Vorige week sprak ik een vriend in Jakarta. Hij had een van de populaire LLM’s gevraagd een gemeende afscheidsspeech te schrijven voor de pensionering van zijn vader: iets warms, respectvols en een beetje grappigs, het soort tekst waar de oude man op de beste manier tranen van in zijn ogen zou krijgen.
Het model leverde. Foutloze grammatica, hoogdravende metaforen over “nalatenschap” en “toewijding”, de gebruikelijke wenskaartglans. Maar het zat er ook volledig naast.
Het miste het milde plagen verpakt in eerbied, het gewicht van onuitgesproken trots, het specifieke Javaanse taalgebruik voor “ik hou van je” waarin “ik hou van je” nooit letterlijk wordt gezegd. Mijn vriend lachte en zei: “Het voelde als een goedbedoelende Amerikaan die in een reisgids over Indonesische vaders had gelezen.”
Hoewel ik met hem meelachte, voelde ik de stille crisis.
Het probleem is niet alleen dat mijn AI geen goede afscheidsspeech voor een Indonesische vader kan schrijven. Het probleem is dat, naarmate deze technologie in alles doordringt (van zorg en onderwijs tot financiën en bestuur), de ingebakken culturele vooroordelen eigenschappen worden in plaats van bugs.
Dit is de verborgen breuklijn die door onze hele AI-revolutie loopt: we bouwen een zogenaamd “wereldwijd” brein op een corpus dat overweldigend westers, Engelstalig en individualistisch is, en laten we eerlijk zijn: heel erg Silicon Valley. De dromen zijn in het Engels; de grappen komen van Reddit; het morele kompas is gekalibreerd in San Francisco.
Elk LLM, of het nu GPT, Claude, Gemini of een ander model is, wordt getraind op oceanen aan tekst die van het internet zijn geschraapt. Die tekst is grotendeels Engelstalig en, nog belangrijker, draagt de toon, aannames en waardesystemen van de westerse wereld met zich mee. Dat is niemands schuld; zo is het digitale universum nu eenmaal gegroeid. Maar het betekent wel dat deze modellen een “westers accent” hebben, niet alleen taalkundig maar ook cultureel.
Het is briljant. Maar het komt ook in een cargoshort en op slippers naar ieders bruiloft.
Buiten het Westen laten mensen deze tools mogelijk links liggen omdat ze vreemd of onnauwkeurig aanvoelen. Dat westerse DNA beïnvloedt de adoptie. Flink. Mensen buiten het Westen willen niet zomaar tools, ze willen tools die hen begrijpen. Als een AI steeds aanneemt dat iedereen zelfexpressie belangrijker vindt dan harmonie, het verschil niet kent tussen Diwali en Kerstmis, of niet overweg kan met communicatie waarin eer centraal staat, raad eens? Dan wordt het genegeerd. De adoptie vertraagt. Innovatie stokt. Lokale problemen blijven onopgelost.
Maar dit is de waarheid: we kunnen dit oplossen. Niet met één kleurloos, cultuurloos “wereldwijd” model, want dat zou een dood door saaiheid zijn, maar met duizend cultureel eigen AI’s, die elk de juiste schoenen dragen naar hun eigen bruiloft.
Het probleem van het "westerse DNA": waarom moeten we large language models dekoloniseren?
Als we zeggen dat een LLM is getraind op een enorm corpus van het internet, moeten we ons afvragen: “welk” internet? Het antwoord: een internet waarop Engelstalige content en content vanuit westerse perspectieven domineren. Dat levert een model op met een ingebouwd wereldbeeld.
Westers individualisme sijpelt door in adviezen over succes, ambitie en mentale gezondheid, waardoor collectivistische culturen zich niet herkend voelen; de pogingen van mijn AI tot een grap vallen vaak pijnlijk plat als de clou draait om een nuance die simpelweg niet in de trainingsset voorkomt.
Hoe lossen we dit dan op? Hoe passen we deze briljante maar cultureel kortzichtige technologie aan? We kunnen Engelstalige modellen niet zomaar vertalen. We moeten ze “opnieuw bedenken”.
