraal werd in game-playing AI: spellen hebben duidelijke regels, snelle feedback en een objectieve manier om succes te scoren.
Veel AI-systemen hebben gelabelde data nodig (voorbeelden met correcte antwoorden). Reinforcement learning kan die afhankelijkheid verminderen door zijn eigen ervaring te genereren.
Met simulatie kan de AI oefenen in een veilige, snelle “oefenomgeving”. Met self-play speelt het tegen kopieën van zichzelf en ontmoet daardoor voortdurend een zwaardere tegenstander naarmate het verbetert. In plaats van mensen te vragen voorbeelden te labelen, creëert de AI een trainingscurriculum door competitie en iteratie.
Reinforcement learning is geen magie. Het vraagt vaak enorme hoeveelheden ervaring (data), dure rekenkracht en zorgvuldige evaluatie — een AI kan “winnen” in training maar falen in nét andere omstandigheden.
Er zijn ook veiligheidsrisico’s: het optimaliseren voor de verkeerde reward kan ongewilde gedragingen opleveren, vooral in situaties met grote impact. Het goed definiëren van doelen en testen is net zo belangrijk als het leren zelf.
AlphaGo’s wedstrijd in 2016 tegen Lee Sedol werd een cultureel keerpunt omdat Go lange tijd werd gezien als een “laatste vesting” voor computers. Schaken is complex, maar Go is overweldigend: er zijn veel meer mogelijke borden, en goede zetten rusten vaak op lange-termijninvloed en patroonintuïtie eerder dan directe tactiek.
Een brute-force benadering — proberen elke mogelijke toekomst — loopt vast in combinatoire explosie. Zelfs sterke Go-spelers kunnen niet elke keuze uitleggen als een nette reeks berekeningen; veel hangt af van oordeel dat uit ervaring voortkomt. Dat maakte Go een slechte match voor vroegere generatie programma’s die vooral op handgemaakte regels vertrouwden.
AlphaGo deed niet “alleen berekeningen”, en het deed ook niet “alleen leren.” Het combineerde beide. Het gebruikte neurale netwerken getraind op menselijke partijen (en later op self-play) om een gevoel te ontwikkelen voor veelbelovende zetten. Vervolgens gebruikte het een gerichte zoekmethode om variaties te verkennen, geleid door die aangeleerde intuïties. Zie het als het koppelen van intuïtie (aangeleerde patronen) aan beredenering (vooruitkijken), in plaats van op één manier te vertrouwen.
De overwinning toonde aan dat machine-learningsystemen een domein konden beheersen dat creativiteit, langetermijnplanning en subtiele afwegingen beloont — zonder dat mensen Go-strategie handmatig hoefden te coderen.
Het betekende niet dat AlphaGo algemene intelligentie had. Het kon zijn vaardigheid niet verplaatsen naar niet-gerelateerde problemen, het kon zijn redenering niet als een mens uitleggen, en het begreep Go niet als een menselijke cultuurpraktijk. Het was buitengewoon in één taak.
De publieke interesse steeg, maar de diepere impact zat in onderzoek. De match valideerde een pad: grootschalig leren combineren, zelfverbetering door oefening, en zoeken als praktisch recept om elite menselijke prestaties te bereiken (en te overtreffen) in complexe omgevingen.
Een krantenkopoverwinning kan AI opgelost laten lijken, maar de meeste systemen die schitteren in één setting falen wanneer regels verschuiven. Het betekenisvollere verhaal na een doorbraak is de verschuiving van een smalle, op maat gemaakte oplossing naar methoden die generalizeren.
In AI is generalizatie het vermogen om goed te presteren in nieuwe situaties waarop je niet specifiek getraind bent. Het is het verschil tussen één examen uit je hoofd leren en het vak werkelijk begrijpen.
Een systeem dat alleen wint onder één set condities — dezelfde regels, dezelfde tegenstanders, dezelfde omgeving — kan nog steeds erg breekbaar zijn. Generalizatie vraagt: als we de beperkingen veranderen, kan het dan zonder opnieuw te beginnen aanpassen?
