De laagvraag

Er is één vraag die ik dit jaar bij elke kop ben gaan stellen, en die me meer heeft opgeleverd dan welk model dan ook: welke laag verandert hier eigenlijk?

De meeste discussies over AI worden horizontaal gevoerd. Wie wint, wie is de grootste, wie heeft de trein gemist. Maar de interessante beweging zit meestal verticaal, en dan blijkt de zichtbare laag de minst interessante. De interface of de index. De demo of de uitrol. De verkoopprognose of het handjevol machines dat werkelijk werk doet.

Ik noem het de laagvraag. Hij overleeft contact met een kop waar je verder niets van weet, en dat is precies waarom hij bruikbaar is. Hieronder vijf verhalen waarin de bovenlaag en de onderlaag een andere kant op wijzen, en daarna vijf dingen die ik niet kwijt kon.

De benchmark die ophield geheugen te testen

Bijna elke AI-benchmark toetst wat een model al weet. Bevries een examen, geef het model een cijfer, publiceer het getal. Een hoge score betekent dat het model de wereld heeft onthouden zoals die was. Nuttig, en niet waarvoor je iemand aanneemt.

Epoch bracht deze week EBR-bench uit, en dat vraagt volgens het lab iets anders. Het zet een model in Earthborne Rangers, een ingewikkeld bordspel dat het nog nooit heeft gezien. Vervolgens meet het of het model beter wordt over herhaalde pogingen. Geen reproductie, geen gelukstreffer, maar het soort vooruitgang dat ontstaat door te spelen, te falen en bij te sturen. Epoch vat de uitkomst zelf onomwonden samen: weinig aanwijzingen dat AI leert van ervaring.

Dat gat is groter dan het klinkt. Een leercurve beklimmen in een spel dat je niet kent lijkt veel meer op waar we mensen voor aannemen dan het foutloos afleggen van een bevroren toets.

Er is wel een eerlijk bezwaar, en het is een goed bezwaar: mogelijk meet dit het harnas en niet het model. Een systeem zonder geheugen tussen pogingen kán per constructie niet beter worden over die pogingen heen, en de meeste opstellingen in de praktijk dragen inmiddels steigerwerk dat een kale benchmarkrun mist. De zuivere versie van de bevinding is dus smaller dan de kop: modellen leren niet uit zichzelf van ervaring, en of het steigerwerk eromheen dat kan vervangen is een aparte vraag die niemand netjes beantwoord heeft. Eén benchmark op één spel blijft bovendien dun bewijs. Wat er hoe dan ook uit volgt: het getal dat ertoe doet is niet de ranglijstscore die iedereen citeert, maar of de curve bij de tweede poging omhoog buigt.

Soevereiniteit is een stapel, geen logo

Het Europees Parlement zette Google aan de kant om minder afhankelijk te zijn van Amerikaanse techniek en koos Qwant, een Franse zoekmachine. Volgens Qwants eigen documentatie bouwt die zijn resultaten op door de Bing-index van Microsoft te bevragen. Het zoekvenster toont dus een Franse vlag terwijl de infrastructuur eronder Amerikaans blijft. De inkoop veranderde, de stapel niet.

Zo zien de meeste soevereiniteitsdiscussies eruit waar ik op dit moment bij zit. We behandelen soevereiniteit als een leverancierskeuze, een regel in een aanbesteding, terwijl het verder naar beneden woont: wie bezit de index, de modelgewichten, de chips, de cloud waar het geheel op draait. Verwissel de interface en dat blijft allemaal precies waar het lag.

Eerlijk is eerlijk, dit is niet alleen naïviteit. Een inkoopteam kan binnen een begrotingscyclus van leverancier wisselen. Een Europese zoekindex uit de grond stampen kan het niet. De interface is de enige laag waar het gezag over heeft, en dat is een echte beperking en geen smoes. Precies daarom hoort de laagvraag vóór het besluit in de kamer te liggen, en niet erna in het commentaar.

Diezelfde herkadering redt Europa trouwens van zijn eigen doemverhaal. Dat verhaal zegt dat Europa de AI-trein heeft gemist en twee jaar heeft om bij te trekken. Bekijk de kaart per laag en Europa heeft over zes verschillende lagen van de stapel categorieleiders van meer dan 1 miljard dollar, van infrastructuur via gereedschap tot toepassing. Wat werkelijk dun is, is één laag: frontier-modellen en de rekenkracht eronder. En daar zit de afhankelijkheid dan ook. Zit je dit jaar in de buurt van een besluit over soevereine techniek, dan is dat de vraag die ik op tafel zou leggen: welke laag veranderen we hier nu eigenlijk?

De bodem zakte terwijl het plafond duurder werd

Een pas afgestudeerde software-engineer bij Walmart kreeg een eigen paper, InfiniteDiffusion, aangenomen op SIGGRAPH 2026. Eén RTX 3090 Ti. Geen financiering, geen begeleider, geen lab, geen team.

In dezelfde week waarin je las over AI-obligatieleningen van miljarden en datacenters van een gigawatt, zakte de bodem voor frontier-nabij onderzoek stilletjes tot één grafische kaart en genoeg koppigheid om na werktijd door te gaan.

