Wat je in het chatvenster niet zietWhat you don’t see in the chat window

Veel mensen hebben inmiddels een vraag aan ChatGPT gesteld. Je krijgt een vlot antwoord. Voor veel mensen is dit hoe ze naar AI kijken. Een kleine groep die er beroepsmatig mee werkt, heeft inmiddels een heel ander beeld. AI-onderzoeker Andrej Karpathy beschreef die kloof in april en opnieuw op 11 oktober. Ik leg zijn woorden naast onze eigen praktijk bij WIDE Solutions, met de bronnen en de kanttekeningen erbij.Many people have by now put a question to ChatGPT. You get a fluent answer. For many people this is how they look at AI. A small group that works with it professionally now has a very different picture. AI researcher Andrej Karpathy described that gap in April and again on 11 October. I set his words alongside our own practice at WIDE Solutions, with the sources and the caveats included.

Twee groepen die langs elkaar heen pratenTwo groups talking past each other

Karpathy is medeoprichter van OpenAI en werkt sinds mei 2026 bij Anthropic. Op 9 april schreef hij dat hij het begrip van wat AI kan steeds verder ziet uiteenlopen. Veel mensen hebben volgens hem ergens in 2025 de gratis versie van ChatGPT geprobeerd en hun beeld van AI daar „iets te veel” op gebaseerd. Daartegenover staat een groep die betaalt voor de nieuwste modellen en ze beroepsmatig gebruikt in technische vakken als programmeren, wiskunde en onderzoek. Die groep ziet een model programmeerproblemen oplossen waar je normaal dagen of weken voor uittrekt. Zijn conclusie: de twee groepen praten langs elkaar heen.Karpathy is a co-founder of OpenAI and has worked at Anthropic since May 2026. On 9 April he wrote that he sees a growing gap in the understanding of what AI can do. Many people, he says, tried the free version of ChatGPT somewhere in 2025 and let it shape their view of AI ‘a little too much’. Opposite them is a group that pays for the latest models and uses them professionally in technical fields such as programming, mathematics and research. That group watches a model solve programming problems you would normally set aside days or weeks for. His conclusion: the two groups are talking past each other.

Hij geeft er een verklaring bij die voor sceptici belangrijk is. De grootste sprongen zitten in werk waarvan je kunt toetsen of het goed is en dat de AI-bedrijven zakelijk het meeste oplevert. Een programma slaagt voor een test of het slaagt niet. Bij een tekst is dat veel moeilijker vast te stellen. Zoeken, schrijven en advies vragen zijn volgens hem dan ook niet de terreinen waar de vooruitgang het meest opvalt. Dat is precies waar veel mensen een chatvenster voor gebruiken.He adds an explanation that matters to sceptics. The biggest leaps are in work where you can test whether the result is right and that earns the AI companies the most commercially. A program passes a test or it does not. With a piece of text that is much harder to establish. Searching, writing and asking for advice are therefore, in his view, not the areas where progress is most noticeable. That is exactly what many people use a chat window for.

Op 11 oktober kwam hij erop terug. De kloof wordt volgens hem groter en lijkt inmiddels op een trechter met vier groepen.On 11 October he came back to it. The gap, he says, is widening and now looks like a funnel with four groups.

Bij deze cijfers horen drie kanttekeningen. Het is een ruwe schatting van Karpathy zelf en hij noemt er geen bron bij. De kleinste groep bestaat uit mensen bij de AI-bedrijven. Karpathy werkt daar zelf, dus van buitenaf is die bewering niet te controleren. En hij schrijft er zelf bij dat de meeste professionals nog maar een bescheiden verbetering zien.Three caveats go with these figures. It is a rough estimate by Karpathy himself and he gives no source for it. The smallest group consists of people at the AI companies. Karpathy works there himself, so from the outside that claim cannot be checked. And he himself adds that most professionals still see only a modest improvement.

Een cijfer van OpenAI zelf wijst dezelfde kant op. ChatGPT had in februari 900 miljoen wekelijkse gebruikers, van wie er 50 miljoen betalen. Dat is ruim 5 procent.A figure from OpenAI itself points the same way. In February ChatGPT had 900 million weekly users, of whom 50 million pay. That is just over 5 per cent.

