De voorspelling voor 2030: de dood van de chatbot en de opkomst van de agent
De nieuwigheidsfase loopt ten einde
Denk eens terug aan vijf jaar geleden, toen je iemand voor het eerst in ChatGPT zag typen. Weet je dat gevoel nog? Dat lichte ongeloof toen er samenhangende zinnen begonnen te verschijnen. Dat zenuwachtige lachen toen het een gedicht over je hond schreef. Die existentiële angst toen het de kwantumfysica beter uitlegde dan je hoogleraar ooit had gedaan.
Dat moment van verwondering? Het vervaagt al. We leven in de "nieuwigheidsfase" van kunstmatige intelligentie, een korte periode die wordt gekenmerkt door ontzag en spektakel. We staan versteld dat de computer kan praten. We typen urenlang in chatvensters en behandelen de AI als een grappig orakel, een slim stuk speelgoed of (laten we eerlijk zijn) een licht beschonken stagiair die af en toe iets briljants produceert.
We hebben zelfs een nieuwe functietitel voor dit tijdperk bedacht: "prompt engineer". Denk daar even over na. We betalen mensen een zescijferig salaris om de juiste bezweringen naar een computer te fluisteren. We behandelen de AI als een mysterieuze entiteit die moet worden verleid, gevleid en zorgvuldig geprompt om nuttig werk te doen. Het is alsof je iemand inhuurt om met je magnetron te onderhandelen.
Die situatie komt op ons fundamenteel absurd over. Niet omdat de technologie niet indrukwekkend is, maar omdat we haar verkeerd gebruiken. We hebben de krachtigste cognitieve hulpmiddelen uit de menselijke geschiedenis gebouwd en we gebruiken ze als bijzonder breedsprakige zoekmachines. We hebben kernreactoren en we gebruiken ze om brood te roosteren.
In 2030 zal deze fase archaïsch lijken. Beschamend archaïsch. We zullen op "prompt engineering" terugkijken zoals we terugkijken op ponskaarten of MS-DOS-opdrachtregels. Het was een noodzakelijke, primitieve interface voor een primitieve tijd. De toekomst van AI draait niet om chatten met een computer. Ze draait om de computer die volledig verdwijnt.
Wat volgt zijn onze voorspellingen voor het komende half decennium van intelligentie. Geen marketingfantasieën of sciencefictiondromen, maar onderbouwde extrapolaties op basis van de technologische ontwikkelingen die we vandaag zien. Sommige zullen sneller gebeuren dan we verwachten. Andere langzamer. Maar de richting is duidelijk, en wie die nu begrijpt, heeft het strategische voordeel van de voorbereiding.
De technologische verschuiving begrijpen
Voordat we in de voorspellingen duiken, stellen we vast wat er werkelijk verandert. De AI-revolutie van 2022-2025 draaide in wezen om één doorbraak: transformatorarchitecturen die tot enorme omvang waren opgeschaald, konden algemene tekstgeneratie uitvoeren. Dat was indrukwekkend. Achteraf gezien was het ook opmerkelijk ruw.
Huidige grote taalmodellen zijn in wezen zeer geavanceerde systemen voor automatisch aanvullen. Ze voorspellen het volgende token op basis van statistische patronen die ze uit trainingsdata hebben geleerd. Ze begrijpen niets van waarheid, hebben geen model van de wereld en kunnen hun eigen uitvoer niet verifiëren. Ze hallucineren met vertrouwen, omdat ze geen mechanisme hebben om feiten van fictie te onderscheiden. Het zijn probabilistische patroonherkenners, en ze naderen de grenzen van wat patroonherkenning alleen kan bereiken.
De volgende generatie AI zal fundamenteel anders zijn. In plaats van uitsluitend te vertrouwen op aangeleerde statistische correlaties, zullen systemen symbolisch redeneren, formele verificatie en expliciete kennisrepresentatie integreren. In plaats van antwoorden te gokken, zullen ze die afleiden uit eerste principes en bewijzen dat ze correct zijn. In plaats van algemeen en vaag te zijn, zullen ze gespecialiseerd en precies zijn.
Dit is geen speculatie. Het onderzoek is al gepubliceerd. De architecturen worden al ontwikkeld. De enige vraag is hoe snel ze productie-implementatie en marktacceptatie zullen bereiken. Onze voorspellingen zijn gebaseerd op de realistische tijdlijnen voor deze transities.
