AI Nieuws Maart 2026: De Week Waarin Alles Verschoof
Ik probeerde een weekend vrij te nemen van het AI-nieuws. Twee dagen. Meer vroeg ik niet. Maandagochtend kwam ik terug op 47 ongelezen meldingen, drie nieuwe modelreleases, een Nvidia-keynote die ik volledig had gemist, en een uitgelekt Google-prototype waarover de helft van Twitter ruzie maakte of designtools op het punt stonden overbodig te worden.
Dit was één week. Zeven dagen in maart 2026. En tegen de tijd dat ik alles had verwerkt wat er was gebeurd, besefte ik iets: dit was geen normale nieuwscyclus. Dit was een van die zeldzame weken waarin de grond onder de hele industrie verschuift — waarin de richting verandert en je het kunt voelen.
Wat deze week anders maakte, was niet één aankondiging. Het was het patroon. Open-source modellen die echt kunnen concurreren met propriëtaire. Contextvensters die de grens van een miljoen tokens bereiken én daar goed presteren. Multi-agent-architecturen die van research-demo's naar verzonden producten verschuiven. Lokale AI-systemen die je op een Mac Mini kunt draaien. Een nieuw aandachtsmechanisme dat fundamenteel kan veranderen hoe modellen geheugen beheren.
Ik neem je mee door alle twaalf grote ontwikkelingen, maar nog belangrijker: ik vertel je welke er echt toe doen voor mensen die dingen bouwen — en welke indrukwekkende demo's zijn die je workflow de komende maanden niet zullen veranderen. Want na het testen van meerdere hiervan is het gat tussen "spannende aankondiging" en "nu meteen nuttig" groter dan je zou denken.
Behalve in twee gevallen. Waar het helemaal geen gat is.
Waarom Deze Week Anders Voelde Dan Een Normale Nieuwscyclus
De meeste weken in AI volgen een voorspelbaar ritme. Eén bedrijf brengt iets uit. Twitter reageert. Een paar benchmarks worden geciteerd. Iedereen gaat verder. De ontwikkelingen zijn echt maar geïsoleerd — je kunt ze één voor één evalueren, beslissen of ze voor jou relevant zijn, en je aanpassen.
Deze week doorbrak dat patroon. De aankondigingen waren niet geïsoleerd. Ze zijn met elkaar verbonden op manieren die elkaars betekenis versterken. Dat Nvidia een open-source redeneermodel uitbrengt, telt zwaarder omdat Mistral tegelijkertijd een open-source mixture-of-experts-model met Apache 2.0-licentie uitbracht. Dat Claude 1M tokens haalt, telt zwaarder omdat multi-agent-frameworks de standaard manier worden om deze modellen te gebruiken — en agents hebben enorme context nodig om effectief te coördineren.
Toen ik het volledige beeld bekeek, kwamen er drie thema's naar voren die volgens mij bepalen waar AI-ontwikkeling de rest van 2026 naartoe gaat:
Multi-agent-workflows zijn niet langer experimenteel. Ze worden de verwachte manier om met AI te werken voor complexe taken. OpenAI, Anthropic en meerdere startups duwden deze week allemaal agent-infrastructuur vooruit.
Open-source modellen hebben een capabilitiedrempel overschreden. Drie afzonderlijke open-source releases deze week kunnen op echte taken oprecht concurreren met propriëtaire modellen — niet alleen op benchmarks.
De race om context versnelt. 1M tokens van Anthropic. 256K van Mistral. Een nieuwe aandachtsarchitectuur van Moonshot die nog grotere contexten rekenkundig haalbaar zou kunnen maken. De modellen leren te onthouden.
Dat derde thema is het thema waarvan ik denk dat mensen het onderschatten. Ik leg uit waarom als we bij Moonshot's Attention Residual-architectuur komen — dat is het technisch meest interessante wat er deze week gebeurde, en bijna niemand heeft het erover.
Maar eerst de aankondiging die mijn dagelijkse workflow het hardst raakte.
OpenAI Sub Agents voor Codex: Parallelle Hersenen voor Jouw CLI
Ik gebruik OpenAI's Codex CLI al vanaf de lancering — ik schreef over mijn eerste indrukken van de Codex-app toen die uitkwam, en ik houd hem naast Claude Code in mijn rotatie voor taken waarbij GPT's redeneersstijl beter past.
De nieuwe Sub Agents-functie verandert het fundamentele interactiemodel. In plaats van één agent die sequentieel door je taak werkt, kan Codex nu gespecialiseerde sub-agents opstarten die parallel aan verschillende aspecten van hetzelfde probleem werken.