Het verschil zit in de werkwijzeThe difference is in the way of working

Een deel van het verschil is toegang: wie betaalt, werkt met een beter model. Maar ook wie betaalt, ziet de grootste verbeteringen vooral in technische vakken. Karpathy schrijft daarnaast dat een vraag met een antwoord van één alinea het systeem nauwelijks belast. In 2023 zei hij het al zo:Part of the difference is access: those who pay work with a better model. But even those who pay see the biggest improvements mainly in technical fields. Karpathy also writes that a question with a one-paragraph answer barely stresses the system. As early as 2023 he put it like this:

Uit zijn lezing van juni 2025 en zijn berichten sindsdien halen wij vier verschillen in werkwijze: een toets in plaats van één antwoord, werkregels vooraf, vastgelegde kennis en een schuif voor zelfstandigheid.From his talk of June 2025 and his posts since then we take four differences in the way of working: a test in place of a single answer, working rules up front, recorded knowledge and a slider for autonomy.

Een toets in plaats van één antwoordA test in place of a single answer

In het chatvenster stel je een vraag en beoordeel je zelf het antwoord. Wie met een agent werkt, geeft een opdracht en zegt erbij wanneer het goed is. De agent voert uit, controleert zijn werk tegen die toets en herstelt tot het klopt. Het advies van Karpathy: zeg het model niet wat het moet doen, geef het de criteria voor succes en laat het werken. In februari beschreef hij hoe een agent na één opdracht in ongeveer dertig minuten een systeem voor videoanalyse opzette, testte en documenteerde. Drie maanden eerder had dat volgens hem makkelijk een weekendproject kunnen zijn. Hij schrijft er wel bij dat het niet perfect is. Een agent heeft sturing, oordeel en toezicht nodig en werkt het best bij taken die goed zijn omschreven en te toetsen zijn.In the chat window you ask a question and assess the answer yourself. Someone working with an agent sets a task and says when it is right. The agent executes, checks its work against that test and fixes it until it is right. Karpathy’s advice: do not tell the model what to do, give it the criteria for success and let it work. In February he described how an agent, given a single task, set up, tested and documented a system for video analysis in about thirty minutes. Three months earlier, he says, that could easily have been a weekend project. He does add that it is not perfect. An agent needs direction, judgement and oversight and works best on tasks that are well specified and can be tested.

Werkregels voorafWorking rules up front

Agents maken fouten die lijken op die van een haastige beginner. Karpathy noemt ze zelf: ze doen aannames zonder na te vragen, maken dingen ingewikkelder dan nodig en veranderen soms zaken die niets met de opdracht te maken hebben. Daar zijn werkregels voor: instructies die de agent vooraf meekrijgt. Ontwikkelaar Jiayuan Zhang leidde uit de waarnemingen van Karpathy vier regels af en zette ze in een openbaar instructiebestand.Agents make mistakes that resemble those of a hasty beginner. Karpathy lists them himself: they make assumptions without asking, make things more complicated than necessary and sometimes change things that have nothing to do with the task. That is what working rules are for: instructions the agent is given in advance. Developer Jiayuan Zhang derived four rules from Karpathy’s observations and put them in a public instruction file.

1. Eerst nadenken en navragenThink first and ask
2. Het eenvoudig houdenKeep it simple
3. Alleen aanraken wat bij de opdracht hoortOnly touch what belongs to the task
4. Werken naar een doel dat te toetsen isWork towards a goal that can be tested

Vastgelegde kennisRecorded knowledge

Een agent kent zijn vak, maar kent jouw organisatie niet. Wat nergens staat, komt niet in het resultaat terecht. Karpathy schreef in april dat een groot deel van zijn gebruik is verschoven van programmeren naar het opbouwen van kennisbanken: gewone tekstbestanden die het model zelf schrijft en bijhoudt. Zijn verklaring is nuchter. Mensen houden zo’n kennisbank niet bij, omdat het onderhoud sneller groeit dan het nut. Een model verveelt zich niet en vergeet geen verwijzing bij te werken.An agent knows its trade, but does not know your organisation. What is not written down anywhere does not end up in the result. Karpathy wrote in April that a large part of his usage has shifted from programming to building knowledge bases: plain text files that the model itself writes and maintains. His explanation is down to earth. People do not keep such a knowledge base up to date, because the upkeep grows faster than the value. A model does not get bored and does not forget to update a cross-reference.

