Waarom de AI-race uit veel meer bestaat
dan één gouden medaille.
Iedereen kijkt naar hetzelfde scorebord
Ik keek laatst weer eens naar Nieuwsuur. Het betrof een achtergrondverhaal over de AI-race tussen Europa, China en de Verenigde Staten.
De teneur was vertrouwd. De Verenigde Staten lopen voor.
China investeert hard.
Europa dreigt achter te raken.
Grotere modellen, meer rekenkracht, hogere budgetten, en natuurlijk liep Europa weer eens hopeloos achter. Het voelde als paniektafelvoetbal. Iedereen stond rond hetzelfde tafelvoetbalspel en schoot op dezelfde paniekerige wijze richting het doel.
Het verhaal klonk logisch. Er zat een waarheid in. Toch bleef één gedachte hangen.
Waarom nemen we eigenlijk aan dat AI één wedstrijd is?
De ranglijst lijkt overzichtelijk zolang je alleen kijkt naar de frontiermodellen, de benchmarks of de hoeveelheid geld en investeringen die in deze technologie gestopt wordt. Dan staan OpenAI, Anthropic en Google vanzelf vooraan. Europa oogt dan voornamelijk kleiner, trager en zelfs versnipperd.
Alleen zegt zo’n ranglijst vooral iets over de door de media gekozen finishlijn.
Tijdens het kijken moest ik aan atletiek denken. Aan de tienkamp en alle individuele onderdelen die daaronder vallen.
Bij de atletieksport staat niemand verbaasd te kijken wanneer een sprinter geen marathon wint. Een tienkamper is bovendien zelden de beste in alle afzonderlijke tien onderdelen.
Toch verwachten we bij AI ineens iets anders.
We behandelen de grootste generalistische modellen alsof zij automatisch bepalen wie de hele wedstrijd wint. Dat beeld is verleidelijk. Het is overzichtelijk, spectaculair en journalistiek gezien vooral handig.
Alleen begon ik me af te vragen hoeveel gouden medailles er zo buiten beeld blijven. Vooral als we atletiek niet bekijken als de tienkamp, maar als individuele onderdelen binnen de atletieksport.
Misschien is de tienkamper niet de enige kampioen
OpenAI, Anthropic en Google doen me steeds meer denken aan die tienkampers. Ze zijn indrukwekkend.
Ze kunnen behendig schrijven, snel programmeren , eenvoudig vertalen, goed analyseren en redeneren.
Op bijna ieder onderdeel scoren ze bovengemiddeld. Dat maakt ze ook zo fascinerend om naar te kijken. Alleen wordt een tienkamper zelden olympisch kampioen polsstokhoogspringen. Of speerwerpen. Of de winnaar van de marathon.
Dat hoeft ook helemaal niet. Daar is een tienkamper niet voor gebouwd.
De tienkamper blinkt uit in breedte. De specialist wint zijn eigen onderdeel.
Misschien geldt precies hetzelfde voor AI.
We lijken de prestaties van generalistische modellen steeds vaker te gebruiken als maatstaf voor de hele AI-wereld. Alsof de winnaar van de tienkamp automatisch de volledige Olympische Spelen wint. In de sport zou niemand dat serieus beweren.
Sterker nog, de meeste gouden medailles worden juist gewonnen door specialisten. Atleten die jarenlang aan één onderdeel hebben gewerkt en daardoor uitzonderlijk goed zijn in één van de vele onderdelen binnen hun sport.
Waarom zou AI zich anders ontwikkelen?
Een oncoloog gebruikt thuis misschien gewoon ChatGPT om een leuke midweek Rome met zijn vrouw te plannen. In het ziekenhuis stelt diezelfde arts heel andere vragen. Dan zit hij niet te wachten op een AI die de complete Winkler Prins kan navertellen. Voor kankeronderzoek heb je daar verdomd weinig aan. Dan wil je specialistische kennis tot je beschikking hebben.
En misschien geldt dat straks voor veel meer organisaties.
Een chipontwerper.
Een vliegtuigbouwer.
Een universiteit.
Een ministerie.
Ze zoeken waarschijnlijk geen AI die alles een beetje weet. Ze zoeken een AI die hun vakgebied uitzonderlijk goed begrijpt. Ze vertrouwen op een specialist.
Misschien worden de belangrijkste gouden medailles daarom straks helemaal niet verdeeld op de tienkamp.
Misschien liggen ze gewoon verspreid over meerdere onderdelen.
Europa hoeft helemaal geen betere tienkamper te bouwen
Terwijl ik verder zat te kijken naar Nieuwsuur, begon me nog iets op te vallen.
