DruckFin

NVIDIA-transcript: Jensen Huang over het bouwen van enterprise super-agents en de verschuiving van bedrijfsprocessen naar AI-harnesses

10 juli 2026 - NVIDIA en LangChain 'fireside chat' over enterprise AI-agents

Introductie

Harrison: Ik ben erg blij om hier met Jensen te zitten. Er is het afgelopen jaar enorm veel vooruitgang geboekt op het gebied van AI en agents, maar ik heb het gevoel dat dit vooral de afgelopen maanden in een stroomversnelling is geraakt. We hebben veel van deze vooruitgang gezien in de vorm van betere prestaties, maar tegelijkertijd is ook gebleken dat openheid, controle en vertrouwen in veel van deze modellen en de systemen eromheen steeds belangrijker zijn geworden.

Waarom NVIDIA investeert in een open agent-ecosysteem

Jensen: Voordat ik antwoord geef, wil ik je eerst feliciteren met al het werk dat je verricht. Als je naar de afgelopen zes maanden kijkt, zijn we het er denk ik beiden over eens dat, hoewel we al 15 jaar aan AI werken, de laatste zes maanden alles hebben veranderd. Alle technologie, de vooruitgang in large language models, de schaalvergroting, de doorbraken, de omni-modellen, de multimodaliteit; dat is allemaal fantastisch. Maar uiteindelijk kwamen de afgelopen zes maanden alle puzzelstukjes samen en is AI nu eindelijk nuttig. En nu AI nuttig is, wil elk bedrijf ter wereld ermee aan de slag. De vraag is nu: hoe? En dat is waar LangChain in beeld komt. Jij had altijd al de visie dat het large language model het essentiële ingrediënt was, de fundamentele technologie, maar om er een nuttig product van te maken, moet je het omringen met wat we nu een 'harness' noemen. Er komt zoveel meer bij kijken.

Harrison: Zoveel meer.

Jensen: Vroeger gebruikten we LangChain om van een large language model een promptable API te maken. We gebruikten LangChain om onze RAG's te bouwen en we gebruikten LangChain, stap voor stap, wat leidde tot de agents van vandaag. De grote doorbraak van de afgelopen zes maanden zijn de agentic systems die gebaseerd zijn op informatie, gebaseerd op kennis, die tools kunnen gebruiken om te zoeken, die beschikken over een geheugen dat ze zelf beheren, die safeguards hebben en die in staat zijn om te itereren totdat de klus geklaard is. Maar uiteindelijk hadden we modellen nodig die een bepaald niveau van bekwaamheid bereikten om alles samen te laten komen in dat beslissende moment. Dat is waar Claude Code de verbeelding rondom agentic systems echt heeft aangewakkerd. OpenClaw was natuurlijk een grote stap, evenals al het werk dat je hebt gedaan met Deep Agents – wij gebruiken dat zelf ook – en dat alles kwam samen en bam, hier zijn we dan met agentic systems.

Jensen (vervolg): De reden waarom we dit doen, is dat we ons al jaren inzetten voor het bouwen van open systemen. De reden daarvoor is dat AI uiteindelijk een fundamentele technologie is. Het is alleen nuttig als het in tal van verschillende use cases wordt toegepast. De eerste use case is natuurlijk taal en cognitieve intelligentie, en dat is uiteraard heel belangrijk. We stellen ons een wereld voor waarin wetenschappers, digitale biologen, ontwerpers, roboticisten, studenten, onderzoekers en enterprise IT allemaal agentic systems en AI kunnen gebruiken om domeinspecifieke problemen op te lossen. Veel van de problemen die we willen oplossen, vereisen gespecialiseerde domeinkennis die simpelweg niet elders beschikbaar is en die we in onze AI moeten inbedden. Of we geloven dat AI uiteindelijk een super-agent wordt wanneer we het in een vliegwiel plaatsen: we gebruiken het, het wordt slimmer, het wordt nuttiger. We gebruiken het nog meer, het wordt nog slimmer. Een beetje zoals wij, zoals mensen, die in de loop van de tijd leren.

Harrison: Leren in de loop van de tijd.

Jensen: We stellen ons dus een toekomst voor waarin AI een fundament heeft. Het werk dat Anthropic, OpenAI en Google doen is fantastisch. Maar er zijn gespecialiseerde AI's, domeinspecifieke AI's en propriëtaire AI's die mensen willen bouwen, en wij willen die wereld mogelijk maken.

