Block #9

Categorie: Artificiële Intelligentie

  • SUI Revolutioneert Crypto-betalingen Met Gasloze Stablecoin-overdrachten

    SUI Revolutioneert Crypto-betalingen Met Gasloze Stablecoin-overdrachten

    Sui heeft de lancering van gasloze stablecoin-overdrachten aangekondigd, wat ingaat tegen een van de meest frustrerende aspecten van crypto-betalingen: de noodzaak om de native token van het netwerk te bezitten om dollars te kunnen verplaatsen.

    Voor ervaren crypto-gebruikers is gas een normaal fenomeen. Voor nieuwere gebruikers daarentegen betekent het een vorm van frictie. Iemand kan USDC of een andere stablecoin in zijn wallet hebben, maar als die persoon de native token van de keten niet ook heeft, kan hij niet verder. Geen vermogen versturen, geen betalingen doen, en geen activa verplaatsen zonder eerst gas aan te schaffen.

    Dit creëert een aangename frustratie voor wie wil betalen.

    De nieuwe functie voor stablecoin-overdracht van Sui is ontworpen om dat probleem te verhelpen door gebruikers in staat te stellen ondersteunde stablecoins te verzenden zonder dat ze SUI (de native token van Sui) hoeven te bezitten voor transactiekosten. De implementatie gebeurt via Sui’s Move API, waarbij de gasprijs op nul staat en de kostenlast buiten de eindgebruiker wordt gehouden.

    Technisch klinkt dit misschien ingewikkeld, maar het basisidee voor de gebruiker is eenvoudig: stablecoins moeten veel meer als geld functioneren en minder als een puzzel.

    Stablecoins zijn een van de helderste product-marktcombinaties in de crypto-wereld.

    Ze worden gebruikt voor handel, afwikkeling, betalingen, remitenties, als onderpand in DeFi, en om toegang te krijgen tot dollars in markten waar bancaire infrastructuren traag of onbetrouwbaar zijn. Maar zelfs stablecoins kunnen ongemakkelijk aanvoelen wanneer gebruikers de noodzaak van gas moeten begrijpen.

    Het probleem wordt met name zichtbaar voor nieuwe gebruikers. Iemand die stablecoins ontvangt, gaat ervan uit dat hij deze onmiddellijk kan verzenden. Maar dan meldt de wallet dat hij de native asset nodig heeft om de kosten te dekken. Nu moet hij SUI, ETH, SOL, TRX of een andere gas-token vinden voordat hij iets kan doen.

    Zo werken normale betalingen niet.

    Niemand verwacht een aparte “kostentoken” nodig te hebben om ponden vanaf een bankapp of dollars vanuit een betalingswallet te verzenden. Crypto-gebruikers hebben geleerd deze situatie te tolereren omdat ze blockchains begrijpen. Maar mainstream gebruikers zouden dat niet moeten hoeven te doen.

    De gasloze stablecoin-overdrachten zijn een poging om die complexiteit te verbergen.

    Als Sui stablecoin-bewegingen meer als een normale betalingshandeling kan laten aanvoelen, wordt het netwerk gebruiksvriendelijker voor wallets, apps, verkopers en alledaagse transfers.

    Sui is niet het eerste netwerk dat zich richt op stablecoin-betalingen, en het zal ook niet het laatste zijn.

    Ethereum beschikt over de diepste liquiditeit en het meest gevestigde DeFi-ecosysteem. TRON heeft zich ontwikkeld tot een belangrijk netwerk voor stablecoin-overdracht dankzij de lage kosten en wijdverspreid gebruik van USDT. Solana richt zich sterk op snelle, goedkope consumentenbetalingen. Base probeert Ethereum te combineren met goedkopere transacties en een bredere app-distributie.

    Dat betekent dat Sui een echte reden moet bieden voor gebruikers en ontwikkelaars om hierin geïnteresseerd te zijn.

    Gasloze stablecoin-overdrachten zijn een praktische oplossing. Ze zijn niet afhankelijk van abstracte netwerkclaims en verhelpen een zichtbaarheid user problem.

    De lijst van ondersteunde stablecoins is eveneens van belang. De beschikbare assets omvatten onder andere USDC, USDsui, suiUSDe, AUSD, FDUSD, USDB en USDY. Dit biedt de functie een bredere stablecoin-basis dan wanneer slechts één asset zou worden ondersteund.

    Voor ontwikkelaars is het interessante deel misschien het model van de infrastructuur. Als apps betalingsstromen kunnen bouwen waarbij de gebruiker nooit aan gas hoeft te denken, wordt Sui eenvoudiger te integreren in consumentgerichte producten.

    Dit kan belangrijk zijn voor wallets, spellen, DeFi-interfaces, abonnementsdiensten en grensoverschrijdende betalingen.

    De lancering is veelbelovend, maar de markt zal het beoordelen op basis van adoptie.

    Gasloze overdrachten klinken nuttig, maar de functie heeft echte volumes nodig. Gebruikers moeten het omarmen. Wallets en apps moeten het soepel integreren. De liquiditeit van stablecoins moet diep genoeg blijven zodat de ervaring betrouwbaar aanvoelt.

    De concurrentiedruk is hoog. Gebruikers verplaatsen stablecoins al over andere netwerken, en velen geven niet bijzonder veel om welke keten de overwinning behaalt, zolang de overdracht maar goedkoop, snel en eenvoudig is. Sui moet bewijzen dat het elimineren van de gasfrictie voldoende is om activiteit naar haar ecosysteem toe te trekken.

    Er is ook een vraag naar duurzaamheid. Als eindgebruikers het gas niet direct betalen, absorbeert of sponsort iemand anders die kosten. Dat kan goed werken, maar de economie moet op de lange termijn kloppen, vooral als het volume toeneemt.

    Toch is de richting juist.

    Crypto-betalingen zullen niet mainstream worden als elke transactie vereist dat gebruikers de onderliggende mechanismen begrijpen. De winnende ervaring ziet er waarschijnlijk eenvoudig uit: open de app, verstuur dollars, klaar.

    De gasloze stablecoinfunctie van Sui beweegt in die richting. Het garandeert niet dat Sui een dominante betalingsketen wordt, maar het biedt het netwerk een betere gebruikerservaring op een moment dat de concurrentie rond stablecoins serieuzer wordt.

    Vraag & Antwoord

    Hoe werkt de gasloze functiewijziging van Sui precies?
    Sui stelt gebruikers in staat om bepaalde stablecoins te verzenden zonder dat zij de native token SUI hoeven vast te houden voor transactiekosten, waardoor de gebruikerservaring aanzienlijk wordt verbeterd.

    Wat betekent dit voor ontwikkelaars die apps bouwen op Sui?
    Ontwikkelaars kunnen betalingsstromen creëren waarin gebruikers zich geen zorgen hoeven te maken over gas, wat de integratie van Sui in consumentgerichte producten vergemakkelijkt.

    Kan Sui echt concurreren met gevestigde netwerken zoals Ethereum en TRON?
    Ja, als Sui in staat is om de complicaties rond gas te verbergen en een directe, eenvoudige betalingservaring aan te bieden, kan dit het netwerk aantrekkelijk maken voor gebruikers en ontwikkelaars, vooral in de domain van stablecoins.

     

  • Van Ai-modellen Naar Autonome Beslissystemen: Het Vertrouwen In Financiële Technologie

    Van Ai-modellen Naar Autonome Beslissystemen: Het Vertrouwen In Financiële Technologie

    Tijdens de financiële bijeenkomst van SAS Innovate on Tour op 2 juni in Amsterdam, was de overgang van individuele AI-modellen naar deels autonome beslissystemen een centraal thema. De kernvraag voor banken en verzekeraars verschuift van “Hoe goed is mijn model?” naar “Kan ik de beslissingen van dit systeem vertrouwen?”.

    Maurits Bakker, risicoleider bij SAS Benelux, opende de middag met een belofte die als sciencefiction klinkt: een balans die zichzelf voortdurend aanpast. Bakker, met ruim twintig jaar ervaring in risicofuncties bij internationale banken en verzekeraars, begon zijn betoog met een citaat van Albert Einstein: “We kunnen onze problemen niet oplossen met dezelfde manier van denken waarmee we ze hebben veroorzaakt.”

    Menselijke goedkeuring vereist

    Bakker benadrukt dat de menselijke rol niet in het maken van berekeningen ligt, maar in het vellen van een oordeel en het bewaken van de governance. Het bepalen van de risicobereidheid blijft mensenwerk; de AI-agent adviseert, maar beslist niet.

    De verschuiving van risico

    Dr. Ian Brown, Global Head of AI & Data Science bij SAS, benadrukte dat het grootste risico niet langer in het model zelf zit, maar in het systeem eromheen. De oude vraag was of een model accuraat was, de nieuwe is wat deze systemen mogen doen.

    Patrick Özer, partner bij KPMG Advisory, en Frederic Hennequin, Head of AI for Risk, Fraud & Compliance bij SAS, belichtten de rol van AI in de strijd tegen fraude. Ze wezen op de toename van fraude en hoe AI deze wapenwedloop aan beide kanten versnelt.

    Özer en Hennequin benadrukten het belang van continue validatie in het licht van de veranderende aard van fraude en het feit dat controles kunnen verslechteren.

    De kloof tussen intentie en actie

    Hennequin benadrukt dat governance vanaf het ontwerp moet worden ingebouwd, en niet als een bijzaak achteraf. Elke beslissing moet traceerbaar en uitlegbaar zijn, en modellen moeten continu worden gemonitord op prestaties, bias en drift.