Zo ziet dat er in de praktijk uit. Stel je vraagt Codex om een module te refactoren, de tests bij te werken en de API-documentatie aan te passen. Vroeger deed het dit sequentieel — refactor, dan tests, dan docs. Met sub-agents spawnt het drie parallelle workers: één gericht op de refactor, één die tests schrijft tegen de verwachte nieuwe interface, en één die de documentatie bijwerkt. Ze coördineren via een gedeelde context maar voeren tegelijkertijd uit.
De snelheidsverbetering is voor de hand liggend. Maar de kwaliteitsverbetering verraste me meer. Elke sub-agent werkt met een smallere focus, wat betekent minder contextverontreiniging. De testing-agent wordt niet afgeleid door documentatiezorgen. De documentatie-agent probeert niet tegelijkertijd ook te redeneren over randgevallen in tests. Specialisatie werkt voor AI zoals het werkt voor menselijke teams.
Als je mijn stuk over Claude Code agent teams hebt gelezen, herken je dit patroon. Multi-agent-coördinatie convergeert naar dezelfde architectuur bij zowel OpenAI als Anthropic: gespecialiseerde workers, parallelle uitvoering, gedeelde context. De implementaties verschillen, maar de filosofie is identiek.
De valkuil? Sub-agents verbruiken tokens snel. Drie parallelle agents betekent ruwweg 3x het tokenverbruik voor dezelfde taak. Voor complexe refactoringjobs kun je snel je Codex-budget opbranden. Goed om te weten voordat je dit voor alles inschakelt.
Minimax M2.7: Het Open-Source Model Dat Een Mac-App Bouwde
Dit ene verraste me. Minimax — een bedrijf dat ik eerlijk gezegd niet nauw had gevolgd — bracht M2.7 uit, een open-source model met agent-capaciteiten die voor zijn gewichtsklasse echt indrukwekkend zijn.
De demo die de aandacht trok, was het model dat een functionele macOS-frontend-applicatie maakte vanuit een beschrijving in gewone taal. Geen mockup. Geen wireframe. Een werkende Mac-app met echte UI-elementen, eventafhandeling en correcte macOS-ontwerpconventies.
Ik testte het op een vergelijkbare taak — ik vroeg het om een menubalkutility voor het monitoren van Docker-containers te scaffolden. Het resultaat was niet productieklaar, maar het was aanzienlijk verder dan wat ik van een open-source model zou verwachten. De SwiftUI-code was geldig. De app-structuur klopte. De UI zag eruit als iets dat een junior developer als eerste draft zou inleveren, niet als AI-gegenereerde rommel.
Wat M2.7 interessant maakt, is niet ruwe capaciteit — het loopt nog achter op Opus 4.6 of GPT-5.4 bij complexe redeneeringstaken. Wat interessant is, is het agent-georiënteerde ontwerp. Het model is van de grond af gebouwd om te werken in tool-calling-, functie-uitvoerings- en meerstaps-workflows. Dat is een ander optimalisatiedoel dan "scoor goed op MMLU," en dat zie je.
Voor ontwikkelaars die een agent-capable model willen zelf hosten — met name voor interne tools waarbij het versturen van code naar een externe API niet acceptabel is — is M2.7 nu de sterkste open optie. Dat is een betekenisvolle verschuiving.
VS Code Agent Mode Krijgt Agentisch Browsen — En Het Is Indrukwekkend
Het VS Code-team van Microsoft bracht deze week iets uit dat de grens tussen IDE en autonome agent vervaagt op een manier die ik nog een jaar lang niet had verwacht.
Agent mode in VS Code kan nu met live webpagina's omgaan. Niet alleen content ophalen. Echt interacteren — op elementen klikken, formulieren invullen, tussen pagina's navigeren, gerenderde output lezen. Jouw codeer-agent kan nu een browser openen, je webapplicatie testen, observeren wat er gebeurt, en die informatie terugkoppelen naar het debugproces.
Stel je dit voor: je bouwt een React-component die een datatable met sorteerbare kolommen rendert. In plaats van de bug aan je AI-assistent te beschrijven ("de sorteervolgorde keert onjuist om als je twee keer op de header klikt"), kan de agent letterlijk je dev-server openen, twee keer op de kolomkop klikken, het onjuiste gedrag observeren, de DOM inspecteren en vervolgens een fix voorstellen op basis van wat hij daadwerkelijk zag.