Waarom gaan we er eigenlijk vanuit dat Europa óók een tienkamper moet hebben? Dat is helemaal niet hoe Europa groot is geworden.
Europa bouwde zijn succes niet als alleskunner, maar als specialist.
Kijk naar ASML. Niemand vraagt zich daar af waarom het bedrijf geen vliegtuigen bouwt of smartphones ontwikkelt. ASML doet één ding. Lithografiemachines. En toevallig zijn ze daar de absolute wereldtop in.
Hetzelfde geldt voor Zeiss. Of Airbus.
Geen van die bedrijven probeert alles te kunnen. Ze zijn groot geworden door ergens uitzonderlijk goed in te zijn.
Waarom zouden we voor AI dan ineens een compleet andere strategie kiezen?
Misschien is het juist heel logisch dat Europa doet waar het altijd al sterk in is geweest.
Specialiseren.
Ik zeg daarmee overigens niet dat een generalistische AI onbelangrijk is. De tienkampers zijn indrukwekkend en zullen dat voorlopig ook blijven. Alleen betekent dat nog niet dat iedere organisatie op zoek is naar een tienkamper.
Sterker nog, ik vermoed dat de meeste organisaties daar helemaal geen behoefte aan hebben. Zij zoeken vaker naar specialisten als het om relevante informatie gaat.
Een ziekenhuis zoekt iets anders dan een autofabrikant.
Een universiteit stelt andere vragen dan een ministerie.
Een chemisch onderzoeksinstituut kijkt weer heel anders naar AI dan een logistiek bedrijf.
Iedereen werkt met zijn eigen data. Zijn eigen processen. Zijn eigen vaktaal. Zijn eigen onderzoeksvragen.
Dan voelt een gespecialiseerde AI ineens helemaal niet als een beperking. In tegendeel.
Het voelt juist logisch.
Misschien is dat ook precies waar Europa de komende jaren zijn kracht kan vinden. Niet door één model te bouwen dat overal een zeven scoort. Maar door tientallen modellen te ontwikkelen die binnen hun eigen vakgebied een tien halen.
Dat past eigenlijk verrassend goed bij hoe Europa al decennialang innoveert.
We hebben ons nooit ontwikkeld tot alleskunner. Maar als specialist.
En misschien is dat wel precies de reden waarom ik tijdens Nieuwsuur steeds sterker het gevoel kreeg dat we naar de verkeerde wedstrijd zaten te kijken.
Iedereen had het over de tienkamper.
Ik moest steeds vaker denken aan alle andere atleten die op de andere velden van het stadion bezig waren. Misschien winnen zij straks wel veel meer gouden medailles omdat ze op één onderdeel simpelweg niet te verslaan zijn.
Van alleskunner naar vakmodel
Zodra AI zich verder specialiseert, verandert ook de vraag welke modellen organisaties werkelijk nodig hebben.
Voor veel bedrijven hoeft dat helemaal geen model uit de absolute topklasse te zijn. Een degelijk Tier B-model kan prima documenten samenvatten, klantvragen afhandelen, informatie terugvinden of interne processen ondersteunen. Dat zal voor een groot deel van de markt ruim voldoende zijn.
De behoefte aan Tier A ontstaat vooral waar de vragen moeilijker worden en fouten zwaarder wegen. Denk aan medisch onderzoek, materiaalwetenschap, defensie of complexe industriële processen. Daar heb je weinig aan een model dat overal redelijk goed in is. Het moet binnen één gebied uitzonderlijk presteren.
Dat vraagt ook om een andere infrastructuur.
De huidige AI-markt draait vooral op grote SaaS-platforms. Je stelt een vraag, die verdwijnt naar een datacentrum van een Amerikaanse aanbieder en enkele seconden later verschijnt het antwoord. Voor algemene toepassingen werkt dat uitstekend. De arts uit de vorige paragraaf kan er zonder bezwaar zijn hotels in Rome mee vergelijken.
In het ziekenhuis ligt dat anders.
Voor een midweek Rome volstaat een generalistische AI. Voor kankeronderzoek wil je een specialist.
Vertrouwelijke patiëntgegevens, onderzoeksresultaten en eigen modellen wil je liever niet zomaar in een generieke omgeving onderbrengen. Dan wordt open weight AI ineens veel interessanter. Een organisatie kan zo’n model zelf lokaal draaien binnen de eigen organisatie, aanpassen en verbinden met eigen kennisbronnen, zonder tussenkomst van OpenAI of Anthropic.