Onderzoekers proberen leerbenaderingen te ontwerpen die overdraagbaar zijn tussen taken, in plaats van voor iedere taak een nieuw “trucje” te bouwen. Praktische voorbeelden:
Het punt is niet dat één model meteen alles moet kunnen. Het vooruitgangscriterium is hoeveel van de oplossing herbruikbaar is.
Benchmarks zijn de “standaardtesten” van AI: ze laten teams resultaten vergelijken, verbeteringen volgen en identificeren wat werkt. Ze zijn essentieel voor wetenschappelijke vooruitgang.
Maar benchmarks kunnen misleiden als ze het doel worden in plaats van de maatstaf. Modellen kunnen overfitten op de eigenaardigheden van een benchmark of succes behalen door mazen in de regels te benutten die geen echte wereldbegrip weerspiegelen.
“Menselijk niveau” betekent meestal het evenaren van mensen op een specifieke metriek in een specifieke setting — niet mensachtige flexibiliteit, oordeel of gezond verstand. Een systeem kan experts overtreffen binnen smalle regels en toch falen zodra de omgeving verandert.
De echte les na een gevierde overwinning is de onderzoeksdiscipline daarna: testen op moeilijkere varianten, meten van transfer en aantonen dat de methode schaalt buiten één enkel stadium.
Eiwitten zijn de kleine “machientjes” in levende wezens. Ze beginnen als lange ketens van bouwstenen (aminozuren) en vouwen zich daarna in een specifieke 3D-vorm — alsof een stuk papier in origami wordt gevouwen.
Die uiteindelijke vorm bepaalt wat het eiwit kan doen: zuurstof vervoeren, infecties bestrijden, signalen doorgeven of weefsel opbouwen. De uitdaging is dat een eiwitketen op een astronomisch aantal manieren kan buigen en dat de correcte vorm moeilijk af te leiden is alleen uit de sequentie. Decennia lang moesten wetenschappers vaak trage, dure laboratoriummethoden gebruiken om structuren te bepalen.
Een eiwitstructuur kennen is als een gedetailleerde kaart hebben in plaats van alleen een straatnaam. Het helpt onderzoekers om:
Dit is belangrijk, ook als het niet meteen in een product resulteert: het verbetert de basis waarop veel vervolgonderzoek vertrouwt.
AlphaFold toonde dat machine learning veel eiwitstructuren met opvallende nauwkeurigheid kon voorspellen, vaak dicht bij wat laboratoriummethoden zouden onthullen. De belangrijkste bijdrage was niet “biologie oplossen”, maar het veel betrouwbaarder en toegankelijker maken van structurele schattingen — een groot knelpunt veranderend in iets waarmee onderzoekers eerder in een project rekening kunnen houden.
Het is belangrijk onderscheid te maken tussen wetenschappelijke versnelling en kant-en-klare medicijnen. Het voorspellen van een structuur is niet hetzelfde als het produceren van een veilig geneesmiddel. Geneesmiddelenontwikkeling vereist nog steeds het valideren van targets, het testen van moleculen, het begrijpen van bijwerkingen en het uitvoeren van klinische proeven. AlphaFold’s impact is het beste te beschrijven als het mogelijk maken en versnellen van onderzoek — betere vertrekpunten leveren — in plaats van direct behandelingen opleveren.
Hassabis’ werk wordt vaak afgekort tot kopmomenten zoals AlphaGo of AlphaFold, maar de overdraagbare les is hoe DeepMind zijn inspanningen richtte: een strakke lus van duidelijke doelen, meetbare vooruitgang en onvermoeibare iteratie.
Doorbraakprojecten bij DeepMind beginnen meestal met een scherp doel (“los deze klasse problemen op”) en een eerlijke scorelijst. Die scorelijst voorkomt dat teams indrukwekkende demo’s voor waar nemen.
Als evaluatie is gezet, wordt het werk iteratief: bouwen, testen, leren waarom iets faalde, de aanpak aanpassen, herhalen. Pas als die lus werkt schaal je op — meer data, meer rekenkracht, meer trainingstijd en vaak een groter, beter ontworpen model. Te vroeg schalen versnelt alleen maar de verwarring.