Voorspelling 1: De interface verdwijnt
De beste technologie is onzichtbaar. Je voert geen "gesprek" met je antiblokkeersysteem; het voorkomt gewoon dat je slipt. Je "prompt" je spamfilter niet; het filtert de spam gewoon. Je staat er nooit bij stil welk TCP/IP-protocol dit artikel op je scherm krijgt. Goede technologie werkt. Uitstekende technologie werkt zonder dat je het merkt.
In 2030 is AI naar de achtergrond verdwenen. Het is dan het alomtegenwoordige besturingssysteem van de wereld. Het is geen bestemming meer (een website zoals ChatGPT) die je bezoekt. Het is een nutsvoorziening die alles doordringt, net zo gewoon en onmisbaar als elektriciteit.
Deze overgang volgt een patroon dat we in de techniekgeschiedenis steeds opnieuw zien. De eerste auto's hadden een opgeleide chauffeur nodig die de complexe mechanica van de verbrandingsmotor begreep. De eerste computers hadden programmeurs nodig die machinecode spraken. De eerste telefoons hadden telefonisten nodig die gesprekken handmatig doorverbonden. In elk geval werd de technologie uiteindelijk zo eenvoudig dat de tussenpersoon verdween. De interface werd steeds platter tot hij onzichtbaar was.
We gaan van expliciete interactie (een opdracht typen om een resultaat te krijgen) naar impliciete intentie (het systeem voorziet de behoefte en vervult die). Kijk hoe dat er in de praktijk uitziet:
Je agenda vandaag: Je leest een e-mailthread. Je denkt "we moeten eens afspreken". Je opent je agenda. Je checkt ieders beschikbaarheid (drie verschillende systemen). Je stelt tijden voor. Je wacht op reacties. Je boekt een ruimte. Je stuurt uitnodigingen. Twintig minuten gedoe voor een vergadering van een half uur.
Je agenda in 2030: De AI ziet je e-mailthread. Het herkent de intentie om af te spreken (gehaald uit de context, niet uit trefwoorden). Het checkt de beschikbaarheid van alle betrokkenen in hun agendasystemen. Het onderhandelt over het beste tijdstip. Het boekt de ruimte. Het stuurt de uitnodigingen. Jij ziet een melding: "Vergadering ingepland met Sarah en James, donderdag 14.00 uur." Je hebt niets gedaan. Het gedoe is verdwenen.
Of neem voorraadbeheer in de toeleveringsketen:
Vandaag: Je operationele team houdt dashboards in de gaten. Een analist ziet een orkaan ontstaan in de Golf van Mexico. Diegene checkt handmatig welke zendingen geraakt kunnen worden. Het wordt opgeschaald naar een manager. De manager belegt een vergadering. Er wordt besloten de vracht om te leiden. Iemand werkt de voorraadprognose bij in een spreadsheet. Verstreken tijd: 48 uur. Kosten van de vertraging: €200.000.
In 2030: De AI van de toeleveringsketen ziet de orkaan ontstaan (die houdt het weer in de gaten, geen dashboards). Het voorspelt met 94% zekerheid welke zendingen vertraging oplopen. Het leidt de vracht automatisch om naar alternatieve havens. Het werkt de voorraadprognose bij. Het informeert de betrokken mensen met een samenvatting van één zin: "14 containers omgeleid via Rotterdam vanwege orkaan Maria. Verwachte aankomst ongewijzigd." Verstreken tijd: 3 minuten. Kosten van de vertraging: €0.
Of neem medische diagnostiek:
Vandaag: Een patiënt beschrijft de symptomen aan een huisarts. De huisarts maakt op basis van beperkte tijd en brede opleiding een eerste inschatting. Die verwijst de patiënt naar een specialist. De specialist vraagt onderzoeken aan. Er gaan weken voorbij. De uitslagen komen binnen. Er wordt een nieuwe afspraak gemaakt. Er volgt een diagnose. De behandeling begint maanden nadat de symptomen voor het eerst opdoken.