Hoe specialiseer je agentic systems?

Harrison: Laten we even dieper ingaan op dat onderwerp van specialisatie. Hoe kunnen we deze systemen volgens jou het beste specialiseren? Is dat puur het model, of is het ook de harness, de context eromheen? Wat komt er kijken bij die specialisatie?

Jensen: De specialisatie begint bij het hebben van intelligentie die goed genoeg is. Daarom hebben we aan Nemotron gewerkt en ik vind het geweldig dat jij deel uitmaakt van het oprichtende team van de Nemotron Coalition. We hebben Nemotron Ultra behoorlijk indrukwekkend gemaakt. Nemotron Ultra is een geweldig model om mee te beginnen, maar het wordt een ongelooflijk model wanneer je het LangChain-framework en de LangChain-harness eromheen bouwt, zodat je het baseert op domeinspecifieke informatie. Een intelligent persoon wordt supernuttig wanneer we hem toegang geven tot cruciale informatie. Toegang tot informatie is dus belangrijk. Het in een vliegwiel plaatsen – waarbij je het model misschien zelfs traint, het model post-trainen binnen de LangChain-harness – zorgt ervoor dat het model goed wordt in het toepassen van de harness eromheen.

Harrison: Wat je wilt dat het doet voor die specifieke taak.

Jensen: Precies, wat je wilt dat het doet. Ik denk dat dit moment nu is aangebroken, maar we hebben een open 'harnessing system' nodig dat we zelf kunnen bouwen, kunnen toepassen en in de loop van de tijd kunnen verbeteren.

Harrison: Ik vind wat je zei over het model dat 'goed genoeg' moet zijn erg sterk. Ik heb het gevoel dat die drempel ongeveer een jaar geleden werd overschreden door sommige frontier-modellen, en zes maanden geleden door sommige open-weight modellen.

Jensen: Ja.

Nemotron 3 Ultra bereikt frontier-prestaties in Deep Agents

Harrison: Je sprak over Nemotron 3 Ultra. We hebben veel werk verzet om dat model echt goed te laten presteren in Deep Agents. Een van de dingen die we deden, was de harness aanpassen om deze optimaal te maken voor dit model, omdat we merkten dat verschillende modellen verschillende prompts en verschillende tools nodig hebben. Met die aanpassingen slaagden we erin om Nemotron 3 Ultra in Deep Agents op onze interne benchmark naar 86% te krijgen.

Jensen: Oeh.

Harrison: Claude Opus zit ter vergelijking op 87%. DeepSeek en een van de Minimax-modellen zitten op 82%, 83%. We zien dus dat sommige van de recentere open-weight modellen echt frontier-prestaties bereiken.

Jensen: Ik weet het. Ik ben zo trots. Het is werkelijk ongelooflijk. Dank je wel.

Harrison: Het is inderdaad ongelooflijk. Maar minstens zo belangrijk is dat het tien keer zo goedkoop is als Opus. Ik denk dat open-weight modellen een goede balans beginnen te vinden tussen prestaties en kosten. Ik ben benieuwd hoe jij ziet dat deze kostenfactor de vergelijking voor bouwers verandert.

Hoe kosten de vergelijking voor bouwers veranderen

Jensen: Het voordeel van kosten uit zich op een paar manieren. Ik ben van mening dat wanneer je kosteneffectieve intelligentie hebt, mensen er simpelweg meer van gebruiken. Wanneer je een kosteneffectieve agent hebt, kun je itereren over een grotere zoekruimte. Als resultaat kan het antwoord daadwerkelijk beter zijn. In het geval van Nemotron is het kosteneffectief omdat het zo snel is. Het is computationeel zeer efficiënt. Wanneer het computationeel efficiënt is, kan het grotere ruimtes verkennen. Het is niet anders dan wanneer iemand snel kan denken; je kunt meer ruimte verkennen. Wanneer je sneller dingen kunt proberen, kun je een beter antwoord vinden.

