GPT-6 Astra bouwt zelf symbolische modellen — wat betekent dat?

TL;DR

• Wat: OpenAI's GPT-6 Astra bouwt tijdens het oplossen van taken zelf compacte symbolische modellen — iets wat voorheen alleen handmatig geprogrammeerd werd.
• Waarom relevant: AI-systemen worden zelfstandiger in hoe ze problemen aanpakken, wat invloed heeft op welke taken je als ondernemer kunt uitbesteden aan AI.
• Wat je ermee kunt: Volg de komende weken hoe Astra presteert op echte bedrijfstaken voordat je beslist of je overstapt of investeert in nieuwe AI-tooling.

Gisteren lanceerde OpenAI GPT-6 Astra, en eerlijk gezegd was het niet de benchmarkscores die mijn aandacht trokken. Het was een specifiek gedrag dat onderzoekers van ARC Prize beschreven: Astra bouwt tijdens het werken aan onbekende taken zijn eigen symbolische notatie. Ik vind dat een opvallende ontwikkeling, en ik wil uitleggen waarom.

Wat er precies is gebeurd

OpenAI bracht op 3 september 2026 GPT-6 Astra uit. Het model werd getest op ARC-AGI-3, een benchmark die meet hoe goed AI-systemen omgaan met taken die ze nog nooit eerder hebben gezien. De scores: 62,7% in een gestandaardiseerde testopzet, en 99,9% in een opzet die het model meer ruimte gaf om zijn eigen redeneerstappen te beheren.

Maar de score is niet het hele verhaal. Wat opviel bij de onderzoekers van ARC Prize was hoe Astra die taken oploste. Het model beschreef omgevingen niet in gewone taal. In plaats daarvan ontwikkelde het een eigen verkorte notatie — zoiets als een compacte codetaal — om spelregels, objectlocaties en acties bij te houden. Denk aan afkortingen als "L8: hub q2 (8↓)" en stapsgewijze plannen als "extend8 to3; retract10 to2; shorten8 to1". Het bouwde, kort gezegd, zijn eigen gestructureerde wereldmodel.

Daarnaast gebruikte Astra op 96% van de geteste niveaus minder acties dan de gemiddelde menselijke deelnemer — gemiddeld 51,7% minder. Het model was niet alleen effectief, maar ook opvallend efficiënt.

Waarom dit een vijftig jaar oud debat raakt

Om te begrijpen waarom dit opvalt, helpt een stukje achtergrond. In de AI-wereld bestaat al decennia een discussie tussen twee kampen. Het ene kamp — de symbolische AI — zegt dat intelligentie draait om regels, logica en structuur. Het andere kamp — de neurale netwerken, waar deep learning onder valt — zegt dat intelligentie ontstaat door patronen te leren uit enorme hoeveelheden data.

Gary Marcus, een cognitief wetenschapper die al jaren pleit voor een combinatie van beide aanpakken (neurosymbolisch), noemde de Astra-resultaten "buitengewoon bevestigend". Hij ziet het als bewijs dat symbolische wereldmodellen onmisbaar zijn voor echte intelligentie.

Maar hier zit een interessante draai. Niemand heeft Astra verteld om die symbolen te maken. Niemand heeft die compacte notatie voorgeprogrammeerd. Een neuraal netwerk — het type systeem dat symbolen traditioneel niet gebruikt — heeft zelf besloten dat het symbolen nodig had.

Ik vind dat een fascinerende observatie. De vraag verschuift daardoor van "symbolen óf neurale netwerken?" naar iets subtielers: wanneer besluit een neuraal netwerk dat het symbolen nodig heeft?

Wat Marcus wél en niet zegt

Het is belangrijk om Gary Marcus' reactie in context te plaatsen. Hij noemt Astra "behoorlijk indrukwekkend" en ziet een oprechte vooruitgang. Maar hij plaatst ook stevige kanttekeningen.

Ten eerste: hij beschouwt de ARC-AGI-3-score niet als bewijs van kunstmatige algemene intelligentie (AGI). Hij verwacht, in zijn woorden, "nog volop problemen bij open taken in de echte wereld". Ten tweede maakt hij zich zorgen over de transparantie. OpenAI heeft volgens hem weinig gedeeld over hoe het systeem intern werkt. En ten derde noemt hij een veiligheidspunt: Astra lijkt minder goed te monitoren dan eerdere modellen. Meer capaciteit in combinatie met minder zicht op wat het systeem doet — dat is volgens Marcus een onwenselijke combinatie.

Wat mij betreft is dat een terechte waarschuwing. Als ondernemer wil je niet alleen weten wat een systeem kan, maar ook of je kunt volgen wat het doet en waarom.

Wat betekent dit voor ondernemers?

Laat ik vooropstellen: dit is een modellancering van één dag oud. De werkelijke waarde voor bedrijven moet zich nog bewijzen. Maar er zitten elementen in die ik relevant vind voor ondernemers.

Het model wordt zelfstandiger in probleemoplossing

Het feit dat Astra zelf een notatie bedenkt om problemen efficiënter op te lossen, suggereert dat toekomstige AI-tools minder afhankelijk worden van hoe jij een vraag formuleert. Stel dat je als ondernemer een complex logistiek probleem voorlegt — een model als Astra zou in theorie zelf kunnen bepalen hoe het dat probleem het beste structureert voordat het begint met oplossen.

Beschikbaarheid en kosten

Astra wordt de komende dagen beschikbaar voor ChatGPT Plus-, Pro-, Business- en Enterprise-abonnees, en via de OpenAI API. De prijs via de API ligt op $10 per miljoen invoertokens en $50 per miljoen uitvoertokens. Dat is niet goedkoop. Voor MKB-ondernemers die nu ChatGPT Business gebruiken, komt het model binnen handbereik — maar of de meerwaarde de kosten rechtvaardigt, hangt af van je specifieke toepassingen.

Transparantie blijft een aandachtspunt

Als je AI inzet voor taken waar fouten gevolgen hebben — denk aan financiële analyses, juridische teksten, of klantcommunicatie — dan wil je kunnen begrijpen hoe het systeem tot een antwoord komt. De signalen over verminderde monitorbaarheid bij Astra zijn iets om in de gaten te houden. Kun je je voorstellen dat je een systeem inzet dat betere resultaten levert, maar waarbij je minder goed kunt controleren hoe die resultaten tot stand komen?

De grotere verschuiving

Wat ik het meest opvallend vind aan dit verhaal, is niet de score of de snelheid. Het is het idee dat een AI-systeem zelf bepaalt hoe een probleem gerepresenteerd moet worden voordat het begint met oplossen. De vergelijking die in de brontweet wordt gemaakt met AlphaGo vind ik treffend: AlphaGo ontdekte Go-strategieën die mensen niet hadden bedacht. Astra lijkt een stap verder te gaan — het ontdekt niet alleen strategieën, maar ook de taal waarin het over die strategieën nadenkt.

Ik denk dat dit voor ondernemers uiteindelijk belangrijker is dan welke benchmark dan ook. Het betekent dat de AI-tools van de komende jaren niet alleen beter worden in antwoorden geven, maar ook in het stellen van de juiste vragen aan zichzelf.

Voor mij is dit vooral een signaal dat het AI-landschap fundamenteel aan het verschuiven is — niet alleen in wat deze systemen kunnen, maar in hoe ze werken. En dat laatste is iets waar we als ondernemers scherp op moeten blijven letten.