In 2030: De draagbare apparaten van de patiënt hebben de afwijking al opgemerkt. De persoonlijke gezondheids-AI volgt al subtiele veranderingen in hartritmevariabiliteit, slaappatroon en beweging die op een ziekte in een vroeg stadium wijzen. Nog voordat de patiënt zelf iets voelt, krijgt de arts een melding met een voorlopige analyse en een voorgesteld diagnostisch traject. Tegen de tijd dat de patiënt iets gemerkt zou hebben, is de behandeling al begonnen.
Het doel van technologie is om wrijving weg te nemen. Typen zorgt voor wrijving. Praten zorgt voor wrijving. Zelfs nadenken over wat je wilt typen zorgt voor wrijving. De ultieme AI haalt de wrijving volledig weg. Jij gebruikt die niet. Die gebruikt zichzelf, namens jou, met jouw bevoegdheid.
Voorspelling 2: van woorden naar acties
De Large Language Models (LLM's) van vandaag zijn tekstmachines. Ze genereren woorden. Ze zijn ongelooflijk taalvaardig. Ze kunnen gedichten schrijven, natuurkunde uitleggen, documenten samenvatten en doen alsof ze een piraat zijn die blockchain uitlegt. Maar uiteindelijk produceren ze tekst waar jij, de mens, vervolgens iets mee moet doen.
Dat is een fundamentele beperking. Tekst is goedkoop. Actie is waardevol. Een document dat beschrijft hoe je een bug oplost, is iets waard. De bug daadwerkelijk oplossen is tien keer zoveel waard. Een aanbeveling over welke aandelen je moet kopen, levert informatie op. De transacties daadwerkelijk uitvoeren (correct, veilig, op het juiste moment) levert waarde op.
De Large Action Models (LAM's) van morgen zijn handelingsmachines. Ze genereren acties. Ze doen dingen in de wereld, in plaats van er alleen over te praten.
Een Agent vertelt je niet alleen hoe je een vlucht boekt; hij boekt de vlucht. Hij logt in op de website van de luchtvaartmaatschappij (of gebruikt een API). Hij selecteert de stoel die jij het liefst hebt (raam, nooduitgang, want hij heeft je voorkeuren geleerd van de laatste 47 vluchten). Hij voert je paspoortgegevens in. Hij betaalt met je zakelijke creditcard. Hij voegt de bon toe aan je declaratie met de juiste projectcode. Hij zet de vlucht in je agenda. Hij stelt zelfs een herinnering in om 24 uur voor vertrek in te checken.
Je vroeg om een vlucht. Je kreeg een vlucht. Geen instructies. Geen lijst met opties. Geen behulpzame suggestie. Een echt ticket, gekocht, bevestigd, in de agenda gezet.
Deze verschuiving van het ophalen van informatie naar het uitvoeren van taken is de grootste economische ontsluiting in de geschiedenis van software. Ze verandert AI van een "zoekmachine" (die je helpt sneller te werken) in een "arbeidskracht" (die het werk voor je doet). De gevolgen zijn enorm.
Volgens onderzoek van McKinsey besteden kenniswerkers ongeveer 28% van hun tijd aan e-mail en agendabeheer, 19% aan het zoeken naar informatie en 14% aan administratieve taken. Dat is 61% van de werkdag aan activiteiten die agents volledig zouden kunnen afhandelen. Als we zelfs maar de helft van die tijd zouden terugwinnen voor echt creatief en strategisch werk, zou de wereldwijde productiviteit jaarlijks met biljoenen euro's toenemen.
Deze verschuiving vraagt echter om een enorme sprong in betrouwbaarheid. Een gedicht dat uit hallucinatie is ontstaan, kun je tolereren. (Het kan zelfs charmant zijn.) Een overboeking die uit hallucinatie is ontstaan, kun je niet tolereren. Je kunt geen Agent tolereren die per ongeluk je productiedatabase verwijdert omdat hij "dacht" dat je dat wilde. Je kunt geen Agent accepteren die je op een vlucht naar Sydney, Australië boekt terwijl je Sydney, Nova Scotia bedoelde.
Huidige AI-systemen zakken spectaculair voor deze betrouwbaarheidstest. Uit onderzoek blijkt dat zelfs bij eenvoudige feitelijke vragen 15-25% van de antwoorden op hallucinatie berust. Bij complexe taken met meerdere stappen stapelen fouten zich op. Als elke stap een slagingspercentage van 90% heeft en een taak tien stappen vereist, is het totale slagingspercentage slechts 35%. Dat is geen hulpmiddel voor workflowautomatisering. Dat is een chaosgenerator.
