AI die zichzelf kopieert komt volgens Anthropic dichterbij
In het kort
Kleine AI-modellen komen volgens Anthropic dichter bij het punt waarop ze zichzelf kunnen verspreiden over slecht beveiligde apparaten. Het bedrijf ziet aanwijzingen in experimenten, waarover Reuters op 13 oktober berichtte. Voor ondernemingen raakt dit aan een heel praktische vraag: hoe geef je een slimme digitale assistent voldoende vrijheid om nuttig te zijn, terwijl je grip houdt op zijn werk? Een veilige inrichting kan lokale AI juist aantrekkelijker maken, doordat bedrijven beter weten welke gegevens en systemen bereikbaar zijn.
Een kastje naast de televisie ziet er niet uit als AI-infrastructuur. Toch zitten er een processor, geheugen en een internetverbinding in. Die combinatie geeft zulke apparaten een tweede, veel minder zichtbare functie: ze kunnen ook software uitvoeren waarvoor de eigenaar ze nooit heeft gekocht.
Dat is de gedachte achter het onderzoek waarover Reuters op 13 oktober 2026 bericht. Anthropic, de maker van Claude, onderzocht of taalmodellen zelfstandig andere apparaten kunnen vinden, daar een model aan het werk kunnen zetten en vervolgens verder kunnen gaan. Kleine modellen blijken al verschillende onderdelen van die klus aan te kunnen. Het betrouwbaar aan elkaar knopen van alle stappen blijft moeilijk.
Hier komen twee ontwikkelingen samen die de komende jaren veel bedrijven gaan raken. AI wordt bruikbaarder op relatief bescheiden computers. Tegelijk krijgt de software eromheen steeds meer mogelijkheden om zelf handelingen uit te voeren. Dat opent de deur naar handige bedrijfsassistenten, maar vraagt ook om duidelijke afspraken over hun toegang.
Inhoud van dit artikel
Wat zichzelf kopiëren bij AI eigenlijk betekent
Wie een chatbot gebruikt, ziet vooral een venster met vragen en antwoorden. Achter dat venster zit een model: een groot pakket getallen dat tijdens het trainen is gevormd. Die getallen, de modelgewichten, bepalen samen met de software hoe het systeem invoer verwerkt. Kopiëren betekent hier dat software en eventueel die gewichten op een andere computer terechtkomen.
Om daar vervolgens iets mee te doen, is een agent nodig. Dat is software die het model koppelt aan hulpmiddelen, zoals bestanden openen of programma's uitvoeren. Het model stelt een volgende stap voor, de software voert die uit en het resultaat gaat terug naar het model. Zo kan een reeks handelingen ontstaan die langer duurt dan één gesprek.
Een nuttig voorbeeld is een assistent die binnengekomen documenten sorteert, ontbrekende gegevens signaleert en een conceptantwoord klaarzet. Dezelfde soort zelfstandigheid maakt het technisch voorstelbaar dat software onderzoekt op welke andere computer zij kan werken. Of dat lukt, hangt onder meer af van de beschikbare hulpmiddelen, het geheugen en de toegangsbeveiliging.
Dat onderscheid helpt om de kop boven dit nieuws te begrijpen. Een bestand met modelgewichten begint niet uit zichzelf over internet te zwerven. De combinatie van model, uitvoerende software en bereikbare systemen bepaalt wat mogelijk is. Bewustzijn of een eigen overlevingsdrang is voor zo'n technisch proces niet nodig.
Twee proeven laten zien waar de grens nu ligt
In het onderzoek van 12 oktober liet Anthropic Gemma4-26B-A4B draaien op vijftien door onderzoekers verbonden tv-kastjes. Dat toont dat eenvoudige apparaten samen een model kunnen dragen. De verspreidingsproef gebruikte acht afgeschermde cloudcomputers die Android nabootsten, met sterk vereenvoudigde toegangsbeveiliging. GLM-5.2 stuurde de handelingen aan via een aparte server; op de doelcomputers werd Llama3.1-8B ingericht. Na controles startte de testomgeving een volgende agent.
De onderzoekers toonden dus verschillende bouwstenen. De tv-kastjes bewijzen dat zulke hardware kan rekenen; de andere proef onderzoekt het organiseren van de verspreiding. Die resultaten samen zijn nog geen demonstratie van een klein model dat volledig zelfstandig van huishoudelijk apparaat naar huishoudelijk apparaat trekt.
