Het AI-verhaal wordt grotendeels gedomineerd door modelprestaties op belangrijke industriële benchmarks. Maar naarmate het vakgebied volwassener wordt en bedrijven echte voordelen proberen te halen uit de vooruitgang op het gebied van AI, zien we parallel onderzoek naar technieken die AI-toepassingen helpen produceren.
Bij VentureBeat volgen we AI-onderzoek dat kan helpen begrijpen waar de technologie naartoe gaat in praktische toepassingen. We kijken uit naar doorbraken die niet alleen betrekking hebben op de ruwe intelligentie van een model, maar ook op de manier waarop we systemen rond die modellen ontwerpen. Nu 2026 nadert, zijn hier vier trends die een blauwdruk zouden kunnen vormen voor de volgende generatie robuuste, schaalbare bedrijfsapplicaties.
Continu leren
Continu leren pakt een van de belangrijkste uitdagingen van de huidige AI-modellen aan: hen nieuwe informatie en vaardigheden aanleren zonder de kennis die ze al hebben te vernietigen (vaak aangeduid als “heel erg vergeten”).
Traditioneel zijn er twee manieren om hiermee om te gaan. Eén daarvan is het model opnieuw trainen door oude en nieuwe informatie te combineren, wat duur, tijdrovend en erg ingewikkeld is. Dit maakt het ontoegankelijk voor de meeste bedrijven die het model gebruiken.
Een andere oplossing is om informatiemodellen in context te plaatsen via technieken zoals RAG. Deze techniek werkt echter niet de interne kennis van het model bij, wat problematisch kan zijn als je de grenzen van de kennis van het model verlaat en feiten in conflict komen met de waarheid tegen de tijd dat het model wordt getraind. Ze vereisen ook veel techniek en worden beperkt door het modelcontextvenster.
Door continu te leren kan het model zijn interne kennis bijwerken zonder dat herscholing nodig is. Google heeft hieraan gewerkt met een nieuwerwetse architectuur. Eén daarvan is Titandie een andere primitief voorstelde: een aangeleerde langetermijngeheugenmodule waarmee het systeem historische context kan opnemen op het moment van inferentie. Intuïtief verschuift hierdoor een deel van het ‘leren’ van offline gewichtsupdates naar een online geheugenproces, dichter bij hoe het team denkt over caches, indexen en logs.
Genest leren hetzelfde thema vanuit een andere hoek benaderen. Het behandelt het model als een reeks optimalisatieproblemen op meerdere niveaus, die elk hun eigen interne workflow hebben, en gebruikt dat kader om catastrofaal vergeten te overwinnen.
Standaard op transformatoren gebaseerde taalmodellen hebben een dichte laag die het langetermijngeheugen opslaat dat is verworven tijdens de pre-training en een aandachtslaag die de onmiddellijke context opslaat. Nested Learning introduceert een ‘continuümgeheugensysteem’, waarbij geheugen wordt gezien als een spectrum van modules die op verschillende frequenties worden bijgewerkt. Hierdoor ontstaat een geheugensysteem dat beter is afgestemd op voortdurend leren.
Continu leren vormt een aanvulling op de inspanningen die worden geleverd om agenten te voorzien van kortetermijngeheugen door middel van context-engineering. Naarmate de technologie volwassener wordt, kunnen bedrijven een generatie modellen verwachten die zich kunnen aanpassen aan veranderingen in de omgeving en dynamisch kunnen beslissen welke nieuwe informatie ze internaliseren en welke ze in het kortetermijngeheugen opslaan.
Wereldmodel
Wereldmodellen beloven AI-systemen de mogelijkheid te geven hun omgeving te begrijpen zonder de noodzaak van door mensen gelabelde gegevens of door mensen gegenereerde tekst. Met wereldmodellen kunnen AI-systemen beter reageren op onvoorspelbare gebeurtenissen die buiten de distributie vallen, en veerkrachtiger worden in het licht van de onzekerheid in de echte wereld.