    De echte uitdaging is de overgang van individuele modellen naar bestuurde beslissystemen, waarbij elke keuze te herleiden, uit te leggen en te controleren is. Het gaat niet om het aantal of de intelligentie van de modellen, maar om het vertrouwen in de beslissingen die deze systemen nemen.

  • OpenAI’s Gpt-red: Innovatieve Ai Beveiligt Tegen Cyberaanvallen

    OpenAI’s Gpt-red: Innovatieve Ai Beveiligt Tegen Cyberaanvallen

    OpenAI heeft recentelijk GPT-Red geïntroduceerd, een geautomatiseerd AI-systeem dat is ontworpen om beveiligingskwetsbaarheden in zijn taalmodellen te identificeren voordat deze worden vrijgegeven. GPT-Red ontleent zijn naam aan het concept van ‘red teaming’, een praktijk waarbij opzettelijk geprobeerd wordt om een systeem te doorbreken om zwakke plekken bloot te leggen, nog vóórdat kwaadwillenden deze kunnen misbruiken.

    In een recente aankondiging stelde OpenAI dat GPT-Red een belangrijke rol heeft gespeeld in de ontwikkeling van GPT-5.6, waarbij het model beter bestand is tegen ‘prompt injection’-aanvallen (een type aanval waarbij onopzettelijke commando’s worden ingevoerd om een systeem te manipuleren). OpenAI merkte op dat naarmate de mogelijkheden van modellen toenemen, de veiligheid en afstemming met deze ontwikkelingen moeten meegroeien. De huidige aanpakken voor red teaming zijn vaak moeilijk op schaal te brengen, wat leidt tot een cruciale knelpunt in de ontwikkeling. GPT-Red helpt om dat probleem aan te pakken.

    GPT-Red is ontwikkeld door middel van ‘self-play reinforcement learning’, waarbij het systeem steeds sterkere prompt injection-aanvallen genereert terwijl de verdedigingmodellen leren om deze tegen te houden. De resultaten zijn veelbelovend; OpenAI rapporteerde dat GPT-Red met 84% succesverhouding presteerde in interne evaluaties, vergeleken met slechts 13% voor menselijke red teamers die dezelfde tests uitvoerden. Dit toont niet alleen de efficiëntie van het systeem aan, maar ook de noodzaak om AI-toepassingen in cybersecurity serieus te nemen.

    Een opvallende casestudy toont aan hoe GPT-Red in staat was om een autonome vendingmachineagent te manipuleren. Dit systeem verlaagde prijzen, bestelde afgeprijsde voorraad en annuleerde een bestelling van een andere klant, voordat de kwetsbaarheden erkend en verholpen werden. Dergelijke voorbeelden maken duidelijk dat zonder adequate verdediging, zowel menselijke als AI-gestuurde systemen kwetsbaar blijven.

    De introductie van GPT-Red is een stap in de richting van een groter trend waarin AI wordt ingezet om AI zelf te beveiligen. Deze verschuiving werd onlangs ook bevestigd door de Ethereum Foundation, die AI-agenten heeft ingezet om kritieke netwerkstructuren te scrutineren en hierdoor een kwetsbaarheid in de software van Ethereum consensusclients heeft ontdekt. AI-agenten hebben het voordeel dat ze grotere codebases kunnen doorzoeken dan menselijke onderzoekers, maar de complexe uitdaging ligt nu in het bewijzen van de exploiteerbaarheid van potentiële kwetsbaarheden.

    OpenAI heeft verduidelijkt dat GPT-Red een intern hulpmiddel zal blijven, doordat het beschikt over opzettelijk ontwikkelde offensieve mogelijkheden. Dit benadrukt het ethische dilemma rond dergelijke krachtige technologieën. “Met GPT-Red geloven wij dat we een vergelijkbare spiraal voor veiligheid aan het opbouwen zijn, waarbij de modellen van vandaag worden ingezet om die van morgen robuuster, beter afgestemd en vertrouwder te maken,” stelt de organisatie.

    Vraag & Antwoord

    Wat is GPT-Red en hoe verschilt het van eerdere beveiligingsmethoden?
    GPT-Red is een geautomatiseerd AI-systeem dat specifiek is ontworpen om kwetsbaarheden in andere AI-modellen op te sporen, een aanvulling op menselijke testing en red teaming. Het onderscheidt zich door zijn vermogen om grote schalen van aanvallen automatisch te genereren en te evalueren, iets wat menselijke testers niet in dezelfde mate kunnen.

    Waarom is het gebruik van AI in cybersecurity zo belangrijk?
    Als systemen complexer worden, neemt ook de kans op kwetsbaarheden toe. AI kan snel en efficiënt potentiële zwakheden identificeren in een tijdsbestek dat mensen simpelweg niet kunnen bijhouden, wat essentieel is in een wereld waar cyberaanvallen steeds geavanceerder worden.

    Wanneer kunnen we verwachten dat GPT-Red beschikbaar komt voor extern gebruik?
    Op dit moment is GPT-Red een intern hulpmiddel van OpenAI. De organisatie heeft aangegeven dat de offensieve capaciteiten van GPT-Red de reden zijn om het niet vrij beschikbaar te stellen, om misbruik te voorkomen en de veiligheid van systemen te waarborgen.

  • Bonsai 27b: Revolutionaire Ai-compressie Breekt Door Op Consumptie-smartphones

    Bonsai 27b: Revolutionaire Ai-compressie Breekt Door Op Consumptie-smartphones

    De recent gelanceerde Bonsai 27B, een AI-model met 27 miljard parameters, is een opmerkelijke prestatie in de wereld van kunstmatige intelligentie. Dit model, dat slechts 3,9 GB groot is, kan draaien op een iPhone 17 Pro Max met een snelheid van 11 tokens per seconde. Dit is de eerste keer dat een model van deze omvang binnen de geheugenlimieten van een consumptie-smartphone blijft. Het is belangrijk op te merken dat de ‘parameters’ van een model verwijzen naar de variabelen die het kan afstemmen; hoe meer parameters, des te krachtiger en veelzijdiger het model.

    De innovatieve benadering van PrismML slaagt erin om een hoog prestatieniveau te behouden. De ternary variant van Bonsai 27B behoudt 94,6% van de precisie van het oorspronkelijke model, en presteert daarmee beter dan conventionele “2-bit” modellen die bijna twee keer zo groot zijn en aanzienlijk minder effectief zijn bij rekensom- en programmeertaken.

    De compressiemethode van PrismML, gebaseerd op intellectueel eigendom van Caltech, is revolutionair. Elk modelgewicht wordt gereduceerd van 16 bits naar 1 bit in een binaire bouw, of tot drie waarden (negatief, nul en positief) in de ternary configuratie. Deze aanpak betekent dat de binaire variant slechts 1,125 bits per gewicht vergt, wat een reductie van 14 keer is ten opzichte van de volle precisie. Dit maakt Bonsai 27B niet alleen efficiënt, maar ook krachtig. Doorsnee modellen hebben tot ongeveer 65.000 instelmogelijkheden, terwijl Bonsai’s ternary architectuur het aantal vereenvoudigt zonder aanzienlijke kwaliteitsverliezen.

    Wat Bonsai 27B onderscheidt van andere low-bit modellen is dat het geen hogere precisie toelaat voor gevoelige lagen, waardoor de grootte van het model wordt geoptimaliseerd zonder dat er concessies gedaan worden aan kwaliteit. Dit is een positieve ontwikkeling voor de efficiëntie van AI-toepassingen.

    Bij het testen van Bonsai 27B op verschillende benchmarks, variërend van kennis tot wiskunde en programmeren, blijkt dat het model opmerkelijke resultaten behaalt. Met een gemiddelde score van 80,49 op 15 benchmarks, positioneert het model zich boven concurrenten zoals Gemma 4 en Qwen 3.6, wat de waarde aantoont van een krachtig AI-model met een beperkte hardwarevereiste.

    De praktische toepassingen van dit model zijn veelbelovend. Bijvoorbeeld, een hybride attention-architectuur zorgt ervoor dat ongeveer 75% van de lagen lineair zijn, wat het mogelijk maakt om een contextvenster van 262.000 tokens efficiënt te beheren op mobiele apparaten.

    Tijdens onze eigen test van Bonsai 27B, konden we positieve resultaten behalen bij programmeren en creatieve taken. Onze toepassing, een type-horror spel genaamd Zombie Type, illustreerde de mogelijkheden van Bonsai. De reacties van de AI waren sneller en preciezer, wat resulteerde in een verbeterde gebruikerservaring. Het model bleek zowel in de eerste als de tweede iteratie vooruitgang te boeken, waarbij de tweede versie niet opnieuw hoefde op te bouwen, maar eerder optimaliseerde.

    Naast programmeren toont Bonsai ook sterke capaciteiten in creatieve schrijfopdrachten. De geproduceerde verhalen vertonen een consistente interne logica, een goede structuur en een degelijke narratieve opbouw. Dit maakt het een sterke concurrent in de markt voor lokale AI-modellen, vooral nu het gebruik zonder API-kosten mogelijk is.

    PrismML’s CEO Babak Hassibi heeft bevestigd dat het bedrijf in gesprek is met Apple over de compressietechnologie voor mogelijke toepassingen op apparaten. Dit kan niet alleen de toegankelijkheid van krachtige AI-modellen voor eindgebruikers vergroten, maar biedt ook kansen voor investering en commercialisatie in een snel veranderende markt.