Aanpassing in drie lagen: cultuur, gedrag en governance
Laag 1 – De culturele motor: veranker het model in cultuur, niet alleen in woordenschat
Begin bij de data, maar stop niet bij vertaling.
India is niet “Hindi + Engels”. Het is Tamil-poëzie om 3 uur ’s nachts, Bengaals sarcasme dat scherp genoeg is om glas te snijden, Punjabi-bhangrateksten en doorgestuurde WhatsApp-berichten van je tante waarin op de een of andere manier het hele morele universum zit. Een AI moet hier weten dat “ja” “misschien” kan betekenen, dat over mentale gezondheid in metaforen wordt gesproken, dat Diwali geen feestdag is… het is identiteit. Onderzoekers bouwen al benchmarks voor Indiase talen en ontdekken dat simpele prompt engineering niet genoeg is (Drishtikon); het model moet doordrenkt worden van regionale films, nieuws, folklore en de duizend microculturen binnen één land.
Het Midden-Oosten is niet “Arabisch”. Het is het verschil tussen de luchtige praat van Caïro en de terughoudendheid van de Golf, tussen formeel Fusha en de poëzie van de straat. Een AI moet het ritme van de ramadan voelen, begrijpen wanneer “inshallah” berusting is en wanneer beleefdheid, en nooit, maar dan ook nooit de familie-eer schenden. Overheden in Riyad en Abu Dhabi financieren al Arabischtalige modellen waarin islamitische ethiek en gastvrijheid vanaf dag één in de gewichten zijn ingebakken (bijv. Allam van Saudi-Arabië).
Noord-Azië (Japan, Korea, China) bestaat uit techreuzen die zouden lachen als je ze op één hoop gooit. Japan draait op *wa* (harmonie boven ego). Korea beweegt op hogesnelheidstreintempo, maar buigt nog steeds voor hiërarchie. China schaalt *guanxi* als zuurstof. Een AI moet hier gezichtsbehoud beheersen, weten wanneer stilte het juiste antwoord is en de oudste in de chat nooit in verlegenheid brengen. Benchmarks voor Oost-Aziatische culturele afstemming laten al zien hoe sterk niet-afgestemde modellen confucianistische of shintoïstische nuance afvlakken. (Ref: Camellia: Benchmarking Cultural Biases in LLMs for Asian Languages)
Afrika, met 54 landen en 2.000+ talen, wijst het idee van één enkel verhaal af. Ubuntu is geen modewoord; het is filosofie. Verhalen worden mondeling verteld, beslissingen worden gemeenschappelijk genomen, veerkracht is de standaardinstelling. LLM’s dekoloniseren betekent hier trainen op griottradities, Nollywood-scripts, Swahili-rapbattles en WhatsApp-groepen van dorpen; niet op Oxford-Engels met een accent. LLM’s moeten Swahili, Yoruba en Amhaars spreken, niet alleen Engels met een accent. Ze moeten besluitvorming in dorpen begrijpen, niet de bestuurskamers van Silicon Valley.
Oost-Europa draagt de post-Sovjetherinnering diep in zich. Droge humor, een diepe geschiedenis en een felle allergie voor het idee een voetnoot van iemand anders te zijn. Een AI die Warschau of Kyiv behandelt als “gewoon weer een EU-hoofdstad”, wordt stilletjes veracht. Hetzelfde geldt voor Oekraïne, de Baltische staten en de Balkan. Deze plekken willen geen westerse glans, ze willen tools die herinneren, respecteren en niet uitwissen. LLM’s zien deze talen vaak over het hoofd, dus aanpassing betekent modellen maken voor het Litouws of Tsjechisch die post-Sovjetnuances of regionale humor vangen. Onderzoek laat vooroordelen zien in hoe modellen landen hier zien, zoals het overbenadrukken van stereotypen. Aanpassingen van de systeemprompt kunnen putten uit lokale inzichten over het opbouwen van vertrouwen in samenlevingen met veel onzekerheid, zodat AI gevoelige onderwerpen als geschiedenis of politiek kan navigeren. Governance? EU-invloeden betekenen risicogebaseerde regels, maar landen als Estland lopen voorop met digitale innovatie, waarbij westerse standaarden worden gecombineerd met lokale behoeften aan datasoevereiniteit.