Ik heb een middag besteed aan het testen hiervan met een Next.js-project dat een hardnekkige hydratatiemismatch had die ik niet kon vastzetten. De agent opende de pagina, identificeerde de mismatch tussen server- en clientrender, traceerde het naar een tijdzone-afhankelijk datumformaat en stelde een fix voor. Het hele proces duurde ongeveer negentig seconden. Ik had al twee uur naar die bug zitten staren.
De implicaties gaan verder dan debuggen. Agents die kunnen browsen, betekenen agents die hun eigen werk kunnen verifiëren tegen echte gerenderde output. Dat is een feedbacklus die de codekwaliteit drastisch verbetert — de agent hoeft er niet op te vertrouwen dat zijn wijzigingen werken, hij kan het controleren.
Er is een privacy- en veiligheidsdimensie die het waard is te benoemen. Een agent die live webpagina's browset, betekent dat je IDE-extensie mogelijk pagina-inhoud — inclusief alle data zichtbaar op het scherm — via een AI-API verstuurt. Voor interne dashboards met gevoelige data: denk goed na voordat je agentisch browsen op je stagingomgeving richt.
Maar daar wordt het pas echt interessant — want VS Code is niet de enige die AI deze week dichter bij het bureaublad brengt.
Nvidia GTC 2026: Open-Source Redeneren, DLSS5 en Een Heel AI-OS
Nvidia's GTC-keynote bevatte genoeg aankondigingen voor drie afzonderlijke artikelen. Ik focus op de drie die het meest relevant zijn voor AI-ontwikkelaars.
Neotron Ultra is Nvidia's open-source redeneermodel, en het staat direct tegenover propriëtaire modellen zoals Opus en GPT-5.x voor complexe meerstaps-redenering. Open-source. Van Nvidia. Een bedrijf dat dit gemakkelijk propriëtair had kunnen houden en API-toegangsgeld had kunnen vragen. Het feit dat ze het openlijk uitbrengen, geeft een signaal af: Nvidia's spel is niet het verkopen van modellen. Het is het verkopen van de hardware waarop die modellen draaien. Krachtige modellen gratis en open maken, vergroot de vraag naar H200's en wat daarna komt. Slimme strategie.
Ik heb niet genoeg tijd gehad om Neotron Ultra goed te benchmarken tegen mijn standaard testset, maar vroege community-resultaten suggereren dat het concurreert met Opus 4.5 op redeneeringstaken en achterloopt op Opus 4.6 met een smallere marge dan verwacht. Voor on-premise-implementaties waar je geen externe APIs kunt gebruiken, is dit een serieuze optie.
Nemoclaw is Nvidia's antwoord op de vraag "hoe orkestreer je AI-systemen eigenlijk?". Het is een volledige AIOS (AI Operating System)-stack — zie het als de infrastructuurlaag tussen jouw hardware en je AI-agents. Modelrouting, geheugenbeheer, toolorkestratie — allemaal afgehandeld op systeemniveau in plaats van samengelijmd met Python-scripts en hoop.
Voor ondernemingen die meerdere modellen over meerdere taken draaien, lost Nemoclaw echte coördinatieproblemen op. Voor individuele ontwikkelaars is het waarschijnlijk te zwaar nu. Maar het feit dat Nvidia op deze laag bouwt, vertelt je waar zij denken dat de complexiteit naartoe gaat.
DLSS5 is de gaming/graphics-aankondiging, en hoewel het minder relevant is voor AI-ontwikkelworkflows, is het het vermelden waard omdat het Nvidia's bredere stelling aantoont: AI-inferentie moet overal zijn, alles uitvoeren, altijd. DLSS5 gebruikt AI om in realtime te upscalen, frames te genereren en scènes te reconstrueren. Dezelfde inferentie-infrastructuur die DLSS aanstuurt, zal AI-agents op je bureaublad aandrijven. Nvidia bouwt het hardware-ecosysteem voor een wereld waarin AI lokaal draait, continu, voor alles.
Die wereld is dichterbij dan de meeste mensen denken. Wat ons brengt bij het open-source model dat het snelst kan versnellen.
Mistral Small 2: 128 Experts, Apache 2.0 en Een 256K Contextvenster
Mistral bouwt stilletjes wat ik denk dat de meest interessante modelfamilie in open-source AI is. Small 2 is hun nieuwste, en de specificatielijst leest als een wensenlijstje.
De cijfers: 119 miljard parameters. 128 experts in de mixture-of-experts-architectuur (wat betekent dat slechts een fractie van die parameters activeert voor een gegeven token, waardoor inferentiekosten redelijk blijven). 256K-token contextvenster. Uitgebracht onder Apache 2.0 — wat betekent dat je het commercieel kunt gebruiken, aanpassen en implementeren zoals je wilt, zonder beperkingen.