Jensen (vervolg): Dat is het ongelooflijke voordeel van Nemotron 3 Ultra binnen het LangChain-framework en de LangChain-harness in Deep Agents. Het kan zo snel denken, zo snel verkennen, zo snel en efficiënt itereren dat het betere antwoorden zal vinden. Ik ben dus erg enthousiast dat we een model hebben gemaakt dat dicht bij de frontier ligt. Maar door de omgeving rondom Nemotron aan te passen, heb jij ervoor gezorgd dat het frontier-mogelijkheden levert. Voor mensen werkt het hetzelfde. Natuurlijk willen we de slimste mensen ter wereld aannemen. Maar daarnaast geven we ze toegang tot tools, geven we ze toegang tot informatie en creëren we de wereld om hen heen zodat ze hun volledige potentieel kunnen benutten. Je past dus de omgeving aan, niet alleen het model. En dat is waar LangChain om de hoek kwam kijken.

Harrison: Wat je zei over het meer gebruiken van intelligentie omdat het goedkoper en sneller is, dat merken wij ook. Ik denk dat een van de dingen die ik – ik beschouw mezelf als AI-forward – heb onderschat, de vraag naar intelligentie en tokens is, en hoe enorm die markt is. Dat is de laatste tijd vooral duidelijk geworden. Nu deze modellen goed worden en echt snel en goedkoop zijn, hoe moeten we dan kijken naar het gebruik van frontier-modellen? Moeten we altijd deze open-source modellen gebruiken? Is er een tijd en plaats voor beide?

Frontier-modellen vs. open modellen: wanneer gebruik je welke?

Jensen: De frontier-modellen worden steeds beter en ik verwacht volledig dat ze onvoorstelbaar goed zullen worden. Ze hebben nog een lange weg te gaan wat betreft verbetering. De schaalvergroting en de 'scaling laws' zullen standhouden. Hun harnesses verbeteren constant. Hun technologie voor het omgaan met geheugen, of het nu gaat om werkgeheugen of langetermijngeheugen, vordert ongelooflijk snel. De compacteringstechnologieën, alle vooruitgang in retrieval-augmented generation en knowledge graphs; er worden nog steeds veel ongelooflijke verbeteringen doorgevoerd in de API's van deze frontier-modellen. Hoe ik erover denk is: eerlijk gezegd begin ik al mijn werk met de frontier.

Harrison: Oké.

Jensen: De reden daarvoor is dat het nuttig is. Ik weet wat het potentieel is. Het kost iets meer geld, maar mijn tijd om het werk gedaan te krijgen is kort.

Het bouwen van gespecialiseerde super sub-agents

Jensen: Na verloop van tijd merk ik echter dat ik er sub-agents aan wil toevoegen. Ik wil sub-agents verbinden die super-agents zijn in bepaalde vaardigheden. We hebben optimalisatieproblemen binnen ons bedrijf die betrekking hebben op de supply chain. Misschien is het gerelateerd aan chipontwerp-optimalisatie of floorplanning-optimalisatie. Deze optimalisatieproblemen zijn waanzinnig moeilijk. Je kunt dus niet zomaar een algemene AI erop loslaten en verwachten dat je een geweldig antwoord vindt. Dus creëren we super sub-agents, en deze super sub-agents bouwen we met Deep Agents, LangChain Deep Agents met Nemotron 3 erin, en we verbinden ze zelfs met gespecialiseerde tools. Dat ding is gebouwd voor één taak. Die super-agent probeert niet mijn reizen te boeken. Hij probeert alleen onze supply chain te optimaliseren. In dat geval heb ik LangChain echt nodig. Ik heb Nemotron 3 Ultra echt nodig en ik verbind het met veel propriëtaire kennis en propriëtaire vaardigheden. Ik heb een heel team dat zich alleen bezighoudt met het verfijnen daarvan.

Jensen (vervolg): Ik denk dat dit een bedrijf definieert. Een bedrijf draait eigenlijk om een verzameling van al deze super-propriëtaire, super-belangrijke workflows. En nu kunnen we LangChain met Deep Agent en Ultra, met Nemotron 3 erin, inzetten en het geeft hen alle controle die ze nodig hebben, super efficiënte toegang tot ongelooflijke tools. Dat is de toekomst.

Advies voor ondernemingen: wanneer specialiseren?

Harrison: Heb je advies voor ondernemingen als ze jouw werkwijze volgen om met de frontier te beginnen en dan te gaan specialiseren? Wanneer moeten ze nadenken over specialisatie? Wat zijn de triggers waar jij op let?