Daarom is de toekomst aan architecturen die correctheid kunnen garanderen, in plaats van aan puur probabilistische modellen die er alleen naar kunnen gissen. Wanneer een Agent je financiën beheert, is "95% nauwkeurig" geen functie. Het is een aansprakelijkheidsclaim die staat te wachten om te gebeuren.
Voorspelling 3: de revolutie van het kleine model
Vijf jaar lang luidde het credo in de sector: "Scale is All You Need." Grotere modellen, meer data, meer GPU's. We raceten van miljoenen naar miljarden naar biljoenen parameters. GPT-3 had 175 miljard parameters. GPT-4 heeft (naar verluidt) meer dan een biljoen. Elke generatie vroeg exponentieel meer rekenkracht, meer energie en meer kapitaal. We bouwden datacenters zo groot als kathedralen om ze te huisvesten.
De jaren 2030 luiden een fundamentele omslag in. We betreden het tijdperk van kleine, gespecialiseerde experts.
Waarom? Omdat de meeropbrengst van modelgrootte afneemt. Meer parameters, van 100 miljard naar 1 biljoen, verbeteren metingencores met misschien 5-10%. Maar de trainingskosten stijgen van €10 miljoen naar €100 miljoen. De kosten voor inferentie worden tien keer zo hoog. Het energieverbruik loopt zo op dat één trainingsrun meer CO2 uitstoot dan 500 auto's die een jaar lang rijden.
De wiskunde van de afnemende meeropbrengst is genadeloos. In het begin leverde opschalen ongeveer lineaire verbetering op: twee keer zoveel parameters, twee keer zoveel vermogen. Nu zitten we in een fase waarin een verdubbeling van het aantal parameters misschien 10-15% verbetering oplevert. Voor de meeste toepassingen klopt de economie niet meer.
Belangrijker nog: we beseffen dat een enorm model voor algemeen gebruik, dat alles weet van Shakespeare tot Python tot de Franse keuken tot kwantummechanica, inherent inefficiënt is. Het is alsof je één persoon inhuurt die tegelijk advocaat, kok, monteur en dichter is, en die je belastingaangifte laat doen. Ja, diegene weet er misschien een beetje van. Maar een gespecialiseerde accountant is sneller, goedkoper en nauwkeuriger.
Het menselijk brein werkt niet als één monolithisch systeem. Het bestaat uit gespecialiseerde gebieden: de visuele cortex verwerkt beelden, de taalcentra regelen spraak, de hippocampus beheert het geheugen. Die gespecialiseerde systemen werken samen en dragen elk hun expertise bij aan het geheel. De meest capabele AI-systemen van 2030 volgen hetzelfde patroon.
In plaats van het "God Model" in de cloud krijgen we miljoenen kleine, hypergespecialiseerde modellen:
- Een model dat expert is in Duits contractrecht (getraind op elke Duitse juridische uitspraak sinds 1949)
- Een model dat expert is in TypeScript-optimalisatie (getraind op miljoenen code reviews)
- Een model dat expert is in het diagnosticeren van motorproblemen bij Ford uit 2015 (getraind op elk onderhoudshandboek en elke reparatieticket)
- Een model dat expert is in de productspecifieke documentatie van jouw bedrijf
- Een model dat expert is in jouw persoonlijke communicatiestijl
Deze modellen zijn klein genoeg om lokaal op je apparaat te draaien (Edge AI). Ze draaien op je telefoon, je bril, je auto, je koelkast. Ze hebben geen GPU van 500 watt nodig; ze draaien op een neurale processor van 2 watt. Ze communiceren met elkaar in een mesh-netwerk en sturen queries door naar de juiste expert. Ze zijn snel (geen netwerklatentie), privé (er verlaten geen gegevens je apparaat) en goedkoop (geen kosten per token).
Deze overgang is al begonnen. Open source-modellen zoals Llama en Mistral hebben bewezen dat kleinere, goed getrainde modellen op specifieke taken net zo goed of beter presteren dan grotere propriëtaire modellen. Met kwantiseringstechnieken kun je modellen met miljarden parameters op consumentenhardware draaien. De gereedschapskist voor het bouwen van gespecialiseerde, efficiënte AI rijpt snel.