Belangrijker nog is dat wereldmodellen de weg vrijmaken voor AI-systemen die verder kunnen gaan dan alleen tekst en taken kunnen oplossen waarbij de fysieke omgeving betrokken is. Wereldmodellen proberen de regelmatigheden van de fysieke wereld rechtstreeks uit observaties en interacties te leren.
Er zijn verschillende benaderingen om een wereldmodel te creëren. DeepMind bouwt Jineen reeks end-to-end generatieve modellen die de omgeving simuleren, zodat agenten kunnen voorspellen hoe de omgeving zich zal ontwikkelen en hoe acties deze zullen veranderen. Het neemt afbeeldingen of opdrachten samen met gebruikersacties en produceert een reeks videoframes die weerspiegelen hoe de wereld verandert. Genie kan interactieve omgevingen creëren die voor verschillende doeleinden kunnen worden gebruikt, waaronder het trainen van robots en zelfrijdende auto’s.
Wereld laboratoriumeen nieuwe startup opgericht door AI-pionier Fei-Fei Li, kiest voor een iets andere aanpak. Marble, het eerste AI-systeem van World Labs, gebruikt generatieve AI om 3D-modellen te maken van afbeeldingen of opdrachten, die vervolgens kunnen worden gebruikt door natuurkunde en 3D-engines om interactieve omgevingen weer te geven en te simuleren die worden gebruikt om robots te trainen.
Een andere benadering is de Joint Embedding Predictive Architecture (JEPA), die wordt omarmd door Turing Award-winnaar en voormalig hoofd van Meta AI Yann LeCun. Het JEPA-model leert een latente representatie van de onbewerkte gegevens kennen, zodat het systeem kan anticiperen op wat er daarna zal gebeuren zonder elke pixel te genereren.
JEPA-modellen zijn veel efficiënter dan generatieve modellen, waardoor ze geschikt zijn voor snelle real-time AI-toepassingen die moeten draaien op apparaten met beperkte middelen. V-JEPAversie van de video-architectuur, vooraf getraind in ongelabelde video’s op internetschaal om door middel van observaties een model van de wereld te leren. Vervolgens voegt het een kleine hoeveelheid interactiegegevens uit het traject van de robot toe om de planning te ondersteunen. De combinatie suggereert een pad waarbij bedrijven de overvloed aan passieve video (training, inspecties, dashcams, detailhandel) benutten en beperkte, hoogwaardige interactiegegevens toevoegen die controle vereisen.
In november, LeCun bevestigt dat hij Meta zal verlaten en zal een nieuwe AI-startup starten die zich zal richten op “systemen die de fysieke wereld begrijpen, sterke herinneringen hebben, kunnen denken en complexe reeksen acties kunnen plannen.”
Orkestratie
LLM Frontier blijft vooruitgang boeken op zeer uitdagende benchmarks en presteert vaak beter dan menselijke experts. Maar als het gaat om taken in de echte wereld en workflows van agenten die uit meerdere stappen bestaan, falen zelfs krachtige modellen: ze verliezen context, roepen tools aan met de verkeerde parameters en voegen kleine fouten toe.
Orchestrators behandelen dergelijke fouten als systeemproblemen die kunnen worden aangepakt met de juiste steigers en engineering. De router kiest bijvoorbeeld tussen kleine snelle modellen, grotere modellen voor moeilijkere stappen, fetches voor aarding en deterministische tools voor acties.
Er zijn nu verschillende raamwerken die orkestratielagen creëren om de efficiëntie en nauwkeurigheid van AI-agents te verbeteren, vooral bij het gebruik van externe tools. Stanford Octo gereedschap is een open source-framework dat meerdere tools kan organiseren zonder dat het model hoeft te worden verfijnd of aangepast. OctoTools maakt gebruik van een modulaire aanpak die oplossingen plant, tools selecteert en subtaken doorgeeft aan verschillende agenten. OctoTools kan elke LLM voor algemene doeleinden als ruggengraat gebruiken.