En Mistral kondigde een partnerschap met Nvidia aan om Small 2 te optimaliseren voor Nvidia's inferentiestack. Open model plus geoptimaliseerde hardware plus Apache-licentie is een combinatie die elk bedrijf dat per-token API-kosten rekent, zorgen zou moeten baren.
Wat mij opviel tijdens het testen: Small 2's agent-capaciteiten zijn sterk genoeg voor productietool-calling-workflows. Ik liet het door een standaardevaluatie gaan waarbij het model een meerstaps-taak moet plannen, de juiste tools in volgorde moet aanroepen, fouten moet afhandelen en herstellen. Small 2 voltooide de workflow bij de eerste poging — iets wat zelfs sommige propriëtaire modellen struikelen over.
Het 256K-contextvenster zit op een interessante positie. Het is niet de 1M die Claude nu biedt, maar het is meer dan genoeg voor de meeste echte agent-taken. En omdat je het op eigen hardware draait, betaal je geen per-token-kosten voor die context. Voor teams die grote codebases of documentensets herhaaldelijk verwerken, is de economische berekening van zelf-hosten van Mistral Small 2 versus betalen voor API-kosten voor grotere contextmodellen de moeite waard.
De Apache 2.0-licentie verdient nadruk. De meeste "open" modellen komen met beperkingen — niet-commerciële clausules, gebruiksbeperkingen of aangepaste licenties met uitzonderingen. Apache 2.0 is oprecht permissief. Je kunt Small 2 fine-tunen op je eigen data, intern implementeren, producten erop bouwen en verkopen — en Mistral kan de voorwaarden niet achteraf wijzigen. Voor juridische teams van ondernemingen verwijdert dit de ambiguïteit die het adopteren van andere "open" modellen riskant maakt.
Open-source AI is een stuk moeilijker te negeren geworden. En Google lijkt dat te hebben gemerkt — want wat er deze week uitlekte, suggereert dat ze een reactie voorbereiden die niemand had verwacht.
Google's Uitgelekte Agentische Designtool: Stem, Canvas en Een Nieuwe Richting
Er is beeldmateriaal uitgelekt van wat Google's volgende generatie designtool lijkt te zijn. Ik wil voorzichtig zijn — dit is uitgelekt materiaal, geen officiële aankondiging, en het eindproduct kan aanzienlijk afwijken van wat werd getoond. Die kanttekening is belangrijk.
Wat het lek laat zien: een desktopapplicatie (niet browsergebaseerd — dat alleen al is verrassend voor Google) met een groot, scrollbaar designcanvas. De interface ondersteunt spraakopdrachten voor designbewerkingen. Je kunt blijkbaar instructies inspreken als "maak de header groter" of "lijn deze elementen uit op een raster" en in realtime de wijzigingen zien verschijnen op het canvas.
Het agentische deel is wat dit onderscheidt van alleen stemgestuurd Figma. De tool lijkt designintentie te begrijpen, niet alleen letterlijke instructies. "Maak dit professioneler" zou naar verluidt een coherente reeks wijzigingen triggeren — typografieaanpassingen, wijzigingen in de spatiëring, kleurtemperatuurverschuivingen — in plaats van één mechanische actie.
Als dit uitkomt in de buurt van wat werd uitgelekt, kan het Figma, Canva en elke designtool onder druk zetten die agentische AI niet diep in het creatieproces heeft geïntegreerd. De steminterface alleen al zou de manier waarop designers werken veranderen — niet meer switchen tussen nadenken over het design en tools manipuleren om het uit te voeren.
Ik ben sceptisch over twee dingen. Ten eerste: Google heeft een geschiedenis van indrukwekkende demo's die het contact met productiegebruikers niet overleven. Ten tweede: stemgestuurd design werkt briljant voor brede aanpassingen maar worstelt met pixelprecieze nauwkeurigheid. Professionele designers hebben beide nodig. We zien of Google die spanning heeft opgelost of er gewoon omheen heeft gedemonstreerd.
Waar ik op let: of deze tool verbinding maakt met Google's modelinfrastructuur (Gemini) of op een aparte stack draait. Die architectuurbeslissing bepaalt of externe ontwikkelaars erop kunnen bouwen.
Over architectuurbeslissingen die meer betekenis hebben dan ze lijken — de volgende aankondiging is de ene waar ik al de hele tijd over wilde praten.