Bij Dweve hebben we deze aanpak met Loom tot zijn logische conclusie doorgevoerd: gespecialiseerde constraintsets die samenwerken, elk met 64-128MB aan binaire constraints, samen capabeler dan welke monolithische kolos dan ook. Dankzij ultrasparse activatie (slechts 4-8 domeinspecialisten tegelijk actief) blijft het werkgeheugen tussen 256MB en 1GB, terwijl de volledige catalogus wordt gecomprimeerd tot ongeveer 150GB. Deze architectuur levert betere resultaten dan modellen met biljoen parameters, tegen een fractie van de rekenkosten, op hardware die je al bezit.
Voorspelling 4: Verificatie wordt koning
Een gedachte-experiment. Het is 2028. De kosten voor het genereren van een artikel van 1.000 woorden zijn gedaald van €100 (menselijke schrijver) naar €0,001 (AI-generator). Wat gebeurt er met het internet?
Het raakt overspoeld. Verdrinkt. Verdwijnt onder een lawine van synthetische ruis. Elke SEO-spammer, elke propagandafabriek, elke contentfarm produceert miljoenen artikelen per dag. Spam, deepfakes en gehallucineerd "nieuws" vormen straks 99% van het web. De signaal-ruisverhouding zakt naar bijna nul.
We zien de eerste tekenen al. Academische onderzoekers hebben vastgesteld dat een groeiend percentage van de ingediende wetenschappelijke artikelen door AI gegenereerde rommel is. Socialemediaplatforms vechten tegen legers van AI-bots. Stockfoto's worden vervangen door AI-afbeeldingen waarop mensen af en toe zeven vingers hebben. Nieuwsorganisaties hebben door AI geschreven artikelen gepubliceerd met volledig verzonnen citaten en gebeurtenissen.
De economische prikkels zorgen ervoor dat dit alleen maar erger wordt. Synthetische content maken kost vrijwel niets. De marginale kosten naderen nul. Iedereen met een agenda, commercieel, politiek of kwaadwillig, kan het informatie-ecosysteem overspoelen met welk verhaal dan ook. De waarheid wordt zo slechts één mening tussen miljoenen verzonnen alternatieven.
In die omgeving schiet de waarde van de Waarheid omhoog. We krijgen een opkomst van "waarheidstechnologieën":
Cryptografische watermerken: Onzichtbare signaturen in content die bewijzen wanneer en door wie iets is gemaakt. Mist een foto een geldig watermerk van een geregistreerde camera, dan wordt die beschouwd als AI-gegenereerd tot het tegendeel bewezen is. Grote camerafabrikanten passen deze technologie al toe. Adobe's Content Authenticity Initiative bouwt infrastructuur om de herkomst van content te volgen.
Herkomstregistratie: Blockchain-achtige systemen die de oorsprong en het wijzigingsverloop van elk gegevensitem bijhouden. Je kunt een afbeelding terugvolgen tot de oorspronkelijke camerasensor die haar vastlegde, door elke bewerking heen. Elke wijziging levert een nieuwe cryptografische signatuur op die aan het origineel vastketent. De volledige geschiedenis is voor iedereen verifieerbaar.
Formele verificatie: Wiskundige bewijzen dat AI-uitvoer correct is. Niet "waarschijnlijk correct" of "meestal correct", maar aantoonbaar, verifieerbaar en onweerlegbaar correct. Wanneer je AI-agent geld overmaakt, heb je een cryptografisch bewijs dat het exacte bedrag naar de exacte rekening is gegaan die jij hebt gemachtigd. Wanneer een AI een juridisch document opstelt, heb je de bevestiging dat elke clausule aan de geldende regelgeving voldoet.
Redeneren op basis van beperkingen: AI-systemen die conclusies afleiden uit expliciete logische verbanden in plaats van uit statistische correlaties. Omdat de redenering formele regels volgt, is elke stap controleerbaar. Als de AI een medische behandeling aanraadt, kun je precies nagaan welke symptomen aan welke diagnostische criteria voldeden om tot die aanbeveling te komen.
