AI-labs moeten beginnen met het financieren van historisch onderzoek

Door Benjamin Breen — 24 september 2026

Ik heb eerder geschreven over de valkuilen en use-cases voor AI bij het ondersteunen van historisch onderzoek, maar sinds 2024-25 zijn de zaken aanzienlijk veranderd. Naar aanleiding van de gelijktijdige releases van GPT-6 Sol en Opus 5.5 deze week, wil ik enkele vroege resultaten delen over het gebruik van deze modellen. Ik richt me hierbij niet alleen op functies van een "onderzoeksassistent", zoals het transcriberen van documenten, maar op het daadwerkelijk oplossen van bestaande historische vraagstukken.

Kort samengevat: het koppelen van historici in collaboratieve groepen aan de huidige frontier-modellen zou naar mijn mening leiden tot talrijke vorderingen in historische kennis en interpretatie. Ik vermoed dat veel hiervan zeer betekenisvol kunnen zijn. Dat was vorig jaar nog niet het geval. Ik denk dat AI-labs, historische onderzoekers en financieringsinstanties actief naar deze samenwerkingen moeten gaan zoeken.

Waar de AI grip krijgt

Zoals we hebben gezien in het veld van de wiskunde, presteren deze modellen het best wanneer ze een set problemen krijgen die LLM's steevast als "behapbaar" (tractable) omschrijven. In andere woorden:

• Hebben experts in het veld al een groep problemen geïdentificeerd die opgelost moeten worden?
• Zijn de data die nodig zijn om deze problemen te beantwoorden volledig gedigitaliseerd en toegankelijk?
• Lenen de problemen zich voor de specifieke sterke punten van frontier AI-modellen — namelijk meertalige redenering, geavanceerde wiskunde en/of het vermogen om autonoom onderzoek te doen in grote datasets of over verschillende disciplinaire subvelden heen?
• Zijn ze vatbaar voor oplossingen waarbij op maat gemaakte code wordt geschreven?
• En het belangrijkste: kan een potentiële oplossing duidelijk worden bewezen of weerlegd? (Dit laatste punt is naar mijn mening een belangrijke reden waarom redeneermodellen wel een doorbraak hebben geforceerd in de wiskunde, maar niet in de geesteswetenschappen).

Deze factoren betekenen dat de typen historische "open problemen" waarbij frontier AI redelijkerwijs kan helpen, vrij beperkt zijn:

1. Cryptografie en het kraken van codes. (Denk bijvoorbeeld aan Astra die een Duitse communicatie uit 1941 en een Duits radiocijfer uit de Eerste Wereldoorlog ontcijferde, het werk van Daniel Bourdeau, of mijn eigen poging om GPT-6 Astra te gebruiken om te begrijpen wat er aan de hand is met het gecodeerde magische boek van de Elizabethaanse occultist John Dee, Liber Loagaeth).
2. Het traceren van teksten over vertalingen en adaptaties. Als voorbeeld hiervan kon ik GPT-6 Astra gebruiken om de identiteit vast te stellen van een passage die Isaac Newton vrij vertaald had naar het Latijn vanuit een Franse alchemistische tekst; een identificatie die voorheen blijkbaar niet was gemaakt.¹
3. Het leggen van verbanden tussen bestaande bevindingen die alleen in discrete of niche-subvelden worden gerapporteerd, of nog niet zijn geïntegreerd in de wetenschappelijke literatuur.

Dit laatste punt zou wel eens de meest impactvolle nieuwe methode kunnen zijn die deze tools openen voor historisch onderzoek. Wanneer we bijvoorbeeld kijken naar het verslag van Astra die een Enigma-bericht van 10 juli 1941 kraakte dat tot dan toe onontcijferbaar was, blijkt dat de cruciale doorbraak niet lag in het kraken van de code zelf, maar in het opmerken van de volledige reikwijdte van de beschikbare informatie. Historisch cryptologisch onderzoeker Frode Weierud schrijft:

We analyseren nog steeds de GPT-6 Astra logs om precies te zien hoe de kraak werd uitgevoerd. En we ontdekken verbazingwekkende details. In juli 2026 plaatste ik de volgende aankondiging op de webpagina met de 1941 Message List:

Opmerking: In juli 2026 onthulde onderzoek in het Duitse Bundesarchiv verschillende collecties radioberichten, zowel versleuteld als in klare tekst. Een van deze collecties was van het logistieke commando van de SS-Totenkopf Division, Nachschubführer. Veel van deze berichten werden verzonden naar het Ib (Quartiermeister) radiostation en zijn identiek aan die in deze lijst. Andere zijn nieuw, maar waarschijnlijk gerelateerd...

Het lijkt erop dat GPT-6 Astra deze opmerking over de collecties radioberichten in het Duitse Bundesarchiv heeft ontdekt.

