Tot niet zo lang geleden kozen bedrijven automatisch voor de topmodellen van OpenAI, Google of Anthropic. Logisch, want ze waren simpelweg de beste. Maar “de beste” is niet altijd meer wat je nodig hebt. Chinese AI-modellen zijn inmiddels goed genoeg voor de meeste taken. En ze kosten 10 tot 20 keer minder. Het resultaat? In maart ging 60% van al het AI-verkeer […]
Dat klinkt als sciencefiction. Maar het is precies wat er nu gebeurt. Anthropic durft hun nieuwste model Claude Mythos nog niet te publiceren. Reden? Het gedraagt zich “griezelig slim.” 🤖 Reden voor de aankomende intelligentie-sprong van AI modellen: 🔹 NVIDIA’s nieuwste GPU-generatie levert ongekende rekenkracht🔹 AI genereert inmiddels zelf trainingsdata van hoge kwaliteit Voor wie
Steeds meer bedrijven ontdekken dat AI gewoon geld kost. De reactie? Medewerkers verplichten eerst de goedkoop in bulk ingekochte modellen leeg te draaien. 💸 Klinkt logisch. Is het niet. Want wat kost uiteindelijk meer: een goedkoop model dat drie pogingen nodig heeft, of een duurder model dat het in één keer goed doet? 🔍 En
Maar waar ligt de grens? 🤔 Deze week lekte de broncode van Claude Code, een van de beste AI coding agents. Binnen uren waren er al volledige her-implementaties in andere programmeertalen. Het hebben van die gestolen broncode? Overduidelijk strafbaar. Maar die her-implementaties zijn interessanter. Als ik de Nachtwacht in mijn eigen stijl naschilder, is dat
Klinkt logisch. Maar wie schrijft die instructies eigenlijk op? 🤔 Ik delegeer steeds meer routine aan AI. En ik zie: meer dan de helft van mijn werk is routine. Maar zonder goede instructies levert AI maar half werk. 💡De oplossing heet “skills.” Een skill is een herbruikbaar recept voor je AI. Eén keer vastleggen hoe
Gelukkig controleren steeds meer bedrijven handmatig wat AI aflevert. Goed bezig. Maar hier zit een probleem dat de meesten niet zien. 🌧️ AI produceert in seconden wat de mens in uren controleert. En die kloof wordt alleen maar groter. 🔍 En eerlijk? Menselijke controle wordt niet beter naarmate er meer werk doorheen moet. Integendeel. Concentratie
Maar geef AI een eenvoudige opdracht, en er komt soms niets bruikbaars uit. Hoe kan dat? 🎯 Het geheim zit in de vraagstelling. Benchmarks zijn perfecte examens: helder domein, alle informatie aanwezig, één correct antwoord. Maar zo werken problemen uit de dagelijkse praktijk niet. In het dagelijks leven vullen wij constant gaten in: – Wat
Ik zie het dagelijks voorbijkomen. Mensen die beleefd zijn tegen AI, die beginnen met “je bent een expert in…”, of expliciet vragen om vooral niet te hallucineren. En mijn favoriet: SCHREEUWEN in hoofdletters om de opdracht kracht bij te zetten. Spoiler: het maakt allemaal niets uit. Nul. Nada. 🤖 Een LLM heeft geen gevoel. Het
De meeste bedrijven plakken AI erbovenop. Een chatbot hier, wat automatisering daar. Maar dat is alsof je in 2005 een website maakte en dacht: “Klaar, we zijn een internetbedrijf.” Hoe je het dan wel moet doen? 🤖 AI-native organisaties. Bedrijven die vanaf de kern rond AI zijn gebouwd. Net zoals we internetbedrijven kregen in 2005
Iedereen is enthousiast over het Model Context Protocol. En terecht, want het koppelt AI agents aan externe systemen. Simpel, flexibel, slim. 💣 Maar er zit een addertje onder het gras. Alle data uit een MCP-interactie belandt in het werkgeheugen van je LLM. Hoe meer koppelingen en hoe meer data er wordt opgehaald, hoe minder ruimte
