Nvidia jaagt op triljoen dollar met agentische AI wereldwijd

Een biljoen dollar. Niet de marktkapitalisatie—omzet. Dat is de schaal waar Nvidia nu openlijk naar streeft, en het koppelt die ambitie aan een snel opkomend idee dat begint te bepalen hoe software daadwerkelijk wordt gebouwd: agentische AI.

Tijdens Nvidia's GPU Technology Conference in Californië schetste CEO Jensen Huang een opvallende prognose. Het bedrijf verwacht dat zijn Blackwell- en Vera Rubin-platforms tegen 2027 1 biljoen dollar aan omzet zullen genereren—het dubbele van het doel van 500 miljard dollar dat het vorig jaar deelde. Zo’n sprong is niet louter optimisme; het is een signaal dat Nvidia ziet dat de grond onder de hele AI-economie verschuift.

Huang’s vertrouwen berust op een eenvoudige maar krachtige veronderstelling: de vraag naar AI vlakt niet af—ze versnelt. En dat komt niet alleen door grotere modellen, maar doordat die modellen beginnen te handelen.

Van modellen naar machines die handelen

Agentische AI is het middelpunt van die visie. In tegenstelling tot traditionele systemen die wachten op prompts, kunnen deze agents plannen, uitvoeren en zich aanpassen—ze voeren complexe, meerstappen-taken uit met minimale menselijke tussenkomst. Die verschuiving verandert alles, vooral waar de echte rekencost ligt.

Ooit domineerde training het gesprek over kosten en infrastructuur. Nu wordt inference—the moment waarop AI daadwerkelijk werk verricht—het hoofdnummer. Naarmate meer agentgestuurde systemen continu draaien en enorme stromen tokens genereren en verwerken, groeit de benodigde infrastructuur exponentieel.

Huang verwees naar Anthropic’s Claude Code als een keerpunt. Binnen Nvidia, zei hij, werken software-ingenieurs zelden meer alleen. AI-agents zijn ingebed in de workflow en schrijven, controleren en optimaliseren code naast mensen. Stilletjes verandert de aard van programmeren.

Zijn formulering is moeilijk te negeren: agentische AI is niet zomaar een extra softwarelaag—het is "de nieuwe computer".

Wat is agentische AI precies?

Agentische AI verwijst naar systemen die autonoom doelgerichte taken kunnen uitvoeren door te plannen, beslissingen te nemen en acties te ondernemen in meerdere stappen. In praktische toepassingen betekent dit dat AI niet passief reageert op vragen, maar actief workflows initieert, resources coördineert en resultaten opvolgt. Dit vereist integratie met besturingssystemen, API's, databases en apparaten—en legt een zware druk op zowel latency- als beschikbaarheidsvereisten.

Van inference-kosten tot operationele ontwerpprincipes

Traditioneel hebben organisaties veel nadruk gelegd op training—het bouwen en afstemmen van modellen. Maar bij agentische AI verschuift de kostenbalans richting inference en runtime-infrastructuur: continue verwerking, statusbeheer, contextretentie over sessies en interconnectiviteit tussen agents en enterprise-systemen. Ontwerpprincipes verschuiven dan ook: optimisatie voor doorvoersnelheid, betrouwbaarheid, beveiliging en observability worden cruciaal.

Het platformspel wordt groter

Nvidia praat hier niet alleen over—het bouwt er actief aan. Het bedrijf presenteerde een reeks initiatieven die allemaal dezelfde richting op wijzen: het bezitten van de infrastructuur achter autonome AI-systemen.

Er is een diepere inzet op CPU's, nieuwe inference-geoptimaliseerde chips na de overname van Groq, en een opvallende samenwerking met OpenClaw, een open-source platform voor AI-agents dat snel publieke aandacht trekt vanwege zowel capaciteiten als risico's.

Huang vergeleek de rol van OpenClaw met die van de vroege Windows-versies en noemde het een fundamentele laag voor agentische computing. Volgens hem zullen bedrijven die vroeger een "HTML-strategie" nodig hadden voor het webtijdperk binnenkort een "OpenClaw-strategie" nodig hebben voor het tijdperk van AI-agents.

Die vergelijking kan ambitieus zijn. OpenClaw vereist brede toegang tot gebruikerssystemen en dit roept serieuze beveiligingsvragen op. Rapporten suggereren dat zowel grote technologiebedrijven als overheidsinstanties hebben gewaarschuwd tegen onbeperkt gebruik. In één veelbesproken geval zou een AI-agent per ongeluk een bedrijfsinbox hebben gewist—een randgeval, maar onthullend.

