In 2026 waaierden de mensen die moderne AI bouwden uit over rivaliserende labs: OpenAI’s voormalige CTO Mira Murati leidt nu Thinking Machines Lab, medeoprichter Andrej Karpathy stapte over naar Anthropic, en voormalig hoofdwetenschapper Ilya Sutskever bouwt Safe Superintelligence in vrijwel volledige stilte. U zult niemand van hen inhuren. Maar de talentenoorlog die zij ontketenden heeft één duidelijke les voor het Nederlandse mkb: bouw zó dat u goedkoop van lab kunt wisselen, want de frontlinie beweegt sneller dan de roadmap van welke leverancier dan ook.
Wat er in 2026 werkelijk gebeurde
Murati verliet OpenAI in 2024 en richtte begin 2025 Thinking Machines Lab op met een groep senior OpenAI-onderzoekers. Het lab haalde buitengewone bedragen op — een seedronde van miljarden, daarna een Series B met een gerapporteerde miljardenwaardering — en bracht zijn eerste product uit, Tinker, een API om open-weight modellen te fine-tunen. Vervolgens begon dezelfde arbeidsmarkt die het opbouwde het weer uit elkaar te trekken: begin 2026 waren meerdere medeoprichters vertrokken — sommigen terug naar OpenAI, één naar Meta.
In mei 2026 stapte Karpathy — een van de oorspronkelijke elf van OpenAI — over naar Anthropic, om een team te leiden dat Claude inzet om de eigen pre-training te versnellen. Sutskevers Safe Superintelligence haalde intussen miljarden op en heeft, ongebruikelijk, nog steeds geen publiek product; het hele verhaal is safety-first onderzoek in stilte. Drie van de belangrijkste mensen in AI, drie totaal verschillende weddenschappen: een fine-tuning-platform, AI die AI verbetert, en superintelligentie-in-het-geheim.
Dit is niet langer uitzonderlijk. In 2025 en 2026 betaalden de frontier-labs recordbedragen om senior onderzoekers heen en weer te halen — seedrondes van miljarden, waarderingen die in maanden verdubbelden, medeoprichters die binnen een jaar tweemaal van werkgever wisselden. De les voor een ondernemer is niet wie er voorloopt. Het is hoe instabiel “voorlopen” geworden is.
Waarom dit u raakt, ook als het ver weg voelt
Voor een installateur in Houten of een groothandel in Nieuwegein lijkt dit niet uw probleem. Toch is het dat — indirect. De tools die u koopt draaien bovenop de modellen van deze labs. Als talent en capaciteit zo snel bewegen, volgen er drie dingen: capaciteitssprongen komen ongelijkmatig (het “beste” model verandert om de paar maanden), prijzen en voorwaarden verschuiven, en het lab waarop u vorig jaar standaardiseerde is misschien niet het lab dat u vandaag zou kiezen. Ook voorwaarden veranderen: een model waarop u leunt kan duurder worden, gelimiteerd raken of met een paar maanden aankondiging verdwijnen. Uw bedrijfsvoering op één lab inzetten is een weddenschap dat zowel de roadmap als de mensen blijven zitten. In 2026 is geen van beide een veilige aanname. Lees onze inleiding over agentic AI voor het Nederlandse mkb.
Het patroon onder de krantenkoppen
Haal de waarderingen weg en het signaal is bruikbaar. Karpathy’s opdracht bij Anthropic — AI gebruiken om het bouwen van AI te versnellen — is waar het serieuze geld nu heen gaat: samengestelde, zelfverbeterende systemen, niet alleen grotere modellen. Murati’s Tinker wijst de andere kant op, richting het fine-tunen van open-weight modellen die u zelf kunt draaien. En de stilte van SSI herinnert eraan dat “veiligheid en controle” nu een productcategorie is, geen voetnoot. Voor het mkb is de rode draad simpel: capaciteit blijft commoditiseren, en het duurzame voordeel is niet het model — het is uw data, uw workflows en hoe soepel u een beter model in productie kunt zetten zodra het er is.
Er zit een prijs aan het verkeerd doen, en dat is zelden de licentie. Het is de verbouwing: teams die alles aan de eigen features van één aanbieder koppelden, zijn bij een overstap routineus weken kwijt aan herintegratie — en velen stappen daarom niet over en blijven op een slechter of duurder model hangen. Model-onafhankelijk ontwerpen houdt die optie open vóórdat u haar nodig heeft.
Drie weddenschappen, en wat elk voor uw stack betekent
De weddenschap van Anthropic is AI die AI verbetert. Karpathy’s team richt zich op zelfverbeterende onderzoekspijplijnen. Voor u betekent dat: capaciteit blijft springen en, terwijl labs concurreren, daalt de prijs per token — reken op goedkopere, betere modellen elke paar maanden in plaats van een eenmalige aankoop.
De weddenschap van Thinking Machines is open-weight fine-tunen. Tinker maakt het realistisch om een model te tunen dat u zelf host. Voor een mkb-bedrijf met privacygevoelige data of hoog volume is een klein privémodel nu een echte optie naast de grote API-aanbieders — het waard om te evalueren, niet om standaard te kiezen.
