De volgende fase van AI zal niet alleen worden bepaald door betere antwoorden.
Het zal worden gedefinieerd door systemen die kunnen handelen met context, met diepte kunnen waarnemen en de wereld kunnen modelleren die zij moeten veranderen.
De volgende AI-vraag is niet alleen wat modellen weten
Het AI-gesprek begint zich verder te bewegen dan de chatbotinterface.
De afgelopen jaren was de meest zichtbare vorm van AI taalkundig. Mensen typten vragen, modellen produceerden antwoorden en de industrie mat de voortgang door middel van redeneren, coderen, schrijven, samenvatten en zoeken. Die fase is nog niet voorbij. Taalintelligentie wordt nog steeds nuttiger, ingebedder en commerciëler.
Maar het is niet langer het hele verhaal.
De belangrijkste vraag is nu wat er gebeurt als AI-systemen niet alleen reacties genereren, maar ook tools gaan gebruiken, workflows gaan beheren, de ruimte gaan begrijpen en over de fysieke wereld gaan redeneren. Dat is waar de industrie zich begint te ontwikkelen: van taal naar actie, van tekst naar interfaces, van statische antwoorden naar dynamische omgevingen.
Die transformatie is alleen maar duidelijker geworden sinds HumanX. De mondiale AI-uitgaven worden nu opgehaald door infrastructuur en agentische tools. Het punt is niet simpelweg dat er een ander model beschikbaar kwam. Het is dat agenten onderdeel worden van de enterprise-stack.
Dit is de reden waarom de HumanX-gesprekken in San Francisco er nog steeds toe doen. De gebeurtenis is voorbij, maar heeft een transitie vastgelegd die nu steeds zichtbaarder wordt: AI evolueert van systemen die praten naar systemen die handelen, en van modellen die taal verwerken naar modellen die enig begrip van de wereld nodig hebben.
“AI ging van het kunnen beantwoorden van vragen naar het nu kunnen doen van dingen.”
– Jensen Huang
De derde golf van AI
Jensen Huang heeft de evolutie direct in beeld gebracht. AI, zo betoogde hij, is veel breder dan grote taalmodellen. Taal is één vorm van gecodeerde informatie, maar informatie wordt ook gecodeerd in genen, eiwitten, chemicaliën, natuurkunde, gereedschappen, software en omgevingen. Overal waar structuur is, kan AI leren deze te representeren.
Die framing is van belang omdat het ervoor zorgt dat AI niet langer als één enkele categorie wordt begrepen. Chatbots zijn belangrijk, maar ze zijn slechts één uiting van een veel grotere technologie. De diepere verschuiving is dat AI een manier wordt om domeinoverstijgend te representeren, voorspellen en handelen.
Huang beschreef het huidige moment als het begin van een derde golf. De eerste golf van moderne AI was generatief: modellen die de ene vorm van informatie in de andere konden vertalen. De tweede golf was het redeneren, waarbij modellen meer gefundeerd en bruikbaarder werden. De derde golf is volgens hem agentisch.
“Wat er nu gebeurt, is dat AI niet langer vragen kon beantwoorden, maar nu dingen kon doen”, zei hij.
Dat is een beknopte manier om het nieuwe zwaartepunt te beschrijven. De prompt is niet langer slechts een vraag. Het is steeds vaker een verzoek om actie: iets bouwen, iets analyseren, deze tools gebruiken, toegang krijgen tot deze bestanden, herhalen totdat het werk klaar is.
De meest bruikbare zin van Huang was misschien nog eenvoudiger: “AI is software die software gebruikt.”
Dat idee verandert de betekenis van de applicatielaag. De software-industrie is gebouwd rond tools die door mensen worden gebruikt. Tekstverwerkers, spreadsheets, ontwerpsuites, bedrijfssystemen, ontwikkelaarstools, CRM’s, ERP’s en analyseplatforms zijn ontworpen voor mensen die achter schermen zitten. Als AI-agenten toolgebruikers worden, neemt het aantal gebruikers van software dramatisch toe.
Het resultaat is niet alleen meer automatisering. Het is een heruitvinding van de manier waarop software zelf wordt geconsumeerd.
Codering om agenten te beheren
Het OpenAI/Codex-gesprek bij HumanX maakte dezelfde transitie zichtbaar vanuit de software-engineering.
Srinivas Narayanan beschreef dat codeertools zijn overgestapt van hulp naar bureau. Ingenieurs gebruiken AI niet langer alleen om functies automatisch aan te vullen of code uit te leggen. Ze begeleiden systemen die software genereren, software beoordelen en bugs oplossen. In zijn woorden is het werk ‘niet in de eerste plaats het schrijven van software, maar het beheren van agenten’ geworden.
Die lijn houdt rechtstreeks verband met wat er gebeurt in het kenniswerk. Codering is het eerste domein waarin dit agentische patroon goed zichtbaar is geworden, omdat software ongebruikelijk verifieerbaar is. Er kunnen tests worden geschreven. Opslagplaatsen zijn begrensd. Bugs kunnen worden gereproduceerd. Uitgangen kunnen worden gecontroleerd.