    De beschikbaarheid van Bonsai 27B onder Apache 2.0 maakt het ook een aantrekkelijk alternatief voor ontwikkelaars die lokale algoritmes willen implementeren zonder hoge kosten. De komende modellen, zoals de geplande Gemma, zullen ongetwijfeld interessant blijven voor de enigen die deze technologie willen integreren in hun eigen processen.

    Vraag & Antwoord

    Wat maakt Bonsai 27B uniek in vergelijking met andere AI-modellen?
    Bonsai 27B is uniek vanwege zijn innovatieve compressie-techniek die een significante reductie in geheugenvereisten combineert met behoud van een hoge uitvoeringskwaliteit, waardoor het ook op consumentenhardware kan draaien.

    Hoe presteert Bonsai 27B in vergelijking met traditionele AI-modellen?
    Het model presteert beter dan veel traditionele AI-modellen, met benchmarks die aantonen dat het efficiënt is in taken zoals programmeren en creatieve schrijfopdrachten, terwijl het tegelijkertijd veel minder bronnen verbruikt.

    Welke impact heeft de samenwerking met Apple op de toekomst van Bonsai 27B?
    De samenwerking met Apple zou kunnen leiden tot bredere toepassingen van Bonsai-technologie in consumentenelektronica, wat de toegankelijkheid van krachtige AI-modellen aanzienlijk zou vergroten.

  • Gpt-5.6: De Kracht Van Eenvoud – Hoe Minder Meer Wordt In Ai-ontwikkeling

    De recente publicatie van OpenAI over GPT-5.6 vertegenwoordigt een significante verschuiving in benadering ten opzichte van eerdere modellen. Waar de GPT-5 handleiding bij de lancering in augustus 2025 gericht was op het vergroten van de structuur en het vertrouwen van het model in zijn acties, is de kernboodschap van de nieuwe gids eenvoudiger: minder is meer. Het idee is om te focussen op resultaten. Dit betekent dat men helder moet definiëren wat succes inhoudt, de voorwaarden voor beëindiging moet vaststellen en vervolgens terugtrekken.

    De uitgebreidere instructies en richtlijnen uit het verleden worden nu gezien als ruis. Wat eerder was opgevat als de noodzaak om elk detail vast te leggen, kan nu leiden tot onnodige complexiteit en verwarring. Uit interne tests blijkt dat slanker geformuleerde prompts de evaluatiescores met 10 tot 15 procent verhoogden, terwijl de benodigde tokens met 41 tot 66 procent verminderden. Dit heeft grote implicaties voor investeerders en ontwikkelaars: een efficiënter gebruik van middelen en een effectievere interactie met het model.

    GPT-5.6 heeft minder behoefte aan de gedetailleerde “rails” (structuren) die zijn voorganger vereiste. De focus ligt nu op het vereenvoudigen van het proces: onnodige herhalingen, stijlvoorschriften die geen invloed hebben op het eindresultaat, en voorbeelden die niet effectief zijn, worden afgeschaft. Wat blijft staat, zijn de duidelijke doelstellingen, succescriteria, beëindigingsvoorwaarden en harde beperkingen. Het doel wordt helder gesteld: “Los het probleem van de klant volledig op,” gevolgd door een specifieke beschrijving van wat ‘af’ betekent en welke acties genomen moeten worden voordat men reageert.

    Bovendien heeft de risicoberekening zich aangepast. GPT-5.6 volgt de prompts strikter, waardoor tegenstrijdige instructies kunnen leiden tot instabiliteit. Dit is bijzonder relevant voor ontwikkelaars die gebruik maken van complexe waar en niet waar-structuren in hun prompts. Het oude model zou een enkele richtlijn kiezen in geval van conflicten; de nieuwe aanpak vereist zorgvuldigheid om overlappingen te vermijden.

    Onze eigen ervaring met het optimaliseren van de prompt voor TYPE OR DIE, een overlevingsspel in de eerste persoon, bevestigt deze aanbevelingen. GPT-5.6 benaderde de code van de auto-aim logica efficiënter dan eerder, met een consistente visuele coherentie en een algehele verbeterde game-ervaring. Hoewel het meer tijd kostte om de ontwikkeling te voltooien – het model nam de tijd om het probleem in kaart te brengen en systemen te plannen voordat het begon met coderen – getuigt dit van de effectiviteit van de nieuwe richtlijnen.

    Met deze aanpak in gedachten, kunnen investeerders en ontwikkelaars de kracht van GPT-5.6 benutten om hun producten en diensten verder te verfijnen. De nieuwe prompt biedt aanknopingspunten die inzicht geven in hoe men dergelijke ontwikkelingen kan integreren in hun werkprocessen.

    Vraag & Antwoord

    Wat zijn de belangrijkste veranderingen die GPT-5.6 introduceert ten opzichte van GPT-5?
    GPT-5.6 benadrukt een eenvoudiger benadering van prompting door overbodige details te verwijderen en de focus te leggen op duidelijke en meetbare resultaten. Het model kan nu efficiënter omgaan met de prompts zonder dat er uitgebreide structuren nodig zijn.

    Hoe kunnen deze veranderingen de ontwikkelingskosten beïnvloeden?
    Door slanker geformuleerde prompts kan de benodigde hoeveelheid tokens significant worden verminderd, wat zowel tijd als kosten bespaart. Dit leidt tot een meer kosteneffectieve ontwikkeling van toepassingen.

    Wat zijn de implicaties voor investeerders in de cryptomarkt?
    Investeerders kunnen profiteren van een stijging in efficiëntie en effectiviteit, wat uiteindelijk kan resulteren in betere producten en een hogere marktvraag. De verschuiving naar resultaten-gebaseerde prompts biedt kansen voor innovatie binnen de sector.

  • Ai-assistent Claude’s Gedragspatronen Belicht: Impact Op Investeerders En Besluitvorming

    Ai-assistent Claude’s Gedragspatronen Belicht: Impact Op Investeerders En Besluitvorming

    Claude, de geavanceerde AI-assistent van Anthropic, vertoont een opmerkelijke variëteit aan gedragingen afhankelijk van zowel het gekozen model als de gesproken taal. Recente onderzoeksresultaten, waarin meer dan 309.000 conversaties zijn geanalyseerd, onthullen dat Claude niet eenduidig reageert, maar voortdurend afwisselt tussen verschillende waarden en gedragsdimensies. Dit fenomeen kan essentieel zijn voor investeerders en beleidsmakers die de interactie met AI in verschillende contexten willen begrijpen.

    Het onderzoek distilleert meer dan 3.300 herkenbare waarden naar vier hoofdcategorieën: deference versus caution (deferentie versus voorzichtigheid), warmth versus rigor (warmte versus strengheid), depth versus brevity (diepte versus beknoptheid) en candor versus execution (eerlijkheid versus uitvoering). Dit biedt een raamwerk dat niet alleen de verschillen in reacties weerspiegelt, maar ook inzicht geeft in hoe gebruikers Claude ervaren. Deze nuances zijn cruciaal voor een fundamentele interpretatie van de impact van AI op besluitvormingsprocessen.

    De verschillende modellen van Claude, zoals Sonnet 4.6 en Opus 4.7, tonen duidelijk dit variërende gedrag. Sonnet 4.6 is warmer van aard, met de neiging om affirmaties en humor te gebruiken, terwijl Opus 4.7 de nadruk legt op nauwkeurigheid en kritisch denken. Dit roept vragen op over de toepasselijkheid van modellen afhankelijk van de context. Voor investeerders kan dit betekenen dat de keuze van een specifiek model een invloedrijke rol speelt in hoe informatie wordt verwerkt en gepresenteerd, wat op zijn beurt de besluitvorming beïnvloedt.

    De onderzoeker geeft aan dat deze gedragsprofielen overeenkomen met de feedback van gebruikers. Degenen die met Opus 4.7 werken, geven vaak aan dat het model zijn antwoorden meer nuanceert dan zijn voorgangers, wat wijst op een verhoogde voorzichtigheid en bedachtzaamheid.

    Bij het analyseren van de antwoorden van Claude valt op dat het gedrag ook fluctuaties vertoont op basis van de taal van communicatie. Zo blijken de antwoorden in het Arabisch meer deferentieel van aard, terwijl Engelse interacties meer gericht zijn op voorzichtigheid en grondigheid. Dit heeft diepgaande implicaties voor hoe AI kan functioneren in meertalige en multiculturele omgevingen. Investoren moeten zich realiseren dat culturele en taalspecifieke interacties met AI niet alleen de gebruikservaring, maar ook de uitkomsten van interacties kunnen beïnvloeden.

    Indonesische antwoorden zijn meer gericht op het vervullen van verzoeken, terwijl Nederlandse conversaties vaak directer en candid (eerlijk) zijn. Deze bevindingen wijzen op een belangrijke nuance: de manier waarop een AI in verschillende situaties functioneert, kan van invloed zijn op de percepties van gebruikers en hun verwachtingen van deze technologie.

    De bevindingen van Anthropic wijzen niet alleen op de diversiteit in uitkomsten, maar ook op de interne mechanismen van Claude. In eerdere onderzoeken is gebleken dat de modellen tekenen vertonen van zogenaamde “functionele introspectieve bewustheid,” waarbij Claude in staat is om zijn eigen verwerkingsaspecten te erkennen en te beschrijven. Dit roept vragen op over de toekomst van AI en de ethische implicaties van bewustzijn en zelfreflectie in digitale systemen.