Claude Krijgt 1M Tokens: Wat Er In De Praktijk Veranderde
Ik schreef een gedetailleerde analyse van het Opus 4.6 miljoen-token contextvenster op de dag dat het uitkwam, dus ik herhaal de volledige analyse hier niet. Maar het verdient een prominente plek in dit weekoverzicht omdat de praktische impact groter was dan ik aanvankelijk verwachtte.
De kop: Opus 4.6 en Sonnet 4.6 ondersteunen nu allebei contextvensters van 1 miljoen tokens. Anthropic verdubbelde ook de gebruikslimieten, wat net zo veel uitmaakt als de contextuitbreiding voor power users die constant tegen limieten aanliepen.
Het getal dat meer betekent dan "1M" is 78,3%. Dat is de MRCR v2-score — een benchmark die meet hoe nauwkeurig het model specifieke informatie ophaalt die verspreid zit over de volledige context. Ter vergelijking: de meeste modellen degraderen significant na 100K tokens. Opus 4.6 handhaaft 78,3% nauwkeurigheid over het volledige miljoen-token-venster. Het model accepteert niet alleen meer context — het gebruikt het ook daadwerkelijk.
Wat er in mijn workflow is veranderd sinds de uitrol: ik heb opgehouden grote codebases op te splitsen in afzonderlijke contextvensters. Een volledige Laravel-applicatie — modellen, controllers, migraties, configuratie, tests — kan nu in één context. Het model ziet alles tegelijk. Refactoringsuggesties houden rekening met downstreameffecten over de gehele codebase in plaats van alleen de bestanden die ik handmatig had opgenomen.
Het praktische verschil tussen 200K en 1M tokens is niet 5x meer input. Het is het elimineren van contextbeheer als taak. Vroeger besteedde ik echte cognitieve inspanning aan het beslissen welke bestanden te includeren en welke weg te laten. Die beslissingsoverhead is verdwenen. Ik includeer alles en laat het model bepalen wat relevant is.
Als je de volledige benchmarkanalyse en mijn resultaten uit de praktijk wilt, staat de volledige analyse hier. Voor dit overzicht is de belangrijkste conclusie simpel: 1M tokens met 78,3% MRCR-nauwkeurigheid betekent dat contextbeheer niet langer de bottleneck is. De bottleneck heeft zich ergens anders naartoe verplaatst.
En twee bedrijven wedden deze week dat de nieuwe bottleneck agency is — het vermogen van de AI om autonoom namens jou te handelen. Hier wordt het persoonlijk.
Okra AI CMO en Perplexity's Always-On PC: AI Krijgt Een Vaste Plek
Twee aankondigingen deze week delen een filosofie die ik zowel opwindend als licht verontrustend vind: AI zou geen tool moeten zijn die je opent als je het nodig hebt. Het zou een collega moeten zijn die altijd werkt.
Okra positioneert zichzelf als een AI Chief Marketing Officer. Geen chatbot die marketingvragen beantwoordt. Een systeem dat autonoom groeïexperimenten uitvoert, resultaten analyseert, campagnes bijstelt en bevindingen rapporteert — met minimale menselijke tussenkomst. Het monitort je statistieken, identificeert kansen, test hypothesen en itereert. Het marketingequivalent van een autonome agent die toevallig gespecialiseerd is in klantacquisitie.
Ik heb Okra nog niet uitgebreid getest, maar de architectuur is interessant: het verbindt met je analytics, advertentieplatforms en CMS, en werkt dan op een continue lus van observatie, hypothese, actie en meting. Zie het als de marketingversie van wat CI/CD deed voor deployment — de machine draait de feedbacklus sneller dan mensen kunnen.
Perplexity's Personal Computer AI System neemt het "always-on"-concept nog letterlijker. Het is een Mac Mini-gebaseerd lokaal systeem dat Perplexity's AI 24/7 op je bureau draait. Altijd luisterend, altijd verwerkend, altijd klaar. Je persoonlijke AI die niet in een browsertabblad woont — maar op je netwerk, context opbouwend over je werk, je voorkeuren, je patronen.
De privacyimplicaties zijn aanzienlijk — en ik bedoel dat in beide richtingen. Dat je AI lokaal draait, betekent dat je data je netwerk nooit verlaat. Dat is een enorm voordeel voor iedereen die met gevoelige informatie werkt. Maar "altijd aan" betekent ook "altijd monitorend," en de grens tussen behulpzame assistent en surveillancesysteem hangt volledig af van implementatiedetails die Perplexity nog niet volledig heeft bekendgemaakt.
