Achter de glanzende krantenkoppen worstelt de AI-industrie met fundamentele vragen over het innovatietempo, de houdbaarheid van kapitaal en de uiteenlopende paden van modelontwikkelaars versus applicatiebouwers.
Het stille keerpunt van de industrie
Kunstmatige intelligentie is de afgelopen drie jaar in een ongekend tempo gegroeid. Sinds de lancering van ChatGPT heeft de adoptie door consumenten records gebroken, hebben giganten van OpenAI tot Google in rap tempo modellen aangekondigd, en hebben Fortune 500-bedrijven AI centraal gesteld in hun bedrijfsprocessen. Toch worstelt de industrie vandaag, achter de glanzende krantenkoppen, met een fundamenteel andere vraag:
Boekt echte innovatie nog steeds sterke vooruitgang, of kijken we naar een enorme machine die tegen onzichtbare grenzen aanloopt?
Om deze vraag goed te beantwoorden, moeten we het ecosysteem door twee verschillende lenzen bekijken:
Primaire markt: Bedrijven die fundamentele modellen ontwikkelen zoals GPT-4, Claude en Gemini: OpenAI, Anthropic, Google DeepMind, Meta.
Secundaire markt: Bedrijven die deze modellen nemen en oplossingen bouwen voor echte gebruikersproblemen: Perplexity, Cursor, Notion AI, Replit.
Hoewel beide markten binnen dezelfde industrie bestaan, verschillen hun dynamiek, kostenstructuren, risicoprofielen en groeiverwachtingen fundamenteel. De spanning die we vandaag zien, komt precies voort uit die divergentie.
Natuurlijke grenzen van modelontwikkeling worden zichtbaar
Vier fundamentele factoren hebben de evolutie van grote taalmodellen in de afgelopen vijf jaar gevormd:
- Modelgrootte (aantal parameters)
- Trainingsdata (kwaliteit en diversiteit)
- Rekenkracht (GPU/TPU-capaciteit)
- Trainingstechnieken (transformerarchitecturen, aandachtsmechanismen)
Van 2018 tot 2023 schaalden deze vier factoren in dezelfde richting op, wat enorme sprongen mogelijk maakte. Zo gingen we van GPT-2 naar GPT-4, van BERT naar PaLM. Deze curve zal zich echter niet eindeloos voortzetten. Trainingsdata is nu de meest kritieke bottleneck van de industrie.
Hoogwaardige, diverse en originele, door mensen gegenereerde datapools zijn schaars. Je traint op Wikipedia, je traint op arXiv, je traint op GitHub: en dan? De kosten in dit domein stijgen exponentieel door auteursrechtkwesties, overeenkomsten over data-eigendom en toegangsbeperkingen. Je sluit deals met Reddit, onderhandelt met Stack Overflow, krijgt rechtszaken van The New York Times. Het vergroten van de modelomvang is technisch nog steeds haalbaar, maar aan de datakant ontstaat een natuurlijk plafond.
Daarom heeft de sector zijn focus verlegd van modelgrootte naar efficiëntie. Chain-of-thought-redenering, reinforcement learning from human feedback (RLHF), effectievere samplingtechnieken, mixture-of-experts (MoE)-architecturen: dit alles maakt deel uit van die transformatie.
Deze ontwikkelingen zijn belangrijk, maar op zichzelf niet duurzaam. Want op een gegeven moment raken ook efficiëntiewinsten verzadigd. De sector begint te erkennen dat innovatie in foundation models een fase is ingegaan die trager en duurder is.
Druk op kapitaalstromen en toenemende kwetsbaarheid
Naarmate technologische grenzen voelbaarder worden, is groei aan de kapitaalkant nog risicovoller geworden.
Bedrijven die foundation models ontwikkelen, bouwen enorme computationele infrastructuren op en doen agressieve aanbiedingen in de strijd om talent. Deze uitgaven vinden plaats voordat er een sterke omzetbasis is opgebouwd. De jaarlijkse compute-kosten van OpenAI lopen in de miljarden. Anthropic ontvangt miljarden aan investeringen van Microsoft. Google reserveert een apart budget voor DeepMind.
Miljarden die worden geïnvesteerd in datacenters, meerjarige GPU-contracten, astronomische salarissen voor namen als Ilya Sutskever: dit alles blaast de kostenposten van bedrijven fors op.
Dit beeld laat zien dat de primaire markt is gebouwd op een economisch uiterst fragiel schaalmodel. De kostenstructuur van modelinnovatie overstijgt de groei van de omzet ruimschoots.
De stille opkomst van de applicatielaag
Terwijl de primaire markt onder druk staat, ontwikkelt de secundaire markt zich met een relatief gezonde groeicurve. Deze bedrijven nemen foundation models en vertalen die naar echte use cases.