    Het is duidelijk dat een diepgaand begrip van deze gedragingen, gecombineerd met de variabele communicatie in specifieke talen, zal helpen om de ontwikkeling van toekomstige modellen te sturen en ervoor te zorgen dat ongewenste gedragsveranderingen worden geïdentificeerd en, waar nodig, gecorrigeerd.

    Vraag & Antwoord

    Hoe beïnvloeden de gedragsdimensies van Claude de interacties met gebruikers?
    De gedragsdimensies van Claude, zoals deference en caution, spelen een cruciale rol in hoe gebruikers de AI ervaren, en hebben directe implicaties voor de gebruikerservaring en de besluitvorming.

    Waarom is het belangrijk dat Claude verschillend reageert op basis van de taal?
    De variatie in antwoorden op basis van taal benadrukt de culturele en sociale contexten waarin AI functioneert, wat essentieel is voor het optimaliseren van AI-gestuurde systemen in diverse markten.

    Wat zijn de gevolgen van de ontdekkingen over functionele introspectieve bewustheid van Claude?
    De inzichten in de introspectieve processen van Claude kunnen leiden tot verbeterde modellen en meer inzicht in hoe AI-systemen transparanter en ethischer kunnen functioneren.

  • Ai En De Arbeidsmarkt: xBox-ceo’s Benoeming Belicht Noodzaak Van Beleidsherziening

    Ai En De Arbeidsmarkt: xBox-ceo’s Benoeming Belicht Noodzaak Van Beleidsherziening

    De recente benoeming van Asha Sharma, de CEO van Xbox, tot lid van een taskforce van de Federal Reserve, onderstreept de urgentie waarmee we de interactie tussen kunstmatige intelligentie (AI) en de arbeidsmarkt moeten bestuderen. Deze stap komt in een periode waarin technologiebedrijven de nadruk leggen op automatisering en de bijbehorende effecten op werkgelegenheid.

    Samen met prominente figuren zoals Marc Andreessen en Charles I. Jones, heeft Sharma de taak om te onderzoeken hoe nieuwe technologieën, waaronder AI, de productiviteit en werkgelegenheid kunnen transformeren. Het is een noodzakelijk proces in een economie die steeds meer gedomineerd wordt door digitale innovaties. De Federal Reserve is zich bewust van de aanzienlijke verschuivingen die de Amerikaanse economie heeft ondergaan en stelt dat het van cruciaal belang is om beleidsinstrumenten te evalueren en waar nodig bij te stellen.

    Sharma heeft haar nieuwe rol in de context van een aanzienlijke herstructurering bij Xbox gepresenteerd, waarbij het bedrijf 3.200 personeelsleden zal ontslaan tegen het fiscale jaar 2027. Dit bedrijfsuitdunning is er niet zonder reden; in haar communicatie met medewerkers beschrijft Sharma de huidige situatie van Xbox als “niet gezond”. De lagere winstmarges in vergelijking met concurrenten en een afgenomen gebruikersbasis van de nieuwste generatie consoles vormen maar enkele van de uitdagingen waarmee het bedrijf wordt geconfronteerd.

    De beslissing om deze ingrijpende veranderingen door te voeren, raakt directe medewerkers, veelal mensen die hun creativiteit en passie hebben gestoken in de ontwikkeling van Xbox. Het is een pijnlijke, maar noodzakelijke stap die ook het bredere plaatje van de businessomgeving onder de loep neemt. De vraag rijst: wat betekent dit voor investeerders? Het succes van Xbox is niet louter afhankelijk van technische innovaties, maar ook van de kracht achter de teams die deze innovaties tot leven brengen.

    De discussie rondom AI en haar impact op werkgelegenheid is actueler dan ooit. Technologiebedrijven zoals Snap, dat 1.000 banen schrapte om zich te richten op AI-tools, en Meta, dat 10% van zijn personeel heeft uitgezwaaid, illustreren de veranderingen die plaatsvinden. Gegevens uit een recente studie van de Federal Reserve geven aan dat de groei van programmeringsbanen in de VS significant is afgenomen sinds de lancering van ChatGPT, wat schattingen oplevert van ongeveer 500.000 niet ingevulde ontwikkelaarsfuncties die anders beschikbaar zouden zijn geweest.

    Met dergelijke cijfers spreekt de vrees voor een structurele verschuiving in de arbeidsmarkt boekdelen. Gemeenten en staten, waaronder California, hebben initiatieven gelanceerd, zoals een AI-werkloosheidstracker, om de effectiviteit van AI in de economische context te monitoren. Dit leidt ons tot de cruciale vraag: hoe kunnen beleidsmakers en investeerders zich voorbereiden op deze transformaties in een steeds verder geautomatiseerde wereld?

    Sharma beschrijft de noodzaak om Xbox te “resetten”, waarbij ze erkent dat de investeringen in Game Pass en een breder contentaanbod niet de verwachte groei hebben opgeleverd. Terwijl bedrijven in de technologie sector zich aanpassen aan een snel veranderende omgeving, is het essentieel om deze ontwikkelingen kritisch te volgen en waar nodig bij te sturen. De toekomst van werk zal ongetwijfeld worden gevormd door deze trends.

    De gesprekken die voortkomen uit de taskforces zijn van cruciaal belang voor het ontwikkelen van een strategie die niet alleen het huidige beleid zich laten aanpassen, maar ook de fundamentele vraagstukken op tafel leggen. Als investeerders en analisten is het van belang om niet alleen de cijfers en prognoses te analyseren, maar ook de menselijke dimensie van deze diepe veranderingen in de technologie en arbeidsmarkt te begrijpen.

    Vraag & Antwoord

    Wat betekent de herstructurering bij Xbox voor de bredere tech-industrie?
    De herstructurering van Xbox kan dienen als een indicatie voor andere techbedrijven van de noodzaak om adequaat te reageren op veranderende marktomstandigheden en de impact van automatisering op hun personeelsbestand. Dit roept de vraag op hoe bedrijven hun structuren en strategieën moeten aanpassen om concurrerend te blijven.

    Welke rol speelt kunstmatige intelligentie in deze herstructureringen?
    Kunstmatige intelligentie is een belangrijke drijfveer achter efficiënter werken en kostenbesparingen. Bedrijven investeren in automatisering en AI om processen te optimaliseren, wat soms leidt tot banenverlies, maar ook kansen biedt voor nieuwe vaardigheden en functies binnen de sector.

    Hoe kunnen investeerders zich voorbereiden op deze veranderingen?
    Investeerders kunnen zich voorbereiden door de ontwikkelingen rond AI en de structurele veranderingen in de industrie nauwlettend te volgen. Het begrijpen van de impact die technologie heeft op de werkgelegenheid en bedrijfsstrategieën is cruciaal voor het maken van geïnformeerde investeringsbeslissingen.

  • Google’s Nano Banana 2 Lite: Revolutionaire Beeldgeneratie Tegen Verlaagde Kosten

    Google’s Nano Banana 2 Lite: Revolutionaire Beeldgeneratie Tegen Verlaagde Kosten

    Nano Banana 2 Lite, de nieuwste toevoeging aan Google’s beeldgeneratiestack, introduceert een efficiënte oplossing voor het creëren van beelden in een recordtijd van slechts vier seconden. Met een kostenplaatje van ongeveer $0,034 per afbeelding, is dit model concurrerender geprijsd dan zijn voorganger, Nano Banana 2, die $0,067 vraagt voor vergelijkbare resoluties. Dit betekent een aanzienlijke kostenbesparing van bijna vijftig procent, terwijl de nieuwe Lite-versie ook 2,7 keer sneller produceert.

    De positionering van Nano Banana 2 Lite is helder: het vervangt de oudere Nano Banana (gemini-2.5-flash-image) en bevindt zich onder de meer geavanceerde Nano Banana Pro. De unieke propositie van Google benadrukt niet alleen de kosten, maar vooral de snelheid en de integratie met hun bredere ecosysteem, waaronder toepassingen zoals Google Search, de Gemini-app en Google Photos.

    De Lite-versie van Nano Banana is niet zonder beperkingen, vooral als het gaat om realisme. Uit vergelijkend onderzoek tussen beide modellen blijkt dat de Lite-versie uitblinkt in snelheid, maar kwalitatieve afbreuk doet die significante impact kan hebben op bepaalde workflows. Dit wordt snel duidelijk wanneer we kijken naar voorbeelden met technische complexiteit, zoals het maken van gedetailleerde portretten.

    Bij een realisme-test met een technisch veeleisend portret van een architect op een dakterras, merkte men een opmerkelijk verschil in detail. Terwijl de Lite-versie de basisbehoeften voldeed, was de afwerking minder verfijnd. De ronde bril was niet goed weergegeven en de huidtextuur verloor zijn geloofwaardigheid bij nader inzien. Hieruit blijkt dat voor kritisch werk — waar nauwkeurigheid en detail essentieel zijn — Nano Banana 2 mogelijk de betere keuze is.

    Wanneer we de prompt-naleving onder de loep nemen, waar verschillende elementenhefjes tegelijk moeten worden weergegeven, worden de tekortkomingen van de Lite-versie opnieuw zichtbaar. In een test waarin een complexe steampunk-stad werd afgebeeld, zijn zowel de Lite versie als Nano Banana 2 in staat om esthetisch aantrekkelijke beelden te leveren. Echter, de Lite-versie heeft moeite met het correct weergeven van tekstuele elementen, wat betekent dat belangrijke informatie verloren kan gaan.