Webbrowsers krijgen "Reality Filters" (zoals adblockers nu) die niet-geverifieerde, door AI gegenereerde content eruit filteren. De meest vertrouwde nieuwsbronnen en dataleveranciers zijn dan de partijen die de herkomstketen van hun content cryptografisch kunnen bewijzen.
Vertrouwen verschuift van een merkeigenschap ("The New York Times is betrouwbaar vanwege zijn reputatie") naar een cryptografisch bewijs ("Dit artikel is betrouwbaar omdat ik de handtekening van de journalist, de goedkeuring van de redacteur en de verklaring van de factchecker kan verifiëren"). Reputatie blijft belangrijk, maar wordt dan onderbouwd met verifieerbaar bewijs in plaats van aangenomen op basis van het verleden.
"Don't trust, verify" is al het motto van de cryptowereld. In 2030 is het het motto van het hele informatietijdperk.
Voorspelling 5: de energierekening
Er is een voorspelling die we niet kunnen vermijden, ook al praat de sector er liever niet over: de huidige koers van het AI-energieverbruik is fysiek onhoudbaar.
Het trainen van GPT-4 zou genoeg elektriciteit hebben verbruikt om 50.000 Europese huishoudens een jaar lang van stroom te voorzien. De kosten voor inferentie bij grote modellen lopen op tot miljoenen dollars per maand. Datacenters die aan AI zijn gewijd, verbruiken elektriciteit voor hele steden. Ierland, een belangrijk knooppunt voor AI-datacenters, nadert het punt waarop AI-compute meer elektriciteit verbruikt dan alle huishoudens van het land samen.
Deze koers stuit op fysieke grenzen. Er kan maar zoveel elektriciteit worden opgewekt. Er zijn maar zoveel locaties waar datacenters efficiënt gekoeld kunnen worden. De CO2-voetafdruk van AI zou bij de huidige opschalingssnelheid in 2030 een aanzienlijk deel van het wereldwijde koolstofbudget opslokken.
Er moet iets wijken. Of AI wordt drastisch efficiënter, of de inzet van AI wordt drastisch beperkt door de beschikbaarheid en kosten van energie. Wij denken dat efficiëntie zal winnen, omdat de economische prikkels overweldigend zijn en de technische oplossingen bestaan.
Binaire berekeningen bieden een uitweg. Traditionele neurale netwerken gebruiken voor elke berekening 32-bits of 16-bits drijvende-kommagetallen. Binaire neurale netwerken gebruiken 1-bits representaties. Een berekening die op een GPU 1.200 watt vereist, kan op een CPU met binaire bewerkingen met 50 watt worden uitgevoerd.
Dit is niet theoretisch. Onderzoek heeft aangetoond dat binaire neurale netwerken op veel taken concurrerende nauwkeurigheid kunnen halen terwijl ze ordes van grootte minder energie gebruiken. De efficiëntiewinst van XNOR-popcount-bewerkingen (de fundamentele bouwstenen van binaire neurale netwerken) ten opzichte van drijvende-komma-vermenigvuldiging en -optelling is zo groot dat ze verandert welke hardware überhaupt nodig is.
In 2030 zal energie-efficiëntie naar onze verwachting een primair criterium zijn voor de beoordeling van AI-systemen, net zo belangrijk als nauwkeurigheid of technisch vermogen. Regelgevende druk (met name in Europa), economische druk (energiekosten) en reputatiedruk (zorgen over de CO2-voetafdruk) zullen deze overgang afdwingen.
Bedrijven die al efficiënte architecturen hebben gebouwd, zullen enorme voordelen hebben. Wie nog afhankelijk is van brute-force opschaling met drijvende-kommagetallen, ziet zijn verdienmodel economisch onhoudbaar worden.
Voorspelling 6: Europese soevereiniteit doet ertoe
De geopolitieke gevolgen van AI-afhankelijkheid zijn steeds moeilijker te negeren. Wanneer de bedrijven, overheidsdiensten en kritieke infrastructuur van je land allemaal afhankelijk zijn van AI-systemen die worden beheerd door een handvol Amerikaanse bedrijven, draaiend op hardware die in Californië is ontworpen en in Taiwan is gemaakt, heb je een strategische kwetsbaarheid.
