Achter de lovende krantenkoppen worstelt de AI-industrie met fundamentele vragen over het innovatietempo, de houdbaarheid van de kapitaalstromen en de uiteenlopende koers van modelontwikkelaars en applicatiebouwers.
Het stille keerpunt van de sector
Kunstmatige intelligentie is de afgelopen drie jaar in een ongekend tempo gegroeid. Sinds de lancering van ChatGPT heeft het gebruik door consumenten records gebroken, hebben giganten van OpenAI tot Google in hoog tempo modellen aangekondigd en hebben Fortune 500-bedrijven AI centraal gesteld in hun bedrijfsprocessen. Toch worstelt de sector vandaag, achter de lovende krantenkoppen, met een fundamenteel andere vraag:
Gaat echte innovatie nog steeds in hoog tempo vooruit, of zien we een enorme machine die tegen onzichtbare grenzen aanloopt?
Om deze vraag goed te beantwoorden, moeten we het ecosysteem vanuit twee verschillende perspectieven bekijken:
Primaire markt: Bedrijven die basismodellen zoals GPT-4, Claude en Gemini ontwikkelen: OpenAI, Anthropic, Google DeepMind, Meta.
Secundaire markt: Bedrijven die deze modellen gebruiken om oplossingen te bouwen voor concrete problemen van gebruikers: Perplexity, Cursor, Notion AI, Replit.
Hoewel beide markten tot dezelfde sector behoren, verschillen hun dynamiek, kostenstructuren, risicoprofielen en groeiverwachtingen fundamenteel. De spanning die we vandaag zien, komt precies uit dat verschil voort.
De natuurlijke grenzen van modelontwikkeling worden zichtbaar
Vier fundamentele factoren hebben de ontwikkeling van grote taalmodellen de afgelopen vijf jaar bepaald:
- Modelgrootte (aantal parameters)
- Trainingsdata (kwaliteit en diversiteit)
- Rekenkracht (GPU/TPU-capaciteit)
- Trainingstechnieken (transformerarchitecturen, aandachtsmechanismen)
Van 2018 tot 2023 werden deze vier factoren in dezelfde richting opgeschaald, wat enorme sprongen mogelijk maakte. Zo gingen we van GPT-2 naar GPT-4 en van BERT naar PaLM. Die curve zal zich echter niet eindeloos voortzetten. Trainingsdata vormen nu het grootste knelpunt in de sector.
De beschikbare hoeveelheid hoogwaardige, diverse en originele, door mensen gemaakte data is beperkt. Je traint op Wikipedia, je traint op arXiv, je traint op GitHub: en dan? De kosten op dit gebied stijgen exponentieel door auteursrechtkwesties, afspraken over data-eigendom en toegangsbeperkingen. Je sluit deals met Reddit, onderhandelt met Stack Overflow en krijgt te maken met rechtszaken van The New York Times. Modellen verder vergroten is technisch nog steeds haalbaar, maar de beschikbare data stelt een natuurlijke bovengrens.
Daarom heeft de sector de aandacht verlegd van modelgrootte naar efficiëntie. Chain-of-thought-redenering, reinforcement learning from human feedback (RLHF), effectievere samplingtechnieken en mixture-of-experts (MoE)-architecturen: ze maken allemaal deel uit van deze omslag.
Deze ontwikkelingen zijn belangrijk, maar op zichzelf niet duurzaam. Op een gegeven moment bereikt ook de efficiëntiewinst een verzadigingspunt. De sector begint te erkennen dat innovatie in basismodellen een tragere en duurdere fase is ingegaan.
Druk op kapitaalstromen en toenemende kwetsbaarheid
Naarmate de technologische grenzen voelbaar worden, brengt groei aan de kapitaalkant nog grotere risico's met zich mee.
Bedrijven die basismodellen ontwikkelen, bouwen enorme rekeninfrastructuren en doen zeer lucratieve aanbiedingen in de strijd om talent. Ze doen deze uitgaven voordat ze een solide omzetbasis hebben opgebouwd. De jaarlijkse kosten voor rekenkracht van OpenAI lopen in de miljarden. Anthropic ontvangt miljarden aan investeringen van Microsoft. Google reserveert een apart budget voor DeepMind.
Miljarden aan investeringen in datacenters, meerjarige GPU-contracten en astronomische salarissen voor namen als Ilya Sutskever: ze drijven de kosten van bedrijven enorm op.
Dit beeld laat zien dat de primaire markt berust op een economisch uiterst kwetsbaar schaalmodel. De kostenstructuur van modelinnovatie overstijgt de omzetgroei ruimschoots.