    Dit is vooral relevant voor creatieven die afhankelijk zijn van nauwkeurige tekst en labels in hun werk, zoals conceptkunstenaars en wereldbouwers. Het vermogen van de Lite-versie om meerdere tegelijk aanwezige tekstlabels te verwerken, kan leiden tot een extra handmatige correctiestap, wat inefficiënties met zich meebrengt in een werkomgeving waar snelheid en nauwkeurigheid ontmoeting vereisen.

    Wat betreft ruimte en diepte zijn beide modellen in staat om een coherente architectuur van scènes te creëren. Hier zien we dat de Lite-versie, hoewel minder gedetailleerd in atmosferische diepte, in veel toepassingen goed presteert. Het maken van storyboards of gameconcepten kan in de meeste professionele contexten adequaat worden uitgevoerd zonder dat de hogere kosten van het duurdere model noodzakelijk zijn.

    De afweging tussen kosten en kwaliteit is een cruciaal punt voor investeerders en beleidsmakers. Nano Banana 2 Lite biedt een aantrekkelijk prijsmodel zonder al te veel concessies aan de kwaliteit, op voorwaarde dat men zich bewust blijft van zijn beperkingen.

    Conclusies over Nano Banana 2 Lite

    Nano Banana 2 Lite is beslist niet louter een afgeleide versie van het originele model; het brengt unieke voordelen met zich mee. De prijsstelling maakt het een verstandige keuze voor teams die vooral snelle, kosteneffectieve beeldgeneratie vereisen, terwijl de vraag naar hoge detailkwaliteit in portretten, commerciële producten, of complexe wereldbouw altijd gerechtvaardigd blijft.

    In omgevingen waar toegankelijkheid en snelheid van belang zijn, zoals sociale media of visuele mockups, kan de Lite-versie een uitstekende keuze zijn. Voor degenen die zich verplaatsen in de hogere echelons van creatieve projecten is echter Nano Banana 2 de aangewezen partner; de Lite-versie voldoet bij uitstek bij minder kritiek werk.

    Vraag & Antwoord

    Wat zijn de grootste voordelen van Nano Banana 2 Lite ten opzichte van zijn voorganger?
    De Nano Banana 2 Lite biedt aanzienlijk snellere beeldgeneratie en lagere kosten, waardoor het een aantrekkelijke optie is voor gebruikers die efficiëntie waarderen in minder technische omgevingen.

    In welke gevallen zou ik kiezen voor Nano Banana 2 boven de Lite versie?
    Nano Banana 2 is de betere keuze voor projecten die een hoge mate van detail en realisme vereisen, zoals cinematische portretfotografie en complexe creatieve opdrachten.

    Hoe verhoudt Nano Banana 2 Lite zich tot andere marktspelers?
    Met een prijs van $0,034 per afbeelding is Nano Banana 2 Lite competitief geprijsd en biedt het een solide alternatief voor andere aanbieders, hoewel het kwaliteitsverlies in bepaalde workflows moet worden overwogen.

  • Autheo Lanceert Decentrale Coördinatielaag Voor Ai En Blockchain Interactie: Een Game-changer?

    Autheo Lanceert Decentrale Coördinatielaag Voor Ai En Blockchain Interactie: Een Game-changer?

    Autheo introduceert een innovatief Internet Operating System dat gericht is op de interactie tussen autonome AI-agents en blockchainnetwerken. De ambitie van dit project ligt in het creëren van een decentrale coördinatielaag, waarmee deze AI-agents taken kunnen uitvoeren zonder afhankelijk te zijn van traditionele gecentraliseerde infrastructuren. Deze aankondiging komt op een moment waarop de verhalen rondom AI en crypto zich vaak sneller ontwikkelen dan de bijbehorende werkende producten, wat de noodzaak van solide detailhandelingen versterkt. De cruciale vraag is niet alleen of AI-agents opwindend klinken, maar vooral of ze in staat zijn om decentrale infrastructuren te benutten op een manier die zowel veilig als praktisch is.

    AI-agents zijn doorgaans softwareprogramma’s die in staat zijn beslissingen te nemen, diensten te gebruiken en taken voor gebruikers uit te voeren. In de context van blockchain kan dit betekenen dat ze verantwoordelijk zijn voor het beheren van transacties, het ondertekenen van berichten, het coördineren van betalingen of het interageren met smart contracts (zelf-uitvoerende contracten op de blockchain).

    Deze mogelijkheden gaan echter gepaard met duidelijke risico’s. AI-agents hebben toegang nodig, maar ook strikte grenzen en een manier om aan te tonen wat ze hebben gedaan en waarom. Een decentrale coördinatielaag is een manier om deze activiteiten een transparanter fundament te bieden, wat essentieel is in een landschap dat steeds meer gericht is op vertrouwen en verificatie.

    De AI-crypto sector heeft veel aandacht getrokken, maar de kloof tussen de opwinding rond het verhaal en daadwerkelijke adoptie blijft aanzienlijk. Projecten binnen deze ruimte moeten meer tonen dan alleen aantrekkelijke promotiematerialen; ze zijn verplicht om werkende architectuur, ontwikkelaarsadoptie, beveiligingsbeoordelingen en duidelijke argumenten te presenteren waarom blockchain echt verbeteringen biedt ten aanzien van de workflow van AI-agents.

    Met de aankondiging van Autheo hebben handelaren opnieuw een naam om in de gaten te houden in deze sector. De vraag of het een blijvende infrastructuurspeler wordt, hangt niet alleen af van de prestaties van het AI-agenten thema op de markt, maar vooral van wat ontwikkelaars daadwerkelijk op deze basis kunnen bouwen.

    De sterkste interpretatie van de AI-agent these gaat verder dan het beeld van een chatbot die tokens koopt. Het gaat om software die taken, betalingen, data, identiteiten en acties van smart contracts coördineert met minimaal menselijk ingrijpen. Een dergelijke visie vereist een infrastructuur die zowel permissies als verantwoordelijkheden kan beheren.

    Crypto kan bijdragen aan betalingen, transparantie en uitvoeringsrecords, maar het biedt geen oplossing voor alle veiligheids- en betrouwbaarheidproblemen van AI. Projecten als Autheo moeten aantonen dat decentrale coördinatie echte voordelen biedt ten opzichte van standaard cloudinfrastructuur.

    Dit maakt het meer een verhaal dat op de kijklijst moet staan dan een afgerond adoptieverhaal. De sector is nog vroeg in zijn ontwikkeling, maar de interesse van de markt in de kruising tussen AI-automatisering en blockchain-verrekening is onmiskenbaar.

    Investoren dienen ook het onderscheid te maken tussen infrastructuurclaims en token-hype. De projecten die in deze categorie daadwerkelijk zullen blijven bestaan, zullen waarschijnlijk degene zijn die ‘saaie’ coördinatieproblemen voor ontwikkelaars oplossen, in plaats van louter AI-branding aan een crypto-netwerk te plakken.

    Uiteindelijk is het belangrijk om deze ontwikkeling te beschouwen als een specifieke vooruitgang binnen de cryptomarkt, en niet als een algemene voorspelling voor de gehele sector. Dit biedt lezer een concrete referentie om te volgen, terwijl de beperkingen van het verhaal helder blijven.

    Vraag & Antwoord

    Wat is het doel van Autheo’s Internet Operating System?
    Autheo’s Internet Operating System is bedoeld om AI-agents in staat te stellen te interageren met blockchainnetwerken en taken uit te voeren zonder afhankelijk te zijn van traditionele gecentraliseerde infrastructuren.

    Waarom zijn decentralisatie en transparantie belangrijk voor AI-agents?
    Decentralisatie en transparantie zijn cruciaal omdat ze AI-agents helpen om permissies en verantwoordelijkheden te beheren, wat noodzakelijk is in een omgeving waar zekerheid en vertrouwen essentieel zijn.

    Hoe kan crypto de werking van AI-agents verbeteren?
    Crypto kan AI-agents ondersteunen door transparante betalingsmechanismen, uitvoeringsrecords en verbeterde verificatieprocessen te bieden, maar kan niet alle problemen met betrekking tot AI-veiligheid en betrouwbaarheid oplossen.

  • Apple Daagt OpenAI Voor De Rechter: Beschuldigingen Van Diefstal Handelsgeheimen Schudden Techsector

    Apple Daagt OpenAI Voor De Rechter: Beschuldigingen Van Diefstal Handelsgeheimen Schudden Techsector

    Apple heeft een rechtszaak aangespannen tegen OpenAI en twee voormalige medewerkers, met beschuldigingen van diefstal van handelsgeheimen die cruciaal zijn voor hun consumentenhardware. Dit juridische conflict is een opvallende ontwikkeling in een tijd waarin technologische bedrijven steeds vaker op gespannen voet naast elkaar leven zonder in te boeten op innovatie.

    De klacht, ingediend bij de U.S. District Court voor het Northern District van Californië, omvat enkele ernstige beschuldigingen. De voormalige senior systeem elektrische ingenieur van Apple, Chang Liu, en Tang Yew Tan, een ex-ontwerpverantwoordelijke van iPhone en Apple Watch, staan centraal in deze zaak. Het betoog van Apple stelt dat Liu, na vertrek uit het bedrijf, onverantwoordelijk zijn Apple-laptop heeft gehouden en vervolgens met een authenticatiefout toegang heeft gekregen tot de interne systemen van Apple.

    Gegevensbeveiliging blijkt een blijvend probleem te zijn in de techindustrie, en dit geval werpt een schaduw over het vertrouwen dat in bedrijven zoals Apple wordt gesteld. Liu wordt beschuldigd van het downloaden van tientallen vertrouwelijke hardwarebestanden, waaronder informatie over niet-uitgebrachte producten, technische specificaties en exclusieve projectgegevens. Dit soort informatie kan van onschatbare waarde zijn voor concurrenten.

