AI in 2026: Wat er écht veranderde in de afgelopen 12 maanden

De grote afkoeling van de verwachtingen

De afgelopen twaalf maanden in de techsector voelden anders aan. De koortsachtige energie van de jaren hiervoor maakte plaats voor het kille besef dat een model bouwen makkelijker is dan een bedrijf bouwen. We zijn de fase van constante verwondering voorbij en beland in een periode van keiharde bruikbaarheid. Dit was het jaar waarin de industrie stopte met praten over wat er zou kunnen gebeuren en begon te dealen met wat er daadwerkelijk gebeurde. We zagen het einde van het tijdperk waarin de lancering van een nieuw model de wereld een dag lang stillegde. In plaats daarvan zagen we de trage integratie van deze systemen in de leidingen van het internet. De grootste verhalen van het afgelopen jaar gingen niet over benchmarks. Ze gingen over elektriciteitsnetten, rechtszalen en de stille dood van de traditionele zoekmachine. Dit was het moment waarop de industrie haar opwinding inruilde voor een plek aan de tafel van de wereldwijde infrastructuur. Deze afkoeling is geen falen van de tech, maar een teken van volwassenheid. We leven niet langer in een wereld van speculatieve toekomsten. We leven in een wereld van geïntegreerde systemen waar de nieuwigheid er wel een beetje vanaf is.

De consolidatie van cognitieve kracht

De kern van de verandering in het afgelopen jaar was een verschuiving in waar de macht ligt. We zagen een enorme consolidatie waarbij de grootste spelers nóg groter werden. De droom van duizend kleine modellen die op een gelijk speelveld concurreren, vervloog. In plaats daarvan zagen we de opkomst van de foundation layer, waar slechts een handvol bedrijven de elektriciteit en de chips kan betalen die nodig zijn om mee te doen. Deze bedrijven stopten met het algemeen slimmer maken van modellen en richtten zich op betrouwbaarheid. De modellen volgen instructies nu beter op en verzinnen minder snel dingen. Dit werd niet bereikt door één grote doorbraak, maar door duizenden kleine optimalisaties in hoe data wordt geschoond en hoe modellen worden getuned. De focusverschuiving is duidelijk in recente AI-industrie-analyses, waar de nadruk is verplaatst van modelgrootte naar model-utility. We zagen ook de opkomst van kleine taalmodellen die op telefoons en laptops draaien. Deze kleinere systemen hebben niet de brede kennis van hun grote neven, maar ze zijn snel en privé. Deze splitsing tussen de gigantische cloud-hersenen en de lokale edge-apparaten definieerde de technische architectuur van het jaar. De industrie stapte af van het idee dat één gigantisch model alles zou doen. Dit was het jaar waarin efficiëntie belangrijker werd dan pure omvang. Bedrijven beseften dat een kleiner model dat 99% van de tijd gelijk heeft, waardevoller is dan een reus die het in 90% van de gevallen bij het rechte eind heeft.

Wrijving en de opkomst van soevereine systemen

Op wereldwijde schaal werd het afgelopen jaar gekenmerkt door wrijving. De wittebroodsweken tussen techbedrijven en overheden zijn voorbij. De Europese Unie begon met het handhaven van de AI Act, wat bedrijven dwong transparanter te zijn over hun trainingsdata. Dit creëerde een wereld met twee snelheden, waarbij sommige functies wel beschikbaar zijn in de Verenigde Staten, maar geblokkeerd worden in Europa. Tegelijkertijd bereikte de strijd om auteursrecht een kookpunt. Grote uitgevers en kunstenaars dwongen belangrijke concessies af of sloten dure licentiedeals. Dit veranderde de economie van de sector. Het is niet langer gratis om het internet te scrapen om een product te bouwen. Volgens rapporten van Reuters hebben deze juridische gevechten ontwikkelaars gedwongen hun strategieën voor data-acquisitie te herzien. We zagen ook de opkomst van *soevereine AI*, waarbij landen als Frankrijk, Japan en Saoedi-Arabië hun eigen binnenlandse computerclusters begonnen te bouwen. Ze beseften dat afhankelijkheid van een paar Silicon Valley-bedrijven voor hun cognitieve infrastructuur een risico vormt voor de nationale veiligheid. Deze drang naar lokale controle heeft de wereldwijde techmarkt gefragmenteerd. Overheden richten zich nu op drie specifieke gebieden van regulering:

• Transparantie-eisen voor trainingssets om te garanderen dat data legaal is verkregen.
• Strenge beperkingen op risicovolle toepassingen zoals gezichtsherkenning in de openbare ruimte.
• Verplichtingen voor het watermerken van synthetische content om de verspreiding van desinformatie te voorkomen.

Van chatboxen naar autonome agents

De impact in de echte wereld is het best te zien in de verschuiving van chatboxen naar agents. In voorgaande jaren moest je de computer stap voor stap vertellen wat hij moest doen. Nu zijn de systemen ontworpen om een doel te krijgen en dat uit te voeren. Denk aan een dag uit het leven van een logistiek manager in een middelgrote stad. ’s Ochtends heeft haar assistent al vijfhonderd e-mails gescand en gesorteerd op urgentie. Het heeft een vertraging in een zending uit Singapore gesignaleerd en drie verschillende oplossingen opgesteld op basis van de huidige weers- en havendata. Ze chat niet met de machine. Ze keurt de suggesties goed of wijst ze af. Tijdens haar lunchpauze gebruikt ze een tool om een vier uur durende gemeenteraadsvergadering samen te vatten in een audiobriefing van vijf minuten. In de middag beheert het systeem haar agenda en verplaatst het afspraken om de verzendcrisis op te vangen, zonder dat ze een muis hoeft aan te raken. Dit is de **agentic** shift. De AI is niet langer een tool die je gebruikt, het is een werknemer die je aanstuurt. Deze verschuiving heeft echter ook nieuwe stress veroorzaakt. Het werktempo is verhoogd, maar de menselijke capaciteit om het te verwerken is gelijk gebleven. Werknemers merken dat terwijl de machine de saaie delen doet, de resterende taken intensiever zijn en constante besluitvorming op hoog niveau vereisen. Dit heeft geleid tot een nieuw soort burn-out waarbij het aantal beslissingen per uur is verdubbeld. We zien deze trend in alle professionele sectoren, zoals gedocumenteerd door The Verge in hun recente werkplekstudies. De machine regelt de data, maar de mens draagt nog steeds de verantwoordelijkheid. Dit creëert een psychologische druk die de industrie nog niet heeft aangepakt.

