De lange weg naar de AI-hype van 2026

De huidige explosie in artificial intelligence voelt als een plotselinge storm, maar het is eigenlijk het resultaat van een stille beslissing van jaren geleden. In 2017 publiceerden onderzoekers van Google een paper genaamd Attention Is All You Need. Deze paper introduceerde de Transformer-architectuur. Dit specifieke ontwerp stelde machines in staat om woorden in relatie tot alle andere woorden in een zin tegelijkertijd te verwerken, in plaats van één voor één. Het loste het knelpunt van sequentiële verwerking op. Vandaag de dag vertrouwt elk groot model, van ChatGPT tot Claude, op deze ene doorbraak. Dit gebeurde rond 2026. We zien geen nieuwe uitvinding, maar de schaling van een zeven jaar oud idee. Deze verschuiving bracht ons van eenvoudige patroonherkenning naar complexe generatie en veranderde hoe we met computers omgaan. Nu ligt de focus op hoeveel data en elektriciteit we in deze systemen kunnen pompen. De resultaten zijn indrukwekkend, maar het fundament blijft hetzelfde. Door deze geschiedenis te begrijpen, kijken we door de marketing heen. Het laat zien dat de tools van vandaag de logische conclusie zijn van specifieke technische keuzes uit het afgelopen decennium.

Voorspellingsmachines en waarschijnlijkheid

Generative AI werkt als een enorme voorspellingsmachine. Het denkt of begrijpt niet in menselijke zin. In plaats daarvan berekent het de statistische waarschijnlijkheid van het volgende token in een reeks. Een token is vaak een woord of een deel van een woord. Wanneer je een model een vraag stelt, kijkt het naar de miljarden parameters die het tijdens de training heeft geleerd. Vervolgens raadt het welk woord als volgende moet komen op basis van de patronen in de trainingsdata. Dit proces wordt vaak een stochastic parrot genoemd. De term suggereert dat de machine patronen herhaalt zonder de onderliggende betekenis te begrijpen. Dit onderscheid is essentieel voor iedereen die deze tools vandaag gebruikt. Als je de AI behandelt als een zoekmachine, zul je wellicht teleurgesteld zijn. Het zoekt geen feiten op in een database; het genereert tekst die op feiten lijkt op basis van waarschijnlijkheid. Daarom kunnen modellen hallucineren. Ze zijn ontworpen om vloeiend te zijn, niet per se accuraat. De trainingsdata bestaat meestal uit een enorme crawl van het openbare internet, inclusief boeken, artikelen, code en forumposts. Het model leert de structuur van menselijke taal en de logica van programmeren, maar neemt ook de vooroordelen en fouten uit die bronnen over. De schaal van deze training maakt dat moderne systemen anders aanvoelen dan de chatbots van vroeger. Oudere systemen vertrouwden op rigide regels; moderne systemen vertrouwen op flexibele wiskunde. Deze flexibiliteit stelt hen in staat om creatieve taken, coderen en vertalen met verrassend gemak uit te voeren. Het kernmechanisme blijft echter een wiskundige gok. Het is een zeer geavanceerde gok, maar geen bewust denkproces.

De manier waarop deze modellen informatie verwerken volgt een specifieke cyclus van drie stappen:

• Het model identificeert patronen in enorme datasets.
• Het kent gewichten toe aan verschillende tokens op basis van context.
• Het genereert het meest waarschijnlijke volgende woord in een reeks.

De nieuwe geografie van computing

De impact van deze technologie is niet gelijk verdeeld over de wereld. We zien een enorme concentratie van macht in een paar geografische hubs. De meeste toonaangevende modellen worden ontwikkeld in de Verenigde Staten of China. Dit creëert een nieuw soort afhankelijkheid voor andere landen. Landen in Europa, Afrika en Zuidoost-Azië debatteren nu over hoe ze hun digitale soevereiniteit kunnen behouden. Ze moeten beslissen of ze hun eigen dure infrastructuur bouwen of vertrouwen op buitenlandse aanbieders. De drempel om in te stappen is extreem hoog. Het trainen van een topmodel vereist tienduizenden gespecialiseerde chips en enorme hoeveelheden elektriciteit. Dit creëert een barrière voor kleinere bedrijven en ontwikkelingslanden. Er is ook de kwestie van culturele representatie. Omdat de meeste trainingsdata in het Engels is, weerspiegelen deze modellen vaak westerse waarden en normen. Dit kan leiden tot een vorm van culturele vervlakking. Lokale talen en tradities kunnen worden genegeerd of verkeerd worden weergegeven door systemen die aan de andere kant van de wereld zijn gebouwd. Economisch gezien is de verschuiving net zo dramatisch. Bedrijven in elke tijdzone proberen deze tools te integreren. In sommige regio’s wordt AI gezien als een manier om traditionele ontwikkelingsstadia over te slaan. In andere wordt het gezien als een bedreiging voor de outsourcing-industrieën die lokale economieën ondersteunen. De huidige staat van de markt in 2026 toont een duidelijke kloof. De wereldwijde arbeidsmarkt wordt volatieler naarmate taken zoals basis-coding en data-entry worden geautomatiseerd. Dit is niet alleen een Silicon Valley-verhaal; het gaat over hoe elke economie op aarde zich zal aanpassen aan een nieuw tijdperk van geautomatiseerde cognitieve arbeid. De beslissingen van een paar hardwarefabrikanten dicteren nu de economische toekomst van hele regio’s.