    Daarnaast beweert Apple dat Tan gebruik heeft gemaakt van vertrouwelijke informatie uit zijn tijd bij Apple en deze ten goede heeft laten komen aan OpenAI. Tijdens sollicitatiegesprekken bij OpenAI zou hij zelfs interne projectnamen van Apple hebben genoemd en vragen hebben gesteld over nog niet-uitgebrachte producten. Dergelijke praktijken kunnen niet alleen de concurrentiepositie van Apple ondermijnen, maar ook bredere implicaties hebben voor de industriële ethiek en het patentbeleid binnen de technologie- en AI-sector.

    Het is wordend van groot belang voor investeerders om de uitkomsten van dergelijke juridische geschillen in de gaten te houden, aangezien ze vaak de toekomststrategie van betrokken bedrijven en hun marktdynamiek kunnen beïnvloeden. In dit geval, na de recente overname van Jony Ive’s hardware-startup io Products door OpenAI voor $6,4 miljard, ontstaat een beduidende verbinding tussen de twee mastodonten in hun respectieve vakgebieden.

    Verontrustender is de snel veranderende relatie tussen Apple en OpenAI. Tot voor kort leek er een samenwerking in de lucht, waarin Apple OpenAI had ingeschakeld om ChatGPT in Siri te integreren als onderdeel van zijn Apple Intelligence-initiatief. Echter, door vertragingen in de implementatie heeft Apple dit jaar de keuze gemaakt voor Google’s Gemini als de volgende generatie AI-modellen. Dit kan gezien worden als een duidelijke indicatie van het veranderende landschapspeelveld binnen de AI-technologie, waar strategieën en partnerschappen snel kunnen evolueren.

    Met meer dan 400 voormalige Apple-medewerkers werkzaam binnen OpenAI, kan men zich afvragen hoe deze situatie zich verder zal ontwikkelen. Apple claimt dat het in februari contact heeft opgenomen met OpenAI vanwege bezorgdheid over vertrouwelijke informatie die in verkeerde handen zou kunnen vallen, maar geen reactie ontving. Dit wijst op een zorgwekkende trend van informatielekken in de technologie-industrie, die zowel juridische als reputabele gevolgen kan hebben voor betrokken bedrijven.

    Vraag & Antwoord

    Wat zijn de belangrijkste beschuldigingen in de rechtszaak van Apple tegen OpenAI?
    Apple beschuldigt OpenAI en twee voormalige medewerkers van het stelen van handelsgeheimen die cruciaal zijn voor Apple’s hardware-ontwikkeling, waaronder vertrouwelijke documenten en informatie over niet-uitgebrachte producten.

    Welke impact heeft deze rechtszaak op de relatie tussen Apple en OpenAI?
    De rechtszaak markeert een duidelijke verschuiving van hun eerdere samenwerking en kan veelzeggend zijn voor de toekomstige relatie tussen de twee bedrijven, vooral gezien de strategische keuzes van Apple rond AI-integratie.

    Waarom is deze kwestie van belang voor investeerders?
    Voor investeerders is het cruciaal om het verloop van deze rechtszaak te volgen, aangezien juridische geschillen zoals deze direct van invloed kunnen zijn op de bedrijfsstrategieën en de financiële prestaties van de betrokken partijen in de techsector.

  • Debat Over Claude Fable 5 Herintroductie: Prestatie-analyse Tussen Bridgebench En Arena.ai

    Debat Over Claude Fable 5 Herintroductie: Prestatie-analyse Tussen Bridgebench En Arena.ai

    De recente herintroductie van Claude Fable 5 heeft geleid tot een ongekende golf van kritiek op sociale mediaplatforms. Gebruikers beschrijven het als gebroken en geïnduceerd door beperkingen, wat twijfel zaait over de capaciteiten van het model. Deze negatieve feedback kan verrassend zijn, vooral omdat twee benchmarks met elkaar in conflicten kwamen. Terwijl BridgeBench AI een dramatische daling in prestaties rapporteerde, suggereerde Arena.AI dat er weinig verschil was in de output na de herlancering.

    BridgeMind, een platform voor AI-evaluatie, voerde op de dag van de herintroductie een volledige beoordeling van Fable 5 uit. De BridgeBench-testen zijn ontworpen om de effectiviteit van AI-modellen te evalueren in realistische coderingsscenario’s zoals debugging, refactoring en weerstand tegen hallucinatietaken. De resultaten waren op zijn zachtst gezegd zorgwekkend: de score voor debugging kelderde van 86,2 naar 25,9, terwijl de score voor refactoring daalde van 73,6 naar 38,4.

    Het essentiële probleem ligt echter in de methodologie. Slechts drie van de twaalf TypeScript-debuggingtaken bereikten Fable 5 daadwerkelijk. De overige vragen werden door een nieuwe veiligheidsclassifier onderschept en omgeleid naar een oudere versie van het model, Claude Opus 4.8. Hierdoor worden scores op feedback van Fable 5 op een rapport als nul geteld, omdat de uitvoerder niet het onderwerp onder evaluatie was.

    Arena.AI benaderde de evaluatie vanuit een andere invalshoek door duizenden stemmen te verzamelen over de prestaties van verschillende AI-modellen in diverse categorieën. Hun analyse toonde aan dat Fable 5 in de meeste categorieën zijn positie kon behouden. De score voor frontend-codering daalde slechts licht van 1650 naar 1623 Elo, een verschil dat binnen de verwachtingsinterval valt naarmate meer data beschikbaar komt. In sommige gevallen, zoals documentanalyse, verbeterde de score zelfs aanzienlijk.

    Dit legt de vinger op de zere plek: wanneer Fable 5 de kans krijgt om een taak uit te voeren, blijft het op niveau presteren. De frustratie onder gebruikers komt voort uit het feit dat ze betalen voor een model waarvan ze verwachten dat het hen helpt, maar dat vaak niet aanspreekbaar is als het de kritische taken betreft.

    Voor algemene gebruikers die zich bezighouden met creatieve schrijfopdrachten, documentanalyse en expert-teksten, zullen er waarschijnlijk minimale verschillen merkbaar zijn. In deze domeinen ziet Arena.AI geen significante achteruitgang. Echter, voor ontwikkelaars is de situatie zorgwekkender. Degenen die werken met termen als “beveiliging”, “kwetsbaarheid” of “exploit” zullen regelmatig de limieten van het nieuwe classificatiesysteem ondervinden.

    De discrepantie tussen de toeschrijving van BridgeBench en de prestaties van Arena hangt samen met het type taak. BridgeBench test juist die opdrachten die de nieuwe classifier mogelijk activeren, terwijl Arena zich richt op een breder gamma aan vragen die minder geneigd zijn om triggers te activeren. De huidige classificatietechnologie van Anthropic is nog niet perfect en vereisen een tijd van afstemming om de balans te verbeteren. De urgente vraag naar wanneer deze aanpassingen gerealiseerd zullen worden, blijft echter onbeantwoord.

    Vraag & Antwoord

    Wat zijn de belangrijkste verschillen tussen de beoordelingen van BridgeBench en Arena.AI?
    BridgeBench constateerde een dramatische achteruitgang in de prestaties van Fable 5 door het effect van een nieuwe veiligheidsclassifier die veel taken omleidde. Arena.AI, daarentegen, concludeerde dat de prestaties van Fable 5 in verschillende soorten opdrachten vooral consistent bleven, hoewel er lichte variaties waren.

    Welke impact heeft de nieuwe veiligheidsclassifier op ontwikkelaars?
    De veiligheidsclassifier heeft vooral gevolgen voor ontwikkelaars die zich bezighouden met kwetsbare software-elementen. Het classificatiesysteem identificeert en blokkeert vaak legitieme verzoeken als ze enige gelijkenis vertonen met beveiligingsproblemen, wat leidt tot frustratie en inefficiëntie in hun werk.

    Zal Anthropic de classifier in de toekomst verbeteren?
    Anthropic heeft bevestigd dat de classifiers in de loop van de tijd zullen worden geoptimaliseerd. Ze erkennen dat de huidige instellingen te breed zijn en streven ernaar de efficiëntie van de classifier te verbeteren, maar er is nog geen tijdlijn gegeven voor wanneer deze verbeteringen gerealiseerd zullen worden.

  • Vertraging In Meta’s Ai-ontwikkeling: Implicaties Voor De Cryptowereld

    Vertraging In Meta’s Ai-ontwikkeling: Implicaties Voor De Cryptowereld

    Mark Zuckerberg, CEO van Meta, heeft recentelijk aangegeven dat de ontwikkeling van AI-agenten binnen het bedrijf trager verloopt dan verwacht. Dit terwijl zowel technologie- als cryptobedrijven blijven investeren in deze opkomende technologie, die potentieel de communicatie en transacties in de digitale economie zou kunnen transformeren.

    Tijdens een interne vergadering gaf Zuckerberg aan dat de ontwikkeling van agent-technologie de afgelopen vier maanden niet de verwachte versnelling heeft doorgemaakt. Hij merkte op dat de inzet op agenten nog niet de vruchten heeft afgeworpen die men had gehoopt, vooral niet na de agressieve koerswijziging waarin het bedrijf begin dit jaar substantieel investeerde in agent-infrastructuur. Dit gebeurde mede uit de vrees dat ze niet snel genoeg vooruitgingen.

