Modelmoeheid slaat toe nu AI-labs wekelijks updates uitbrengen

In een enkele week begin september 2026 brachten vier van 's werelds grootste AI-labs nieuwe modellen uit. Anthropic lanceerde Claude Fable 5.1 en Claude Mythos 5.1. Meta bracht Muse Spark 1.3 uit. Google onthulde Gemini 3.8 Flash. OpenAI volgde met GPT-6 Astra, een model dat volgens het bedrijf de nadruk legt op cybersecurity en computervaardigheden en het resultaat is van 'jaren onderzoek en grote weddenschappen'. Diezelfde week voegde de Mohamed bin Zayed University of Artificial Intelligence in Abu Dhabi haar eigen opensource-modelfamilie K2 Horizon toe, en chipfabrikant Nvidia stemde ermee in het opensource-platform Hugging Face over te nemen voor 12,9 miljard dollar. Het resultaat, aldus bestuurders en onderzoekers die met CNBC spraken, is een verschijnsel dat zij 'modelmoeheid' noemen: een sluipende uitputting onder zowel de ingenieurs die deze systemen bouwen als de bedrijven die daaruit moeten kiezen.

Waarom de labs het tempo niet laten zakken

Die opeenstapeling van releases is geen toeval, zegt Ahmed Abbasi, hoogleraar aan de Mendoza School of Business van Notre Dame en al 25 jaar AI-onderzoeker. Volgens hem zijn de grote ontwikkelaars allemaal bezig met 'het spel om het klantenbudget', en wedijveren ze om klanten en ontwikkelaars er voortdurend aan te herinneren dat ze minstens zo snel innoveren als hun concurrenten. Anthropic en OpenAI, allebei door private investeerders gewaardeerd op bijna 1.000 miljard dollar, zetten extra hard door met het oog op een mogelijke beursgang. OpenAI-topman Sam Altman zei tegen CNBC dat 'we allemaal overgaan op een sneller tempo', en weet een deel van die versnelling aan teams die terugkeren van de zomervakantie.

Het financiële belang verklaart die urgentie. Gartner voorspelt dat de wereldwijde AI-uitgaven in 2026 zullen oplopen tot 2,59 biljoen dollar, een stijging van 47 procent ten opzichte van 2025, waarvan meer dan 1 biljoen dollar naar diensten, software, beveiliging, modellen en andere tools gaat in plaats van naar pure infrastructuur. Elke modelfamilie die achterblijft bij een release loopt het risico een deel van dat budget te verliezen aan een concurrent die bereid is sneller te leveren — ook al waren, zoals Noah Faro, technologiechef van AI-fintechstartup Farsight, opmerkte, de meeste lanceringen van deze week 'puntversies': upgrades van bestaande modellen in plaats van volledig nieuwe creaties. Volgens Faro waren de laatste releases die echt het verschil maakten Anthropics Fable 5 in juni en Kimi K3 van Moonshot AI in juli.

Ik heb het gevoel dat modelmoeheid echt bestaat. Begrijp me niet verkeerd, ik ben ontzettend enthousiast over alle innovatie die er nu plaatsvindt, maar ik denk echt dat we ons in een omgeving bevinden met zoveel drukte dat je lawaai moet maken om op te vallen.

Een loopband die ingenieurs én kopers uitput

Het tempo blijkt duidelijk uit de cijfers. Volgens een analyse van Crypto Briefing is de mediane tijd tussen grote releases van topmodellen in de hele sector geslonken van 37,5 dagen in 2023 tot slechts 11 dagen tot nu toe in 2026. Het eigen tempo van OpenAI vertelt een vergelijkbaar verhaal: de mediane tijd tussen de modellanceringen van het bedrijf daalde van 170,5 dagen in 2023 tot 49 dagen dit jaar. Chinese labs voegen extra druk toe: het model Kimi K3 van Moonshot AI, met 2,8 biljoen parameters, heeft benchmarkgelijkheid bereikt met gesloten, proprietaire systemen tegen ongeveer een zesde van de implementatiekosten, en Chinese modellen waren goed voor 41 procent van de downloads op Hugging Face in het voorjaar van 2026, voordat Nvidia het platform overnam.

Analisten van Gartner wezen al in juni 2026 op het onderliggende probleem: 'capability convergence', de neiging van nieuwe topmodellen om op standaardbenchmarks bijna gelijk te scoren, waardoor het voordeel van als eerste lanceren bijna onmiddellijk verdwijnt. Ook de menselijke tol wordt zichtbaar. In juli 2026 ondertekenden meer dan 1.000 medewerkers van grote AI-labs een petitie waarin ze aandrongen op een gematigder ontwikkeltempo, met als redenen verzadigde benchmarks en minder tijd voor documentatie en veiligheidstests.

• Mediane tijd tussen grote releases van topmodellen: 37,5 dagen in 2023, 11 dagen tot nu toe in 2026
• Eigen releasetempo van OpenAI: 170,5 dagen tussen lanceringen in 2023, 49 dagen in 2026
• Door Gartner voorspelde wereldwijde AI-uitgaven voor 2026: 2,59 biljoen dollar, 47 procent meer dan in 2025
• Aandeel van Chinese open-source modellen in Hugging Face-downloads, voorjaar 2026: 41 procent
• Medewerkers van AI-labs die in juli 2026 een petitie tekenden voor een rustiger releasetempo: meer dan 1.000

Die uitputtingsslag komt rechtstreeks bij de IT-afdelingen van bedrijven terecht. 'Het is echt lastig om al die modellen die nu verschijnen stuk voor stuk te evalueren', zegt Suresh Vasudevan, ceo van het zakelijke AI-startup Clockwork Systems. Als zijn bedrijf tien kandidaat-modellen wil testen voor een taak, kiest het volgens hem gewoon voor vijf en laat het de rest links liggen — niet omdat de andere modellen slechter zouden zijn, maar omdat er simpelweg geen tijd meer is om ze allemaal te controleren. 'Elke release is zo goed dat het moeilijk wordt om nog een echte kwaliteitssprong te herkennen', voegde Vasudevan toe.

Wat dit betekent voor een bedrijf dat een model moet kiezen

Voor een Nederlands bedrijf dat moet beslissen op welk AI-model het gaat bouwen — meestal afkomstig van een Amerikaans lab — verandert modelmoeheid een technische keuze in een bewegend doelwit. Wie de productroadmap vastlegt op het model van één leverancier, loopt het risico maanden later een dure herschrijving te moeten doen, zodra een concurrent iets aanmerkelijk beters uitbrengt of de leverancier zelf de gebruikte versie uitfaseert. Het antwoord dat steeds meer opgeld doet bij zakelijke inkopers, in lijn met de opmerking van Vasudevan en Gartners bevinding over capability convergence, is te stoppen met het onderliggende model als duurzaam bezit te behandelen: steeds meer bedrijven bouwen een abstractielaag — een router of orkestratielaag die modellen kan wisselen zonder de applicatiecode te herschrijven — zodat een sneller of goedkoper model elk kwartaal kan worden overgenomen in plaats van een volledige herarchitectuur te veroorzaken. Voor een Nederlands bedrijf komt daar de afhankelijkheid van een Amerikaanse leverancier bovenop, met de bijbehorende vragen over gegevensbescherming en contractuele gebondenheid over de oceaan; overstapkosten en leverancierslock-in even zwaar laten wegen als de benchmarkscores van deze week wordt daarmee net zo bepalend als de eerste modelkeuze zelf.