Het landschap van experts in kunstmatige intelligentie is opnieuw vormgegeven sinds de explosie van foundation-modellen. De profielen die in 2026 belangrijk zijn, zijn niet langer alleen onderzoekers die publiceren op academische conferenties: we zien een hybride kern waar oprichters van startups, onderhouders van open source-infrastructuren en specialisten in algoritmische ethiek elkaar kruisen. Identificeren wie te volgen vraagt om begrip van deze breuklijnen.
Foundation-modellen en LLM-engineering: de technische profielen om in de gaten te houden
De beheersing van taalmodelarchitecturen onderscheidt vandaag de experts die het veld vooruit helpen van degenen die het alleen maar commentariëren. In Europa komen drie namen systematisch terug in de gestructureerde analyses van 2026: Arthur Mensch, Guillaume Lample en Timothée Lacroix, medeoprichters van Mistral AI.
Hun werk richt zich op de engineering van LLM’s, van pre-training tot productie-implementatie. Dit trio belichaamt een zeldzame expertise die fundamenteel onderzoek (publicaties over aandachtmechanismen, mixture-of-experts) combineert met industriële opschaling.
Het volgen van deze profielen helpt om de werkelijke technische afwegingen te begrijpen: keuzes in tokenisatie, kwantificatiestrategieën, compromissen tussen modelgrootte en inferentietijd. Onderwerpen die de meeste populaire lijsten niet behandelen, maar die de operationele waarde van een AI-systeem in een bedrijf bepalen. Om deze figuren in een breder panorama te situeren, is er een bron die de beste experts in kunstmatige intelligentie volgens verschillende selectiecriteria opsomt.
Open source en AI-platforms: invloed door infrastructuur
Open source-infrastructuur vormt de sector meer dan gesloten onderzoek. Thomas Wolf en Clément Delangue, respectievelijk CSO en CEO van Hugging Face, zijn wereldwijde referenties geworden, niet door hun academische publicaties, maar door het platform dat ze onderhouden.
Hugging Face herbergt tienduizenden modellen, datasets en demonstratieruimtes. Wanneer een AI-praktijk een voorgetraind model of een fine-tuning-pijplijn zoekt, gaat hij bijna systematisch via deze infrastructuur. Wolf en Delangue sturen de facto de ontwikkelingspraktijken van de hele gemeenschap.
We raden aan om hun standpunten over de governance van open modellen te volgen, een onderwerp dat voorstanders van vrije toegang en Europese regelgevers tegen elkaar opzet. Hun lectuur is complementair aan die van de oprichters van Mistral AI: de eersten bouwen de distributielaag, de laatsten de modellaag.
Criteria voor het evalueren van een open source-expert
- Directe bijdragen aan de code of documentatie van projecten met hoge adoptie (verifieerbare commits, niet alleen conferenties)
- Duidelijke positionering over modellicenties (Apache 2.0, RAIL, copyleft) en hun implicaties voor bedrijven
- Vermogen om de technische beperkingen van de tools die ze promoten uit te leggen, niet alleen hun voordelen
AI voor wetenschap en toegepaste machine learning: een onderschat perspectief
De lijsten van experts concentreren zich op generatieve AI voor het grote publiek. We zien dat de meest significante vooruitgangen vaak komen van AI die op de wetenschap is toegepast. Max Welling (CuspAI) werkt aan AI voor de ontdekking van nieuwe materialen. Christopher Bishop leidt het AI4Science-programma bij Microsoft.
Deze profielen zijn direct interessant voor professionals die datasystemen in de industrie, de farmacie of de energie implementeren. Hun expertise in machine learning gaat verder dan de behandeling van natuurlijke taal en bestrijkt generatieve modellen die zijn toegepast op moleculaire simulatie of procesoptimalisatie in de industrie.
Jürgen Schmidhuber, vaak geciteerd om zijn historische werk aan recurrente neurale netwerken (LSTM), blijft een technische referentstem. Zijn bijdrage wordt niet gemeten aan het aantal volgers op sociale media, maar aan academische citaties en patenten die nog steeds de huidige architecturen structureren.
Franstalige AI-experts: opleiding en beroepsvulgarisering
De Franse markt heeft zijn eigen figuren, gericht op opleiding in AI-vaardigheden en integratie in bedrijven. Alexandre Kantjas (9x) biedt geavanceerde expertise over de strategische implementatie van modellen, met een operationele invalshoek gericht op technische besluitvormers.
Julien Simon produceert gestructureerde educatieve inhoud over machine learning en taalmodellen, toegankelijk op YouTube. Zijn bijzonderheid: hij ontleedt de concepten van diep leren zonder de technische nauwkeurigheid op te offeren, wat het een nuttige bron maakt voor data-teams die hun vaardigheden willen verbeteren.
Wat een actiegerichte expert onderscheidt van een commentator
- Regelmatige productie van verifieerbare technische inhoud (tutorials, notebooks, reproduceerbare benchmarks)
- Gedocumenteerde ervaring met de implementatie van AI-projecten in productie, niet alleen prototyping
- Vermogen om de tools te contextualiseren ten opzichte van zakelijke beperkingen (invoerkosten, GDPR-naleving, modelonderhoud)
- Transparantie over mislukkingen en beperkingen die zijn ondervonden tijdens echte projecten
Deze matrix maakt het mogelijk om profielen te filteren die echte expertise bieden van degenen die productaankondigingen doorgeven zonder kritische reflectie.
Ethiek en regulering van AI: stemmen die niet genegeerd mogen worden
De VN heeft in 2026 een wetenschappelijk panel over AI opgericht, een teken dat de regulering het debat nu net zozeer structureert als de techniek. Experts in algoritmische ethiek zijn niet langer beperkt tot de marges van de sector.
Het volgen van het werk van dit panel en de onderzoekers die eraan bijdragen, biedt toegang tot een aanvullende lezing van de kwesties: vooroordelen in de trainingsdata, milieu-impact van rekeninfrastructuren, vragen van soevereiniteit over foundation-modellen. Voor bedrijven die AI-systemen op grote schaal implementeren, bepalen deze dimensies direct de regelgevende levensvatbaarheid van hun projecten.
De meest relevante experts om in 2026 te volgen delen een gemeenschappelijk kenmerk: ze produceren verifieerbare artefacten (code, modellen, technische rapporten) in plaats van meningen. Het opbouwen van je monitoring rond dit onderscheid blijft het meest betrouwbare filter om een solide en operationele AI-cultuur te ontwikkelen.