NVIDIA's AI scoort hoger dan beste mens op programmeerwedstrijd

TL;DR

• Wat: NVIDIA's Nemotron-model scoorde 535,4 van de 600 punten op de International Olympiad in Informatics (IOI) 2026 — ruim boven de 498,27 van de best presterende menselijke deelnemer.
• Waarom relevant: het laat zien dat AI-systemen complexe, onbekende programmeerproblemen sneller en beter kunnen oplossen dan toptalent, wat gevolgen heeft voor softwareontwikkeling in elk bedrijf.
• Wat je ermee kunt: evalueer of jouw ontwikkelprocessen een duidelijk "goed of fout"-signaal hebben — precies daar is AI het sterkst inzetbaar.

Ik stuitte op een bericht van NVIDIA dat me even stil liet staan. Hun AI-model, Nemotron-3-Ultra-CC, heeft op de Internationale Informatica Olympiade van 2026 hoger gescoord dan de beste menselijke deelnemer. Niet op een oud examen, maar op nieuwe opgaven, onder dezelfde omstandigheden als de studenten. Dat vond ik het uitzoeken waard.

Wat is er precies gebeurd?

De International Olympiad in Informatics (IOI) is de wereldwijde programmeerwedstrijd voor de slimste jonge informatici. Dit jaar vond de wedstrijd plaats van 9 tot 16 augustus in Tasjkent, Oezbekistan, met 375 deelnemers uit 92 landen. Het is, om het in perspectief te plaatsen, zoiets als de Olympische Spelen voor programmeren.

NVIDIA's onderzoekers lieten hun Nemotron-model los op de opgaven van IOI 2026. Het resultaat: 535,4 van de 600 punten, beoordeeld door het officiële IOI-team. De best scorende menselijke deelnemer behaalde 498,27 punten. De grens voor een gouden medaille lag op 361,12 punten.

Belangrijk detail: het model werkte onder dezelfde voorwaarden als de menselijke deelnemers — geen internettoegang, dezelfde tijdslimieten en hetzelfde beoordelingssysteem. Dat maakt de vergelijking eerlijker dan bij veel andere AI-benchmarks die je voorbij ziet komen.

Hoe werkt het systeem?

NVIDIA zette twee varianten in. Het kleinere model, Nemotron-3-Nano-CC, heeft 30 miljard parameters waarvan er 3 miljard tegelijk actief zijn — een zogeheten mixture-of-experts architectuur. Dat klinkt technisch, maar het idee is simpel: stel je een kantoor voor met 30 specialisten, maar je stuurt elke vraag naar de 3 die er het meest van weten. Efficiënt.

Het grotere model, Nemotron-3-Ultra-CC, telt 550 miljard parameters met 55 miljard actief per bewerking. Dat is het model dat de topscore behaalde.

Het trainingmateriaal bestond uit 22.000 zorgvuldig samengestelde programmeerproblemen. Daarnaast werden 1,2 miljoen zogenaamde "reasoning traces" — stap-voor-stap denkprocessen — gebruikt om het kleinere model te trainen. Die traces waren afgeleid van een ander AI-model, DeepSeek-V4-Flash. De onderzoekers benadrukken dat alle IOI-opgaven bewust buiten het trainingsmateriaal zijn gehouden.

De slimme truc: GenCorrect

Wat mij het meest opvalt, is niet het model zelf maar de methode die NVIDIA "GenCorrect" noemt. Het werkt als een soort iteratief verbeterproces: het model genereert meerdere mogelijke oplossingen, test ze, bekijkt wat er misgaat en verfijnt de aanpak. Genereren, evalueren, bijsturen — en dat herhaaldelijk.

De impact hiervan is opvallend. Bij eerdere IOI-opgaven verbeterde deze techniek de score van het kleinere Nano-model van 291 naar 468 punten. Dat is een verbetering van zo'n 60%, zonder dat het model extra werd getraind. De winst zit dus niet in een groter of duurder model, maar in een slimmer proces eromheen.

Ik vind dit eerlijk gezegd het interessantste onderdeel van het hele verhaal. Het principe — maak iets, controleer het, verbeter het, herhaal — is niet exclusief voor AI. Het is een aanpak die je als ondernemer herkent uit kwaliteitsprocessen. Het verschil is dat een AI-systeem dit duizenden keren per minuut kan doen.

Wat betekent dit voor een ondernemer?

Laat ik eerlijk zijn: de meeste MKB-bedrijven organiseren geen programmeerwedstrijden. Maar het achterliggende principe is breder toepasbaar dan je misschien denkt.

De onderzoekers wijzen er zelf op dat GenCorrect het best werkt bij taken met een objectief en meetbaar "goed of fout"-signaal. Bij een programmeerwedstrijd is dat helder: de code werkt of hij werkt niet. In de dagelijkse bedrijfsvoering zijn er meer taken met zo'n signaal dan je op het eerste gezicht denkt.

Stel dat je als ondernemer een webshop runt. Productbeschrijvingen controleren op feitelijke juistheid, facturen checken op rekenfouten, data-invoer valideren — dat zijn stuk voor stuk taken waar een AI een oplossing kan genereren, zelf kan controleren en kan verbeteren. Niet omdat de AI "slim" is in menselijke zin, maar omdat er een helder criterium is waaraan het resultaat moet voldoen.

Kun je je voorstellen wat dit betekent als je tientallen of honderden van zulke taken per dag hebt?

Tegelijkertijd — en dit is een belangrijke nuance — benadrukken meerdere bronnen dat deze aanpak minder goed werkt bij taken zonder zo'n objectief signaal. Echte softwareontwikkeling, met vage eisen, bestaande systemen en menselijke context, is fundamenteel anders dan een olympiadeopgave. Ik denk dat het goed is om dat onderscheid scherp te houden.

Hoe serieus moet je dit nemen?

Er zijn een paar dingen die dit resultaat geloofwaardiger maken dan gemiddeld AI-nieuws. Ten eerste: de beoordeling is gedaan door het officiële IOI-team, niet door NVIDIA zelf. Ten tweede: het ging om nieuwe, onbekende opgaven — geen hergebruikte trainingsdata. En ten derde: de omstandigheden waren gelijk aan die van menselijke deelnemers.

Tegelijk is het goed om te beseffen dat dit een gespecialiseerd systeem is, gebouwd voor precies dit type wedstrijd. Het is geen algemene AI die morgen jouw hele IT-afdeling overneemt. Meerdere commentatoren, waaronder de analyse op Ken Ashe's blog, wijzen erop dat IOI-problemen bij uitstek geschikt zijn voor AI: ze zijn afgesloten, helder gedefinieerd en machinaal controleerbaar. De echte wereld is dat zelden.

Wat mij betreft is het meest waardevolle inzicht niet dat AI beter programmeert dan een achttienjarige topper. Het is dat de combinatie van een redelijk model met een slim verificatieproces meer oplevert dan brute rekenkracht alleen. Dat patroon — genereren, controleren, verbeteren — is iets om in de gaten te houden, ook als je geen regel code schrijft.

Voor mij is dit vooral een signaal dat de waarde van AI niet alleen in het model zit, maar in het proces eromheen. En dat is goed nieuws, want processen kun je als ondernemer wél beïnvloeden.