Een schuif voor zelfstandigheidA slider for autonomy

Ervaren gebruikers bepalen per taak hoeveel zij uit handen geven. Karpathy noemt dat een schuif: jij bedient hem en stemt hem af op hoe ingewikkeld de taak is. In dezelfde lezing waarschuwt hij dat je de AI aan de lijn moet houden. Aan tienduizend regels code in één keer heeft hij niets, want hij blijft zelf het knelpunt. Wij hebben die schuif hieronder uitgewerkt in vier standen.Experienced users decide per task how much they hand over. Karpathy calls that a slider: you operate it and tune it to how complex the task is. In the same talk he warns that you have to keep the AI on the leash. Ten thousand lines of code in one go are no use to him, because he himself remains the bottleneck. Below we have worked that slider out in four settings.

Wat wij er nu mee oplossenWhat we are solving with it today

Voor mij is dit beeld niet nieuw. In juni 2025 schreef ik dat het werk verschuift van programmeren naar het nakijken van wat de AI-assistent maakt. In juli van dit jaar beschreef ik hoe ik met teams van agents werk. Bij WIDE Solutions werken wij elke dag zo, in de vierde stand van de schuif. Daarmee horen wij bij de ongeveer 20 miljoen mensen uit de trechter van Karpathy. Bouwen en nakijken zijn gescheiden rollen en zwaarder werk krijgt een tweede beoordeling door een ander model. Publiceren, mail versturen of uitrollen gebeurt pas na een akkoord van een mens.For me this picture is not new. In June 2025 I wrote that the work is shifting from programming to reviewing what the AI assistant produces. In July this year I described how I work with teams of agents. At WIDE Solutions we work this way every day, in the fourth setting of the slider. That puts us among the roughly 20 million people in Karpathy’s funnel. Building and reviewing are separate roles and heavier work gets a second assessment by a different model. Publishing, sending mail or deploying only happens after a human has given approval.

Vijf voorbeelden uit onze eigen praktijk.Five examples from our own practice.

1. 01
   Software bouwen en onderhoudenBuilding and maintaining software

   Aan onze software, waaronder Aviseo, ContraQ en SleQ, werken wij met agents. Een taak telt pas als afgerond wanneer de vooraf vastgelegde criteria zijn aangetoond. Sinds 25 maart hebben wij 6.664 taken vastgelegd, waarvan er 5.909 zijn afgerond.We work with agents on our software, including Aviseo, ContraQ and SleQ. A task only counts as completed once the criteria recorded in advance have been demonstrably met. Since 25 March we have recorded 6,664 tasks, of which 5,909 have been completed.

2. 02
   Besluiten en afspraken vastleggenRecording decisions and agreements

   Besluiten en afspraken leggen wij vast als gewone tekstbestanden bij het project. Dat zijn er inmiddels 925. Een agent leest ze bij elke nieuwe taak mee.We record decisions and agreements as plain text files alongside the project. There are now 925 of them. An agent reads them at the start of every new task.

3. 03
   Teksten toetsen aan de bronTesting texts against the source

   Deze website telt 84 pagina’s in twee talen. Een agent bouwt een pagina uit aangeleverde tekst. Automatische controles weigeren de wijziging bij een fout in een link of in een van de twee talen. Een tweede agent, die alleen de aanlevering en de pagina ziet, loopt de feiten na. Elke correctie van de redactie wordt een les voor de volgende keer. Dat zijn er nu 65. Publiceren gebeurt pas na mijn akkoord.This website has 84 pages in two languages. An agent builds a page from the text supplied. Automated checks reject the change if there is an error in a link or in one of the two languages. A second agent, which sees only the source material and the page, checks the facts. Every editorial correction becomes a lesson for next time. There are now 65 of them. Publishing only happens after my approval.