Leven met de geautomatiseerde assistent

Om de dagelijkse impact te begrijpen, kijken we naar het leven van een marketingmanager genaamd Marcus. Twee jaar geleden besteedde Marcus zijn ochtenden aan het schrijven van e-mails en zijn middagen aan het coördineren met grafisch ontwerpers. Vandaag is zijn workflow anders. Hij begint zijn dag door een ruwe productbrief in een lokaal model te voeren. Binnen seconden heeft hij vijf verschillende campagnerichtingen. Hij gebruikt ze niet zoals ze zijn, maar besteedt de volgende twee uur aan het verfijnen van de output. Hij controleert op merkstem en feitelijke fouten. Hij ontving ooit een concept dat een productfunctie verzon die niet bestond. Dit is de nieuwe realiteit van werk. Het gaat minder om creëren vanaf nul en meer om bewerken en cureren. Marcus is productiever, maar ook vermoeider. Het werktempo is versneld. Omdat het eerste concept seconden duurt, verwachten zijn klanten eindversies in uren in plaats van dagen. Dit creëert een constante druk om meer te produceren. Het is een cyclus van hoge snelheid die weinig ruimte laat voor diepe reflectie. Buiten het kantoor zien we dit in de overheid en het onderwijs. Docenten herschrijven hun curricula om rekening te houden met AI-assistentie. Ze stappen af van opstellen voor thuis en gaan over op mondelinge examens. Lokale overheden gebruiken AI om hoorzittingen samen te vatten en documenten te vertalen voor immigrantengemeenschappen. Dit zijn tastbare voordelen. In een ziekenhuis in landelijk India gebruikt een arts een AI-tool om te helpen bij het screenen op oogziekten. De tool is getraind op een wereldwijde dataset, maar helpt een lokaal tekort aan specialisten op te lossen. Deze voorbeelden laten zien dat de technologie een hulpmiddel is voor augmentatie. Het vervangt de mens niet, maar verandert de aard van de taak. De uitdaging is dat de tool vaak onvoorspelbaar is. Een systeem dat vandaag perfect werkt, kan morgen falen na een kleine update. Deze instabiliteit is een constante achtergrondruis voor iedereen, van individuele makers tot grote bedrijven. We leren allemaal een tool te gebruiken die nog in aanbouw is terwijl we hem vasthouden. Voor meer details kun je een uitgebreide AI-industrieanalyse lezen op onze hoofdsite.

De verborgen prijs van voorspelling

We moeten moeilijke vragen stellen over de verborgen kosten van deze vooruitgang. Ten eerste is er de vraag naar data-eigendom. De meeste modellen die we vandaag gebruiken, zijn getraind op data die zonder expliciete toestemming van het internet is geschraapt. Is het ethisch om een miljardenproduct te bouwen met het creatieve werk van miljoenen mensen die nooit een cent van die winst zullen zien? Dit is een juridisch grijs gebied dat rechtbanken nu pas beginnen aan te pakken. Dan is er de milieu-impact. De energie die nodig is om deze modellen te trainen en te draaien is verbijsterend. Naarmate we naar grotere systemen gaan, groeit de ecologische voetafdruk. Kunnen we dit energieverbruik rechtvaardigen in een tijd van klimaatcrisis? Recente studies in Nature benadrukken het enorme waterverbruik dat nodig is om datacenters te koelen. We moeten ook kijken naar het ‘black box’-probleem. Zelfs de ingenieurs die deze modellen bouwen, begrijpen niet volledig waarom ze bepaalde beslissingen nemen. Als een AI een leningaanvraag of een sollicitatie afwijst, hoe kunnen we die beslissing dan controleren? Het gebrek aan transparantie is een groot risico voor burgerrechten. We vertrouwen onze infrastructuur toe aan systemen die we niet volledig kunnen verklaren. Er is ook het risico van institutioneel verval. Als we vertrouwen op AI om ons nieuws, onze juridische stukken en onze code te genereren, wat gebeurt er dan met menselijke expertise? We zouden in een positie kunnen komen waarin we de kwaliteit van de output niet langer kunnen verifiëren omdat we de vaardigheden om het werk zelf te doen zijn verloren. Dit zijn niet alleen technische hindernissen; het zijn fundamentele uitdagingen voor hoe we de samenleving organiseren. We ruilen stabiliteit op lange termijn in voor efficiëntie op korte termijn. We moeten ons afvragen of dat een ruil is die we echt bereid zijn te maken.

