AI-agents aansturen, privacy-updates en open modellen: wat je moet weten

TL;DR

• Wat: Andrew Ng beschrijft welke vaardigheden je nodig hebt om met AI-coding-agents te werken, terwijl OpenAI en Anthropic strijden om het vertrouwen van zakelijke klanten op het gebied van dataprivacy.
• Waarom relevant: als ondernemer die AI inzet, bepalen zowel je eigen vaardigheden als het privacybeleid van je leverancier hoeveel waarde je eruit haalt.
• Wat je ermee kunt: evalueer of je team klaar is om met coding agents te werken, en check de dataretentievoorwaarden van de AI-diensten die je nu gebruikt.

Deze week viel mijn oog op de nieuwsbrief The Batch van DeepLearning.AI, waarin drie onderwerpen samenkomen die ik elk op zich al interessant vind — maar samen een vrij helder beeld schetsen van waar we nu staan met AI in het bedrijfsleven. Andrew Ng schrijft over de vaardigheden die je nodig hebt om coding agents goed aan te sturen, OpenAI en Anthropic maken flinke stappen op het gebied van enterprise-privacy, en open modellen worden steeds serieuzer als alternatief. Ik loop ze alle drie langs.

Coding agents vragen een eigen aanpak

Andrew Ng — medeoprichter van Google Brain en oprichter van DeepLearning.AI — noemt het aansturen van coding agents inmiddels een kernvaardigheid voor iedereen die met AI werkt. Zijn formulering: "A key AI engineering skill is using coding agents. Your skill at steering them both to write code and to carry out non-code tasks allows you to get a lot more done."

Wat mij hier opvalt, is dat het niet gaat om "een tool leren gebruiken" zoals je een nieuw softwarepakket leert. Ng beschrijft het als een fundamenteel andere manier van werken. Eerder dit jaar introduceerde hij het begrip loop engineering: een raamwerk van drie geneste feedbackloops die samen bepalen hoe effectief je met een coding agent samenwerkt.

De drie loops uitgelegd

1. De agentic coding loop — Je geeft de AI-agent een specificatie en eventueel een set evaluatiecriteria. De agent schrijft vervolgens code, test die zelf, en blijft itereren tot het resultaat klopt. Vergelijk het met een medewerker die je een opdracht geeft en die zelfstandig blijft bijschaven tot het goed is.

2. De developer feedback loop — Dit is de laag waar jij als mens terugkomt. Je bekijkt wat de agent heeft gemaakt, stuurt bij, past de specificatie aan. Dit duurt minuten tot uren.

3. De external feedback loop — Hier komt de buitenwereld erin: feedback van testgebruikers, A/B-tests, productiedata. Die loop kan dagen of weken duren en voedt je visie terug in de specificatie.

Ik vind dit een helder model. Het maakt tastbaar wat er anders is aan werken met een AI-agent versus zelf code schrijven of een freelancer briefen. De kern: je moet leren denken in specificaties en evaluatiecriteria, niet in instructies stap voor stap.

Kun je je voorstellen wat dit betekent als je een klein softwareteam hebt? Het verschil tussen iemand die goed is in loop engineering en iemand die dat niet is, kan enorm zijn in productiviteit. Ng benadrukt ook dat de best practices snel verschuiven — je moet bereid zijn om continu nieuwe tools en werkwijzen uit te proberen.

OpenAI en Anthropic strijden om enterprise-vertrouwen

Het tweede onderwerp dat me trof, is de concurrentieslag tussen OpenAI en Anthropic op het gebied van dataprivacy. Beide bedrijven richten zich steeds nadrukkelijker op zakelijke klanten, en die klanten stellen terecht scherpe vragen over wat er met hun data gebeurt.