4. 04
   Vakvragen met bronvermeldingProfessional questions with sources

   Onze Gemeente Expert bouwt antwoorden op uit een eigen bibliotheek van wet- en regelgeving en vakliteratuur. Bij elk antwoord staat de bron.Our Gemeente Expert builds answers from its own library of legislation, regulations and professional literature. Every answer shows its source.

5. 05
   Inschrijven op aanbestedingenBidding for tenders

   Voor ons eigen bedrijf en voor andere bedrijven voert een agent het hele traject van een inschrijving uit, van de analyse van de uitvraag tot de evaluatie na gunning. Dit voorbeeld werken wij hieronder uit.For our own company and for other companies an agent carries out the entire process of a bid, from the analysis of the tender documents to the evaluation after the award. We work this example out below.

Het voorbeeld van de aanbestedingThe tender example

Een inschrijving doorloopt bij ons acht vaste fasen: intake, analyse van de uitvraag, winstrategie, prioritering, schrijven, kwaliteitscontrole, presentatie en evaluatie na gunning. De agent doet in elke fase het uitvoerende werk. Op drie momenten stopt het proces tot een mens akkoord geeft: na de analyse, na de winstrategie en op het kwaliteitsrapport. Het indienen blijft mensenwerk. Het verschil met een gewone inschrijving zit op vier punten.In our approach a bid goes through eight fixed phases: intake, analysis of the tender documents, win strategy, prioritisation, writing, quality control, presentation and evaluation after the award. The agent does the hands-on work in every phase. At three points the process stops until a human gives approval: after the analysis, after the win strategy and on the quality report. Submitting the bid remains human work. The difference from an ordinary bid lies in four points.

OnderwerpSubject	Gewone inschrijvingOrdinary bid	Inschrijving met een agentBid with an agent
De volgordeThe order	Onder tijdsdruk begint het schrijven vaak voordat de analyse af isUnder time pressure the writing often starts before the analysis is finished	Acht vaste fasen; overslaan kan niet, ook niet als de deadline nadertEight fixed phases; skipping is not possible, not even when the deadline is near
De controleThe check	Een collega leest het stuk na als er tijd over isA colleague reads the document through if there is time left	Een machinale controle op paginalimieten, schrijfwijzer en beloften buiten de uitvraag; elke bewering wordt naast haar bron gelegdAn automated check on page limits, the writing guide and promises outside the scope of the tender; every claim is checked against its source
Het geheugenThe memory	Lessen zitten in het hoofd van wie meeschreefLessons live in the heads of those who helped write it	Elke versie, elk akkoord en elke les staat in het dossier en gaat mee naar de volgende inschrijvingEvery version, every approval and every lesson is in the file and carries over to the next bid
De besluitenThe decisions	Bij de mensWith a human	Bij de mens: het akkoord op de analyse, de winstrategie en het kwaliteitsrapportWith a human: approval of the analysis, the win strategy and the quality report

De opzet staat beschreven op de pagina over onze aanbesteding-oplossing.The set-up is described on the page about our tender solution.

Dit sluit aan op wat wij eerder schreven: ons werk is verschoven naar opdrachten geven en resultaten beoordelen.This ties in with what we wrote earlier: our work has shifted to giving tasks and assessing results.

Waar de scepsis terecht isWhere the scepticism is justified

Wie AI wantrouwt omdat het fouten maakt, heeft gelijk over de fouten. Karpathy is daar zelf een goed voorbeeld van. Hij stelde zijn oordeel in ruim een jaar meer dan eens bij.Anyone who distrusts AI because it makes mistakes is right about the mistakes. Karpathy himself is a good example. He revised his judgement more than once in just over a year.

1. juni 2025June 2025

   Hij noemt dit het decennium van de agents, als reactie op wie 2025 het jaar van de agents noemde. De mens moet meekijken.He calls this the decade of agents, in response to those who called 2025 the year of agents. Humans have to stay in the loop.

