H-JEPA: een AI die plant zoals wij denken

TL;DR

• Wat: Onderzoekers rond Yann LeCun presenteren H-JEPA, een AI-architectuur die in meerdere lagen en tijdschalen plant — van globaal doel naar concrete actie.
• Waarom relevant: Dit type planning brengt autonome AI-systemen (robots, logistiek, klantenservice) dichter bij bruikbaar niveau voor bedrijfsprocessen.
• Wat je ermee kunt: Volg de ontwikkeling van "world models" — ze bepalen hoe betrouwbaar en zelfstandig AI-agents straks in jouw bedrijf kunnen werken.

Afgelopen week verscheen er een nieuw onderzoekspaper met de naam H-JEPA, begeleid door Yann LeCun — de AI-onderzoeker die bij Meta verantwoordelijk is voor een groot deel van het fundamentele AI-onderzoek. Wat mij triggerde: dit paper pakt een probleem aan dat ik herken uit hoe wij als mensen plannen, en het doet dat op een manier die verrassend intuïtief klinkt.

Wat is H-JEPA precies?

H-JEPA staat voor Hierarchical Joint Embedding Predictive Architecture. Dat is een mond vol, maar het idee erachter is eigenlijk heel herkenbaar.

Stel dat je als ondernemer een nieuw magazijn wilt inrichten. Je begint niet met nadenken over waar elke schroef moet zitten. Je denkt eerst: welke zones heb ik nodig? Dan: hoe lopen de looproutes? En pas daarna: waar komen de stellingen precies? Je plant in lagen — van grof naar fijn.

De meeste AI-systemen die een omgeving moeten begrijpen en daarin moeten handelen, werken niet zo. Ze proberen alles in één keer te plannen, in één enkele "latente ruimte" (zeg maar: één intern model van de wereld) en op één tijdschaal. Dat is alsof je bij het inrichten van dat magazijn tegelijkertijd over de schroeven én over de brandveiligheid nadenkt — in dezelfde gedachte.

H-JEPA stapelt meerdere JEPA-modellen op elkaar, elk met een eigen tijdschaal. Het bovenste niveau bepaalt op hoofdlijnen waar een agent naartoe moet. Elk lager niveau vertaalt dat naar concretere tussendoelen, totdat het onderste niveau daadwerkelijke acties uitvoert.

Het paper is geschreven door Wancong Zhang, Basile Terver, Michael Rabbat, Yann LeCun en Randall Balestriero, en is op 5 oktober 2026 gepubliceerd op arXiv. De code is beschikbaar op GitHub.

De resultaten: van 18% naar 73% succesrate

De onderzoekers testten H-JEPA in vier gesimuleerde omgevingen voor navigatie en manipulatie. Het opvallendste resultaat komt uit Visual AntMaze — een testomgeving waarin een virtuele robot door een doolhof moet navigeren op basis van wat hij "ziet".

Met een standaard (plat) JEPA-model slaagde de agent in 18% van de gevallen. Met de drielaagse H-JEPA-opzet steeg dat naar 73%. En — wat ik misschien nog interessanter vind — het systeem gebruikte daarbij minder rekenkracht voor de planning.

Dat klinkt bijna tegenstrijdig. Meer lagen, maar minder rekenwerk? Het punt is dat elke laag alleen hoeft te plannen op zijn eigen abstractieniveau. Het bovenste niveau hoeft niet na te denken over kleine details, en het onderste niveau hoeft niet het hele doolhof te overzien. Die arbeidsverdeling bespaart rekenstappen.

De onderzoekers hebben het systeem ook losgelaten op echte robotvideo's uit de DROID-dataset, met veelbelovende eerste resultaten. Maar — en dat is eerlijk om te benoemen — de echte validatie in complexe, fysieke omgevingen moet nog komen.

Waarom "world models" ertoe doen voor ondernemers

Je hebt misschien gehoord van AI-agents: systemen die zelfstandig taken uitvoeren in software of fysieke omgevingen. Denk aan een AI die je boekhouding bijwerkt, je voorraad beheert, of klantvragen afhandelt zonder dat jij elke stap hoeft te controleren.