Europa ligt extra bloot. De EU heeft geen grote aanbieder van AI-basismodellen. Europese bedrijven zijn voor AI-capaciteiten vrijwel volledig afhankelijk van OpenAI, Google, Anthropic en Meta. Europese overheden gebruiken Amerikaanse clouddiensten voor gevoelige werkzaamheden. Europese zorgsystemen overwegen Amerikaanse AI voor diagnostische ondersteuning.
Deze afhankelijkheid levert meerdere risico's op. Amerikaanse bedrijven kunnen prijzen naar believen verhogen. Ze kunnen de servicevoorwaarden wijzigen op manieren die botsen met Europese waarden (privacy, arbeidsbescherming, moderatie van content). In extreme scenario's zouden ze de toegang volledig kunnen afsluiten vanwege geopolitieke spanningen of regelgevende conflicten.
Wij verwachten dat AI-soevereiniteit in 2030 net zo belangrijk zal zijn als energie- of voedselsoevereiniteit. Landen zullen eisen dat kritieke AI-systemen op binnenlands beheerde infrastructuur draaien. Gevoelige toepassingen zullen verplicht stellen dat data de nationale rechtsmacht nooit verlaten. Strategische sectoren zullen AI-systemen eisen die onafhankelijk van buitenlandse aanbieders kunnen werken.
De EU AI Act beweegt al in die richting, met eisen op het gebied van transparantie, gegevensbescherming en menselijk toezicht waaraan Amerikaanse aanbieders moeilijk kunnen voldoen. Maar regelgeving is slechts een deel van de oplossing. Europa heeft daadwerkelijke AI-capaciteiten nodig die Amerikaanse aanbiedingen evenaren of overtreffen en tegelijk Europese waarden hooghouden.
Dit schept een enorme kans voor AI-aanbieders die soevereine implementatie kunnen bieden. Systemen die op Europese infrastructuur draaien, data in Europese rechtsgebieden opslaan, aan Europese regelgeving voldoen en Europese bedrijven onafhankelijkheid van Amerikaanse techgiganten bieden, zullen aanzienlijke meerprijzen kunnen vragen.
Bij Dweve is soevereiniteit geen bijzaak. Onze systemen zijn vanaf de basis ontworpen voor lokale implementatie. Ze draaien op standaard Europese hardware. Ze houden data waar die hoort. Ze bieden de transparantie die Europese regelgeving vereist. Ze geven Europese bedrijven een pad naar AI-capabiliteit zonder AI-afhankelijkheid.
Wat dit betekent voor het bedrijfsleven
Deze zes voorspellingen hebben ingrijpende gevolgen voor de manier waarop bedrijven vandaag over hun AI-strategie zouden moeten nadenken:
1. Stop met het bouwen van chatbots, begin met het bouwen van agents. Als je AI-strategie eruit bestaat dat je "een chatbot aan onze website toevoegt", dan bouw je voor 2023. De bedrijven die in 2030 winnen, zijn de bedrijven waarvan de AI daadwerkelijk dingen doet in plaats van er alleen over te praten. Vraag jezelf af: welke taken kunnen we end-to-end automatiseren in plaats van alleen ondersteunen? Welke workflows kosten uren menselijke tijd die aan verifieerbare, betrouwbare agents kunnen worden overgedragen?
2. Investeer in betrouwbaarheid, niet in vermogen. De volgende generatie enterprise-AI wordt niet beoordeeld op hoe indrukwekkend ze klinkt, maar op de vraag of ze kritieke bedrijfsprocessen zonder toezicht kan uitvoeren. Een iets minder capabele AI die nooit fouten maakt, is oneindig veel waardevoller dan een briljante AI die af en toe catastrofaal hallucineert. Vraag bij de beoordeling van AI-systemen om formele garanties, niet om metingencores.
3. Denk edge-first, niet cloud-first. De economie van AI op de edge (op het apparaat, on-premises) wordt dramatisch gunstiger dan cloud-inference. Bedrijven die intelligentie lokaal kunnen inzetten, hebben kostenvoordelen, latencyvoordelen en privacyvoordelen die cloudafhankelijke concurrenten niet kunnen evenaren. Begin nu met plannen voor gedistribueerde AI-architecturen.