2. oktober 2025October 2025

   Agents schieten volgens hem nog tekort en werken gewoon niet. Betrouwbaarheid kost volgens hem veel werk: werkt iets in 90 procent van de gevallen, dan is dat pas de eerste stap. De stap naar 99 procent kost evenveel werk en die naar 99,9 procent opnieuw.Agents, he says, still fall short and just do not work. Reliability, he says, takes a lot of work: if something works 90 per cent of the time, that is only the first step. The step to 99 per cent takes as much work again and so does the one to 99.9 per cent.

3. januari 2026January 2026

   Rond december zijn agents een drempel over. Zijn eigen programmeerwerk gaat in enkele weken van 20 naar 80 procent agents. Zijn advies bij werk dat ertoe doet: houd ze als een havik in de gaten.Around December agents cross a threshold. His own programming goes from 20 to 80 per cent agents within a few weeks. His advice for work that matters: watch them like a hawk.

4. februari 2026February 2026

   Een proef met acht agents tegelijk werkt niet en is een rommel. Agents voeren een goed omschreven idee heel goed uit, maar komen zelf niet met goede ideeën.A trial with eight agents at once does not work and is a mess. Agents implement a well-described idea very well, but do not come up with good ideas themselves.

5. oktober 2026October 2026

   De kloof groeit. Het nakijken en begrijpen door mensen begint achter te lopen.The gap is growing. Human review and comprehension are starting to fall behind.

Ook onafhankelijk onderzoek naar de opbrengst is niet eenduidig. Onderzoeksorganisatie METR liet in 2025 zestien ervaren programmeurs 246 taken doen, met en zonder AI. Met AI deden zij er 19 procent langer over, terwijl zij achteraf dachten 20 procent sneller te zijn geweest. In een vervolg begin 2026 waren terugkerende deelnemers naar schatting 18 procent sneller. METR noemt dat bewijs zelf zeer zwak.Independent research into the gains is not clear-cut either. Research organisation METR had sixteen experienced programmers carry out 246 tasks in 2025, with and without AI. With AI they took 19 per cent longer, while afterwards they believed they had been 20 per cent faster. In a follow-up in early 2026 returning participants were an estimated 18 per cent faster. METR itself calls that evidence very weak.

Wij schreven eerder dat het verschil tussen een demo en een betrouwbaar systeem bijna nooit in het model zit. Het zit in het harnas eromheen. Vakkennis blijft daarbij nodig. Van een leek maakt AI geen expert.We wrote earlier that the difference between a demo and a reliable system is almost never in the model. It is in the harness around it. Domain expertise remains necessary. AI does not turn a layperson into an expert.

De komende twee tot drie jaarThe next two to three years

Voorspellen is hier riskant. Ik begin daarom bij twee dingen die gemeten zijn.Predicting is risky here. So I start with two things that have been measured.

Het eerste is hoe groot de taken zijn die een agent zelfstandig afmaakt. METR houdt dat bij voor softwaretaken. Het sterkste model dat zij hebben gemeten, maakt een taak af waar een mens ongeveer drie uur over doet. Dat lukt in vier van de vijf pogingen. Bij taken van ongeveer zeventien uur lukt het nog in de helft van de pogingen. Die grens schuift snel op: sinds 2023 verdubbelt hij ruim elke vier maanden. METR waarschuwt zelf dat de metingen bij zulke lange taken onzeker zijn. Hoe lang het model er zelf over doet, publiceert METR niet, omdat dat per opstelling sterk verschilt. Wel schrijft METR dat agents bij taken die zij goed afmaken doorgaans enkele malen sneller zijn dan een mens.The first is how large the tasks are that an agent completes on its own. METR tracks this for software tasks. The strongest model it has measured completes a task that takes a human about three hours. It succeeds in four out of five attempts. For tasks of about seventeen hours it still succeeds in half of the attempts. That limit is moving fast: since 2023 it has been doubling every four months or a little longer. METR itself warns that measurements for such long tasks are uncertain. METR does not publish how long the model itself takes, because that varies greatly by set-up. It does write that agents are typically several times faster than a human on tasks they complete successfully.