OpenAI: Private Safety Processing

OpenAI heeft een systeem aangekondigd genaamd Private Safety Processing. Het idee: een geautomatiseerd systeem dat misbruik opspoort — bijvoorbeeld iemand die schadelijke verzoeken spreidt over meerdere sessies — zonder dat klantdata wordt bewaard. Volgens TechCrunch wordt het systeem momenteel getest met een kleine groep klanten, waaronder bedrijven als Databricks en Microsoft. Een bredere uitrol en een technisch witboek zijn aangekondigd voor september 2026.

Wat mij betreft is dit een slimme zet. Veel ondernemers die ik tegenkom in discussies over AI maken zich zorgen over waar hun bedrijfsdata terechtkomt. Een systeem dat veiligheid biedt zonder data te bewaren, spreekt dat direct aan.

Anthropic: dataretentie voor nieuwe modellen

Anthropic kiest voor een andere aanpak bij zijn nieuwste modellen. Volgens Bloomberg bewaart Anthropic bij bepaalde geavanceerde modellen — naar verluidt Claude Fable 5 en Claude Mythos 5 — sessiedata tot 30 dagen en staat het beperkte menselijke review toe via een gecontroleerd toegangspad. Het bedrijf erkent zelf dat dit "unpopular" zal zijn bij klanten die gewend zijn aan zero data retention. Bestaande Claude-modellen behouden volgens Anthropic wel de huidige zero-retentievoorwaarden.

Dit is een punt om scherp op te zijn als ondernemer. Stel dat je gevoelige bedrijfsinformatie verwerkt via een AI-dienst — dan maakt het nogal uit of die data 30 dagen bewaard wordt of helemaal niet. Ik zou zeggen: check de voorwaarden van de modellen die je op dit moment gebruikt, niet alleen van de aanbieder in het algemeen.

Open modellen als serieus alternatief

Het derde thema uit The Batch gaat over open weight modellen — AI-modellen waarvan de gewichten openbaar beschikbaar zijn, zodat je ze zelf kunt draaien en aanpassen. Waar die modellen een paar jaar geleden nog duidelijk achterliepen op gesloten diensten als GPT of Claude, is dat gat flink kleiner geworden.

Volgens een analyse van OpenRouter houden open modellen al ruim anderhalf jaar een consistente achterstand van drie tot zes maanden op de frontier-modellen van de grote labs. Dat klinkt misschien als veel, maar voor heel wat bedrijfstoepassingen is dat ruim voldoende.

Een paar modellen die op dit moment opvallen:

• DeepSeek V4 — uitgebracht onder de MIT-licentie, ondersteunt contexten tot een miljoen tokens en is ontworpen om sterk te presteren tegen lage kosten.
• GLM-5.2 — aanbevolen voor werk met lange contexten en veel code.
• Qwen3-Coder-Next — een compact model (80 miljard parameters totaal, 3 miljard actief) dat realistisch zelf te hosten is voor coding-workflows.

Wat betekent dit praktisch? Als je als MKB-ondernemer nu veel betaalt voor API-calls naar gesloten modellen, is het de moeite waard om te kijken of een open model dezelfde taak net zo goed kan uitvoeren — tegen een fractie van de kosten. Niet voor alles, maar voor gestandaardiseerde taken zoals het samenvatten van documenten, classificatie of code-assistentie kan het verschil groot zijn.

Wat dit samen vertelt

Ik vind het interessant dat deze drie ontwikkelingen tegelijk spelen. Enerzijds worden AI-tools krachtiger en veelzijdiger — coding agents die zelfstandig itereren, open modellen die steeds dichter bij de top komen. Anderzijds wordt de vraag "maar wat gebeurt er met mijn data?" steeds urgenter, juist omdat bedrijven meer bedrijfskritische processen via AI laten lopen.

Voor mij is dit vooral een signaal dat AI-adoptie in het bedrijfsleven een volgende fase ingaat. Het gaat niet meer alleen om of je AI gebruikt, maar om hoe — welke vaardigheden je team ontwikkelt, welke modellen je kiest, en onder welke voorwaarden je data wordt verwerkt. Dat zijn geen technische vragen meer. Dat zijn bedrijfsbeslissingen.