Volgens het door Reuters beschreven onderzoek zouden kleine modellen bij voortzetting van hun historische ontwikkeling tegen eind 2026 voldoende vaardig kunnen worden. Dat is een verwachting onder een aanname over vooruitgang. Voor bedrijven is vooral relevant dat het onderzoek de voorwaarden voor zo'n systeem concreter maakt. Beveiliging verbeteren kost tijd, waardoor een vroege aanwijzing al bruikbaar kan zijn.
Er is bovendien een bredere onderzoekslijn. Een wetenschappelijke voorpublicatie van 2 juni, van Jonas Guan en collega's, beschrijft experimenten met AI-gestuurde computerwormen die hun aanpak aanpassen aan verschillende systemen. Een worm is software die zichzelf tussen computers verspreidt. Die studie richt zich op aanpassing aan de omgeving; Anthropic onderzoekt nu nadrukkelijk de mogelijkheden van kleinere modellen en beperkte hardware. Beide gaan over onderzoeksopstellingen, niet over een gemeten uitbraak onder consumenten.
Waarom een kleine computer economisch interessant wordt
Een gewone computerworm werkt met vooraf geprogrammeerde mogelijkheden. Een model kan daar een flexibeler onderdeel aan toevoegen: het kan reageren op een onbekende situatie, een foutmelding interpreteren en een andere aanpak voorstellen. De voorpublicatie van juni onderzoekt precies die aanpasbaarheid. Voor een verdediger betekent dit dat alleen het herkennen van één vast patroon mogelijk minder houvast biedt.
Reuters beschrijft ook waarom verspreide AI lastiger te stoppen zou zijn. Als de berekeningen op allerlei apparaten plaatsvinden, is er geen enkele aanbieder die met één ingreep alle activiteit beëindigt. Losse apparaten en verbindingen kunnen nog steeds worden afgesloten. De uitdaging verschuift naar het vinden van alle plekken waar het systeem actief is.
De zakelijke betekenis daarvan gaat verder dan de stroomrekening van een tv-kastje. Denk aan een bedrijf met vergaderapparatuur, camera's, werkplekken en een eigen AI-server. Zodra zulke systemen met elkaar verbonden zijn, wordt hun onderlinge bereikbaarheid onderdeel van de beveiliging. Het etiket op het apparaat vertelt weinig over wat software er technisch mee kan doen.
Voor de AI-markt levert dat een interessante verschuiving op. Een model dat een taak goed uitvoert is één onderdeel van een bruikbaar product. Bedrijven moeten ook kunnen vaststellen wie het heeft aangezet, waar het mag werken en hoe zij het weer stoppen. Onze economische lezing is dat beheer en controle daardoor een grotere rol kunnen krijgen bij de aankoopbeslissing.
Een lokale AI-assistent verdient een eigen werkplek
Lokale AI blijft aantrekkelijk voor organisaties die gevoelige documenten binnen hun eigen omgeving willen verwerken. De vraag is welke omgeving zij daarvoor bouwen. Een assistent die alleen een geselecteerde map mag lezen heeft een overzichtelijke taak. Een assistent met het beheerdersaccount van een medewerker kan veel meer systemen beïnvloeden.
Het Britse NCSC adviseert om die vrijheid bewust te begrenzen. Geef agents een eigen identiteit, beperk hun rechten en netwerktoegang, houd hun handelingen bij en zorg dat ingrijpen mogelijk blijft. Een sandbox, een afgeschermde uitvoeromgeving, helpt daarbij. Alleen een instructie als 'blijf van andere systemen af' biedt onvoldoende bescherming; de omgeving moet die grens technisch ondersteunen.
Het Nederlandse NCSC legt uit waarom netwerksegmentatie nuttig is. Daarbij worden belangrijke systemen in afzonderlijke zones geplaatst, zodat een probleem zich minder gemakkelijk kan verspreiden. De inrichting vraagt zorgvuldigheid en kan het best met de IT-dienstverlener worden besproken.
Voor ons documentvoorbeeld is de vertaling eenvoudig. De assistent krijgt toegang tot de documenten die hij moet verwerken en een plek om concepten neer te zetten. Betalingen uitvoeren, camera's benaderen of andere computers beheren hoort niet bij die opdracht. Extra mogelijkheden kunnen later worden toegevoegd wanneer er een aantoonbare reden voor is en de controle meegroeit.
Ook de aanschaf van gewone apparaten telt mee. De IoT-catalogus van het Amerikaanse NIST behandelt onder meer herkenbare apparaten, afgeschermde toegang, veilige software-updates en informatie over de beveiligingstoestand. Daarmee krijgt een inkoopgesprek praktische inhoud: welke ondersteuning levert de fabrikant, wie kan instellingen wijzigen en hoe wordt duidelijk dat een apparaat onderhoud nodig heeft?