De weddenschap van SSI is veiligheid en controle als het product zelf. Sutskever haalde miljarden op om vertrouwen te verkopen, geen functies. Verwacht dat “beheerst, controleerbaar, EU-gehost” een normale post wordt die u kunt inkopen — echt nuttig onder de EU AI Act, en een terechte eis aan elke leverancier.
Wat een mkb’er concreet zou moeten doen
U hoeft niet elk lab te volgen. U heeft een architectuur nodig die modellen als verwisselbaar behandelt. Een praktische houding voor de komende zes maanden:
Blijf model-onafhankelijk. Kies tools en partners waarmee u kunt wisselen tussen Claude, GPT, Gemini en open-weight modellen zonder verbouwing. Stel elke leverancier één vraag: wat kost het mij om van model te wisselen? Dat is precies wat een goede AI-agent goedkoop moet maken.
Bouw op open standaarden. Het Model Context Protocol (MCP) — inmiddels in productie bij de meeste enterprise AI-teams — laat agents op een standaardmanier met uw systemen praten, zodat uw integratiewerk elk afzonderlijk model overleeft. Geef voorrang aan tools die het spreken.
Bezit uw data en uw workflow-logica. Het lab levert intelligentie; u levert context. Houd uw data, prompts en procesregels in eigen hand, niet opgesloten in de black box van een leverancier.
Koop capaciteit, geen hype. Beoordeel een tool op het werk dat het dit kwartaal doet, niet op de reputatie van de oprichter — dezelfde discipline die voorkomt dat AI-pilots mislukken.
Evalueer per kwartaal. Zet een vaste review van 30 minuten in de agenda: is er een beter of goedkoper model, en hoe lastig zou wisselen zijn? Maak bij een bedrijf van 250–500 medewerkers één persoon hiervoor verantwoordelijk.
Concreet is het verschil architectuur, geen ambitie. Stel u twee accountantskantoren van 30 man voor: het kantoor dat zijn documentverwerking op een open standaard bouwde, richt dezelfde workflow in een middag op een nieuwer model; het kantoor dat de propriëtaire API van één leverancier vastdraaide, bouwt de integratie opnieuw. Dezelfde AI, een heel andere overstapkost — en die kost is waar het om draait.
Waar dit heen gaat
Verwacht dat de onrust aanhoudt: meer labs, meer vertrekkers en nog minstens één “record”-financieringsronde voor het jaar om is. Het verschil in capaciteit tussen de topmodellen blijft klein — goed nieuws voor kopers, want het duwt de concurrentie naar prijs, veiligheid en integratie in plaats van naar één winnaar die u moet volgen. Het praktische antwoord verandert nooit: houd uw data dichtbij, uw integraties standaard en uw modelkeuze omkeerbaar.
Wat u niet moet doen
Herbouw niet rond het lab dat deze maand wint. Teken geen meerjarige verplichtingen die aannemen dat de modelranglijst van vandaag blijft. En verwar een beroemde oprichter niet met een af product — Thinking Machines had het meest geroemde team in AI en verloor binnen een jaar toch medeoprichters. Saai, verwisselbaar en goed geïntegreerd wint van briljant en vastgezet.
De AI-talentenoorlog blijft heel 2026 koppen halen. De mkb’ers die ervan profiteren zijn niet degenen die de winnaar raadden — het zijn degenen die zó bouwden dat het niet uitmaakte. Wilt u een tweede paar handen bij een model-onafhankelijke opzet, dat is wat wij doen.
Veelgestelde vragen
Moet mijn mkb-bedrijf zich druk maken over welk AI-lab “wint”?
Nee. Kies tools waarmee u goedkoop van model kunt wisselen en behandel het lab als leverancier, niet als partner voor het leven. De winnaar van dit jaar is misschien niet die van volgend jaar.
Wat is het Model Context Protocol (MCP) en waarom is het belangrijk?
MCP is een open standaard waarmee AI-agents op een uniforme manier verbinding maken met uw tools en data. Het draait inmiddels bij de meeste enterprise AI-teams, dus het integratiewerk eromheen overleeft een modelwissel.
Is fine-tunen van open-weight modellen (zoals Tinker) relevant voor een kleiner bedrijf?
Soms — wanneer u een goedkoper, privé of gespecialiseerd model nodig heeft. Voor de meeste mkb-bedrijven is een goed standaardmodel plus uw eigen data genoeg om te beginnen; kijk opnieuw naar fine-tunen zodra volume of privacy erom vraagt.
Hoe vaak moeten we onze AI-stack herzien?
Elk kwartaal. Capaciteit en prijzen verschuiven om de paar maanden; een vaste review van 30 minuten voorkomt dat u ongemerkt in lock-in belandt.
Wij zijn een bedrijf van 250–500 medewerkers — vertraagt een model-onafhankelijke architectuur ons?
Integendeel. Het is een verzekering: één verantwoordelijke plus standaardkoppelingen (MCP) laten u betere modellen adopteren zonder verbouwing — sneller over elke horizon langer dan een kwartaal.