Heeft u een AI-verhaal, tool, trend of vraag die wij volgens u zouden moeten behandelen? Stuur ons uw artikelidee — we horen het graag.

Onder de motorkap van lokale modellen

Voor de power user is de focus verschoven van eenvoudige prompts naar complexe workflow-integraties. De echte waarde zit niet langer in de webinterface van een chatbot, maar in de API. Ontwikkelaars beheren nu strikte rate limits en tokenkosten. Ze stappen af van enorme, algemene modellen naar kleinere, gespecialiseerde modellen. Hier komen lokale opslag en lokale uitvoering om de hoek kijken. Tools zoals Llama.cpp stellen gebruikers in staat om krachtige modellen op hun eigen hardware te draaien. Dit lost het privacyprobleem op en verwijdert de afhankelijkheid van een constante internetverbinding. Het lokaal draaien van deze modellen vereist echter aanzienlijk VRAM. De meeste gebruikers vinden dat 24GB het absolute minimum is voor een degelijke ervaring met middelgrote modellen. Er is ook de trend van kwantisatie. Dit is een techniek die de precisie van modelgewichten vermindert om het sneller te laten draaien en minder geheugen te laten gebruiken. Een 4-bit gekwantiseerd model kan vaak bijna net zo goed presteren als de volledige 16-bit versie, terwijl het een fractie van de ruimte inneemt. We zien ook de opkomst van Retrieval Augmented Generation (RAG). Dit stelt een model in staat om naar privédocumenten van een gebruiker te kijken voordat het een antwoord genereert. Het vermindert hallucinaties door het model te verankeren in specifieke, geverifieerde feiten. Dit is de brug tussen een algemene voorspellingsmachine en een nuttige zakelijke tool. De volgende grens is het contextvenster. We zijn verschoven van modellen die een paar pagina’s tekst konden onthouden naar modellen die hele bibliotheken in één keer kunnen verwerken. Dit maakt de analyse van enorme codebases of lange juridische documenten mogelijk. De uitdaging is nu het beheren van de latentie die gepaard gaat met deze grote inputs. Terwijl we de grenzen verleggen van wat deze systemen kunnen, is het knelpunt niet langer de software, maar de fysieke limieten van silicium en de lichtsnelheid. Rapporten van MIT Technology Review en IEEE Spectrum suggereren dat hardware-optimalisatie nu de primaire drijver is van AI-capaciteit.

Geavanceerde gebruikers focussen zich momenteel op drie hoofdgebieden van optimalisatie:

• Kwantisatie vermindert geheugenvereisten voor lokale hardware.
• RAG-systemen verbinden modellen met private, geverifieerde data.
• API-integratie maakt geautomatiseerde workflows in meerdere stappen mogelijk.

Het onvoltooide verhaal

De weg naar dit punt was geplaveid met specifieke technische keuzes. We kozen schaal boven efficiëntie en waarschijnlijkheid boven logica. Dit heeft ons tools gegeven die magisch aanvoelen, maar diep gebrekkig blijven. De hypecyclus zal uiteindelijk afkoelen, maar de technologie zal blijven. We blijven achter in een wereld waar de grens tussen menselijke en machinale creatie permanent vervaagt. De open vraag is hoe we waarde zullen definiëren in een tijdperk van oneindige, goedkope content. Als een machine in seconden een gedicht of een programma kan schrijven, wat is dan de waarde van de menselijke inspanning om hetzelfde te doen? We zoeken nog steeds naar het antwoord. Voor nu is de beste aanpak een mix van nieuwsgierigheid en scepsis. We moeten deze tools gebruiken om onze capaciteiten uit te breiden, terwijl we ons bewust blijven van hun beperkingen. De toekomst van AI is geen af product; het is een voortdurende onderhandeling tussen wat we kunnen bouwen en wat we zouden moeten bouwen.

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.