Sam Altman herijkt AI-tijdlijn: de doorbraak was sneller dan de toepassing

Altman stelt zijn verwachting bij

Sam Altman lijkt niet terug te komen op het belang van kunstmatige intelligentie, maar wel op de snelheid waarmee die technologie de economie zou veranderen. In een interview dat op 23 augustus 2026 werd gepubliceerd, zei de CEO van OpenAI naar verluidt dat hij na de komst van GPT-4 in 2023 veel sneller ontwrichting bij softwarebedrijven en in de bredere economie had verwacht. 36

De belangrijkste les: een krachtig model is nog maar het begin. Om daadwerkelijk veranderingen op grote schaal te veroorzaken, zijn ook goede toepassingen, aangepaste organisaties, infrastructuur, regelgeving en maatschappelijk draagvlak nodig. Juist die stap van modelprestatie naar dagelijks gebruik blijkt trager en omstredener dan de hype rond GPT-4 deed vermoeden.

Van technische vooruitgang naar economische toepassing

Altman maakt hiermee een onderscheid tussen technologische vooruitgang en economische adoptie. Hij verwachtte dat bedrijven en softwaremarkten snel zouden veranderen zodra GPT-4 een nieuw niveau van mogelijkheden liet zien. In werkelijkheid duurt het langer voordat die mogelijkheden zich vertalen in brede bedrijfsverandering. 36

Dat betekent niet dat AI economisch onbelangrijk is geworden. Het betekent wel dat het trainen van steeds krachtigere modellen niet automatisch leidt tot een onmiddellijke verandering in de manier waarop organisaties werken. Bedrijven moeten AI integreren in bestaande systemen, processen opnieuw ontwerpen, medewerkers opleiden en bepalen of de opbrengst opweegt tegen de kosten en risico’s.

In deze visie ligt de kortetermijnrem dus minder bij de vraag of modellen nog beter kunnen worden en meer bij de vraag of organisaties ze effectief kunnen inzetten. Altman blijft ondertussen wijzen op snelle AI-vooruitgang en dalende gebruikskosten. Volgens zijn eigen observaties daalt de prijs voor een bepaald niveau van AI-capaciteit ongeveer tienvoudig per twaalf maanden, waardoor lagere kosten uiteindelijk tot meer gebruik kunnen leiden. 40

Waarom toepassing achterloopt op modelcapaciteit

De afstand tussen een indrukwekkende demonstratie en een betrouwbaar product in de praktijk is groot. Een organisatie moet processen aanpassen, toezicht organiseren, gegevens beveiligen en vastleggen wie verantwoordelijk is als een AI-systeem een fout maakt.

Ook de fysieke infrastructuur vormt een beperking. AI-systemen vragen grote hoeveelheden rekenkracht, terwijl datacenters druk leggen op elektriciteitsnetten, waterverbruik, grondgebruik en lokale voorzieningen. Volgens een door The New York Times aangehaalde peiling van Gallup was 71 procent van de volwassenen in de Verenigde Staten tegen de bouw van een AI-datacenter in de eigen omgeving. In hetzelfde bericht stond dat meer dan twaalf projecten door lokaal verzet waren tegengehouden of vertraagd. 18

Altman zei dat hij begrijpt waarom mensen geen datacenter in hun achtertuin willen en suggereerde dat zulke complexen mogelijk beter in afgelegen woestijngebieden kunnen worden gebouwd. 23 Dat onderstreept de praktische grenzen van AI-groei: toegang tot chips en stroom is niet voldoende. Projecten hebben ook vergunningen, grond, aansluitingen op het elektriciteitsnet en steun van omwonenden nodig.

Waarom AI-ontwikkeling volgens Altman soms moet worden getemporiseerd

In een afzonderlijke uitspraak zei Altman dat AI-ontwikkeling mogelijk moet worden “getemporiseerd”, zodat de samenleving tijd krijgt om zich rond nieuwe niveaus van modelcapaciteit te “verharden”. Tegelijk waarschuwde hij dat een dergelijke aanpak niet mag uitmonden in machtsconcentratie, belangenverstrengeling of onderlinge afspraken tussen de belangrijkste AI-labs. 37

Dat is iets anders dan pleiten voor een permanente stop. Zijn punt is dat de snelheid waarmee AI wordt uitgerold beter moet aansluiten op de snelheid waarmee overheden, bedrijven en burgers zich kunnen aanpassen. Technologie kan in hoog tempo vooruitgaan, terwijl de instellingen die haar moeten reguleren en de organisaties die haar moeten gebruiken veel trager bewegen.