De kwaliteit van zo'n agent hangt af van hoe goed hij de wereld om zich heen begrijpt en vooruit kan denken. Dat is precies wat een world model doet: het is het interne model dat een AI-systeem gebruikt om te voorspellen wat er gaat gebeuren als het een bepaalde actie onderneemt.

Van simpele taken naar complexe processen

De huidige AI-agents zijn al behoorlijk goed in afgebakende taken. Maar zodra een proces uit veel stappen bestaat, over langere tijd loopt, of tussentijds moet worden bijgestuurd, wordt het lastig. Dat is precies het probleem dat H-JEPA aanpakt: lange-termijnplanning opdelen in behapbare brokken.

Kun je je voorstellen wat dit betekent als je een logistiek proces hebt waarbij een AI-systeem niet alleen de eerstvolgende stap moet kiezen, maar vooruit moet denken over tientallen stappen? De hiërarchische aanpak maakt dat realistischer — zowel qua nauwkeurigheid als qua kosten.

De markt groeit snel

Volgens recente schattingen groeit de mondiale markt voor AI-agents naar meer dan 10,9 miljard dollar in 2026, met een groeipercentage van ruim 45% per jaar. Dat is geen abstract getal. Het betekent dat steeds meer bedrijven — ook in het MKB — te maken krijgen met AI-systemen die zelfstandig beslissingen nemen. De vraag is niet óf, maar wanneer de world models achter die agents goed genoeg zijn voor jouw specifieke bedrijfsproces.

Wat maakt de aanpak van LeCun anders?

Yann LeCun hamert al jaren op een specifiek punt: AI-systemen moeten niet proberen om de wereld pixel voor pixel te voorspellen. In plaats daarvan moeten ze leren voorspellen in een abstracte ruimte — een vereenvoudigde representatie van de werkelijkheid die de ruis en onvoorspelbare details weglaat.

Dat is wat JEPA doet. En H-JEPA voegt daar de hiërarchie aan toe. Het hogere niveau "gooit" snelle, onvoorspelbare details bewust weg en houdt alleen de langzamere, taakrelevante informatie vast. Vergelijk het met hoe een directeur naar bedrijfscijfers kijkt: niet elke individuele transactie, maar trends en patronen.

Wat mij opvalt is dat deze benadering haaks staat op hoe veel huidige AI-modellen werken, die juist steeds meer detail proberen te verwerken. LeCun stelt in feite: slim weglaten is krachtiger dan alles onthouden. Ik vind dat een verfrissend perspectief, juist in een tijd waarin "groter is beter" het dominante verhaal is in AI.

Nuancering: het is onderzoek, geen product

Ik wil wel eerlijk zijn: H-JEPA is op dit moment een onderzoeksresultaat, geen kant-en-klaar product. De tests zijn gedaan in gesimuleerde omgevingen. De stap naar de echte wereld — met alle rommeligheid, onvoorspelbaarheid en randgevallen die daarbij horen — is groot.

Bovendien is een succesrate van 73% indrukwekkend als verbetering ten opzichte van 18%, maar voor een bedrijfskritisch proces zou je waarschijnlijk boven de 95% willen zitten. Er is dus nog een weg te gaan.

Toch vind ik het waardevol om dit soort ontwikkelingen te volgen. De stap van 18% naar 73% laat zien dat de hiërarchische aanpak fundamenteel iets oplost. En fundamentele verbeteringen hebben de neiging om snel door te sijpelen naar toepassingen.

Waar het op neerkomt

Voor mij is dit paper vooral een signaal dat AI-planning volwassener begint te worden. Niet door meer brute rekenkracht, maar door slimmer te structureren — net zoals wij als mensen complexe problemen aanpakken. Als die aanpak zich doorvertaalt naar de AI-agents die over een paar jaar in bedrijfssoftware zitten, dan worden die systemen niet alleen capabeler, maar ook zuiniger met rekenkracht. En dat laatste is voor een ondernemer minstens zo relevant als het eerste.