Het tweede is hoeveel bedrijven AI gebruiken. Volgens het CBS was dat in 2023 8 procent van de Nederlandse bedrijven, in 2024 13 procent en in 2025 17 procent. Bij grote bedrijven, met 250 of meer werkzame personen, is het 66 procent.The second is how many companies use AI. According to Statistics Netherlands (CBS) that was 8 per cent of Dutch companies in 2023, 13 per cent in 2024 and 17 per cent in 2025. Among large companies, with 250 or more employed persons, it is 66 per cent.

Daarop baseren wij vier verwachtingen. Het zijn verwachtingen en geen feiten.We base four expectations on this. They are expectations and not facts.

OnderwerpSubject	VandaagToday	Over twee tot drie jaar · verwachtingIn two to three years · expectation
Een opdrachtA task	Uren werk per opdracht, vooral in softwareHours of work per task, mainly in software	Dagen werk per opdracht, eerst in werk dat digitaal te toetsen isDays of work per task, first in work that can be tested digitally
Het gereedschapThe tooling	Vraagt een terminal en technische kennisRequires a terminal and technical knowledge	Zit in gewone kantoorsoftwareIs built into ordinary office software
Het knelpuntThe bottleneck	Maken gaat snel, controleren begint achter te lopenMaking is fast, checking is starting to fall behind	Controleren is het knelpuntChecking is the bottleneck
De voorsprongThe advantage	Bij wie technisch is en betaalt voor de beste modellenWith those who are technical and pay for the best models	Bij wie zijn kennis en regels heeft vastgelegdWith those who have recorded their knowledge and rules

Een organisatie zonder mensen verwachten wij in die periode niet. Karpathy spreekt van een decennium en heeft dat voorbehoud voor zover wij konden nagaan niet ingetrokken. Op 2 oktober schreef hij dat modellen, naarmate ze beter worden, steeds meer van het uitvoerende werk zelfstandig zullen doen en dat veel meer van ons werk verschuift naar toezicht en begrip. Werk dat niet digitaal te toetsen is, verandert naar onze verwachting trager. Waarom controleren het schaarse werk wordt, schreven wij in augustus op.We do not expect an organisation without people in that period. Karpathy speaks of a decade and, as far as we could establish, has not withdrawn that reservation. On 2 October he wrote that models, as they get better, will do more and more of the legwork autonomously and that a lot more of our work will shift to oversight and understanding. Work that cannot be tested digitally will, we expect, change more slowly. We set out in August why verifying is becoming the scarce work.

Dat het ook mis kan gaan, laat een voorspelling van onderzoeksbureau Gartner zien. Gartner verwacht dat ruim 40 procent van de projecten met agentic AI vóór eind 2027 wordt stopgezet. Het noemt drie redenen: oplopende kosten, een onduidelijke opbrengst en te weinig beheersing van de risico’s. De meeste projecten zijn volgens Gartner nu vroege proeven die vooral door de hype zijn ingegeven. Dat zijn geen tekortkomingen van het model. Het zijn zaken die een organisatie zelf moet regelen: wat het mag kosten, wat het moet opleveren en wie er toezicht op houdt.That it can also go wrong is shown by a forecast from research firm Gartner. Gartner expects that more than 40 per cent of agentic AI projects will be cancelled by the end of 2027. It gives three reasons: escalating costs, unclear business value and inadequate risk controls. Most projects, according to Gartner, are currently early experiments driven mainly by hype. Those are not shortcomings of the model. They are matters an organisation has to arrange itself: what it is allowed to cost, what it has to deliver and who oversees it.

Wat dit voor jouw organisatie betekentWhat this means for your organisation

Het beeld uit het chatvenster klopt voor het chatvenster. De vraag is of jouw organisatie ook de andere kant heeft gezien. Daar is geen groot programma voor nodig. Kies één terugkerende taak waarvan je kunt zeggen wanneer hij goed is gedaan. Leg de regels en de uitzonderingen vast. Wijs iemand aan die het resultaat beoordeelt. Dan staat de schuif één stand verder en weet je uit eigen ervaring wat het oplevert.The picture from the chat window is right for the chat window. The question is whether your organisation has also seen the other side. That does not take a big programme. Pick one recurring task for which you can say when it has been done well. Record the rules and the exceptions. Appoint someone who assesses the result. Then the slider is one setting further and you know from your own experience what it delivers.