Dat hoeft gelukkig niet op een laptop onder het bureau van de oncoloog. Waarschijnlijk ontstaat juist een netwerk van lokale en sectorale datacentra. Rekenclusters rond ziekenhuizen, universiteiten en industriële onderzoekscentra. Dicht bij de data en bij de mensen die begrijpen wat die data betekent.
Daar kunnen gespecialiseerde modellen worden getraind en getest zonder dat iedere onderzoeksvraag eerst langs een Amerikaanse SaaS-laag reist. De kennis blijft binnen het vakgebied. De infrastructuur kan worden ingericht rond privacy, betrouwbaarheid en rekenkosten.
Zo ontstaat een ander AI-landschap dan het beeld van enkele enorme modellen die alles voor iedereen doen.
Niet één AI voor iedereen, maar gespecialiseerde AI's voor ieder vakgebied.
Een ziekenhuis gebruikt een medisch model. Een vliegtuigbouwer werkt met een model voor materiaalbelasting. Een energiebedrijf zet AI in voor zijn eigen energienetwerken. Ze hoeven elkaar niet te verslaan op dezelfde benchmark. Ze proberen ieder een ander probleem op te lossen.
Daar zit directe economische waarde.
Een model hoeft de Winkler Prins niet uit het hoofd te kennen wanneer het een productielijn slimmer kan aansturen. Het hoeft geen gedichten te schrijven wanneer het een onderzoeker helpt een patroon te vinden dat eerder onzichtbaar bleef.
De gouden medaille ligt dan gewoon op een onderdeel waar de specialisten winnen.
Misschien worden de meeste gouden medailles ergens anders gewonnen
Toen ik de televisie uitzette, bleef één gedachte hangen.
Misschien praten we over de verkeerde wedstrijd.
Iedere nieuwe benchmark haalt het nieuws. Welk model staat bovenaan? Wie heeft de meeste parameters? Welk land investeert de meeste miljarden in AI? Het zijn logische vragen. Ze leveren duidelijke koppen op en een overzichtelijke ranglijst.
Alleen is de economie zelden zo overzichtelijk.
De grootste economische waarde ontstaat vaak niet op de plekken waar iedereen naar kijkt. Die ontstaat in duizenden organisaties die iedere dag een klein probleem iets slimmer oplossen.
Een ziekenhuis dat sneller een diagnose kan stellen.
Een fabriek die minder grondstoffen verspilt.
Een universiteit dat een nieuw materiaal ontdekt.
Een logistiek bedrijf dat een efficiëntere route berekent.
Dat haalt zelden het achtuurjournaal. Toch is precies daar de productiviteit te vinden die uiteindelijk het verschil maakt.
medailles dan de wereld nu lijkt te zien.
Misschien kijken we daarom te veel naar de tienkamper.
Die tienkamper op zich is niet onbelangrijk. Integendeel. De grote generalistische modellen hebben AI in een stroomversnelling gebracht. Zonder hen hadden we deze discussie waarschijnlijk niet eens gevoerd.
Maar ondertussen gebeurt er iets anders.
Steeds meer organisaties ontdekken dat ze helemaal geen alleskunner zoeken. Ze zoeken een collega die één vak uitzonderlijk goed beheerst. Een specialist binnen hun werkveld.
En misschien is dat wel precies waar Europa zich thuis voelt.
Europa hoeft niet de grootste te zijn.
Generalisten zijn er al genoeg. We moeten de slimste zijn.
Europa laat al tientallen jaren zien dat specialisatie een buitengewoon succesvolle strategie kan zijn. ASML bewijst dat. Zeiss bewijst dat. Airbus bewijst dat. Wereldleider worden begint niet altijd met alles willen doen. Soms begint het juist met heel bewust kiezen wat je níét doet.
Misschien geldt dat straks ook voor AI.
Over een paar jaar kijken we mogelijk heel anders terug op deze periode.
De tienkampers zullen niet verdwenen zijn. Die blijven indrukwekkend en zullen een belangrijke rol houden. Maar waarschijnlijker is dat we ze gaan zien als één type atleet: de tienkamper, binnen een veel groter toernooi.
De AI-race bestaat helemaal niet uit één gouden medaille.
Misschien staan we pas aan het begin van een Olympische Spelen waarop nog tientallen finales moeten worden gespeeld.
En heel eerlijk?
Ik zou het mooi vinden als Europa niet probeert de beste tienkamper van de wereld te worden. Ik zou liever zien dat het stadion langzaam volloopt met Europese specialisten die ieder op hun eigen onderdeel meedoen om goud.
Dat voelt ineens een stuk minder als paniektafelvoetbal.
En een stuk meer als een strategie.