Beide dingen zijn tegelijk waar, en die splitsing loopt door de hele week. In de schattingen die ik heb gezien houden de Verenigde Staten ongeveer 75 procent van de wereldwijde GPU-clustercapaciteit en China 15 procent, grofweg een vijfvoudig gat in ruwe trainingscapaciteit. Ondertussen landde Fugu van Sakana AI, gebouwd in Tokio door een lab dat naam maakte met méér doen met minder rekenkracht, schouder aan schouder met de topspelers op de zwaarste redeneerbenchmarks. En Micron tekende voor 100 miljard dollar aan langjarige leveringscontracten terwijl het zegt geen idee te hebben wanneer het geheugentekort eindigt. Rekenkracht verdubbelt elke zeven maanden, en elke laag eronder wordt op zijn beurt uitgeknepen: eerst de versnellers, dan het geheugen, dan het vermogen.

Het bemoedigende deel houd ik wel losjes vast. Eén aangenomen paper is één aangenomen paper, en de vakgebieden waar een enkele consumentenkaart nog bij de frontier komt zijn de vakgebieden waar die frontier een idee is en geen trainingsrun. Niemand bouwt een frontier-model na op een desktopkaart. Wat de goedkope kant werkelijk koopt is de kans om een methode te vinden die nog niemand geprobeerd heeft, en dat is een smallere kans dan "iedereen kan nu meedoen".

Toch. De dure frontier is van een handvol labs, en de interessante randen zijn van wie bereid is te werken op de laag die hij zich kan veroorloven. Voor de meeste mensen in een middelgroot bedrijf is dat een gunstiger positie dan ze zelf denken te hebben.

Het getal dat niemand in de robotica wil noemen

Unitree leverde vorig jaar zo'n 5.500 robots en daarvan deed naar eigen zeggen 3 procent enig nuttig werk. De rest ging naar onderzoekslabs en entertainment: demo's, podia, universiteitsgangen, geen enkele echte baan.

Als kop klinkt dat als een mislukking. Als strategie is het het tegenovergestelde. Je verkoopt aan kopers die de robot nog niet economisch nuttig hoeven vinden, financiert met hun geld de leercurve, en stapt de industrie in zodra hardware en modellen zover zijn. Ik denk dat die 3 procent het eerlijkste getal in de humanoïde robotica is. Iedereen citeert leveringsprognoses en bijna niemand citeert hoeveel er daadwerkelijk aan het werk is.

En de ontbrekende laag viel deze week op zijn plek. De G1 van Unitree ging van gesproken opdracht naar beweging: spraakherkenning pikt gewone taal op, de robot leidt af wat je bedoelde, en handelt. Geen teleoperatie, geen script, niemand met een controller achter het gordijn. De lichamen zijn al jaren goed op balans, behendigheid en waarneming. Wat ontbrak was de interface — een manier voor jou om te zeggen wat je wilt zonder een controller aan te raken — en een taalmodel zet losse menselijke spraak om in handeling.

De andere as bewoog ook. Adam van PNDbotics, van een bedrijf waar de meeste mensen nog nooit van gehoord hebben, klom op een kist van een meter hoog. Daar heb je planning met het hele lichaam voor nodig, gewichtsverplaatsing, en het vermogen jezelf op te vangen als de berekening er net naast zit. Een jaar geleden lag de lat bij overeind blijven op een vlakke vloer. En de Nori L2 opent volgende week de bestellingen, voor de prijs van een goede telefoon. Zodra een technologie op telefoonprijs zit, verschuift de vraag van of het kan werken naar wie er tienduizend koopt.

Vermogen, interface, prijs. Wat er nog steeds niet is, is de vierde factor: een functieomschrijving. Een robot die je begrijpt en zo veel kost als een telefoon wacht nog altijd op iemand die de taak scherp genoeg omschrijft om ervoor te willen betalen. In mijn ervaring duurt dat binnen een organisatie langer dan al het techniekwerk bij elkaar.

De eerste klant van AI laat de trailer zien

Volgens interne cijfers die OpenAI deze week publiceerde verbruikt het eigen onderzoeksteam 53 keer meer tokens dan in november. Dat is geen productbenchmark maar een beeld van hoe de eigen mensen werken: langer lopende, ingewikkelder, steeds meer afdelingsoverstijgende taken die naar Codex gaan, met onderzoek bovenaan de groeicurve.

Het frontier-lab is zijn eigen eerste klant. Hoe agentisch werk er vandaag binnen die muren uitziet, is dus een voorproefje van wat straks in elk kenniswerkbedrijf landt: een kanarie die een jaar of twee vooruitloopt. In dezelfde week liet een open experiment ruim 100 agents dagenlang samenwerken aan één taak, zonder dat een mens elke stap stuurde. Ze verdeelden het werk, gaven het aan elkaar door, bouwden voort op elkaars uitkomsten, en er ontstonden rollen die niemand had voorgeschreven.