Zuidoost-Azië (Indonesië, Thailand, Vietnam, de Filipijnen) beheerst de kunst van glimlachend nee zeggen. Projecten als SEA-LION bouwen al meertalige modellen die boeddhistische kalmte begrijpen, eilandhumor snappen en weten waarom directe confrontatie sociale zelfmoord is.
Kortom: “Cultuur bepaalt niet alleen hoe we ‘spreken’, maar ook hoe we ‘denken’, en daar wordt het lastig voor wereldwijde adoptie van AI.” Om het model in de cultuur te verankeren, hebben we nodig:
A. Cultureel gecureerde corpora: we moeten omvangrijke, hoogwaardige trainingsdatasets bouwen in lokale talen, gevoed door regionale literatuur, nieuwsarchieven, filmscripts, sociale media (op ethische wijze verzameld) en historische teksten. Niet alleen Arabisch, maar de specifieke dialecten van de Golf tegenover die van de Levant. Niet alleen "Chinees", maar begrip van de culturele nuances in een bericht op Weibo tegenover een witboek van de overheid.
B. Lokale legendes, geen wereldwijde helden: het model moet net zo vanzelfsprekend weten wie “Chhatrapati Shivaji Maharaj” is als wie George Washington was. Het moet de betekenis van “Sun Wukong” in China begrijpen, de filosofische diepgang van spreekwoorden in het “Wolof” in Senegal en het popcultuurfenomeen “BTS” in Korea.
C. Feesten, eten en gevoelens: het moet weten dat de ramadan meer is dan vasten; het gaat om gemeenschap en bezinning. Het moet de emotionele lading van Diwali begrijpen, het stille respect van Chuseok en de uitbundige chaos van carnaval in Brazilië.
Laag 2 – De contextlaag: zorg dat de output van het model de normen van een gemeenschap weerspiegelt
Zodra de datalaag de culturele eigenheid vastlegt, moet de generatielaag output leveren die de communicatiepatronen van de gemeenschap respecteert. Cultuur is niet wat we zeggen, het is hoe we ons gedragen als niemand kijkt. Hier komen psychologie, antropologie en sociologie het feest binnenvallen. We nemen decennia aan onderzoek, bijv. de cultuurdimensies van Hofstede, communicatie met hoge versus lage context, machtsafstand en onzekerheidsvermijding, en bakken die in de antwoordstijl van het model.
In culturen met hoge context (Japan, Korea, de Arabische wereld, een groot deel van Afrika en Zuidoost-Azië) zit de betekenis tussen de regels. De AI moet leren te suggereren, om elegante uitwegen open te laten en de sfeer te lezen (*kuuki o yomu*). In samenlevingen met een grote machtsafstand mag het de baas nooit in het openbaar corrigeren. In collectivistische contexten moet advies het gezin of het dorp vooruithelpen, niet alleen de persoon die de vraag stelt. In delen van Oost-Europa die getekend zijn door een instabiele geschiedenis verlangen mensen naar duidelijkheid en rituelen die vertrouwen opbouwen. Een AI die chaotisch of lichtzinnig klinkt, wordt snel genegeerd.
Dit is geen versiering. Als mensen voelen dat een AI hun onzichtbare sociale regels snapt, schiet het vertrouwen omhoog. Door LLM’s te trainen op etnografische studies, lokaal psychologisch onderzoek en data over sociale normen leert het systeem toon, formaliteit en indirectheid af te stemmen op lokale verwachtingen, wat de relevantie waarborgt en het vertrouwen van gebruikers vergroot. Dat vraagt om nauwe samenwerking, niet alleen met computerwetenschappers, maar ook met antropologen, sociologen en taalkundigen uit de betreffende regio’s.