Een andere aanpak is het trainen van aangepaste orkestratormodellen die de arbeid kunnen verdelen over de verschillende componenten van een AI-systeem. Een voorbeeld is Nvidia orkesteen parametermodel van 8 miljard dat meerdere tools en LLM’s coördineert om complexe problemen op te lossen. Orchestrators worden getraind via specifieke leertechnieken voor versterking die zijn ontworpen voor modelorkestratie. Het kan weten wanneer het hulpmiddelen moet gebruiken, wanneer het taken moet delegeren aan kleine gespecialiseerde modellen, en wanneer het redeneervermogen en de kennis van grote generalistische modellen moet worden gebruikt.
Een kenmerk van dit en andere soortgelijke raamwerken is dat ze kunnen profiteren van de vooruitgang in de onderliggende modellen. Dus nu we vooruitgang blijven zien in het frontier-model, kunnen we verwachten dat orkestratieframeworks zullen evolueren en bedrijven zullen helpen krachtige, hulpbronnenefficiënte agent-applicaties te bouwen.
Reparatie
Verfijningstechnieken maken van ‘één antwoord’ een gecontroleerd proces: voorstellen, bekritiseren, herzien en verifiëren. Het kadert de workflow door hetzelfde model te gebruiken om initiële output te genereren, feedback te genereren en deze iteratief te verbeteren, zonder aanvullende training.
Hoewel technieken voor zelfverbetering al enkele jaren bestaan, bevinden we ons misschien op een punt waarop we kunnen zien dat ze een groot verschil maken in de inzet van agenten. Dit is duidelijk te zien in de resultaten van de ARC Prize, die 2025 noemden “Jaar van de Cirkel van Voltooiing‘ en schreef: ‘Vanuit het perspectief van de informatietheorie is verfijning intelligentie.’
ARC test het model op complexe abstracte redeneringspuzzels. Uit de eigen analyse van ARC blijkt dat de best beoordeelde verbeteringsoplossingen, voortgebouwd op het frontiermodel en ontwikkeld door Poetiqscoorde 54% op de ARC-AGI-2 en versloeg de nummer twee, de Gemini 3 Deep Think (45%), voor de helft van de prijs.
De oplossing van Poetiq is een recursief, zelfuitbreidbaar systeem dat LLM-agnostisch is. Het is ontworpen om gebruik te maken van de redeneermogelijkheden en kennis van het onderliggende model om de eigen oplossingen te reflecteren en te verfijnen, en maakt indien nodig gebruik van hulpmiddelen zoals codevertalers.
Naarmate het model krachtiger wordt, zal het toevoegen van lagen van onafhankelijke verfijning ervoor zorgen dat het model betere resultaten kan bereiken. Poetiq heeft met partners samengewerkt om zijn metasysteem aan te passen om “complexe problemen uit de echte wereld aan te pakken die moeilijk op te lossen zijn voor toonaangevende modellen.”
Hoe AI-onderzoek in 2026 te volgen
Een praktische manier om het onderzoek het komende jaar te lezen, is door te kijken welke nieuwe technieken bedrijven kunnen helpen om agentapplicaties van proof-of-concept naar schaalbare systemen te verplaatsen.
Continu leren verschuift de precisie naar de oorsprong en het behoud van het geheugen. Wereldmodellen verschuiven het naar robuuste simulatie en voorspelling van gebeurtenissen in de echte wereld. Orkestratie verschuift het naar een beter gebruik van hulpbronnen. Verfijning verschuift het naar intelligente reflectie en correctie van antwoorden.
De winnaars zullen niet alleen een robuust model kiezen, ze zullen ook een controlevlak bouwen dat dat model correct, actueel en kosteneffectief houdt.