Jensen: Zodra het goed genoeg is. Ik zou beginnen met Claude Code en Codex en het zo lang mogelijk gebruiken. Eerlijk gezegd hoef je voor veel dingen nooit te vervangen, omdat ze steeds beter worden en ze op een traject zitten dat waanzinnig snel nieuwe mogelijkheden zal bieden. Ik denk dus dat we in de toekomst, net zoals bedrijven nu werknemers aannemen vanwege hun domeinspecialisatie en de verfijning van het werk, de werkprocessen en al hun levenservaringen in het bedrijf, ook consultants inhuren, externe tools licentiëren en werk uitbesteden. Ik denk dat dit de toekomst is voor AI. Zullen we frontier-modellen blijven gebruiken? Absoluut, en heel veel. Maar gaan we ook gespecialiseerde super-agents creëren met LangChain en Nemotron 3 Ultra die in feite je kroonjuwelen zouden kunnen zijn? Het antwoord is absoluut ja.

Harrison: Ik denk dat zelfs voor de consultants die je inhuurt, net als wanneer je een consultant binnenhaalt, je ze op de hoogte moet brengen van de organisatie, context moet geven over hoe dingen werken, welke tools ze nodig hebben die toegang hebben tot data die alleen binnen jouw organisatie bestaat. Een van de dingen die we zien is dat naarmate ondernemingen AI gaan adopteren, ze al deze systemen eromheen moeten bouwen om de agentic systems in hun geheel betrouwbaar, veilig en goed bestuurd te maken. Ik ben benieuwd hoe jij dat ziet – en om daarop voort te borduren: de meeste bedrijven zijn vandaag de dag gebouwd op bedrijfsprocessen.

Jensen: Ja.

Bedrijven gebouwd op harnesses, niet op bedrijfsprocessen

Jensen: In de toekomst zullen de meeste bedrijven gebouwd zijn op harnesses. Het idee is dat LangChain het instrument wordt dat het besturingssysteem voor het bedrijf creëert, en iedereen zal LangChain gebruiken om zijn gespecialiseerde harness te maken, die een workflow uit het verleden vertegenwoordigt. En nu wordt deze harness binnen die workflow autonoom, agentic en veel efficiënter.

Harrison: Ik denk dat we zien dat deze dingen... er is de harness, er is het model, en dan is er alle context eromheen, en al deze kunnen op verschillende momenten in de tijd worden geoptimaliseerd.

Jensen: Dat klopt.

Harrison: En dus was het werk dat we met Nemotron 3 deden een geweldig voorbeeld van dingen met een behoorlijk hoge ROI rondom de harness, het veranderen van de prompt, het veranderen van de tools. Een van de dingen waar we naar uitkijken is experimenteren met het post-trainen van Nemotron. Het kost wat meer tijd, maar ik denk dat het het plafond van wat dit algehele systeem kan doen echt verhoogt.

Jensen: Dit is ongelooflijk. Dit is de grote doorbraak. Wat je zojuist beschreef is een toekomst waarin, zodra je de harness hebt gebouwd en het werk doet, en het nu deel uitmaakt van het bedrijfsproces en zeer succesvol is, de vraag is: hoe krijgen we het nóg beter? Natuurlijk kun je de informatie die je hebt verstrekt blijven verbeteren. Je kunt de harness tunen, maar je kunt nu ook het AI-model, het large language model, Nemotron 3 Ultra, binnen de harness verbeteren. Ik denk dat dat een complete doorbraak is. Dat is een mogelijkheid die nog nooit eerder heeft bestaan, en ik ben daar super enthousiast over. Het gaat al deze ondernemingsspecifieke bedrijfsprocessen echt helpen om dit vliegwiel te tunen.

Waarom open stacks ondernemingen versterken

Harrison: Een van de dingen die we horen wanneer we met ondernemingen praten, is de vraag of behoefte dat dit gebouwd wordt op een open ecosysteem. Dit is alle kennis en processen van deze onderneming die ze erin stoppen, en volledige controle daarover hebben lijkt voor velen van hen van het grootste belang. Ik ben benieuwd of je kunt ingaan op hoe jij ziet dat open stacks ondernemingen echt versterken bij het verder gaan met AI.