Wat deze twee aankondigingen gemeen hebben, is een weddenschap dat AI's volgende vormfactor geen chatvenster is. Het is een aanhoudende aanwezigheid. Een altijd-beschikbare intelligentie die naast je werkt — of namens je — zonder dat je elke interactie hoeft te initiëren.
Als je liever iemand AI-gedreven automatiseringssystemen zoals deze in je zakelijke workflows laat bouwen, neem ik precies dit soort integratieprojecten aan. Je kunt zien wat ik heb gebouwd op fiverr.com/s/EgxYmWD.
Ik ben er nog niet uit hoe ik me voel over deze richting. Het productiviteitspotentieel is echt. Het afhankelijkheidsrisico ook. Je marketingstrategie uitbesteden aan een AI betekent dat je zowel het oordeel van de AI als je eigen vermogen om zijn beslissingen te auditen diep moet vertrouwen. De meeste bedrijven zijn nog niet klaar voor dat vertrouwensniveau.
Maar de tooling om dat vertrouwen op te bouwen verbetert snel. Wat ons brengt bij twee releases die gericht zijn op meer controle geven aan ontwikkelaars over hun AI-tools.
Stitch TypeScript SDK en Manis Desktop Agent: Ontwikkelaarscontrolelaag
Twee op ontwikkelaars gerichte releases deze week verdienen aandacht, ook al kregen ze minder sociale mediabuzz dan de grotere aankondigingen.
Stitch TypeScript SDK is de officiële TypeScript SDK voor design-naar-ontwikkeling-workflows. Als je Stitch's platform hebt gebruikt, geeft de SDK je programmatische toegang tot dezelfde designvertaalcapaciteiten — designtokens ophalen, componentcode genereren, designwijzigingen synchroniseren met je codebase, allemaal vanuit TypeScript.
Waarom dit relevant is: de kloof tussen designtools en code is altijd een bron van frictie geweest. Designers creëren in Figma. Ontwikkelaars vertalen naar CSS. Discrepanties vermenigvuldigen zich. Stitch's SDK automatiseert de vertaallaag. Voor teams die continue design-naar-code-pijplijnen draaien, verwijdert dit een handmatige stap die elke keer fouten introduceert.
Manis Desktop AI Agent positioneert zich als een lokaal, privaat alternatief voor cloud-gebaseerde agentsystemen zoals OpenClaw. Het draait volledig op je bureaublad — geen API-aanroepen, geen data die je machine verlaat. De afweging is voor de hand liggend: je hebt hardware nodig die krachtig genoeg is om het onderliggende model lokaal te draaien, en het model dat je lokaal kunt draaien zal kleiner zijn dan wat via cloud-APIs beschikbaar is.
Maar voor ontwikkelaars die werken aan propriëtaire code, interne tools of iets dat valt onder strikt data governance-beleid, lost Manis een echt probleem op. Je AI-assistent ziet je code, plant aanpassingen en voert wijzigingen uit — allemaal zonder dat data een externe server raakt. Dat is een compliancegarantie die geen cloud-AI kan bieden.
Het patroon dat Stitch en Manis verbindt: ontwikkelaarstooling beweegt naar het geven van meer controle aan bouwers over waar hun AI draait, hoe het verbindt met hun workflow en welke data het kan benaderen. Het tijdperk van "stuur alles naar een API en hoop het beste" loopt ten einde. Ontwikkelaars willen AI die hun infrastructuurgrenzen respecteert.
Nog één release van deze week versterkt dat thema — en het is mogelijk de meest technisch significante van alles wat we hebben behandeld.
Moonshot's Attention Residual: De Architectuur Waar Niemand Over Praat
Onthoud deze naam: Attention Residual. Het is een nieuw aandachtsmechanisme van Moonshot AI, en ik geloof dat het de meest technisch belangrijke aankondiging van de week is — ook al kreeg het een fractie van de aandacht die de flashier releases kregen.
Dit is het probleem dat het oplost. Standaard transformer-aandacht behandelt elk vorig token met ruwweg gelijke rekenkundige belangrijkheid. Het model besteedt aandacht aan alles in zijn context — nuttige tokens, irrelevante tokens, ruis. Naarmate contextvensters groter worden (hallo, 1M tokens), wordt dit steeds verspillender. Je besteedt rekencapaciteit aan het attending tot context die er niet toe doet voor de huidige generatiestap.
Attention Residual introduceert selectiviteit. Het mechanisme leert te identificeren welke vorige context daadwerkelijk nuttig is voor de huidige voorspelling en deelt rekencapaciteit dienovereenkomstig toe. Zie het als het model dat leert scannen — niet elk woord met gelijke intensiteit lezen, maar diep focussen op de delen die er toe doen en de rest vluchtig passeren.