Nvidia’s antwoord is NemoClaw, een meer gecontroleerde, enterprise-gerichte versie die ontworpen is om privacy- en beveiligingszorgen te adresseren. Het is tevens een duidelijk signaal dat het bedrijf een sterkere voet aan de grond wil in het open-source ecosysteem—niet uit altruïsme, maar omdat open platforms bredere afhankelijkheid van Nvidia-hardware kunnen stimuleren.

Hardware en architectuur: waarom infrastructuur waardevol wordt

De verschuiving naar agentische systemen beïnvloedt hardwarekeuzes. Inference-georiënteerde chips zijn geoptimaliseerd voor lage latency en constante throughput, terwijl traditionele GPU’s meer gericht waren op massale parallelle trainingstaken. Nvidia investeert in heterogene stacks: GPU’s voor training, gespecialiseerde accelerators voor inference en verbeterde CPU’s voor orchestration en controlelogica. Dat samengestelde ecosysteem maakt dat leveranciers die zowel software- als hardwarelagen bedienen strategische voordelen krijgen.

Open source en vendor lock-in

OpenClaw en vergelijkbare projecten illustreren een paradox: open platforms verlagen de toetredingsdrempel, maar kunnen tegelijkertijd leiden tot diepere afhankelijkheid van bepaalde hardwareleveranciers als de implementatie-ecosystemen niet neutraal blijven. Nvidia’s NemoClaw is dus zowel een antwoord op beveiligingszorgen als een manier om zijn positie te consolideren in een landschap waar open software en gespecialiseerde hardware elkaar kruisen.

Ruimte, robotaxi's en wereldwijde schaal

De ambities van Nvidia beperken zich niet tot de aarde. Huang suggereerde ook ruimtegebaseerde AI-datacenters aangedreven door een toekomstig Vera Rubin-systeem, naast partnerschappen met Hyundai, Nissan, BYD en Geely om robotaxi-productie op te schalen naar 18 miljoen voertuigen per jaar. Dat is een toekomstbeeld waarin AI niet alleen industrieën ondersteunt—maar ze bestuurt.

Het idee van ruimtegebaseerde datacenters is technisch ambitieus: het vereist betrouwbare lancering van hardware, langdurige koeling en energiemanagement in orbitale omgevingen, en robuuste communicatiekanalen met lage latency naar aarde. Tegelijkertijd zou zo’n infrastructuur voordelen bieden voor toepassingen met wereldwijde dekking of die gedistribueerde, latency-gevoelige verwerkingen vereisen boven afgelegen gebieden.

Robotaxi's en grootschalige productie

Het opschalen van autonome voertuigen van prototypen naar 18 miljoen units per jaar vereist niet alleen software en sensoren, maar ook supply chain-schaal, regelgeving, veiligheidscertificaten en operationele modellering. Partnerschappen met gevestigde autofabrikanten als Hyundai en Nissan combineren automotive-expertise met Nvidia's rekenkracht en AI-stack. De uitdaging is operationeel en financieel: wie financiert infrastructuur voor datacenters, fleet-management en continue modelupdates op wereldschaal?

Regulering en ethiek als business-voorwaarden

Grote uitrol van agentische systemen dwingt aandacht af voor regelgeving, aansprakelijkheid en ethische kaders. Van zelfrijdende auto's tot automatisering van bedrijfsprocessen: duidelijkheid van wetgeving, standaarden voor veiligheid en transparantie van beslissingen worden kritieke voorwaarden voor adoptie op grote schaal.

Beveiliging, risico's en de reactie van Nvidia

OpenClaw’s brede toegang tot systemen benadrukt hoe snel opportuniteit kan omslaan in risico. Organisaties die agentische AI uitrollen moeten rekening houden met privilege-escalatie, data-exfiltratie, onbedoelde gegevenswijzigingen en autonome acties die bedrijfsprocessen schaden. Reported incidents—zoals verloren e-mails of verkeerde commando’s—zijn waarschuwingssignalen voor problemen met toegangscontrole en governance.

Nvidia’s NemoClaw is ontworpen om die zorgen te behandelen door ingebouwde beperkingen, gedifferentieerde toestemmingen en enterprise-grade controls toe te voegen. Maar technische mitigaties zijn niet genoeg; bedrijven moeten ook operationele governance, logging, incidentmanagement en verzekeringsstructuren integreren voordat ze agents in kritische workflows vrijgeven.