- Perplexity: De zoekervaring opnieuw vormgeven
- Cursor & Replit: Het programmeerproces transformeren
- Notion AI: Productiviteitstools intelligent maken
- Dvina: Verbinden met meer dan 120 applicaties om complete digitale levens te beheren vanuit één intelligente laag
Het voordeel van deze bedrijven is dat ze het dichtst bij de gebruiker staan. Echte waarde ontstaat direct in de gebruikerservaring. Zoeken, programmeren, contentcreatie, productiviteit, informatieverwerking: al deze domeinen bieden schaalbare en begrijpelijke verdienmodellen.
Daarom zijn veel producenten van foundation models begonnen op te schuiven naar de applicatielaag. OpenAI maakte van ChatGPT een product, Anthropic transformeerde Claude tot een consumentenaanbod, Google integreerde Gemini. De strategie van verticale integratie heeft zich snel verspreid.
Maar deze strategie heeft bijwerkingen veroorzaakt: acquisitiekosten zijn geëxplodeerd, waarderingen in de secundaire markt zijn opgeblazen. Het feit dat de secundaire markt — het enige gebied dat omzet kan genereren — zo duur is geworden, vergroot het kapitaalrisico in de sector verder.
Historische cycli en de onderscheidende factor van vandaag
Kunstmatige intelligentie heeft in het verleden twee grote neergangen doorgemaakt: eind jaren 70 en begin jaren 90. Wat deze periodes gemeen hadden: hoge verwachtingen, lage innovatiesnelheid en een verdampende investeringsbereidheid.
De situatie van vandaag is anders. Technische innovatie gaat door, maar het tempo van doorbraken vertraagt. De kapitaalstroom groeit daarentegen op een ongekende schaal. Sam Altman spreekt over een compute-fonds van $7 trillion, Elon Musk pompt miljarden in xAI.
Daarom is wat we nu meemaken geen klassieke "AI winter." Het is eerder een periode van kwetsbaarheid op basis van kapitaalallocatie: waarderingen lopen op, kosten versnellen, maar de innovatiesnelheid voldoet niet aan de verwachtingen.
Het nieuwe tijdperk: niet grotere modellen, maar slimmere benaderingen zullen winnen
Het belangrijkste verschil van vandaag is dit: wat nu telt, is niet het bouwen van nog grotere modellen door meer parameters toe te voegen.
De echte transformatie zal op deze vlakken plaatsvinden:
- De parameterefficiëntie verhogen
- Hogere kwaliteit bereiken met kleinere modellen
- Nieuwe trainingstechnieken ontwikkelen
- Data strategischer en effectiever inzetten
- Trainingskosten radicaal verlagen
Een van de meest opvallende recente voorbeelden was DeepSeek. Deze Chinese startup ontwikkelde een model dat presteert op GPT-4-niveau, maar met veel lagere trainingskosten. Mixture-of-experts-architectuur, parameteroptimalisatie, op efficiëntie gerichte trainingstechnieken. De markt reageerde sterk.
Na de aankondiging van DeepSeek daalde de marktkapitalisatie van NVIDIA op één dag met $600 miljard. Dit liet zien dat investeerders nu niet alleen de race naar grotere modellen volgen, maar ook de race naar efficiëntie en architectonische innovatie.
Maar ook dit is nog niet genoeg. Als de sector een echte sprong wil maken, zal die voortkomen uit nieuwe architectonische paradigma's. Iets voorbij de transformer-architectuur. Misschien neuromorfisch computergebruik, misschien hybride modellen, of misschien een volledig ander leerraamwerk.
Dit soort radicale transformaties komt doorgaans niet van grote bedrijven. Zij opereren voorzichtig door druk van schaal, infrastructuurkosten en corporate risicobeheer. Echte doorbraken komen vaak voort uit kleine, agressieve, risicotolerante, ambitieuze startups.
Het AI-ecosysteem van vandaag wacht waarschijnlijk op precies zo'n ontwrichting.
Conclusie: Niet middelen, maar aanpak zal winnen
De AI-sector beweegt vandaag tussen twee spanningen: aan de ene kant een strategie van modelschaling die haar grenzen nadert; aan de andere kant groeiende kapitaalrisico's en een applicatiemarkt die snel in waarde stijgt.
Dit beeld laat zien dat het fundamentele probleem nu de aanpak is, niet de capaciteit. De winnaars van morgen zullen niet degenen zijn die grotere modellen bouwen, maar degenen die slimmere methoden ontwikkelen. Efficiëntie, nieuwe architectonische ontwerpen en geoptimaliseerde trainingstechnieken worden de echte scheidslijn in de sector.
Wat in de toekomst doorslaggevend zal zijn, is de kwaliteit van de aanpak, niet de kracht van middelen. En de kans dat visionaire startups, in plaats van grote bedrijven, deze verschuiving in aanpak in gang zullen zetten, is behoorlijk groot.