Twee jaar lang ging het verhaal over één agent die beter werd in één klus. Coördinatie is de volgende fase, en die brengt eigen natuurkunde mee. Agents doen werk dubbel. Ze praten langs elkaar heen. Eén slechte uitkomst plant zich door de groep voort voordat iemand het doorheeft.

De menselijke kant is rustiger dan de koppen. Uit de enquêtecijfers blijkt dat de meeste mensen dit gebruiken om te zoeken en om te werken, dat gezelschap op 4 procent blijft steken en dat een kwart er dagelijks mee bezig is. De kloof tussen mannen en vrouwen, die iedereen voor structureel hield, is bijna gedicht: twee jaar geleden was dat 28 procent van de vrouwen tegen 39 procent van de mannen, nu liggen die lijnen een paar punten uit elkaar.

De bevinding waar ik op terugkom is de laatste. De groep die zich het meest zorgen maakt is de jongste. 48 procent van de 18- tot 29-jarigen verwacht negatieve gevolgen, meer dan welke oudere groep ook. De zwaarste en meest bedreven gebruikers dragen dus het diepste ongemak. Ik zou daar geen oorzakelijk verband in lezen, want diezelfde leeftijdsgroep concurreert om de instapbanen. Maar sta je op het punt een adoptieprogramma op je enthousiastelingen te richten, dan is het de moeite waard er even bij stil te staan.

De laag om naar te kijken is hier niet het model. Het is de organisatie rondom de mensen die het al dagelijks gebruiken. Een kwart van je team heeft dit in de routine gevouwen, en de open vraag is of de organisatie dat gemerkt heeft. Daarom kom ik in mijn keynotes steeds terug op gedeeld begrip: je kunt geen gereedschap coördineren dat niemand in kaart heeft gebracht.

De blik vooruit

Elk verhaal van deze week beloont dezelfde beweging: laat de bovenlaag met rust en vraag welke laag eronder werkelijk verschoof. Een Franse vlag op een Amerikaanse index. Een lichaam op telefoonprijs dat zijn interface miste tot een taalmodel hem leverde. Een benchmarkscore die geen verse leercurve kan beklimmen. Een frontier die tegelijk peperduur is en op één kaart past.

Dat de laagvraag blijft betalen komt doordat bovenlagen ontworpen zijn en onderlagen niet. Een interface is gekozen door iemand die wil dat je hem op een bepaalde manier leest. Een index, een leveringscontract of een tokenteller bestaat om redenen die niets te maken hebben met hoe het verhaal landt.

Vijf dingen die ik niet kwijt kon

Een compleet 3D-lichaam uit één foto. SAM 3D Body van Meta maakt van één gewone foto een volledig lichaamsmodel, automatisch of gestuurd met maskers, en het is kandidaat voor een prijs op CVPR 2026. Dezelfde week haalde een andere beeld-naar-3D-generator uit één foto tien miljoen polygonen, fijn genoeg om de microstructuur van huid op te lossen. 3D uit één beeld betekende voorheen een ruwe benadering waar je uren met de hand aan zat te sleutelen. Het is nu schoon genoeg om zo in een productieketen te laten vallen.

Gegenereerde video met echte coördinaten. Google koppelde zijn generatieve videomodel aan Street View, waardoor agents in Google Flow beeld en video kunnen maken die geworteld zijn in een echte locatie. Richt het op een hoek in Lissabon en de scène draagt de werkelijke geometrie van die hoek. De meeste gegenereerde video ziet er overal aannemelijk uit en nergens waar, en dat is precies de zwakte waar een fotografische index van de planeet tegen helpt.

De zwaarste AI-gebruikers nemen mensen aan. Bedrijven die het hardst op AI inzetten lieten hun personeelsbestand in de 24 maanden na invoering met 10,2 procent groeien, tegen het standaardverhaal in waarin AI binnenkomt en banen verdwijnen. Het mechanisme is weinig spannend: wordt een eenheid werk goedkoper, dan groeit de ambitie het gat in plaats van dat de besparing wordt opgepot. Eén dataset, en de richting is tegengesteld aan die waar de meeste besturen op plannen.

Meer dementiegevallen, minder dementierisico. Zet geboortecohorten op dezelfde leeftijd naast elkaar en elk nieuwer cohort ligt lager dan het vorige; het leeftijdsspecifieke risico daalt al decennia. Het totale aantal gevallen stijgt toch, simpelweg omdat er meer ouderen zijn. Beide zijn tegelijk waar, en daarom wijzen het bevolkingscijfer en het persoonlijke cijfer een andere kant op.

Vijftig drones tegelijk, als staande doctrine. De Zuid-Koreaanse luchtmacht oefent met het onderscheppen van een gecoördineerde zwerm van 50. Het grootste deel van het afgelopen decennium leefden zwermen in onderzoekspapers, dus dat een nationale luchtmacht er onderscheppingsoefeningen omheen bouwt is het teken dat ze de doctrine bereikt hebben. Oekraïne bouwt dit jaar naar verwachting zo'n 7 miljoen drones. Dat was het aanvalsverhaal; dit is de moeilijkere helft ervan.

Dit is de verbonden versie van de week. Als het je iets oplevert, staat hij elke maandag in je feed.