Maar de diepere bewering is dat coderen een voorproefje kan zijn van andere vormen van werk. Narayanan beschreef Codex en codeermodellen als een onderliggend harnas voor vele soorten kenniswerk, van juridische en financiële workflows tot automatisering van bedrijfsprocessen.
Dat is waar agenten meer worden dan ontwikkelaarstools. Ze worden een algemene werkinterface. Als ze bestanden kunnen manipuleren, toegang kunnen krijgen tot systemen, applicaties kunnen gebruiken en binnen vangrails kunnen opereren, kunnen dezelfde primitieven die ze bruikbaar maken voor code ze ook bruikbaar maken voor andere workflows.
De beperking is geen verbeelding. Het gaat om context, veiligheid en toegang. Kent de agent de systemen van het bedrijf – Begrijpt hij de workflow – Heeft hij de juiste rechten – Kan hij worden gemonitord – Kan hij worden vertrouwd wanneer agenten met andere agenten beginnen te communiceren –
Deze vragen zijn waarom de toekomst van agenten niet alleen een modelrace is. Het is een infrastructuur-, governance- en interfaceprobleem.
De beweging van woorden naar werelden
Als Jensen en OpenAI de verschuiving lieten zien van antwoorden naar handelen, Fei-Fei Li duwde het gesprek naar een andere grens: ruimtelijke intelligentie.
Haar argument was niet dat taalintelligentie klaar is. Ze maakte zelfs duidelijk dat taalmodellen cruciaal zullen blijven. Maar menselijke intelligentie is niet alleen taalkundig. We begrijpen de wereld door ruimte, beweging, objecten, lichamen, geometrie, interactie en tijd. Willen machines bruikbaarder worden in fysieke en virtuele omgevingen, dan hebben ze een versie van dat ruimtelijke inzicht nodig.
Li beschreef de afwezigheid van dit bewustzijn als intelligentie in het donker. Op het moment dat dieren zich bewust werden van hun lichaam en hun relatie tot de wereld, zei ze, ontwikkelde de intelligentie zich snel. Voor AI is de implicatie dat het zien en redeneren over de wereld geen accessoire is voor intelligentie. Het staat daarin centraal.
Haar definitie van een wereldmodel was nauwkeurig: een systeem dat de ruimte kan begrijpen, kan redeneren over geometrie, interactiviteit, natuurkunde en dynamiek, en uiteindelijk 3D- en 4D-ruimte kan genereren, net zoals de hedendaagse computers woorden genereren.
Dat is een andere ambitie dan het maken van een betere chatbot. Het wijst in de richting van systemen die trainingsomgevingen voor robots kunnen creëren, kunnen helpen bij het ontwerpen van ervaringen, beeldvorming in de gezondheidszorg kunnen ondersteunen, virtuele werelden kunnen aandrijven en de volgende staat van een fysieke omgeving kunnen modelleren.
Marble van World Labs, waarover Li op het podium besprak, is een vroege uitdrukking van die richting: een generatief model voor echte 3D-consistente werelden. Het punt is niet alleen dat dergelijke werelden kunnen worden gegenereerd. Het is dat ze omgevingen kunnen worden waar andere systemen kunnen leren, testen, simuleren en handelen.
De volgende fase is actie plus begrip van de wereld
Alles bij elkaar suggereerden de HumanX-gesprekken dat de volgende fase van AI niet door één interface zal worden gedefinieerd.
Agenten hebben tools nodig. Bedrijven hebben vangrails nodig. Software heeft context nodig. Robotica heeft ruimtelijke gegevens nodig. Videomodellen hebben temporeel begrip nodig. Wereldmodellen hebben rekenkracht, nieuwe architecturen en trainingsomgevingen nodig die nog niet op internetschaal bestaan.
De rode draad is dat AI dichter bij het werk en dichter bij de wereld komt. Het is niet langer voldoende dat modellen plausibele taal produceren. Ze moeten actie ondernemen, software bedienen, omgevingen begrijpen en resultaten genereren die kunnen worden geverifieerd, gebruikt en vertrouwd.
Dit is ook de reden waarom San Francisco zo’n nuttig objectief blijft. HumanX was niet alleen een bijeenkomst van AI-managers en oprichters. Het was een momentopname van het volgende argument van de industrie: de grens verschuift van woorden naar workflows, en van workflows naar werelden.
Dat maakt taal niet minder belangrijk. Het maakt het onderdeel van een groter systeem.
De eerste AI-ervaring op de massamarkt was een gesprek. De volgende kan delegatie zijn. Daarna kan het een simulatie zijn: agenten die werken in omgevingen die ze kunnen begrijpen, modelleren en veranderen.
Dat is de echte betekenis van het moment dat HumanX vastlegde. De volgende fase van AI bestaat niet alleen uit intelligentere antwoorden. Het zijn systemen die kunnen handelen met context, met diepte kunnen waarnemen en uiteindelijk kunnen redeneren over de wereld die ze moeten veranderen.