De resultaten op Moonshot's 48B-parametermodel: 1,25x rekencapaciteitsefficiëntie. Dat betekent dat je dezelfde outputkwaliteit krijgt voor 80% van de rekenkosten. Of — en dit is de interpretatie die ik interessanter vind — je krijgt betere outputkwaliteit voor hetzelfde rekenbudget, omdat het model zijn rekencapaciteit besteedt aan relevante context in plaats van die uniform over alles te verdelen.
Waarom dit verder gaat dan één enkel model: als Attention Residual (of daardoor geïnspireerde architecturen) breed wordt geadopteerd, verandert het de economie van grote contextvensters. Op dit moment zijn 1M-token-contexten duur om te serveren. Een efficiëntiewinst van 1,25x op de aandachtslaag werkt door in de hele inferentiepijplijn. Het maakt grote contexten goedkoper, wat ze toegankelijker maakt, wat betekent dat meer ontwikkelaars systemen kunnen bouwen die ze gebruiken.
De implicaties voor multi-agent-systemen zijn bijzonder interessant. Agents die coördineren via gedeelde contextvensters worden beperkt door hoe duur die gedeelde context is om te onderhouden. Efficiëntere aandacht betekent betaalbaardere coördinatie, wat betekent dat complexere multi-agent-workflows economisch haalbaar worden.
Eerlijk gezegd — ik heb geen tijd gehad om Attention Residual direct te testen. Het paper verscheen halverwege de week en de implementatie is nog niet publiekelijk beschikbaar. Ik werk vanuit de gepubliceerde resultaten en de architectuurbeschrijving. Maar de theoretische basis is degelijk, en de efficiëntiewinsten die ze rapporteren, kloppen met wat je zou verwachten van een mechanisme dat uniforme aandacht vervangt door selectieve aandacht.
Dit is het soort infrastructuurverbetering dat geen krantenkoppen haalt maar de komende twee jaar bepaalt wat mogelijk is. De flashy releases krijgen de tweets. De architectonische innovaties krijgen de impact.
Wat Deze Week Echt Betekent Voor Bouwers
Dit is mijn eerlijke lezing van de week, ontdaan van hype.
Als je dagelijks bouwt met AI: Het Claude 1M-contextvenster en Codex sub-agents zijn onmiddellijk bruikbaar. Pas je workflows aan. Stop met het handmatig fragmenteren van context. Begin met experimenteren met parallelle agent-uitvoering. Dit zijn geen toekomstige beloften — het zijn verzonden functies die je vandaag kunt gebruiken.
Als je zelf-gehoste modellen evalueert: Mistral Small 2 en Nvidia's Neotron Ultra hebben de vergelijking deze week veranderd. Het prestatiegat tussen open-source en propriëtair werd deze week aanzienlijk smaller. Voer je eigen benchmarks uit op je specifieke use cases, maar ga er niet meer automatisch van uit dat propriëtaire modellen beter zijn. Voor veel productieworkloads zijn ze dat niet.
Als je een technisch leider bent die architectuurbeslissingen neemt: Het multi-agent-patroon convergeert bij elke grote provider. Als je huidige AI-architectuur "één model, één prompt, één reactie" is, loop je al achter. Begin met het prototypen van agent-gebaseerde workflows. De tools zijn klaar. De modellen zijn capabel. De enige bottleneck is de organisatorische bereidheid om te heroverwegen hoe AI in je systemen past.
Als je het lange spel volgt: Let op Attention Residual en vergelijkbare architectonische innovaties. De huidige generatie basismodellen is rekengebonden. Architectuurverbeteringen die inferentie efficiënter maken, bepalen welke contextlengtes, agent-complexiteiten en modelgroottes op schaal economisch haalbaar worden. Het bedrijf dat efficiënte aandacht bij 10M+ tokens oplost, wint de volgende ronde.
Eén ding dat ik vorige maand fout had: ik voorspelde dat de kloof tussen open-source en propriëtair voor agent-capable modellen pas eind 2026 zou sluiten. Deze week bewees me zes maanden te vroeg ongelijk. Minimax M2.7, Mistral Small 2 en Neotron Ultra verschoven die tijdlijn gezamenlijk op manieren die ik niet had voorzien.
Het tempo vertraagt niet. Als er al iets is, versnellen de feedbacklussen tussen hardwareverbeteringen, architectonische innovaties en modelcapaciteiten. Elke vooruitgang maakt de volgende makkelijker.
