Terwijl de wereld zich laat imponeren door steeds krachtigere AI-modellen, miljardeninvesteringen en gigantische datacenters, kijkt Jeff Dean naar een heel andere maatstaf voor innovatie. Volgens de Google Chief Scientist worden de grootste technologische sprongen niet gemaakt door simpelweg meer rekenkracht toe te voegen, maar door bestaande aannames ter discussie te stellen. Tijdens Startup School 2026 gaf hij een zeldzaam inkijkje in de manier waarop enkele van Google's belangrijkste innovaties zijn ontstaan en waarom juist kleine teams nog altijd een enorme voorsprong kunnen nemen.
Zijn verhaal is geen opsomming van technische prestaties, maar een pleidooi voor nieuwsgierigheid, eenvoud en het lef om fundamenteel anders te denken.
Soms verandert één simpele rekensom de hele wereld
Dean neemt het publiek mee naar het begin van deze eeuw. In 2001 werkte Google nog aan een zoekmachine die razendsnel groeide. Samen met collega Sanjay Ghemawat stelde hij zichzelf een ogenschijnlijk eenvoudige vraag: zou de volledige zoekindex inmiddels volledig in het werkgeheugen van de servers passen?
Het antwoord bleek verrassend positief.
Wat volgde was geen jarenlang onderzoeksproject, maar een snelle aanpassing van de bestaande infrastructuur. Binnen enkele dagen draaide Google Search op een compleet andere architectuur, waarbij de volledige index rechtstreeks vanuit het geheugen beschikbaar was. De impact was onmiddellijk merkbaar. Zoekresultaten verschenen sneller dan ooit tevoren en de gebruikerservaring kreeg een enorme kwaliteitsimpuls.
Voor Dean is dit nog altijd het perfecte voorbeeld van hoe een eenvoudige gedachteoefening soms waardevoller is dan maandenlang ingewikkeld ontwikkelen.
Een servetberekening leidde tot een compleet nieuwe generatie chips
Ruim tien jaar later herhaalde de geschiedenis zich. Rond 2013 groeide spraakherkenning razendsnel in populariteit. Opnieuw begon alles met een eenvoudige berekening.
Wat zou er gebeuren als iedere Google-gebruiker dagelijks slechts enkele minuten spraakherkenning gebruikte?
De uitkomst was confronterend. Met de bestaande infrastructuur zou Google zijn complete serverpark vrijwel moeten verdubbelen om aan de vraag te voldoen. Dat was economisch én technisch geen aantrekkelijke oplossing.
In plaats van meer servers te bouwen, besloot Google een veel ambitieuzere stap te zetten. Het bedrijf ontwikkelde een volledig nieuwe chip die speciaal ontworpen was voor kunstmatige intelligentie: de Tensor Processing Unit, beter bekend als de TPU.
Die beslissing veranderde niet alleen Google zelf, maar zette ook de toon voor de huidige generatie gespecialiseerde AI-hardware.
De volgende strijd wordt niet gevoerd tussen modellen, maar tussen chips
Volgens Dean verschuift de AI-industrie langzaam naar een nieuwe fase. Jarenlang draaide vrijwel alles om het trainen van steeds grotere modellen. Inmiddels begint een ander onderdeel minstens zo belangrijk te worden: inferentie, het moment waarop een AI-model daadwerkelijk antwoorden genereert voor gebruikers.
Juist daar liggen volgens hem enorme kansen voor innovatie.
Wie inferentie sneller, goedkoper en energiezuiniger kan maken, bepaalt straks in belangrijke mate hoe toegankelijk AI wordt voor bedrijven en consumenten. Dat verklaart ook waarom steeds meer technologiebedrijven investeren in eigen gespecialiseerde chips in plaats van uitsluitend te vertrouwen op standaardhardware.
AI-agenten krijgen steeds meer verantwoordelijkheid
Dean verwacht bovendien dat AI-systemen de komende jaren veel zelfstandiger zullen functioneren. Waar agenten vandaag vooral korte opdrachten uitvoeren, ziet hij een toekomst waarin zij dagen of zelfs weken aan complexe projecten werken zonder voortdurende menselijke tussenkomst.
Dat klinkt indrukwekkend, maar brengt ook nieuwe uitdagingen met zich mee.