Wil je die eerste taak samen kiezen? Stuur Wil Peters of Dennis Verhaert een bericht via de contactpagina.Would you like to choose that first task together? Send Wil Peters or Dennis Verhaert a message via the contact page.

BronnenSources

De uitspraken van Andrej Karpathy zijn door ons uit het Engels vertaald. De oorspronkelijke teksten staan hieronder.Andrej Karpathy’s statements are quoted or paraphrased here from the English originals. The original texts are listed below.

Andrej KarpathyAndrej Karpathy

• Bericht van 11 oktober 2026 over de trechterPost of 11 October 2026 on the funnel
• Bericht van 9 april 2026 over de groeiende kloofPost of 9 April 2026 on the growing gap
• Bericht van 26 januari 2026 over zijn ervaringen met agentsPost of 26 January 2026 on his experience with agents
• Bericht van 25 februari 2026 over agents sinds decemberPost of 25 February 2026 on agents since December
• Bericht van 27 februari 2026 over een proef met acht agentsPost of 27 February 2026 on a trial with eight agents
• „LLM Knowledge Bases”, bericht van 2 april 2026‘LLM Knowledge Bases’, post of 2 April 2026 en de notitie and the note „LLM Wiki”‘LLM Wiki’
• Bericht van 2 oktober 2026 over toezicht en begripPost of 2 October 2026 on oversight and understanding
• Lezing „Software Is Changing (Again)”, Y Combinator, juni 2025Talk ‘Software Is Changing (Again)’, Y Combinator, June 2025
• Gesprek met Dwarkesh Patel, 17 oktober 2025Conversation with Dwarkesh Patel, 17 October 2025
• Bericht van 28 september 2023 over chatbots en rekenmachinesPost of 28 September 2023 on chatbots and calculators
• Bericht van 19 mei 2026 over zijn overstap naar AnthropicPost of 19 May 2026 on his move to Anthropic

Berichtgeving en afgeleid werkCoverage and derived work

• Business Insider, 12 oktober 2026: „Andrej Karpathy says this AI gap is widening”Business Insider, 12 October 2026: ‘Andrej Karpathy says this AI gap is widening’
• Business Insider, 10 april 2026: „He coined ‘vibe coding.’ Now he says there’s a ‘growing gap’ among AI users”Business Insider, 10 April 2026: “He coined ‘vibe coding.’ Now he says there’s a ‘growing gap’ among AI users”
• Jiayuan Zhang: „Karpathy-Inspired Claude Code Guidelines”Jiayuan Zhang: ‘Karpathy-Inspired Claude Code Guidelines’
• Fortune, 21 oktober 2025: „Did an OpenAI cofounder just pop the AI bubble? ‘The models are not there’”Fortune, 21 October 2025: “Did an OpenAI cofounder just pop the AI bubble? ‘The models are not there’”

Cijfers en onderzoekFigures and research

• TechCrunch, 27 februari 2026: „ChatGPT reaches 900M weekly active users”TechCrunch, 27 February 2026: ‘ChatGPT reaches 900M weekly active users’
• CBS, 12 december 2025: „Bedrijven gebruiken AI vaakst voor marketing of verkoop”Statistics Netherlands (CBS), 12 December 2025: ‘Bedrijven gebruiken AI vaakst voor marketing of verkoop’ (in Dutch)
• Gartner, 25 juni 2025: „Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027”Gartner, 25 June 2025: ‘Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027’
• METR: „Task-Completion Time Horizons of Frontier AI Models”, bijgewerkt 8 september 2026METR: ‘Task-Completion Time Horizons of Frontier AI Models’, updated 8 September 2026
• METR, 10 juli 2025: „Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity”METR, 10 July 2025: ‘Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity’
• METR, 24 februari 2026: „We are Changing our Developer Productivity Experiment Design”METR, 24 February 2026: ‘We are Changing our Developer Productivity Experiment Design’