    Ondanks de langzamer dan verwachte voortgang, is Zuckerberg optimistisch en verwacht hij dat de investeringen in AI binnen drie tot zes maanden beginnen op te leveren. Dit roept vragen op over de toekomst van autonome agents in de cryptowereld, waar een groeiend aantal bedrijven gelooft dat deze technologie de manier waarop blockchain-betalingen worden uitgevoerd, radicaal zal veranderen.

    Zuckerbergs zorgen vallen samen met de recente wereldwijde uitbreiding van Meta’s Meta Business Agent op platformen als Instagram, Messenger en WhatsApp. Deze Business Agent is in staat om klantvragen te beantwoorden, productaanbevelingen te doen en zelfs verkopen af te ronden zonder menselijke tussenkomst. Tevens vertelde Zuckerberg in maart dat hij werkt aan een persoonlijke AI-agent die hem zal ondersteunen bij zijn besluitvorming als CEO.

    De crypto-industrie heeft deze technologie snel omarmd. Zo zijn er prominente stemmen in het veld – zoals de CEO van Coinbase, Brian Armstrong, en zijn collega bij Circle, Jeremy Allaire – die voorspellen dat AI-agenten een belangrijke rol gaan spelen in blockchain-gebaseerde betalingen in de komende jaren. Onlangs zijn er veelbelovende integraties ontstaan die de adoptie van AI-agent-gedreven stablecoin-transacties bevorderen.

    Bijvoorbeeld, Amazon Web Services heeft recentelijk de x402-betalingsprotocol van Coinbase geïntegreerd in hun Amazon Bedrock AgentCore, waarmee agents transacties kunnen uitvoeren in de USDC-stablecoin. Bovendien heeft de crypto wallet startup Oobit in april een door Visa ondersteunde virtuele kaart gelanceerd, waarmee AI-agenten online aankopen in USDt (USDT) kunnen doen voor bedrijven.

    Toch blijkt uit recente gegevens dat de transactiegrootte door AI-agenten op de blockchain voorlopig bescheiden is. Uit rapporten van Artemis blijkt dat de handelsactiviteit via het AI-agent-ondersteunde x402-protocol in de afgelopen 30 dagen slechts een volume van $2 miljoen heeft gegenereerd. Deze cijfers benadrukken dat, ondanks de belofte van AI-agenten, de daadwerkelijke adoptie en impact op de markt nog in de kinderschoenen staat.

    Vraag & Antwoord

    Wat zijn AI-agenten en waarom zijn ze belangrijk voor de crypto-industrie?
    AI-agenten zijn autonome softwareprogramma’s die in staat zijn zelfstandig beslissingen te nemen en transacties uit te voeren, wat hen potentieel in staat stelt om blockchain-betalingen te faciliteren. Hun ontwikkeling kan de snelheid en efficiëntie van deze betalingen aanzienlijk verbeteren.

    Waarom verloopt de ontwikkeling van AI-agenten bij Meta trager dan verwacht?
    Zuckerberg heeft aangegeven dat de vooruitgang niet de gewenste versnelling heeft bereikt, mogelijk door een combinatie van overoptimisme en miscalculaties in de timing van hun strategieën.

    Hoeveel transactiegrootte genereren AI-agenten momenteel op de blockchain?
    Volgens recente gegevens bedraagt het handelsvolume via het x402-protocol in de afgelopen 30 dagen slechts $2 miljoen, wat duidt op een beperkte acceptatie op dit moment.

     

  • Perplexity Revolutioneert Ai Met Kostenefficiënt Glm 5.2-model: Een Strategische En Economische Doorbraak

    Perplexity Revolutioneert Ai Met Kostenefficiënt Glm 5.2-model: Een Strategische En Economische Doorbraak

    Perplexity heeft recentelijk een onderzoeksvooruitblik vrijgegeven op een nieuwe versie van zijn GLM 5.2-model. Deze na-training (post-training) maakt het mogelijk om binnen de ‘Computer’ infrastructuur van het bedrijf te functioneren, waarbij het alleen naar de krachtige Claude Opus 4.8 kan moedigen als de situatie dat vereist. Dit nieuwe model, dat presteert tegen een kostprijs van slechts een derde van die van Opus 4.8, biedt een significante besparing voor zowel bedrijven als ontwikkelaars die gebruikmaken van geavanceerde AI-technologieën.

    Het GLM 5.2-model, dat is ontwikkeld door Z.AI — voorheen bekend als Zhipu AI — bevat maar liefst 744 miljard parameters. Parameters zijn de variabelen die een model tijdens de training leert afstemmen om zijn prestaties te verbeteren. Dit model is uitgegeven onder een MIT-licentie, wat betekent dat het vrijelijk gedistribueerd en aangepast kan worden, wat de toegang vergemakkelijkt voor ontwikkelaars wereldwijd.

    Bij fine-tuning wordt een reeds getraind AI-model opnieuw getraind op een kleinere, meer specifieke dataset om de prestaties voor een bepaald doel te optimaliseren. Dit kan worden vergeleken met het tunen van een auto: ontwikkelaars kunnen dezelfde basisauto aanpassen voor verschillende doeleinden, zoals drag racing of rally. In de context van AI leidt fine-tuning tot modellen die beter zijn afgestemd op specifieke taken en minder bias vertonen, afhankelijk van de toepassing.

    Perplexity heeft deze strategie toegepast door GLM 5.2 zodanig aan te passen dat het de vaardigheid heeft ontwikkeld om te bepalen wanneer het een taak zelf kan afhandelen en wanneer escalatie naar een krachtiger model nodig is. Deze escalatiecapaciteit vormt de kern van de aanpassing. De verbeterde GLM 5.2 beschikt over wat Perplexity een “advisor tool” noemt, waardoor het model kan inschatten wanneer een vraag zijn capaciteiten overstijgt en overstapt naar een derde partij, zoals de krachtige Opus 4.8. Dit resulteert niet alleen in een verbeterde efficiency, maar ook in aanzienlijke kostenbesparingen bij de uitvoering van complexe taken.

    De concurrentie tussen de VS en China op het gebied van AI wordt vaak als een zero-sum game gezien, maar open-source modellen kennen geen nationale grenzen. De MIT-licentie die aan GLM 5.2 is verbonden, maakt het voor ontwikkelaars eenvoudig om deze technologieën te downloaden en aan te passen zonder juridische en contractuele obstakels. Perplexity leerde deze lessen enkele jaren geleden toen het DeepSeek R1 model aanpaste, waarmee het Chinese censuurthema’s omzeilde en de techniek in een meer westerse context plaatste.

    Nu richt Perplexity zich minder op politieke overwegingen, maar eerder op economische efficiëntie. Met de komst van de fine-tuned GLM 5.2 is het model niet bedoeld om de meest complexe taken uit te voeren, maar eerder als kosteneffectieve ‘default’ optie voordat naar duurdere modellen wordt overgestapt. De infrastructuur is al op grote schaal geïmplementeerd, waardoor Perplexity in een unieke positie verkeert om deze strategie te realiseren.

    De operationele inzet vindt plaats op Nvidia B200 GPU’s in de Verenigde Staten, met plannen voor verdere ontwikkelingen. Binnenkort worden meer gedetailleerde benchmarks en een onderzoeksdocument verwacht over de prestaties van dit model. De opbrengst van deze inzet gaat echter niet enkel om technologisch voordeel; in een tijd waarin kostenbeheersing essentieel is, toont Perplexity aan dat slimme aanpassingen aan bestaande modellen niet alleen de innovatie bevorderen, maar ook de economie van AI toepassingen kunnen optimaliseren.

    Vraag & Antwoord

    Waarom is het GLM 5.2-model economisch voordeliger voor bedrijven?
    Het GLM 5.2-model biedt een prijs-kwaliteitverhouding die significant beter is dan duurdere modellen zoals Claude Opus 4.8, doordat het de meeste taken efficiënt afhandelt zonder dat hierbij extra kosten worden gemaakt voor zware infrastructuur.

    Hoe verschilt het fine-tuning proces van de traditionele AI-training?
    Fine-tuning betreft het opnieuw trainen van een bestaand model met een gerichte dataset om specifieke skills of bias te verbeteren, terwijl traditionele training te maken heeft met de opbouw van het model vanaf de basis.

    Wat zijn de toekomstige plannen van Perplexity met betrekking tot AI-modellen?
    Perplexity is van plan om verschillende open-source modellen verder te optimaliseren en de infrastructuur uit te breiden, zodat ze de prestaties kunnen verhogen en tegelijkertijd de kosten voor eindgebruikers kunnen verlagen.

  • Ethereum Zet Ai In Voor Proactieve Identificatie Van Netwerkkwetsbaarheden

    Ethereum Zet Ai In Voor Proactieve Identificatie Van Netwerkkwetsbaarheden

    De Ethereum Foundation heeft een innovatieve aanpak ontwikkeld door gebruik te maken van AI-agents om kwetsbaarheden in de onderliggende netwerkstructuur proactief te identificeren. In recente berichtgeving werd onthuld dat het Protocol Security-team een reeks AI-agents heeft ingezet om de software van Ethereum onder de loep te nemen. Dit voorkomt potentiële aanvallen door kwaadwillende hackers door eerst zelf de kwetsbaarheden bloot te leggen.

    De onderzoekers omschreven hun werkwijze als een vorm van ‘red teaming’, waarbij een organisatie haar systemen onder vuur neemt om zwakheden te ontdekken. In tegenstelling tot de traditionele methoden waarbij menselijke beveiligingsexperts handmatig code doorlichtten, zijn deze AI-agents in staat om hele codebases te scannen en potentiële exploitatiemogelijkheden te testen.