De stille opkomst van de applicatielaag
Terwijl de primaire markt onder druk staat, groeit de secundaire markt volgens een relatief gezonde curve. Deze bedrijven gebruiken basismodellen en vertalen die naar concrete toepassingen.
- Perplexity: De zoekervaring opnieuw vormgeven
- Cursor & Replit: Het programmeerproces transformeren
- Notion AI: Productiviteitstools intelligent maken
- Dvina: Verbinding maken met 120+ applicaties om het volledige digitale leven 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 en informatieverwerking: al deze gebieden bieden schaalbare en begrijpelijke verdienmodellen.
Daarom zijn veel ontwikkelaars van basismodellen begonnen op te schuiven naar de applicatielaag. OpenAI maakte van ChatGPT een product, Anthropic vormde Claude om tot een consumentenproduct en Google integreerde Gemini. Verticale integratie heeft als strategie snel terrein gewonnen.
Maar deze strategie heeft ook bijwerkingen: overnamekosten zijn omhooggeschoten en waarderingen in de secundaire markt zijn opgeblazen. Dat de secundaire markt — het enige gebied dat omzet kan genereren — zo duur is geworden, vergroot het kapitaalrisico in de sector nog verder.
Historische cycli en wat de huidige situatie anders maakt
Kunstmatige intelligentie heeft in het verleden twee grote terugvallen gekend: eind jaren 1970 en begin jaren 1990. Wat deze periodes gemeen hadden: hoge verwachtingen, een laag innovatietempo en een verdampende investeringsbereidheid.
De huidige situatie is anders. De technische innovatie gaat door, maar doorbraken volgen elkaar minder snel op. De kapitaalstroom groeit daarentegen op ongekende schaal. Sam Altman spreekt over een fonds van $7 biljoen voor rekenkracht, Elon Musk steekt miljarden in xAI.
Wat we nu meemaken is dus geen klassieke "AI-winter". Het is eerder een periode van kwetsbaarheid die voortkomt uit de verdeling van kapitaal: waarderingen worden opgeblazen en kosten stijgen steeds sneller, maar het innovatietempo blijft achter bij de verwachtingen.
Het nieuwe tijdperk: niet grotere modellen, maar slimmere benaderingen winnen
Het belangrijkste verschil met vroeger is dit: het gaat er nu niet om nog grotere modellen te bouwen door meer parameters toe te voegen.
De echte transformatie zal op deze gebieden 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 op GPT-4-niveau presteert, maar met veel lagere trainingskosten. Een mixture-of-experts-architectuur, parameteroptimalisatie, op efficiëntie gerichte trainingstechnieken. De markt reageerde sterk.
Na de aankondiging van DeepSeek daalde de marktkapitalisatie van NVIDIA in één dag met $600 miljard. Dat liet zien dat beleggers inmiddels niet alleen de race naar grotere modellen volgen, maar ook de race om efficiëntie en innovatie in modelarchitectuur.
Maar ook dat is nog niet genoeg. Als de sector een echte sprong voorwaarts maakt, zal dat dankzij nieuwe architectuurparadigma's zijn. Iets dat verder gaat dan de transformer-architectuur. Misschien neuromorfisch rekenen, misschien hybride modellen, of misschien een volledig ander leerkader.
Dit soort radicale transformaties komt doorgaans niet van grote bedrijven. Zij gaan voorzichtig te werk vanwege de druk om op te schalen, de infrastructuurkosten en het risicobeheer binnen de organisatie. Echte doorbraken komen vaak voort uit kleine, agressieve, ambitieuze startups die bereid zijn risico's te nemen.
Het huidige AI-ecosysteem wacht waarschijnlijk op precies zo'n ontwrichting.
Conclusie: Niet de middelen, maar de aanpak geeft de doorslag
De huidige AI-sector beweegt tussen twee spanningsvelden: aan de ene kant een strategie om modellen op te schalen die haar grenzen nadert; aan de andere kant toenemende kapitaalrisico's en een applicatiemarkt die snel in waarde stijgt.
Dit beeld laat zien dat het fundamentele probleem nu bij de aanpak ligt, niet bij de capaciteit. De winnaars van morgen zullen niet degenen zijn die grotere modellen bouwen, maar degenen die slimmere methoden ontwikkelen. Efficiëntie, nieuwe architectuurontwerpen en geoptimaliseerde trainingstechnieken worden de echte scheidslijn in de sector.
In de toekomst zal de kwaliteit van de aanpak doorslaggevend zijn, niet de omvang van de beschikbare middelen. En de kans dat visionaire startups, in plaats van grote bedrijven, deze omslag in aanpak in gang zetten, is behoorlijk groot.