De afgelopen jaren heeft kunstmatige intelligentie in een vreemde dualiteit geleefd. Oppervlakkig gezien zag het er magisch uit: conversatiesystemen, beeldgeneratoren, co-piloten die lijken te redeneren. Daaronder hebben bedrijven geworsteld met een soberder realiteit: hallucinaties, fragiele workflows, bestuursrisico’s en systemen die indrukwekkend werken in demo’s, maar haperen op schaal.
In mijn recente gesprek met Dwarak Rajagopal, hoofd AI-onderzoek bij Snowflake, wat opviel was niet optimisme of scepticisme, maar volwassenheid. AI, zo suggereerde hij, komt eindelijk uit zijn tienerjaren. En de komende veranderingen, in 2026, zullen minder gaan over grotere modellen en meer over hoe intelligentie wordt gestructureerd, geverifieerd en gedistribueerd.
Een van de meest ingrijpende veranderingen die gaande zijn, is de stille erosie van de monopoliemacht in funderingsmodellen. Gedurende een groot deel van de huidige AI-cyclus heeft een handvol bedrijven het verhaal, het kapitaal en de kansen rond grote modellen gedomineerd. Maar de heer Rajagopal wees op een kritische buiging: het zwaartepunt verschuift van pre-workout naar post-workout.
De grootste doorbraken komen niet langer simpelweg voort uit het schalen van parameters, maar uit de manier waarop modellen worden verfijnd met gespecialiseerde, hoogwaardige gegevens. Dit opent de deur naar fundamentele open source-modellen die kunnen worden aangepast, verfijnd en ingezet voor specifieke zakelijke behoeften.
Verzwakkende greep van een paar AI-reuzen
Tegen 2026 zal dit de greep van enkele AI-reuzen fundamenteel verzwakken en een meer gedistribueerd innovatie-ecosysteem mogelijk maken waarin startups, onderzoekers en bedrijven voortbouwen op gemeenschappelijke fundamenten in plaats van op eigen silo’s.
Deze verschuiving heeft diepgaande gevolgen voor de manier waarop intelligentie in organisaties wordt geïmplementeerd. Bedrijven hebben geen algemene intelligentie nodig; ze hebben contextuele intelligentie nodig. Ze hebben systemen nodig die hun gegevens, hun workflows en hun beperkingen begrijpen. Open source-modellen in combinatie met enterprise dataplatforms maken het mogelijk. AI wordt niet langer als een orakel behandeld. Het wordt behandeld als infrastructuur.
De volgende grote grens zal volgens de heer Rajagopal niet een nieuwe sprong in de capaciteit van ruwe modellen zijn, maar vooruitgang in agentische AI, aangedreven door verbeteringen in contextvensters en geheugen.
De huidige modellen blijven beperkt door het werkgeheugen. Ze zijn krachtig bij afzonderlijke interacties, maar kwetsbaar bij lange taken die uit meerdere stappen bestaan. Tegen 2026 zal innovatie zich richten op het geven van een persistent geheugen aan agenten, waardoor ze langere contexten kunnen behouden, kunnen leren van acties uit het verleden en over langere tijdlijnen kunnen opereren.
Hierdoor kunnen AI-systemen verder gaan dan reactieve hulp en in de richting gaan van continue probleemoplossing die complexe bedrijfsprocessen ondersteunt in plaats van geïsoleerde vragen.
Automatisering zal niet zo eenvoudig zijn
Toch brengt autonomie risico’s met zich mee. Een van de grootste knelpunten bij de implementatie van agentsystemen vandaag de dag is de accumulatie van fouten. Kleine fouten worden verergerd in workflows die uit meerdere stappen bestaan, waardoor bedrijven gedwongen worden te vertrouwen op menselijk toezicht als vangnet.
De heer Rajagopal is van mening dat deze afhankelijkheid niet zal toenemen. De doorbraak zal voortkomen uit zelfbevestiging. In plaats van mensen in elke lus te plaatsen, zullen AI-systemen interne feedbackmechanismen ontwikkelen. Ze zullen hun eigen output kunnen beoordelen, valideren en corrigeren.
Deze ‘auto-judging’ agenten zullen een verschuiving markeren van gecontroleerde automatisering naar zelfregulerende systemen, waardoor grootschalige, betrouwbare agentworkflows haalbaar worden voor zakelijk gebruik. Deze evolutie in AI-mogelijkheden zal onvermijdelijk ook de menselijke kant van de technologie hervormen.
Organisatiehiërarchieën loodgieterswerk
Een van de meest opvallende implicaties die de heer Rajagopal schetste, is hoe kunstmatige intelligentie de softwaretechnologiehiërarchie zelf zal herdefiniëren. Naarmate agenten routinematige codering en repetitieve taken overnemen, zal de traditionele ladder waar junioren de implementatie op laag niveau afhandelen en senioren systemen ontwerpen vervagen.
Junior engineers worden hogerop geplaatst en gaan eerder aan de slag met infrastructuur, integratie en denken op systeemniveau. Senior ingenieurs zullen ondertussen orkestrators worden, die architecturen ontwerpen, teams begeleiden en ervoor zorgen dat mensen en AI-systemen effectief samenwerken.
Dit zal een heroverweging van computerwetenschappelijk onderwijs, loopbaantrajecten en wat het betekent om ‘ervaren’ te zijn in een wereld waar de uitvoering steeds meer geautomatiseerd wordt, afdwingen.
Dit alles is doordrongen van een geopolitieke onderstroom. De Amerikaanse stijl van AI-ontwikkeling is steeds meer gecorporatiseerd en gesloten geworden, gedreven door schaalgrootte, kapitaalintensiteit en eigen voordelen. China daarentegen neigt meer naar academische en open source-benaderingen die onderzoek en door de staat gesteunde ecosystemen integreren.
Indië op een kruispunt
India bevindt zich ondertussen op een kruispunt. Het heeft het talent, de data en de schaal. Maar zijn positie in de mondiale AI-race zal afhangen van de vraag of het investeert in open fundamenten, datasystemen op bedrijfsniveau en vaardigheden die verder gaan dan rapid engineering en in de richting van systeemdenken.
Het beeld dat naar voren komt is niet dat van op hol geslagen intelligentie, maar van gedisciplineerde intelligentie. Enterprise AI zal in 2026 minder over spektakel gaan en meer over betrouwbaarheid. Minder over geïsoleerde modellen en meer over systemen. Minder over de ‘human-in-the-loop’ als steunpilaar, en meer over zelfbevestigende agenten die zijn ontworpen voor vertrouwen.
Terwijl de laatste fase van kunstmatige intelligentie ging over het bewijzen wat machines kunnen doen, zal de volgende fase gaan over het bewijzen wat organisaties ermee kunnen bouwen. Dat zal, meer dan de modelomvang of benchmarkscores, bepalen wie werkelijk voorop loopt in het tijdperk van kunstmatige intelligentie.
Uitgegeven – 24 december 2025 om 09:21 IST