Enkele methoden voor contextuele kalibratie:
• Het opnemen van etnografische data zorgt ervoor dat het systeem zich bewust is van cultureel belangrijke verwijzingen.
• Signalen over sociale normen uit gemeenschapsspecifieke enquêtes bepalen hoe zwaar verschillende antwoordstijlen wegen.
• Interculturele metrics in de doelfunctie sturen het model naar cultureel passende output.
Als de output van het systeem lokale normen weerspiegelt, groeit het vertrouwen van gebruikers en neemt de betrokkenheid toe, wat essentieel is voor betekenisvolle interactie. En het gaat niet alleen om beleefdheid. Het gaat om vertrouwen. Als mensen voelen dat een AI hun culturele bril begrijpt, schiet de adoptie omhoog. Zo niet, dan voelt zelfs het meest geavanceerde model vreemd aan, als een gast die de huisregels niet helemaal snapt.
Laag 3 – Het AI-governancemodel: want cultuur + macht + AI zonder regels = chaos
Eén ethisch kader dat over alles heerst, is het nieuwe digitale kolonialisme. One size fits nobody.
• Het model van China: geeft voorrang aan sociale stabiliteit en staatscontrole. Een LLM dat voor China wordt bestuurd, moet aansluiten op die maatschappelijke doelen.
• Het model van de EU (AVG): richt zich op individuele privacy en datarechten als fundamentele mensenrechten.
• Het mogelijke model van India: India heeft datasoevereiniteit nodig. Het zal mogelijk zijn levendige, debatlustige democratie moeten combineren met zijn uiteenlopende religieuze en culturele gevoeligheden. Zijn benadering van vrije meningsuiting en desinformatie zal een eigen benadering zijn.
• De modellen van Afrikaanse landen: Afrika wil inclusie. Mogelijk krijgen gemeenschapsrechten voorrang op individuele rechten, met sterke focus op AI om sprongen te maken in landbouw, zorg en financiële inclusie.
• Het Midden-Oosten heeft ethiek nodig die aansluit bij het geloof.
Deze governancemodules moeten worden ingericht als configureerbare vangrails, met transparante afstemmingslagen die stakeholders kunnen aanpassen aan lokale wetgeving en culturele normen. De aanpak behandelt governance als een set aanpasbare randvoorwaarden in plaats van één uniforme eis.
Duizend governancemodellen zijn geen bug: ze zijn de feature. De technologie moet flexibel genoeg zijn om onder al die modellen te functioneren: modulaire ethiek, plug-and-play rode lijnen en transparante afstemmingslagen die landen zelf kunnen instellen.
Wat komt er hierna?
LLM’s met westers DNA volstaan wereldwijd niet. We hebben culturele co-creatie nodig. Lokale data. Lokale teams. Lokale waarden. Niet als bijzaak, maar vanaf dag één. We staan op een fascinerend kruispunt. De eerste generatie LLM’s weerspiegelde het digitale zelfbeeld van het Westen. Toekomstige versies moeten:
• Hoogwaardige corpora samenstellen die rekening houden met dialecten en lokale literatuur, media en culturele kenmerken bevatten.
• Interculturele metrics en datasets over sociale normen in de trainingspipeline opnemen.
• Modulaire governancecomponenten inzetten die per jurisdictie aan of uit kunnen.
• Output valideren via lokaal gebruikersonderzoek, voor culturele afstemming en vertrouwen.
Om die stappen te zetten, is samenwerking tussen disciplines nodig, met datawetenschappers, culturele antropologen, sociologen, juridische experts en regionale taalkundigen. We moeten samen systemen bouwen die elke gemeenschap goed bedienen, zonder één model voor iedereen op te leggen.
Want cultuur is geen ruis in de data; het “IS” de data. En zolang we dat niet goed doen, blijft AI briljant… maar vreemd.
Laten we de machine een ziel geven. Benieuwd naar meer cultureel afgestemde modellen? Laten we het gesprek gaande houden!