Wat veilige automatisering mag kosten
De financiële vraag begint bij de taak die een bedrijf wil verbeteren. Een goedkope lokale assistent kan duur uitpakken als medewerkers voortdurend fouten herstellen. Een zorgvuldig ingerichte toepassing kan juist waardevol zijn wanneer zij na controle nog steeds veel werk uit handen neemt.
Neem een fictief bedrijf dat een afgebakende documentassistent wil invoeren. We begroten €6.000 vooraf: €3.000 voor apparatuur en inrichting, plus €3.000 voor toegangsbeveiliging en invoering. Daarnaast reserveren we €2.400 per jaar voor stroom, software en beheer. Dit zijn expliciete rekenaannames per 13 oktober 2026, geen offerte of gemeten projectkosten. In een echte begroting moeten die posten worden vervangen door passende prijzen en werkzaamheden.
We waarderen een vrijgespeeld productief uur op €50. De tijdwinst meten we na het nakijken van de uitkomsten en het herstellen van fouten. Bij twintig netto uren per maand ontstaat €12.000 jaarlijkse capaciteitswaarde. Na €2.400 lopende kosten resteert €9.600. Dat wordt pas een kasbesparing wanneer bijvoorbeeld betaalde inhuur vervalt; anders krijgt het bedrijf vooral ruimte om meer werk te doen.
De omgekeerde som maakt de keuze helder. Over drie jaar, met een rekenrente van 8% en zonder restwaarde, moet jaarlijks ongeveer €2.328 overblijven om de investering van €6.000 te dragen. Inclusief lopende kosten vraagt dat ongeveer €4.728 aan jaarlijkse tijdwaarde. Gedeeld door €50 per uur en twaalf maanden is dat 7,9 netto uren per maand. De formule is: benodigde maanduren = (€6.000 / 2,5771 + €2.400) / (€50 × 12).
Voor de drie komende jaren rekenen we met acht, twintig of veertig netto uren per maand in het eerste jaar. Daarna groeit het aantal nuttig bespaarde uren jaarlijks met 10%, bijvoorbeeld doordat meer geschikte documenten worden verwerkt. Die groei is een aanname over gebruik, geen voorspelling over de slimheid van modellen. Het uurtarief en de lopende kosten houden we gelijk. De bedragen zijn exclusief aftrekbare btw, vóór belasting en financiering. De investering wordt één keer afgetrokken; afschrijving wordt niet nogmaals als uitgave meegerekend.
Het lage pad laat zien hoe smal de marge kan zijn wanneer een toepassing weinig wordt gebruikt. Het hogere pad vraagt aantoonbaar veel nuttig werk. Wie een pilot uitvoert, kan daarom beter de werkelijk vrijgespeelde uren bijhouden dan uitsluitend tellen hoeveel antwoorden de assistent produceert. Het model geeft geen geldwaarde aan voorkomen cyberincidenten en bewijst ook niet dat de gekozen beveiliging voldoende is.
Voor beleggers wordt beheer een belangrijker onderdeel van AI
De mogelijke markt ligt bij partijen die bedrijven helpen AI gecontroleerd in te zetten: met goed toegangsbeheer, overzicht over apparaten en werkbare ingrepen wanneer iets misgaat. Een leverancier die dit begrijpelijk en betrouwbaar organiseert, kan een drempel voor gebruik wegnemen. Daar zit een positieve kant aan het nieuws: betere beveiliging kan meer toepassingen mogelijk maken.
Een vergelijkbare zakelijke vraag kwam aan bod in onze analyse van Nvidia en de verkoop van veilige AI-infrastructuur. Hier draait het om de bredere aankoopbeslissing. Betaalt de klant voor afzonderlijke beveiliging, neemt hij een compleet beheerd systeem af of verwacht hij deze functies standaard bij zijn bestaande leverancier? Het antwoord bepaalt wie de economische waarde ontvangt.
Anthropics onderzoek maakt die vraag urgenter. De nuttigste vervolgstap voor een bedrijf is overzicht krijgen over zijn apparaten, toegangsrechten en AI-toepassingen. Daarmee ontstaat een stevigere basis voor experimenteren. Een digitale assistent wordt uiteindelijk waardevol wanneer hij zelfstandig nuttig werk kan doen én het bedrijf kan blijven volgen wat er gebeurt.
Opmerkingen