Jensen: Elk bedrijf is fundamenteel gebouwd op domeinspecifieke of gespecialiseerde intellectuele eigendom. De reden waarom we het intellectuele eigendom noemen – intellectueel, het is intelligentie. Elk bedrijf is gebouwd op intelligentie, een fundament van intelligentie dat gespecialiseerd is. Ons bedrijf is gespecialiseerd in iets. We zijn niet goed in alles, maar we zijn heel goed in één ding, en elk bedrijf is zo gebouwd. Die specialisatie, de intelligentie van je bedrijf, is wie je bent. Je kunt het onmogelijk niet blijven controleren, verbeteren, beter maken, toch? En op de een of andere manier die intelligentie uitbesteden, of je nu een persoon, bedrijf of land bent, is voor mij volstrekt onlogisch. Natuurlijk is er algemene intelligentie, en er zijn algemene dingen die we allemaal doen, en dat is een groot deel van de economie. Bijvoorbeeld, software programmeren is eigenlijk een algemene vaardigheid. We programmeren allemaal in Python, we programmeren allemaal in C++, we programmeren allemaal, toch? Je past het toe op verschillende dingen, maar de vaardigheid van coderen is grotendeels hetzelfde, en dat is een algemene vaardigheid. Schrijven is een algemene vaardigheid. Maar dat zijn fundamentele vaardigheden die we vervolgens toepassen voor onze gespecialiseerde domeinintelligentie, en dat is waar LangChain en Nemotron in beeld komen.

Jensen (vervolg): Ik denk dat het fundament van de samenleving deze fundamentele modellen zal hebben, en ze zullen algemeen zijn, ze zullen beschikbaar zijn in de cloud, en het zal ongelooflijk zijn. Maar bovenop dat platform zullen we onze eigen gespecialiseerde mogelijkheden moeten bouwen, en daar heb je open tools voor nodig. En je kunt het niet uitbesteden. Ik kan me niet voorstellen dat ik een derde partij bel wanneer ik mijn intelligentie moet verbeteren. Ik moet het hier in het bedrijf verbeteren. Ik denk dus dat die toekomst niet het een of het ander is. Het is een volledig complementaire visie, en wat we eigenlijk doen is ervoor zorgen dat geautomatiseerde intelligentie wordt geïntegreerd in alle aspecten van alles wat we doen. En als resultaat zullen we allemaal beter worden.

Harrison: Helemaal mee eens, en ik denk dat het nog steeds moeilijk is om die integratie draaiende te krijgen.

Aankondiging van de Deep Agents + OpenShell Blueprint

Harrison: Een van de dingen die we vandaag aankondigen is een blueprint met Deep Agents en OpenShell binnen de NemoClaw-blueprints. Hiermee kunnen ondernemingen Deep Agents met Nemotron 3 Ultra draaien binnen OpenShell, wat een veilige en open runtime is, en daarvan profiteren.

Jensen: Dat klopt.

Harrison: Dit maakt het hopelijk een stuk makkelijker voor ondernemingen om aan de slag te gaan.

Jensen: Zo'n enorme stap. Ja, alle belangrijke ingrediënten die nodig zijn om je persoonlijke domeinspecifieke, propriëtaire super-agent te bouwen: alle technologieën, alle componenten, alle tooling, alle 'harnessing' en de blueprint, een geweldig voorbeeld, allemaal voor je samengebracht.

Harrison: Hoe kijken jullie tegen blueprints aan? Jullie hebben er veel. Dit is overduidelijk de beste. Ik zal je niet dwingen dat te zeggen.

Jensen: Ja.

Harrison: Maar ik zeg het wel. Dit is de beste die er is. Maar jullie hebben een heleboel blueprints. Waarom, wat is de... waarom investeren jullie er zo zwaar in?

Jensen: Omdat de tools... de tools zijn nog steeds arcaisch, en er zijn veel onderdelen. Het bouwen van een agentic system, het bouwen van AI is niet eenvoudig. Er zijn veel verschillende stukjes technologie, en we hebben het al over enkele gehad. Er is het large language model, er zijn de tools die het gebruikt, en de knowledge graph waar het mee moet omgaan, zijn geheugensysteem, zijn guardrailing-systeem, zijn fine-tuning-systeem en nu de technologie die je gaat creëren: het post-trainen tegen de harness.