Vele eerdere AI-systemen vertrouwden op expliciete regels (“als X, dan Y”). DeepMind’s successen laten het voordeel zien van geleerde representaties: het systeem ontdekt nuttige patronen en abstracties direct uit ervaring.
Dat is belangrijk omdat echte problemen rommelige randgevallen hebben. Regels breken snel als complexiteit toeneemt, terwijl geleerde representaties kunnen generaliseren — vooral wanneer ze samengaan met sterke trainingssignalen en zorgvuldige evaluatie.
Een kenmerk van de DeepMind-stijl is multidisciplinaire samenwerking. Theorie wijst naar wat zou kunnen werken, engineering zorgt dat het op schaal traint en experimentatie houdt iedereen eerlijk. De onderzoekscultuur waardeert bewijs: wanneer resultaten intuïtie weerleggen, volgt het team de data.
Als je AI in een productomgeving toepast, is de les minder “kopieer het model” en meer “kopieer de methode”:
Als je snel interne tools wilt prototypen zonder een volledig engineeringtraject te herbouwen, kan een vibe-coding platform zoals Koder.ai helpen bij het prototypen en sneller uitrollen: je beschrijft de app in chat, genereert een React-webinterface, voegt een Go-backend met PostgreSQL toe en iterateert met planning mode, snapshots en rollback. Voor teams maken source-code export en deployment/hosting het eenvoudiger om van “werkend prototype” naar “eigendom van de code” te gaan zonder vast te zitten aan een demo.
Wanneer AI-systemen mensen in specifieke taken evenaren of overtreffen, verschuift het gesprek van “Kunnen we het bouwen?” naar “Moeten we het uitrollen, en hoe?” Dezelfde capaciteiten die AI waardevol maken — snelheid, schaal en autonomie — kunnen fouten of misbruik ook ernstiger maken.
Meer capabele modellen kunnen in andere, ongewenste richtingen worden gebruikt: overtuigende desinformatie genereren, cybermisbruik automatiseren of schadelijke besluitvorming op schaal versnellen. Zelfs zonder kwaadwillig gebruik kunnen fouten zwaarder wegen — een onjuiste medische suggestie, een bevooroordeeld aannamefilter of een te zelfverzekerde samenvatting als feit gepresenteerd.
Voor organisaties die grensverleggende systemen bouwen is veiligheid ook praktisch: verlies van vertrouwen, regelgeving en daadwerkelijke schade kunnen vooruitgang net zo hard ondermijnen als technische beperkingen.
Verantwoord ontwikkelen legt de nadruk op bewijs boven hype:
Geen enkele stap garandeert veiligheid, maar samen verkleinen ze de kans dat verrassend gedrag van een model publiek ontdekt wordt.
Er is een oprecht spanningsveld tussen open wetenschap en risicomanagement. Methoden publiceren en modelgewichten vrijgeven kan onderzoek en transparantie versnellen, maar maakt het ook makkelijker voor kwaadwillenden. Snelheid kan concurrentievoordeel opleveren, maar te snel gaan kan de kloof vergroten tussen capaciteit en beheersing.
Een nuchtere aanpak is om releasebeslissingen af te stemmen op potentiële impact: hoe hoger de inzet, hoe sterker het argument voor gefaseerde rollouts, onafhankelijke evaluatie en beperktere toegang — tenminste totdat de risico’s beter begrepen zijn.
Hassabis’ mijlpalen — DeepMind’s onderzoeks-eerst cultuur, AlphaGo’s sprong in besluitvorming en AlphaFold’s impact op de biologie — wijzen samen op één grote verschuiving: AI wordt een algemeen inzetbaar oplossingsinstrument, mits je een duidelijk doel kunt definiëren, feedback kunt geven en leren kunt opschalen.
Even belangrijk tonen deze successen een patroon. Doorbraken ontstaan vaak wanneer sterke leermethoden samengaan met zorgvuldig ontworpen omgevingen (spellen, simulaties, benchmarks) en wanneer resultaten getest worden met meedogenloze, publieke maatstaven voor succes.