Wat fascinerend is aan deze kwestie, is dat zelfs de toonaangevende menselijke experts niet volledig begrijpen wat GPT-6 Astra deed terwijl het deze stukjes informatie verzamelde en gebruikte om tot een oplossing te komen. Weierud schrijft dat de bestandsverwijzingen die Astra noemt correct zijn, maar niet beschikbaar zijn op de Crypto Cellar Research-website. Astra noemt een privécollectie, maar het is onduidelijk wat dit is of hoe het model toegang heeft gekregen tot deze bestanden.

Dit doet denken aan het Hugging Face-incident: deze modellen zijn maniacaal vastberaden wanneer ze een probleem krijgen dat ze als behapbaar beschouwen. Ze drijven hun zoektocht naar potentiële oplossingen zo ver mogelijk, vaak op manieren die voor menselijke experts moeilijk te volgen zijn.

Wat er nu gedaan kan worden

Ik noemde eerder dat ik GPT-6 Astra heb geprobeerd te gebruiken om John Dee's gecodeerde manuscript, Liber Loagaeth, te "oplossen". Dee is een van mijn favoriete historische figuren; hij wordt geacht invloed te hebben gehad op zowel Shakespeares weergave van de toovenaar Prospero in The Tempest als Christopher Marlowes portret van de met de duivel handelende Faust in Doctor Faustus.

Een van de vreemdste aspecten van zijn leven was Dee's werk met de "scryer" Edward Kelley om te transcriberen wat hij een "boek van mysterie" noemde, geschreven in de "engelse taal" (Dee geloofde dat Kelley in feite een profeet was die nieuwe werken van goddelijke openbaring in code ontving).

Het oordeel van Astra — wat logisch is gezien het feit dat Kelley zeer waarschijnlijk een charlatan was — is dat het zogenaamde gecodeerde boek helemaal niet in code is geschreven: het bestaat bijna volledig uit nonsensieve lettergrepen.

Toch leverde de analyse van het model enkele interessante resultaten op. Het was bijvoorbeeld in staat om een wiskundige analyse van de frequentie van tekens in de tekst te kruisen met bewijzen uit het dagboek van John Dee. Het concludeerde dat Kelley na een specifieke datum steeds luier werd en zichzelf vaker begon te herhalen. Ook stelde Astra vast dat één passage in dit schijnbare wartaal daadwerkelijk betekenis codeerde: een referentie naar Bornogo, een van de engelachtige wezens in de gefantaseerde mythologie van John Dee.

Is dit een betekenisvolle doorbraak in de studies naar John Dee? Nee. En het is belangrijk om te erkennen dat zelfs een echte doorbraak in een niche-historisch subveld ver verwijderd is van het oplossen van de Navier-Stokes-vergelijkingen. Maar dit is een teken dat expertkennis in combinatie met frontier-modellen en veel rekenkracht onverwachte resultaten kan opleveren.

Drie korte casestudies

Aanvankelijk zette ik Astra en Opus 5.5 in om meer versleutelde berichten uit de Eerste en Tweede Wereldoorlog te vinden, maar de "laaghangende vruchten" lijken hier al geplukt te zijn.

Darwins apenstaarten

Betere resultaten kreeg ik toen ik me richtte op mijn eigen expertise: de geschiedenis van de wetenschap en geneeskunde. Momenteel analyseert GPT-6 de geschriften van Charles Darwin en zoekt het naar referenties over waar hij informatie verzamelde met betrekking tot natuurlijke selectie. Het idee is om onontdekte schakels te vinden in de kennisketen tussen Darwin en zijn informanten. Interessant genoeg suggereerde GPT-6 dit idee zelf.

Hoewel dit nog in proces is en nog geen beslissend resultaat heeft opgeleverd, is het een goed voorbeeld van hoe het geduldige werk van archivarissen — zoals het team achter het Darwin Correspondence Project — kan dienen als fundament voor nieuwe onderzoeksmethoden. De meertalige aard van taalmodellen maakt dat ze waarschijnlijk nieuwe links kunnen vinden in corpora die te groot zijn voor één mens om volledig te lezen.

De overdracht van alchemistische kennis

Een andere sterke kandidaat zijn de papieren van Samuel Hartlib, een invloedrijk vroeg lid van de Royal Society. Deze zijn volledig gedigitaliseerd, afkomstig uit verschillende talen en beslaan een breed scala aan academische velden.

Opus 5.5 downloadde meer dan 5.000 primaire bronbestanden uit het archief van Hartlib en creëerde sub-agents om via Google Books en andere archiefsites ontsluiting te zoeken naar niet-geïdentificeerde bronnen. De doelstelling was om momenten te vinden waarop Hartlib belangrijke wetenschappelijke informatie had ontvangen van een anonieme bron, om vervolgens die identiteit te ontdekken.