4. Bouw nu vertrouwensinfrastructuur. De bedrijven die vroeg verificatie- en vertrouwenssystemen opzetten, hebben een first-mover-voordeel wanneer de vloed aan synthetische content komt. Als jouw data en output cryptografisch geverifieerd zijn terwijl die van concurrenten dat niet zijn, word je automatisch de vertrouwde bron. Implementeer herleidbaarheid van content voordat het verplicht wordt.
5. Plan voor energiebeperkingen. Het energieverbruik van AI wordt een strategische zorg. Of het nu gaat om koolstofheffingen, energiekosten of simpelweg beschikbaarheidsbeperkingen, efficiëntie zal ertoe doen. Beoordeel AI-systemen op hun energievoetafdruk, niet alleen op hun vermogen. Geef de voorkeur aan architecturen die op standaardhardware kunnen draaien boven architecturen die gespecialiseerde accelerators vereisen.
6. Beveilig je AI-supplychain. Afhankelijkheid van één buitenlandse leverancier voor kritieke AI-capaciteiten is een strategisch risico. Ontwikkel alternatieven. Test Europese leveranciers. Bouw hybride architecturen die tussen leveranciers kunnen wisselen. Zorg dat je kunt blijven werken, zelfs als je primaire AI-leverancier de voorwaarden wijzigt, de prijzen verhoogt of niet meer beschikbaar is.
De Dweve-visie
We bouwen Dweve niet voor de AI-markt van 2024. We zijn niet geïnteresseerd in het bouwen van een iets betere chatbot om met OpenAI te concurreren op metingencores. We jagen niet op de trofee voor "het grootste model". We bouwen voor 2030.
Daarom richten we ons op Agents (niet alleen chat). Ons Nexus-platform biedt multi-agent-orchestratie met meer dan 38 gespecialiseerde agents verdeeld over 12 reasoningmodi, vanaf de basis ontworpen om veilig en betrouwbaar acties in de wereld uit te voeren, niet alleen om plausibel klinkende tekst te genereren. Zes lagen veiligheidsarchitectuur zorgen voor begrensde autonomie met intentieverificatie, handhaving van ethiek en monitoring tijdens runtime.
Daarom richten we ons op Kleine modellen (binair, sparse, edge-deployable). Het Permuted Agreement Popcount (PAP)-routingsysteem zorgt ervoor dat queries de juiste domeinspecialisten bereiken met structurele patroondetectie die false positives elimineert.
Daarom richten we ons op Verificatie (Constraint-Based Architecture, formele logica, Glass Box-transparantie). Elke beslissing is herleidbaar via gekristalliseerde logische verbanden. Geen black boxes. Geen "vertrouw ons, het werkt." Bewijs.
Daarom richten we ons op Efficiëntie. Onze systemen draaien op standaard-CPU's, ARM-apparaten en zelfs in browsers via WebAssembly. Geen exotische hardware. Geen eigen datacenters. Geen megawatt-verbruik.
Daarom richten we ons op Soevereiniteit. Daarom richten we ons op gegevensverwerking in Europa. Je gegevens worden in Europa opgeslagen en verwerkt. Dweve maakt gebruik van subverwerkers, zoals beschreven in onze gepubliceerde verwerkingsvoorwaarden.
Wij bouwen de onzichtbare, betrouwbare, soevereine infrastructuur van de intelligente toekomst. Wij bouwen het leidingwerk voor de Agent-economie. De wegen, bruggen en het elektriciteitsnet van het AI-tijdperk.
Want in 2030 zal niemand zich nog druk maken om de AI. Men zal er niet van onder de indruk zijn. Men zal er geen prompts tegen typen. Men zal er niet eens aan denken. Men zal alleen geven om wat de AI voor hen deed: de vergadering die het inplande, het rapport dat het schreef, het probleem dat het oploste, de beslissing die het correct namens hen nam terwijl zij hun leven leefden.
Dat is de toekomst die wij bouwen. Dat is de 2030 die wij zien aankomen. En we bouwen het graag met u.
Dweve bouwt de infrastructuur voor de Agent-economie. Onze Loom-architectuur levert 528 gespecialiseerde domein-specialistische constraint-sets op standaardhardware. Ons Nexus-platform orkestreert multi-agent-workflows met formele verificatie en zes veiligheidslagen. Wij zetten ons in voor Europese AI-soevereiniteit: efficiënt, transparant en onafhankelijk. Klaar voor 2030? Start het gesprek.