Moderne AI blinkt uit in patroonherkenning en het doorzoeken van enorme oplossingsruimtes sneller dan mensen — vooral op gebieden met veel data, herhaalbare regels of een meetbare score. Dat omvat eiwitstructuurvoorspelling, beeld- en spraaktaken en het optimaliseren van complexe systemen waar je veel proeven kunt draaien.
In dagelijkse bewoordingen: AI is goed in het terugbrengen van opties, het ontdekken van verborgen structuur en het snel opstellen van outputs.
Zelfs indrukwekkende systemen kunnen breekbaar zijn buiten de condities waarop ze getraind zijn. Ze kunnen moeite hebben met:
Daarom is “groter” niet automatisch “veiliger” of “slimmer” op de manieren die mensen verwachten.
Als je dieper wilt gaan, richt je dan op de ideeën die deze mijlpalen verbinden: feedbackgestuurd leren, evaluatie en verantwoorde inzet.
Bekijk meer explainers en case studies op de blog.
Als je onderzoekt hoe AI je team kan ondersteunen (of je verwachtingen praktisch wilt toetsen), vergelijk opties op de prijspagina.
Heb je een specifiek use case of vragen over veilige en realistische adoptie? Neem contact op.
Demis Hassabis is een Britse wetenschapper en ondernemer die DeepMind heeft opgericht. Hij wordt sterk geassocieerd met AI-doorbraken zoals AlphaGo (game-playing) en AlphaFold (eiwitstructuurvoorspelling), die aantonen dat op leren gebaseerde systemen in specifieke, goed afgebakende taken het niveau van menselijke experts kunnen bereiken of overstijgen.
Het betekent meestal prestaties op een specifieke, getoetste taak (bijv. het winnen van Go-partijen of het nauwkeurig voorspellen van eiwitstructuren).
Het betekent niet dat het systeem brede gezond verstand heeft, vaardigheden makkelijk kan overdragen tussen domeinen, of de wereld 'begrijpt' zoals mensen dat doen.
DeepMind werd opgezet als een onderzoeksinstituut eerst, met focus op lange-termijnprogressie in algemene leersystemen in plaats van het uitbrengen van één app.
In de praktijk hield dat in:
Reinforcement learning (RL) is leren door proberen en falen met behulp van een score-signaal (“reward”). In plaats van voor elke situatie het correcte antwoord te krijgen, onderneemt het systeem acties, observeert de uitkomsten en past zijn gedrag aan om de lange-termijnbeloning te verbeteren.
Het is vooral nuttig wanneer:
Self-play betekent dat het systeem oefent tegen kopieën van zichzelf en zo trainingsdata genereert zonder dat mensen voorbeelden moeten labelen.
Dit helpt omdat:
Go heeft een enorm aantal mogelijke posities, waardoor brute-force berekeningen onpraktisch zijn. AlphaGo slaagde door een combinatie van:
Die combinatie toonde een praktisch recept voor topprestaties in complexe besluitvormingsomgevingen—zonder handmatig coderen van Go-strategie.
Generalization is presteren in nieuwe omstandigheden waarop het systeem niet specifiek getraind is—regelwijzigingen, nieuwe scenario's of andere distributies.
Een praktische manier om het te testen:
Benchmarks geven een gedeelde scoreboard, maar modellen kunnen overfitten op de eigenaardigheden van een test.
Om misleiding te voorkomen:
Behandel benchmarks als meting, niet als het uiteindelijke doel.
AlphaFold voorspelt de 3D-vorm van een eiwit op basis van de aminozuursequentie met hoge nauwkeurigheid voor veel eiwitten.
Dat helpt onderzoekers om:
Het versnelt onderzoek, maar het betekent niet dat het direct kant-en-klare geneesmiddelen oplevert—geneesmiddelenontwikkeling vereist nog steeds uitgebreide validatie en klinische testen.
Kopieer de methode, niet het headline-model:
Als het systeem hoge impact heeft, voeg gestructureerde testen (red-teaming), duidelijke gebruiksgrenzen en gefaseerde rollouts toe.