Twee manieren waarop AI volgens deze waarschuwing “anti-menselijk” kan worden

De besproken zorg kent twee tegengestelde vormen:

1. AI wordt zo krachtig dat mensen en instellingen er geen betekenisvolle controle meer over hebben.
2. De controle over geavanceerde AI komt terecht bij een te kleine groep bedrijven of overheden.

Vooral dat tweede risico sluit aan bij Altmans bredere pleidooi voor een democratisering van AI. Volgens hem mag macht niet te sterk worden geconcentreerd en moeten mensen en hun instellingen invloed houden op de toekomst. 44

Deze risico’s vragen om verschillende beleidsreacties. Strenge centrale veiligheidscontroles kunnen bepaalde vormen van misbruik beperken. Tegelijk kan een systeem waarin toegang en besluitvorming bij slechts enkele partijen liggen, nieuwe economische en politieke risico’s creëren.

Het beschikbare materiaal bewijst niet dat Altman Anthropic rechtstreeks aanviel of dat hij de veiligheidsgerichte aanpak van dat bedrijf als inherent “anti-menselijk” beschreef. Zo’n lezing blijft een interpretatie, geen bevestigde bewering. De voorzichtiger conclusie is dat frontier-AI — de meest geavanceerde modellen — een reële afweging oproept tussen veiligheidscontrole en machtsconcentratie.

Wat NVIDIA’s Poolside-deal laat zien

NVIDIA’s gemelde transactie met Poolside maakt duidelijk waarom tragere adoptie niet moet worden verward met minder investeringen. NVIDIA zou 6 miljard dollar betalen voor een licentie op technologie van de AI-start-up en nog eens 1 miljard dollar in het bedrijf investeren. Meer dan honderd medewerkers van Poolside zouden aan NVIDIA’s Nemotron-familie van open-weight modellen gaan werken. 1

Open-weight modellen geven gebruikers toegang tot de modelgewichten en kunnen daardoor doorgaans gemakkelijker worden aangepast en op eigen infrastructuur worden ingezet. De stap van NVIDIA laat zien dat de AI-wedloop verder gaat dan het trainen van steeds grotere frontier-modellen. Hardwarebedrijven en modelontwikkelaars investeren ook in software voor modelontwikkeling, ontwikkelprocessen en alternatieven voor gesloten modellen. 5

De deal kan daarom beter worden gezien als voorbereiding op een langere invoeringsfase dan als bewijs dat NVIDIA een instorting van de AI-vraag verwacht. Bedrijven lijken zich voor te bereiden op een toekomst waarin AI zich geleidelijk verspreidt over veel toepassingen en organisaties, in plaats van op een enkele modelrelease die de economie onmiddellijk op zijn kop zet.

De bredere conclusie: verspreiding, geen terugtocht

Altmans aangepaste tijdlijn, het verzet tegen datacenters en NVIDIA’s investering in Poolside wijzen samen op een ingewikkelder AI-transitie dan de oorspronkelijke hype voorspelde.

AI-ontwikkeling gaat nog altijd snel, maar de invoering wordt afgeremd door:

• de moeilijkheid om betrouwbare toepassingen te bouwen;
• het organisatorische werk dat nodig is om bedrijfsprocessen te veranderen;
• de beschikbaarheid van rekenkracht, elektriciteit, water en netcapaciteit;
• vergunningen en lokaal politiek verzet; en
• zorgen over veiligheid, aansprakelijkheid en geconcentreerde macht.

De sterkste conclusie is niet dat de grote AI-bedrijven gezamenlijk hebben besloten de ontwikkeling bewust te vertragen. Daarvoor is het bewijs te beperkt. Wat de beschikbare informatie wel laat zien, is genuanceerder: bedrijven blijven agressief investeren, maar erkennen tegelijk dat economische verandering waarschijnlijk via een trager, kapitaalintensief en politiek omstreden verspreidingsproces verloopt.

GPT-4 was mogelijk een grote sprong in modelcapaciteit. Maar capaciteit alleen is nooit hetzelfde geweest als onmiddellijke economische toepassing.