Red Hat bouwde een bedrijf op ter waarde van 34 miljard dollar op basis van Linux. IBM nam het over. Deze overname bevestigde een hypothese die al vier decennia standhield: dat bedrijven die enorme waarde halen uit gedeelde code, uit eigenbelang de projecten zouden blijven financieren waarvan ze afhankelijk waren. Die hypothese staat nu onder druk. Niet omdat iemand heeft besloten om open source niet langer te financieren. Maar omdat de sector die het meest financierde – SaaS – wordt ontmanteld door de sector die er het meest van afhankelijk is – AI.

In een eerder artikel heb ik onderzocht hoe acht onafhankelijke onderzoeksteams tot hetzelfde inzicht kwamen: in plaats van geheugensystemen rond het model te bouwen, moet het model zelf worden getraind om geheugen te beheren als een aangeleerde vaardigheid. Post-geheugentraining – waarbij gebruik wordt gemaakt van reinforcement learning in de fase na de training – levert agents op die zelf bepalen wat ze opslaan, verwijderen, consolideren en ophalen, waarbij alles is geoptimaliseerd voor het voltooien van de taak.

De afgelopen maanden heb ik me intensief verdiept in post-memory-training. Als je mijn recente artikelen over contextbeheer, geheugenarchitecturen en de terugkerende vraag waarom agents na beurt 50 slechter gaan presteren hebt gevolgd, dan komen al die draden in dit artikel samen. Het oorspronkelijke patroon was duidelijk genoeg. Acht onafhankelijke onderzoeksteams kwamen tot dezelfde conclusie: stop met het bouwen van geheugensystemen rondom het model en train het model zelf om geheugen te beheren als een aangeleerde vaardigheid. Die convergentie was veelzeggend.

Als we terugkijken op 2025, is één ding duidelijk: artificial intelligence data niet langer experimentele hulpmiddelen die aan de rand van organisaties staan. Ze hebben een beslissende plaats ingenomen in de kern van hoe bedrijven werken, concurreren en waarde creëren. Het tempo waarin ze worden toegepast, spreekt boekdelen. Volgens het AI Report van Microsoft had tegen het einde van 2025 ongeveer één op de zes mensen wereldwijd gebruik gemaakt van generatieve AI . In het bedrijfsleven was de groei nog sterker: tegen het midden van het jaar had bijna 70% van de organisaties wereldwijd generatieve AI ten minste één bedrijfsfunctie geïmplementeerd. Wat begon als geïsoleerde proefprojecten, is snel uitgegroeid tot geïntegreerde mogelijkheden die van invloed zijn op besluitvorming, klantbetrokkenheid en operationele efficiëntie.

In de sport AI data AI vooral geassocieerd met prestaties op het veld: spelersanalyses, tactische modellen en blessurepreventie. Technologie heeft de grenzen van atletische prestaties verlegd, waardoor atleten hun eerdere limieten kunnen overschrijden. Waarom passen dan niet meer sportorganisaties dezelfde denkwijze toe op de zakelijke kant van de sport? Sport is een uiterst competitieve entertainmentindustrie waarin kleine verbeteringen op gebieden als fanbetrokkenheid, content, bedrijfsvoering en commerciële besluitvorming net zo belangrijk kunnen zijn als de resultaten zelf.

De technologie bestaat wel, maar is nog niet volwassen. De koers is duidelijk, maar het tijdschema niet. De meeste organisaties die AI 2026 langlopende AI implementeren, zullen dure lessen leren. Een enkeling zal echte voordelen behalen. Het verschil zal neerkomen op drie zaken: waar ze de technologie inzetten, hoe ze deze beheren en of ze begrijpen wat ‘autonoom’ in de praktijk eigenlijk inhoudt.

Eind 2025 ging een techniek met de absurde naam „Ralph Wiggum“ onder beoefenaars viraal. De naam is ontleend aan een personage uit The Simpsons – bewust gek, want het basisidee is bijna gênant eenvoudig.