Hoe langer een AI-agent actief blijft, hoe groter de kans dat kleine fouten zich opstapelen. Verkeerde aannames, vergeten informatie of een verloren context kunnen uiteindelijk leiden tot onbetrouwbare resultaten. Daarom verschuift de aandacht volgens Dean steeds meer naar robuustheid, geheugen en controlemechanismen die langdurige processen stabiel houden.
Niet de prompt, maar de context bepaalt straks het succes
De afgelopen jaren draaide vrijwel iedere AI-discussie om prompt engineering: het schrijven van de perfecte opdracht voor een taalmodel.
Dean denkt echter dat deze fase slechts een tussenstap is.
Volgens hem wordt context engineering veel belangrijker. De echte uitdaging ligt niet in één slimme prompt, maar in het voortdurend voorzien van AI van de juiste informatie, relevante documenten, actuele gegevens en eerdere beslissingen. Alleen wanneer een systeem gedurende langere tijd toegang houdt tot de juiste context, kan het complexe taken betrouwbaar uitvoeren.
Daarmee verschuift de aandacht van slimme instructies naar intelligente informatiestromen.
Achter iedere AI-doorbraak schuilt een energievraagstuk
Hoewel de meeste discussies over AI draaien om modellen en software, ziet Dean een veel fundamentelere uitdaging. Kunstmatige intelligentie vraagt enorme hoeveelheden energie en die behoefte groeit explosief naarmate AI op grotere schaal wordt ingezet.
Volgens hem zal de toekomst van AI daarom niet alleen bepaald worden door betere algoritmen, maar ook door efficiëntere chips, slimmere datacenters en nieuwe manieren om energieverbruik drastisch terug te dringen.
Wie daarin slaagt, creëert niet alleen snellere AI, maar ook betaalbare en duurzame toepassingen.
Kleine teams blijven verrassend gevaarlijk voor grote spelers
Ondanks Google's enorme onderzoeksbudget gelooft Dean niet dat alleen grote technologiebedrijven de toekomst zullen bepalen. Integendeel. Juist kleine startups beschikken vaak over een belangrijk voordeel: ze zijn niet gebonden aan bestaande aannames.
Twee of drie uitstekende ontwikkelaars kunnen volgens hem nog altijd een compleet nieuw idee bedenken dat een gevestigde speler over het hoofd ziet. Niet omdat ze meer middelen hebben, maar omdat ze bereid zijn een probleem vanuit een totaal andere invalshoek te bekijken.
Dat maakt de AI-markt volgens hem aantrekkelijker dan ooit voor ondernemende ontwikkelaars.
AI zal uiteindelijk helpen om betere AI te bouwen
Een andere ontwikkeling die Dean ziet aankomen, is dat kunstmatige intelligentie steeds vaker wordt ingezet om zichzelf te verbeteren. AI helpt programmeurs nu al met het schrijven van software, het testen van code en het optimaliseren van systemen.
De volgende stap is volgens hem logisch: AI die actief meewerkt aan het ontwerpen van efficiëntere AI-modellen, betere optimalisaties vindt en nieuwe architecturen voorstelt.
Daardoor kan de innovatiesnelheid opnieuw exponentieel toenemen.
De grootste doorbraken beginnen met het durven twijfelen
Wie naar de verhalen van Jeff Dean luistert, ontdekt een opvallend patroon. De grootste innovaties ontstonden niet doordat Google simpelweg meer geld uitgaf of grotere teams samenstelde. Ze begonnen telkens met iemand die een vanzelfsprekendheid in twijfel trok en bereid was een simpele berekening te maken.
Dat is misschien wel de belangrijkste les voor ondernemers en ontwikkelaars.
Niet iedere doorbraak begint met een revolutionair idee. Soms begint zij met één vraag die niemand eerder heeft gesteld. Juist die nieuwsgierigheid, gecombineerd met de bereidheid om aannames los te laten, vormt volgens Dean de echte motor achter innovatie.
In een tijd waarin AI zich razendsnel ontwikkelt, blijkt de grootste kracht daarom niet noodzakelijk de slimste technologie te zijn, maar de manier waarop mensen leren kijken naar problemen die al jarenlang als vanzelfsprekend worden beschouwd.