De onbeantwoorde vragen van het machinetijdperk

We moeten ons afvragen wie er echt profiteert van deze verhoogde snelheid. Als een werknemer twee keer zoveel kan doen op een dag, verdubbelt hun salaris dan of ontslaat het bedrijf gewoon de helft van het personeel? De verborgen kosten worden steeds moeilijker te negeren. Elke zoekopdracht bij een high-end model verbruikt een aanzienlijke hoeveelheid water voor het koelen van datacenters. Nu deze systemen onderdeel worden van elke zoekopdracht en elke e-mail, groeit de ecologische voetafdruk sneller dan groene energie kan bijbenen. Dan is er nog de kwestie van datasoevereiniteit. Wanneer een agent je leven beheert, kent hij je schema, je voorkeuren en je privégesprekken. Waar gaat die data heen? Zelfs met encryptie worden de metadata van ons leven geoogst om de volgende generatie systemen te trainen. We ruilen onze privacy in voor gemak op een schaal die het socialmedia-tijdperk klein doet lijken. Is de efficiëntie het verlies van individuele autonomie waard? We bouwen een wereld waarin de standaard manier van leven een abonnement bij een techgigant vereist. Dit creëert een nieuwe digitale kloof voor degenen die zich de premium agents niet kunnen veroorloven. Bovendien creëert de afhankelijkheid van deze systemen een ‘single point of failure’. Als een grote provider offline gaat, kunnen hele industrieën tot stilstand komen. We zijn verschoven van een wereld met diverse software naar een wereld waarin iedereen afhankelijk is van dezelfde paar neurale netwerken. Deze concentratie van risico is iets wat economen pas net beginnen te bestuderen. De langetermijneffecten op het menselijk cognitief vermogen zijn ook onbekend. Als we stoppen met het schrijven van onze eigen e-mails en het beheren van onze eigen agenda’s, wat gebeurt er dan met ons vermogen om die taken uit te voeren als het systeem uitvalt?

De architectuur van lokale implementatie

Voor de power-users draaide het afgelopen jaar om de techniek onder de motorkap. We zagen hoe de grenzen van Retrieval Augmented Generation werden opgezocht. De focus verschoof van het model zelf naar de orchestratielaag. Ontwikkelaars besteden nu meer tijd aan vector-databases en lange context-windows dan aan prompt engineering. Er vond een grote verschuiving plaats in hoe we lokale opslag aanpakken. In plaats van elk brokje data naar de cloud te sturen, zien we hybride inference waarbij de makkelijke delen van een taak op de lokale hardware worden afgehandeld en de moeilijke delen naar een cluster worden gestuurd. API-limieten zijn de nieuwe bottleneck geworden voor bedrijfsgroei. Bedrijven merken dat ze hun workflows niet kunnen schalen omdat de rate limits op de topmodellen te beperkend zijn. Onderzoek van MIT Technology Review suggereert dat de volgende groeifase zal afhangen van hardware-efficiëntie in plaats van modelgrootte. We zagen ook een beweging naar het fine-tunen van kleinere modellen op eigen datasets. Een model met 7 miljard parameters, getraind op de interne documenten van een bedrijf, presteert nu vaak beter dan een algemeen model met 1 biljoen parameters. Dit heeft geleid tot een enorme vraag naar lokale hardware die deze modellen op hoge snelheid kan draaien. De technische community richt zich nu op een paar belangrijke metrics:

• Beperkingen in geheugenbandbreedte op hardware voor consumenten voor lokale inference.
• Token-per-seconde benchmarks voor gekwantiseerde modellen die op mobiele chips draaien.
• Beheer van context-windows bij de analyse van lange documenten en multi-modale taken.

Het nieuwe normaal accepteren

De kern van de zaak is dat AI het afgelopen jaar saai is geworden, en dat is het grootste succes. Wanneer een technologie onderdeel wordt van de achtergrond, is deze pas echt gearriveerd. We zijn het tijdperk van de goocheltrucs voorbij en zitten nu in het tijdperk van industriële toepassing. De macht is geconsolideerd in de handen van degenen die de chips en de energiecentrales bezitten, maar de bruikbaarheid heeft zich verspreid naar alle uithoeken van de professionele wereld. De risico’s zijn reëel, van milieu-impact tot het verlies van privacy, maar het momentum is nu onomkeerbaar. We wachten niet langer op de toekomst. We zijn druk bezig met het beheren van de toekomst die we al hebben gebouwd. Terwijl we deze fase achter ons laten, zal de focus blijven liggen op het onzichtbaarder en betrouwbaarder maken van deze systemen. De komende twaalf maanden gaan niet over nieuwe modellen, maar over hoe we leven met de modellen die we al hebben.

Noot van de redactie: We hebben deze site gemaakt als een meertalige AI-nieuws- en gidsenhub voor mensen die geen computernerds zijn, maar toch kunstmatige intelligentie willen begrijpen, er met meer vertrouwen mee willen omgaan en de toekomst willen volgen die al aanbreekt.