Runtime, beveiliging en toegangscontrole

Jensen: En dan is er natuurlijk de harness zelf. Maar hoe zit het met de runtime? Als je klaar bent, heb je nog steeds de runtime. Je moet het in een sandbox houden zodat het veilig is, privé is, en dat is toegangscontrole. Het is iets dat IT-organisaties kunnen controleren.

Harrison: Is dat volgens jou het moeilijkste aan de runtime binnen ondernemingen, al die beveiligingsdingen die erbij komen kijken?

Jensen: Zonder de beveiliging en de toegangscontrole op te lossen, is het onmogelijk om te implementeren. Het is niet anders dan dat het onmogelijk is om een nieuwe werknemer aan te nemen als je ze niet inwerkt en toegangscontrole geeft. We geven niet elke werknemer toegang tot elk bestand en elk netwerk, toch? Dus je hebt elke werknemer, gebaseerd op hun functie en verantwoordelijkheid en waar ze toegang toe moeten hebben, geven we ze toegang tot tools, de laptops en designtools en programmeertools enzovoort. We geven ze toegang tot bepaalde delen van het netwerk. We geven ze toegang tot informatie. We verbinden ze met andere agents. We verbinden ze met andere collega's met wie ze samenwerken, en we voorzien ze van een vaardigheidsdossier. Weet je, we geven ze in essentie een document over: dit is je missie, zo is het voorheen gedaan, en help nu om het nóg beter te doen. Op veel manieren creëren we dus een HR-systeem, als je wilt, voor AI dat IT-organisaties en alle verschillende bedrijfsonderdelen binnen bedrijven in staat stelt om deze agents te bouwen, te verbeteren en in te zetten.

Hoezeer moeten we agents vermenselijken?

Harrison: Dit is meer een filosofische vraag, maar je praat – en ik denk dat veel mensen praten – over deze agents en vermenselijken ze veel, ze brengen ze in menselijke systemen. Maar agents zijn niet menselijk, en ze hebben sommige dingen die beter zijn dan wat mensen kunnen, en ze hebben andere plekken waar ze heel anders zijn en misschien niet zo goed als waar mensen goed in zijn. Wat is het juiste niveau om deze agents te vermenselijken?

Jensen: Het zijn elektronen. Het zijn elektronen, geen atomen, en het is niet biologisch, het heeft geen bewustzijn. Het is niet wakker. Het is dus niets van dat alles. Het is een tool die... het is als mijn stofzuiger die door het huis dwaalt. En hij dwaalt natuurlijk door het huis, maakt het huis schoon, doet iets wat ik vroeger deed. En je hebt nu autonome grasmaaiers, en je hebt... je kunt je honderd jaar geleden voorstellen toen de eerste vaatwasser kwam, en nu doet hij zelf de afwas. Het moet magisch zijn geweest om het te zien, en we noemen het een vaatwasser, wat een beetje als een mens klinkt.

Harrison: Ja.

Jensen: En we hebben vaatwassers. Mijn eerste baan was afwasser. Op veel manieren zullen we eraan wennen. Ik denk dat we op dit moment de neiging hebben om er te veel menselijke eigenschappen aan toe te dichten. Het is daar niet eens in de buurt. Het is software. Het is computers. We weten precies hoe het werkt omdat we natuurlijk de harnesses eromheen hebben gecreëerd. We weten natuurlijk hoe het werkt omdat het steeds beter wordt. Als we niet begrijpen hoe iets werkt, hoe maken we het dan elke keer beter? En als we niet begrijpen hoe iets werkt, hoe verbeteren we het dan? Hoe repareren we het? Het is dus duidelijk dat we begrijpen hoe deze dingen werken en ik denk dat we het daarbij moeten laten.

Waarom meer AI meer banen betekent

Jensen: Ondertussen is een van de dingen die we weten dat hoe meer AI we gebruiken, hoe meer mensen we op de een of andere manier moeten aannemen. De reden daarvoor is dat deze agentic systems nieuwe vaardigheden zijn en we nu veel software-engineers hebben die agents bouwen. Vroeger schreven ze software, maar nu bouwen ze agents. Als je het mij vraagt, geeft elke software-engineer van mij de voorkeur aan het bouwen van agents boven het schrijven van Python-code. Coderen is als typen, dus ze gaan minder typen. Ze worden meer systeemengineers en bouwen meer aan deze autonome systemen die super gaaf zijn. Ze creëren evals. Ze creëren benchmarks. Ze creëren guardrails. Is dat niet zo? De hoeveelheid werk die we moeten doen om AI de wereld in te brengen is echt ongelooflijk. Het creëert dus een heleboel banen. En mijn software-engineers vinden dit geweldig.