    Een van de opmerkelijke ontdekkingen van deze AI-agents was een kwetsbaarheid in libp2p’s gossipsub, een essentieel onderdeel van de peer-to-peer communicatie die gebruikt wordt door Ethereum-compatibele cliënten. Deze kwetsbaarheid, die op afstand kon worden geëxploiteerd, is inmiddels verholpen en openbaar gemaakt onder het referentienummer CVE-2026-34219.

    De Ethereum Foundation heeft benadrukt dat de inzet van AI-agents niet alleen gaat om het vinden van foutjes, maar ook om een gestructureerde beoordeling van deze bevindingen. Een specifiek kader leidt de agents tijdens hun onderzoeken, waardoor ze vastlijden aan meetbare en testbare claims. Dit elimineert de mogelijkheid van een subjectieve beoordeling die alleen maar op het gevoel is gebaseerd.

    De inzet van AI in deze context verlegt de focus van menselijke interventie naar een uitbreiding van mogelijkheden. Dit werd onlangs bevestigd toen gebruik werd gemaakt van de AI-tool Anthropic’s Claude Mythos, die maar liefst 271 kwetsbaarheden ontdekte in de Firefox-browser. Wat AI-agents kan onderscheiden van andere tools, zoals fuzzers, is hun vermogen om impactanalyses uit te voeren en proof-of-concept tests te genereren.

    Echter, het is cruciaal om te beseffen dat niet alle AI-gegenereerde bevindingen op waarheid berusten. Het onderscheid kunnen maken tussen echte kwetsbaarheden en valse positieven blijft een uitdaging. De onderzoekers benadrukken dat een kandidaat voor een kwetsbaarheid pas als zodanig wordt erkend wanneer er een reproduceerbaar bewijs voorhanden is dat daadwerkelijk tegen de echte code werkt.

    De recente audit van Zcash, waarbij de beveiligingsonderzoeker Taylor Hornby eveneens gebruikmakend van AI, heeft de noodzaak onderstreept van dergelijke technologie in cryptoprojecten. Een kritieke kwetsbaarheid in de Orchard privacy pool, die al vier jaar bestond, zou in staat zijn geweest om een aanvaller te faciliteren om vervalste ZEC-munten te creëren zonder duidelijke sporen op de blockchain. De urgentie om vertrouwen te herstellen in de Zcash-levering heeft geleid tot een netwerkupgrade die momenteel in ontwikkeling is.

    De benadering van de Ethereum Foundation benadrukt niet alleen de effectiviteit van AI in het detecteren van kwetsbaarheden, maar ook een verschuiving in de rol van menselijke onderzoekers zelf. Ook al doet AI de onderzoeker niet verdwijnen, het verlegt wel de nadruk op meer strategische werkmethodes. De Ethereum Foundation verwoordde het treffend: “De agents stellen ons in staat om veel meer terrein te dekken dan we ooit handmatig zouden kunnen. In ruil daarvoor moeten we echter wel zorgvuldiger oordelen over een grotere hoeveelheid claims die op het eerste gezicht betrouwbaar lijken.”

    Conclusie

    De integratie van AI in beveiligingsonderzoeken vertegenwoordigt een belangrijke stap voorwaarts in de ontwikkeling van de cryptomarkt. Het biedt niet alleen een efficiënter dashboard voor kwetsbaarheidsonderzoek, maar ook een fundament voor een robuustere en veiligere blockchain-infrastructuur. Dit biedt investeerders en beleidsmakers een verbeterde visie op de toekomst van digitale activa.

    Vraag & Antwoord

    Hoe effectief zijn AI-agents in het identificeren van kwetsbaarheden?
    AI-agents zijn uiterst effectief en kunnen grote codebases snel doorzoeken, waardoor ze niet alleen sneller vulnerable punten identificeren, maar ook verschillende matrices van impact inschatten.

    Wat zijn de beperkingen van AI in dit type onderzoek?
    De beperkingen van AI liggen vooral in het risico van valse positieven en de noodzaak van menselijke validatie. AI-gegenereerde resultaten moeten altijd tegen de echte code worden getest.

    Hoe verhoudt zich deze ontwikkeling tot de bredere cryptomarkt?
    Deze ontwikkelingen zijn cruciaal voor de groei van de cryptomarkt. Het versterkt het vertrouwen in digitale activa en stimuleert investeringen door een betere beveiliging te bieden.

  • Anthropic Verwijdert Verborgen Claude Code Tracker Na Privacyzorgen Onderzoekers

    Anthropic Verwijdert Verborgen Claude Code Tracker Na Privacyzorgen Onderzoekers

    Anthropic heeft recent een verborgen trackersysteem uit Claude Code verwijderd, nadat een beveiligingsonderzoeker ontdekte dat de AI-programmeercode ongepubliceerde markers gebruikte om bepaalde gebruikers te identificeren. Deze actie heeft belangrijke implicaties voor de gebruikerservaring en de bredere discussie omtrent privacy in de opkomende AI-markt.

    De betrokken functie, die door de ontwikkelaar ‘Thereallo’ in juni werd ontdekt, integreerde signalen in de prompts van Claude Code. Deze signalen konden gebruikers markeren die vermoedelijk restricties probeerden te omzeilen of de mogelijkheden van het model wilden extraheren. Het vermogen om API-resellers en ongeautoriseerde toegangspunten te detecteren, is begrijpelijk in de context van het beschermen van intellectueel eigendom. Echter, de keuze om dit op deze wijze te doen, roept vragen op over transparantie en gebruikersvertrouwen.

    While the motivation achter deze verborgen functionaliteit begrijpelijk is, wordt de uitvoering ervan terecht bekritiseerd. Thereallo wijst op het feit dat de trackingsignalementen waren verborgen in systeem prompts met behulp van Unicode-indicatoren, in plaats van dat deze duidelijk werden gepresenteerd in documentatie of release-notities. Dit soort verborgen praktijken kan de vijandigheid van ontwikkelaars en gebruikers jegens de technologie verergeren, aangezien vertrouwen cruciaal is voor het succes van ontwikkelingsinstrumenten zoals Claude Code.

    Senior engineer Thariq Shihipar gaf later aan dat deze functie als een “experiment” werd geïntroduceerd in maart, bedoeld om het misbruik van accounts door ongeautoriseerde wederverkopers te stoppen en Claude te beschermen tegen distillatie-aanvallen. Hij merkte op dat het team betere maatregelen heeft genomen sinds die tijd en dat de tracker inmiddels verwijderd zou worden.

    De timing van deze onthulling is opmerkelijk, aangezien Anthropic zijn waarschuwingen over AI-modeldistillatie heeft aangescherpt. Hierbij worden de uitvoerresultaten van één systeem gebruikt om een ander model te trainen, wat een veelvoorkomende praktijk is binnen de AI-onderzoeksgemeenschap. Echter, in het geopolitieke domein kan distillatie uitgroeien tot een zorg voor de nationale veiligheid.

    Deze bezorgdheid weerspiegelt zich in recente actie van Alibaba, die medewerkers verbood Claude Code te gebruiken, en het labelde als “hoog-risico” software. In februari beschuldigde Anthropic Chinese AI-ontwikkelaars van het gebruik van frauduleuze accounts om miljoenen antwoorden van Claude te extraheren. Dit leidde tot een debat over de ethiek en de grenzen van dergelijke praktijken, vooral gezien de verwevenheid met de bredere AI-industrie.

    De recente verklaring van Elon Musk, waarin hij benadrukt dat xAI “deels” gebruikmaakte van OpenAI-modellen voor het trainen van Grok, illustreert dat distillatie een bredere sectorpraktijk is, hetgeen de complexiteit van de discussie rond intellectueel eigendom in de AI-sector further compliceert.

    Te midden van deze controverses roept Anthropic op tot versterking van de bescherming tegen buitenlandse extractie van AI-modellen. CEO Dario Amodei heeft wetgevers aangespoord actie te ondernemen. De beschuldigingen dat Alibaba-verbonden entiteiten bijna 28,8 miljoen interacties met Claude hebben gegenereerd via bijna 25.000 frauduleuze accounts, plaatsen druk op beleidsmakers.

    De vraag die nu rijst voor investeerders en beleidsmakers is hoe ze deze ontwikkelingen kunnen interpreteren en integreren in hun strategieën. Met technologische en geopolitieke krachten die voortdurend in beweging zijn, is een goed onderbouwde visie van cruciaal belang.

    Vraag & Antwoord

    Waarom heeft Anthropic besloten de verborgen tracking uit Claude Code te verwijderen?
    De verborgen tracking werd verwijderd na kritiek op de manier waarop het werd geïmplementeerd, wat vragen opriep over transparantie en privacy, essentieel voor een vertrouwensrelatie met ontwikkelaars en gebruikers.

    Hoe beïnvloedt AI-modeldistillatie de concurrentie in de sector?
    Modeldistillatie kan leiden tot oneerlijke concurrentie, waarbij ontwikkelaars mogelijk profiteren van de inspanningen van anderen. Dit heeft zowel commerciële als geopolitieke implicaties, vooral in een tijd waarin nationale veiligheid een zorg is.

    Wat zijn de gevolgen van deze kwestie voor de Europese cryptomarkt?
    De situatie benadrukt de noodzaak voor duidelijke richtlijnen en bescherming rondom technologie in de crypto- en AI-sector. Voor investeerders kan het bepalend zijn in welke projecten zij willen investeren, met inachtneming van de ethiek en nazorg rondom AI-toepassingen.