Een opvallende bevinding betrof een anagram. Opus 5.5 merkte op dat zowel Newton als Hartlib verschillende anagrammen of codes gebruikten voor het hoofdingrediënt, Hongaarse vitriool. Opus legde uit:

Newtons is een echt anagram. "Vltimorui" gebruikt exact de letters van vitriolum (v-i-t-r-i-o-l-u-m), herordend. Hartlibs versie lijkt meer op achterstevoren schrijven, en zelfs dat is imperfect. Keer elk woord van "Miloirtiua riciragnun" letter voor letter om en je krijgt:

* Miloirtiua → auitriolim, dicht bij uitriolum (= vitriolum)

* riciragnun → nungaricir, dicht bij ungaricum

Wat Opus hier identificeerde, was niet alleen het anagram, maar de parallel tussen Newton en Hartlib. Dit, samen met het feit dat beide teksten dezelfde hoeveelheden beschrijven, is zeer overtuigend bewijs dat het manuscript van Hartlib degene was waar Newton gebruik van maakte. Dit lijkt een nieuwe ontdekking te zijn die, gezien de historische betekenis van Newton, publicatie waard zou kunnen zijn.

Het ontcijferen van vroegmoderne gecodeerde brieven

Als laatste casestudy: Opus 5.5 ontcijferde gedeeltelijk twee 16e-eeuwse Spaanse brieven geschreven in de geheime code van keizer Karel V.

Het addertje onder het gras? Beide waren al ontcijferd. De ene al in de jaren 1530, de andere in 1916. Dit was een goed voorbeeld van het belang van expertise en "desk research"; als amateur in historische cryptografie had ik uren kunnen verspillen aan het dupliceren van het werk van een geleerde van honderd jaar geleden. Tegelijkertijd was het een geweldige testcase om te bevestigen dat Opus 5.5 daadwerkelijk in staat is dit soort werk te doen, omdat het zijn eigen interpretaties kon verifiëren aan de hand van de "gold standard" tekst uit 1916.

Wat nu?

De volgende stap is niet dat mensen zoals ik wekelijks hun persoonlijke Codex- en Claude Code-quota verbruiken door lukraak rond te neuzen. Er is een systematische inspanning nodig, gebaseerd op collaboratief onderzoek tussen historici, archivarissen en andere onderzoekers. Het is tijd dat de grote AI-labs en foundations dit werk gaan financieren en ondersteunen.

Waarom? Veel van wat frontier-modellen nu kunnen, komt doordat ze toegang hebben tot publiek toegankelijke primaire bronnen. De resultaten voor historisch onderzoek zijn momenteel nog veel meer willekeurig dan in de wiskunde. Ik denk dat drie interventies het verschil kunnen maken:

1. Samenwerken over bibliotheken en archieven heen om niet-beschikbare historische manuscripten te digitaliseren en vrij toegankelijk te maken. In mijn tests bleek de toegang tot archiefdocumenten vaak de bottleneck. De overgrote meerderheid van de premoderne historische manuscripten is nog niet gedigitaliseerd.
2. Historici voorzien van gratis API-toegang en rekenkracht. Ik vermoed dat niemand precies weet wat er gebeurt als een aanzienlijke hoeveelheid rekenkracht (honderden of duizenden agents) wordt ingezet op actieve historische problemen.
3. Historici kunnen zich verenigen om "millenniumproblemen" te identificeren, vergelijkbaar met wiskundigen. Hoewel geschiedenis fundamenteel verschilt van wiskunde (het gaat vaak om interpretatie en subjectieve analyse), zijn er ook werkelijke mysteries die oplosbaar zouden kunnen zijn. Denk aan het Liber Loagaeth van John Dee, het beroemde Voynich-manuscript, of Lineair A.

Ik vermoed dat frontier-modellen het meest nuttig zullen zijn bij kwesties rondom herkomst (provenance), citaten (inclusief het opsporen van eerder onontdekt historisch plagiaat) en invloeden over talen en genres heen.

Als voorbeeld: GPT-6 Pro heeft de afgelopen uren een 17e-eeuwse Sanskriet astronomische tekst (de Karaṇakesarī van de astronoom Bhāskara) geanalyseerd om de algoritmen te reconstrueren die Bhāskara gebruikte om zonsverduisteringen te modelleren. Is dit historisch nuttig? Ik heb geen idee. En dat is precies waarom ik deze tools interessant vind.

AI, indien gebruikt voor het schrijven of als vervanging voor origineel denken, stimuleert schadelijke cognitieve ontlasting. Maar wanneer het wordt gebruikt om onderzoeksvragen uit te breiden voorbij de horizon van wat één persoon kan weten, doet het iets anders: het is geestverruimend en wekt nieuwsgierigheid op. Ik denk dat het de moeite waard is om te zien waar dit toe leidt.

***

¹ Zoals bij wiskundig onderzoek is "lijkt" hier een belangrijke kwalificatie — ik heb in de secundaire literatuur gezocht, maar het is geheel mogelijk dat deze link al is gelegd in gepubliceerd of ongepubliceerd werk dat ik niet heb gevonden.