Dit artikel is de samenvattende laag bovenop de vorige vier:
- AI draait niet om modellen. Het draait om systemen.
- De technische stack achter mijn AI-projecten: Harness + Knowledge OS
- Fijn-afgestelde lokale modellen zijn de volgende laag
- Robotica is waar agentische systemen echt worden
Samen beschrijven ze de richting die volgens mij het belangrijkst wordt voor het volgende technologische decennium.
Geen decennium dat rond één model draait.
Geen decennium dat rond één appcategorie draait.
Maar een decennium dat draait rond systemen die kunnen:
- weten
- beslissen
- uitvoeren
- verbeteren
- en uiteindelijk handelen in de fysieke wereld
Dit is de kortste manier waarop ik die kaart kan samenvatten.
Stap 1: we bewegen van tools naar systemen
De eerste verschuiving is conceptueel.
AI zal nog lang besproken worden via modelreleases, benchmarks en productdemo's. Maar duurzame waarde zal niet komen uit geïsoleerde modeltoegang. Ze zal komen uit systeemontwerp.
Dat was het kernpunt van het eerste artikel.
De belangrijke eenheid is niet langer alleen het model.
Het is het besturingssysteem rond het model:
- context
- regels
- uitvoering
- validatie
Dat is de minimale structuur die nodig is voor betrouwbaarheid.
Stap 2: uitvoering en geheugen worden first-class lagen
Zodra je aanvaardt dat AI een systeemprobleem is, wordt de architectuur helderder.
Je hebt één laag nodig die verantwoordelijk is voor het vooruitduwen van werk.
Je hebt een andere laag nodig die de juiste context beschikbaar maakt.
Daarom splits ik de stack op in:
- een harness voor uitvoering
- een Knowledge OS voor gestructureerd geheugen
De harness plant, genereert, evalueert en gate.
De Knowledge OS neemt in, haalt op, relateert en compileert.
Die splitsing is belangrijk omdat uitvoering zonder geheugen oppervlakkig blijft, en geheugen zonder uitvoering passief blijft.
Stap 3: prompting is niet langer genoeg
Prompting blijft nuttig, maar daar eindigt de langetermijnarchitectuur niet.
Naarmate systemen volwassener worden, mogen repetitieve smalle taken niet opgesloten blijven in steeds grotere prompt-scaffolding.
Daarom is de volgende serieuze laag specialisatie via training:
- kleinere lokale modellen
- smalle verantwoordelijkheden
- lagere latency
- minder prompt-overhead
- sterkere operationele alignment
Het gaat niet om het vervangen van redeneren.
Het gaat erom redeneren te reserveren voor de plaatsen waar het echt nodig is, en al de rest te stabiliseren.
Stap 4: zelfverbetering wordt operationeel
De uitdrukking "zelfverbeterende systemen" wordt vaak te vaag gebruikt.
Wat mij interesseert is geen abstracte reflectie.
Wat mij interesseert is uitvoering die bewijs oplevert.
Uit dat bewijs kan het systeem leren:
- wat herhaaldelijk faalde
- wat te veel prompting vereiste
- wat een regel moet worden
- wat trainingsdata moet worden
- wat aan een gespecialiseerd model moet worden toegewezen
Dat is de praktische lus.
Verbeter het systeem door de architectuur rond repetitief werk te verbeteren.
Stap 5: de stack breidt uit naar robotica
Als de eerste vier stappen werken, dan blijft intelligentie niet langer opgesloten in schermen.
Daar komt robotica binnen.
Ik zie robotica niet als een apart veld los van agentische systemen. Ik zie het als de voortzetting van dezelfde stack in de fysieke wereld.
Zodra een systeem kan redeneren, onthouden, evalueren, specialiseren en verbeteren, wordt de volgende vraag vanzelfsprekend:
Dat lichaam hoeft in het begin niet humanoid te zijn.
In de praktijk zal een groot deel van de markt gebouwd worden via:
- robotarmen
- drones
- mobiele inspectie-eenheden
- educatieve robots
- smalle industriële machines
Humanoids kunnen cultureel belangrijk worden, maar nuttige belichaming zal via veel vormen arriveren.
Een decennium gestructureerd in lagen
Als ik de hele these tot een eenvoudig schema samendruk, ziet het er zo uit:
| Laag | Wat het oplost | Waarom het belangrijk is |
|---|---|---|
| AI-systemen | Kennis, regels, uitvoering en validatie verbinden | Zet AI om in operationele structuur |
| Harness + Knowledge OS | Doen van weten scheiden | Maakt uitvoering en geheugen betrouwbaar |
| Fijn-afgestelde lokale modellen | Smalle repetitieve taken stabiliseren | Vermindert promptafhankelijkheid |
| Zelfverbeterende lussen | Leren uit echte uitvoeringsdata | Verhoogt betrouwbaarheid in de tijd |
| Robotica | Intelligentie uitbreiden naar fysieke actie | Zet softwarecapaciteit om in producten en diensten |
Dit is de architectuur die volgens mij het meest zal tellen.
Waar producten en diensten naartoe bewegen
De productimpact van deze verschuiving zal niet binnen softwarecategorieën blijven.
Ze zal zich verspreiden naar diensten, operations, logistiek, veiligheid, onderwijs, industrie en fysieke assistentie.
Dat betekent dat het volgende decennium niet alleen over betere chatinterfaces gaat.
Het gaat over de convergentie van:
- AI
- training
- uitvoeringssystemen
- open-source-ecosystemen
- goedkopere hardware
- belichaamde deployment
Die combinatie creëert nieuwe productcategorieën.
De menselijke rol verdwijnt niet
Een reden waarom deze richting mij interesseert, is dat ik ze niet zie als een verhaal van menselijke verwijdering.
Op korte termijn helpen deze systemen mensen om tijd, focus, creativiteit en uitvoeringskracht terug te winnen.
Mensen kiezen nog altijd de richting.
Mensen beslissen nog altijd wat belangrijk is.
Mensen doen nog altijd de finale matching tussen capaciteit en betekenis.
Het systeem maakt het makkelijker om verbeelding in structuur om te zetten.
Dan wordt structuur uitvoering.
Dan wordt uitvoering service.
Dat is een veel interessanter pad dan louter automatiseringstheater.
Slotgedachte
Als ik het volgende technologische decennium tot één zin zou moeten reduceren, dan is het deze:
we bewegen van modellen naar systemen, van systemen naar betrouwbare specialisatie, en van betrouwbare specialisatie naar belichaamde intelligentie.
Dat is de sequentie.
Eerst leert het systeem weten.
Dan leert het doen.
Dan leert het verbeteren.
Dan begint het te handelen in de echte wereld.
Daar denk ik dat het echte decennium naartoe gaat.