Harrison: Ik denk dat we hebben gezien... je noemde evals kort. Ik denk dat we zien dat dat een belangrijk onderdeel is om veel agentic-gebruik binnen een onderneming te ontsluiten. Je moet enig idee hebben hoe het presteert, en kwantificeren of het goed is of niet, wordt vaak het beste gedaan door materiedeskundigen die al in de onderneming werken en gemakkelijk feedback kunnen geven en met deze systemen kunnen werken om veel van de saaie delen van hun werk te automatiseren en vervolgens tijd kunnen besteden aan de echt intellectueel stimulerende delen en de creatieve delen.

Jensen: Dat klopt. Op veel manieren, of je nu een arts, ontwerper of software-engineer bent, creëer je een agent. En je neemt al het alledaagse werk en probeert deze agent het te laten doen. Maar ondertussen proberen we allemaal onze agents naar een hoger niveau te tillen om dingen met ons te doen die we voorheen niet konden. Dat vereist verbeeldingskracht, dat vereist creativiteit, veel technologie.

Harrison: Ik denk dat dat precies klopt. Ik denk dat veel van de beste toepassingen van agents die we momenteel zien, onszelf meer hefboomwerking geven om meer dingen te doen. Maar ik denk dat veel van die aanpak nadenkt over wat we voorheen deden, en kunnen we dat automatiseren? Maar ik denk dat veel van de 'unlock' in de toekomst zal komen van: wat konden we voorheen niet doen dat we nu wel kunnen.

Jensen: Ambitie helpt.

Harrison: Honderd procent. Toch? Ambitie, agency.

Jensen: Ambitie helpt. Ja, ja.

De ontbrekende stukjes van de agentic stack

Harrison: Misschien, in die lijn, ter afronding: als je nadenkt over hoe je deze toekomst kunt helpen aansturen, wat zijn dan enkele van de ontbrekende stukjes van deze agentic stack?

Jensen: Vandaag kondigen we een heel grote zaak aan. Dit is een heel grote zaak die we vandaag doen. We bieden de basisbouwstenen, het fundament, alle belangrijke ingrediënten om super-agents te bouwen. Als ik super-agents zeg, zijn ze domeinspecifiek. Ze zijn van jou. Je bouwt ze, je verbetert ze, je verfijnt ze in de loop van de tijd. Je geeft ze toegang tot propriëtaire informatie, kennis, misschien is het super privé voor jou. Als resultaat zal deze super-agent dingen kunnen doen die je je niet kunt voorstellen, en hij zal extreem goed zijn.

Jensen (vervolg): We hebben alle belangrijke onderdelen gecreëerd: een language model van wereldklasse, een framework genaamd LangChain Deep Agents dat nu ook is gefinetuned om het volledige potentieel van Nemotron 3 Ultra te benutten, een blueprint die iedereen helpt dat te doen, en natuurlijk de runtime, de OpenShell-runtime die het veilig houdt, en de acceleratiestacks die er allemaal in zijn geïntegreerd. Elk bedrijf ter wereld zou in staat moeten zijn, elke ontwikkelaar ter wereld zou nu in staat moeten zijn om deze super-agents te creëren, ze overal in de cloud te implementeren, on-prem. Een goede vriend van mij heeft er net een gebouwd voor DGX Spark. Dus nu heb je deze agents draaien op DGX Spark vlak naast je laptop. Je zou het kunnen laten draaien op een DGX-station. Je zou je eigen supercomputer binnen je bedrijf kunnen bouwen als je wilt, of het in de cloud doen. We hebben nu agentic-mogelijkheden die je nu overal voor jezelf kunt bouwen. Alle stukjes zijn er nu. Er zijn geen excuses om er niet mee aan de slag te gaan.

Harrison: Ik denk dat dat een perfecte manier is om af te sluiten. Je hebt me zo enthousiast gemaakt toen je sprak. Dat was een geweldige motiverende toespraak. Dus ik ga eropuit om wat agents te bouwen. Dank je, Jensen, voor het zitten. Gefeliciteerd.

Jensen: Dank je. Goed gedaan. Trots op jullie.