Het Patroon Dat Ik Niet Kan Loslaten
Twaalf aankondigingen in zeven dagen. Dat is de oppervlakteobservatie. Het diepere patroon is wat aan me blijft trekken.
Elke grote aankondiging deze week wees dezelfde richting op: AI wordt ambient. Niet een tool die je opent. Niet een chatvenster dat je intypt. Een intelligentie geweven in je IDE, je designtools, je marketingstack, je bureaublad — continu draaiend, autonoom handelend, coördinerend met andere AI-systemen om complexiteit te verwerken die geen enkele agent alleen aankan.
Een jaar geleden was de vraag "hoe goed is de AI?" Nu is de vraag "hoeveel van mijn workflow verwerkt de AI al zonder dat ik het merk?" De verschuiving van capaciteit naar integratie ging sneller dan ik verwachtte. Deze week versnelde die beweging verder.
Ik begon dit overzicht met de poging om deze twaalf ontwikkelingen op belangrijkheid te rangschikken. Dat lukt niet. Het zijn geen twaalf afzonderlijke verhalen. Het zijn twaalf facetten van hetzelfde verhaal: AI-ontwikkeling in 2026 gaat minder over een enkel model of product en meer over het ecosysteem van agents, architecturen en infrastructuur dat autonoom AI-werk daadwerkelijk nuttig maakt.
Als je iets meeneemt uit dit overzicht, is mijn verzoek: kies één aankondiging uit deze lijst die relevant is voor jouw werk. Niet alle twaalf. Één. Ga het deze week testen. Bouw er iets kleins mee. Het verschil tussen lezen over AI-ontwikkelingen en ze zelf ervaren is het verschil tussen iemand zien zwemmen en zelf het water ingaan.
Het water is nu warm. En het wordt snel dieper.
Veelgestelde Vragen
Wat is de grootste AI-ontwikkeling van maart 2026?
Dat Claude's Opus 4.6 en Sonnet 4.6 1 miljoen token contextvensters bereiken met 78,3% MRCR v2-nauwkeurigheid is de meest direct impactvolle ontwikkeling voor werkende ontwikkelaars. Het elimineert contextbeheer als bottleneck voor de eerste keer. Voor de volledige benchmarkanalyse, zie mijn gedetailleerde analyse.
Is Mistral Small 2 beter dan GPT-5.4 of Claude Opus 4.6?
Mistral Small 2 loopt achter op beide in algemene redeneer-benchmarks maar concurreert effectief op agent- en tool-calling-taken. Het echte voordeel is Apache 2.0-licentie en zelf-hostcapaciteit — je bezit de implementatie volledig. Voor teams met data governance-vereisten kan het ondanks lagere piekprestaties de betere praktische keuze zijn.
Wat is Attention Residual en waarom is het belangrijk?
Attention Residual is een nieuw transformer-aandachtsmechanisme van Moonshot AI dat selectief aandacht besteedt aan relevante context in plaats van alle tokens gelijk te verwerken. Het bereikt 1,25x rekencapaciteitsefficiëntie op hun 48B-parametermodel, wat grote contextvensters aanzienlijk goedkoper zou kunnen maken om te serveren als de aanpak breed wordt geadopteerd.
Kan ik in 2026 AI-agents lokaal draaien zonder cloud-APIs?
Ja — verschillende tools ondersteunen nu volledig lokale AI-agent-workflows. Manis Desktop AI Agent draait volledig op jouw machine zonder externe API-aanroepen. Gecombineerd met open-source modellen zoals Mistral Small 2 of Minimax M2.7 kun je capabele agentsystemen bouwen die nooit data van je hardware sturen.
Hoe verhouden OpenAI Sub Agents voor Codex zich tot Claude Agent Teams?
Beide implementeren hetzelfde kernpatroon: gespecialiseerde sub-agents die parallel werken aan verschillende aspecten van een taak, coördinerend via gedeelde context. OpenAI's implementatie richt zich op CLI-gebaseerde ontwikkelworkflows terwijl Claude's agent teams over bredere taaktypes opereren. Tokenverbruik is hoger bij beide — ruwweg evenredig met het aantal parallelle agents.
Laten We Samenwerken
Wil je AI-systemen bouwen, workflows automatiseren of je technische infrastructuur schalen? Ik help je graag.
- Fiverr (custom builds & integraties): fiverr.com/s/EgxYmWD
- Portfolio: mejba.me
- Ramlit Limited (enterprise-oplossingen): ramlit.com
- ColorPark (design & branding): colorpark.io
- xCyberSecurity (beveiligingsdiensten): xcybersecurity.io
