In 2026 zal AI van hype naar pragmatisme gaan | Rebecca Bellan & Ram Iyer, TechCrunch Als 2025 het jaar was waarin AI een vibe-check kreeg, zal 2026 het jaar zijn waarin de technologie praktisch wordt. De focus verschuift al van het bouwen van steeds grotere taalmodellen naar het moeilijkere werk van het bruikbaar maken van AI. In de praktijk houdt dat in dat kleinere modellen worden ingezet waar ze passen, intelligentie wordt ingebed in fysieke apparaten en systemen worden ontworpen die naadloos integreren in menselijke workflows. De experts met wie TechCrunch sprak, zien 2026 als een jaar van transitie, een jaar dat evolueert van brute kracht naar het onderzoeken van nieuwe architecturen, van flashy demo's naar gerichte implementaties, en van agenten die autonomie beloven naar agenten die daadwerkelijk de manier waarop mensen werken aanvullen. Het feest is nog niet voorbij, maar de industrie begint nuchter te worden. Schaalwetten zullen niet volstaan In 2012 toonde het ImageNet-artikel van Alex Krizhevsky, Ilya Sutskever en Geoffrey Hinton aan hoe AI-systemen "leren" objecten in afbeeldingen te herkennen door miljoenen voorbeelden te bekijken. De aanpak was computationeel duur, maar mogelijk gemaakt met GPU's. Het resultaat? Een decennium van hardcore AI-onderzoek terwijl wetenschappers werkten aan het uitvinden van nieuwe architecturen voor verschillende taken. Dat culmineerde rond 2020 toen OpenAI GPT-3 lanceerde, dat aantoonde hoe simpelweg het model 100 keer groter maken, vaardigheden zoals coderen en redeneren ontgrendelt zonder expliciete training. Dit markeerde de overgang naar wat Kian Katanforoosh, CEO en oprichter van het AI-agentplatform Workera, de "tijdperk van schaling" noemt: een periode die wordt gekenmerkt door de overtuiging dat meer rekencapaciteit, meer data en grotere transformer-modellen onvermijdelijk de volgende grote doorbraken in AI zouden aandrijven. Tegenwoordig denken veel onderzoekers dat de AI-industrie de grenzen van schaalwetten begint uit te putten en opnieuw zal overgaan naar een tijdperk van onderzoek. Yann LeCun, de voormalige chief AI-wetenschapper van Meta, heeft al lang gepleit tegen de overmatige afhankelijkheid van schaling en benadrukt de noodzaak om betere architecturen te ontwikkelen. En Sutskever zei in een recent interview dat huidige modellen aan het afvlakken zijn en dat de resultaten van voortraining zijn gestabiliseerd, wat wijst op de noodzaak voor nieuwe ideeën. "Ik denk dat we waarschijnlijk in de komende vijf jaar een betere architectuur gaan vinden die een significante verbetering op transformers is," zei Katanforoosh. "En als we dat niet doen, kunnen we niet veel verbetering van de modellen verwachten." Soms is minder meer Grote taalmodellen zijn geweldig in het generaliseren van kennis, maar veel experts zeggen dat de volgende golf van enterprise AI-adoptie zal worden aangedreven door kleinere, meer wendbare taalmodellen die kunnen worden afgestemd op domeinspecifieke oplossingen. "Afgestemde SLM's zullen de grote trend zijn en een basis worden die door volwassen AI-ondernemingen in 2026 wordt gebruikt, aangezien de kosten- en prestatievoordelen het gebruik zullen stimuleren boven kant-en-klare LLM's," vertelde Andy Markus, chief data officer van AT&T, aan TechCrunch. "We hebben al gezien dat bedrijven steeds meer afhankelijk zijn van SLM's omdat, als ze goed zijn afgestemd, ze de grotere, gegeneraliseerde modellen in nauwkeurigheid voor enterprise zakelijke toepassingen evenaren en superieur zijn qua kosten en snelheid." We hebben dit argument eerder gehoord van de Franse open-weight AI-startup Mistral: zij beweren dat hun kleine modellen daadwerkelijk beter presteren dan grotere modellen op verschillende benchmarks na afstemming. "De efficiëntie, kosteneffectiviteit en aanpasbaarheid van SLM's maken ze ideaal voor op maat gemaakte toepassingen waar precisie van groot belang is," zei Jon Knisley, een AI-strateeg bij ABBYY, een op Austin gebaseerde enterprise AI-onderneming. ...