Praktische beveiligingsmaatregelen

• Minimale toegangsrechten en fijnmazige permissies voor agents
• Auditlogs en traceerbaarheid van agent-beslissingen
• Sandboxing en runtime-beperkingen voor externe acties
• Reguliere penetratietests en red team-oefeningen gericht op agent-interacties
• Robuuste fallback-routines en mens-in-de-lus mechanismen voor risicovolle beslissingen

Deze maatregelen verminderen operationele risico's, maar verhogen ook de complexiteit en kosten van deployment—een belangrijke overweging voor CIO's en infrastructuurmanagers.

Marktreacties en financiële realiteit

Ondanks technisch indrukwekkende aankondigingen beginnen investeerders voorzichtiger te worden over de massale uitgavencycli die AI-enthousiasme ooit aandreven. Sterke winstresultaten boden niet altijd bescherming tegen scepsis; aandelen daalden ondanks kopscheppende aankondigingen. Dat weerspiegelt een spanningsveld: technologische overtuiging versus financiële terughoudendheid.

Nvidia zet in op een lange termijn verhaal: investeer in infrastructuur en platformen die noodzakelijk worden naarmate agentische AI opschaalt. Maar de markt eist bewijs van concrete opbrengsten en rendabele businessmodellen—niet alleen beloftes over toekomstige omzet. De overgang van proof-of-concept naar grootschalige, winstgevende inzet is vaak langzamer en complexer dan ongestructureerde hype suggereert.

Risicoprofiel voor investeerders

Investeerders moeten rekening houden met meerdere risico's: technologische (schaalbaarheid en betrouwbaarheid), regelgevend (wetgeving en aansprakelijkheid), competitief (concurrenten en open-source alternatieven) en markt-gestuurd (verminderde vraag of kostendruk). Tegelijkertijd biedt het eigendom van een geïntegreerd hardware- en software-ecosysteem aanzienlijke upside als Nvidia's platforms daadwerkelijk de onderliggende standaard worden voor agentische AI.

Technische en strategische implicaties voor bedrijven

Voor bedrijven betekenen agentische systemen heroverwegingen op meerdere niveaus: architectuur, security, compliance, kostenmanagement en talent. Teams moeten vaardigheden opbouwen in modellifecycle-beheer, runtime-operaties, MLOps voor inference en systeemintegratie met enterprise software. IT- en engineering-leiders moeten budgetten verschuiven van een training-first mentaliteit naar investeringen in inference-infrastructuur, observability en resilience.

Strategisch gezien moeten bedrijven beslissen over hun benadering van open source versus vendor-proprietary stacks. OpenClaw-achtige ecosystemen bieden snelle innovatie maar vragen om stringente governance. Gesloten enterprise-versies zoals NemoClaw kunnen meer controle bieden, maar mogelijk tegen een hogere kost en afhankelijkheid.

Aanbevelingen voor CIO's en CTO's

1. Voer een risicoanalyse uit specifiek gericht op agentische workstreams.
2. Investeer in observability en realtime monitoring van agentgedrag.
3. Ontwikkel duidelijke governance- en rollback-procedures voor autonome acties.
4. Bouw proof-of-value-projecten die reële ROI meten op inference-kosten en operationele efficiëntie.
5. Overweeg hybride implementaties die open platforms en gecontroleerde enterprise-versies combineren.

Wat dit betekent voor de toekomst van rekenen

De kern van Nvidia’s pitch is dat de volgende rekenrevolutie niet zozeer over slimmer gereedschap gaat, maar over autonome gereedschappen die het werk uitvoeren. Als Huang gelijk heeft, verandert dat niet alleen softwareontwikkeling, maar ook de manier waarop ondernemingen infrastructurele investeringen plannen en waardeketens structureren.

Dat betekent niet dat de uitkomst gegarandeerd is. Er zijn technische hindernissen, veiligheids- en ethische vragen, en marktdruk die kunnen remmen of vormen waarop deze toekomst zich ontvouwt. Maar de richting is duidelijk: agentische AI versnelt de verschuiving van training-centrische investeringen naar een wereld waar inference- en runtime-capaciteit de beperkende factoren worden.

Als Huang gelijk heeft, zal de volgende rekenrevolutie niet gaan over intelligentere tools—maar over autonome systemen die het voortouw nemen.