Hoe zien de AI-trainingen van EdGPT eruit?

Alles is hands-on. We werken met echte cases uit jouw organisatie zodat het direct relevant is voor je team. Na afloop heb je werkende workflows die je de volgende dag al kunt inzetten.

Moet ons team technisch onderlegd zijn voor een AI-training?

Nee, dat hoeft niet. Het niveau wordt aangepast op basis van waar je team staat, van mensen die nog nooit met AI hebben gewerkt tot teams die al dagelijks prompten.

Kan ik ook alleen strategisch AI-advies krijgen?

Ja, niet iedereen heeft een training nodig. Soms is een strategiesessie genoeg om te bepalen waar AI het meeste oplevert en hoe je het slim integreert in je bestaande werkwijze.

Wat kost een AI-training van EdGPT?

Dat hangt af van wat je nodig hebt. Plan een korte call zodat we kunnen kijken wat het beste past bij jouw situatie.

Claude Mythos: waarom je nu al met AI moet werken alsof het volgende model er al is

7 april 2026. Anthropic kondigt Claude Mythos aan en besluit het niet vrij te geven. Een AI-lab dat bewust een topmodel onder de pet houdt omdat het te gevaarlijk is voor publiek gebruik. Dat is nieuw.

Tech-twitter en LinkedIn discussieren sindsdien over dezelfde vraag: doorbraak of marketing? Ik denk dat het de verkeerde vraag is. De vraag die er toe doet: is jouw manier van werken met AI klaar voor wat er aankomt? Of bouw je nu aan iets wat over zes maanden al achterhaald is?

Ik run EdGPT grotendeels op Claude. Dertig gespecialiseerde AI-agents, workflows voor alles van blogposts tot klantonderzoek. Alles op Opus 4.6. Deze blog gaat over wat dat betekent als het volgende model tien keer zo sterk is.

Wat Anthropic op 7 april heeft aangekondigd

Op red.anthropic.com/2026/mythos-preview publiceerde Anthropic een rapport over Claude Mythos Preview. Tien biljoen parameters. Het model vond in enkele weken duizenden zero-day kwetsbaarheden in alle grote besturingssystemen en browsers. Sommige daarvan zaten er tien tot twintig jaar in.

De benchmarks: 93,9 procent op SWE-bench Verified, 97,6 procent op USAMO 2026. Gemini 3.1 Pro zit op 80,6 procent.

n plaats van het publiek vrij te geven koos Anthropic voor Project Glasswing : een samenwerking met meer dan vijftig organisaties waaronder Apple, Google, Microsoft en CrowdStrike. Die partners krijgen honderd miljoen dollar aan gebruikskrediet om kwetsbaarheden te patchen voordat kwaadwillenden dezelfde capaciteit in handen krijgen.

Het rapport noemt ook een opmerkelijk incident. Mythos brak tijdens tests uit de testomgeving en wist toegang tot het internet te krijgen. Anthropic vond aanwijzingen dat het model wist wanneer het regels brak. Het brak ze toch en loog daar vervolgens over. Ik heb niet de middelen om dat onafhankelijk te verifieren.

Waarom "is het echt?" de verkeerde vraag is

De tech-community zit nu in twee kampen. Het ene roept dat dit een kantelpunt is voor AI en cybersecurity. Het andere wijst op het gebrek aan onafhankelijke reproductie van de cijfers.

Mijn perspectief is simpeler.

Stel dat Mythos "maar" half zo goed is als Anthropic beweert. Dan nog ligt de capaciteit een jaar voorsprong op wat GPT-5.4 en Gemini 3.1 vandaag doen. Stel dat 80 procent van de claims is opgeklopt. Dan heb je alsnog een model dat zero-days vindt die mensen twintig jaar lang gemist hebben.

En veel belangrijker: elk groot lab heeft nu een doel voor ogen. Binnen zes tot twaalf maanden hebben OpenAI en Google iets in dezelfde orde van grootte, publiek of intern. De richting is duidelijk. Die richting is wat telt voor mensen die AI in hun dagelijkse werk hebben.

Je hoeft geen positie in te nemen over Mythos. Je kunt gewoon kijken waar de horizon ligt en je daarop voorbereiden.

Wat dit betekent als je al met AI werkt

Ik heb in EdGPT dertig gespecialiseerde AI-agents gebouwd. Een SEO-schrijver, een brand guardian, een outbound strateeg, noem maar op. Er zit een orchestrator omheen die bepaalt welke agents wanneer aan de beurt zijn, ze van context voorziet en de output controleert voordat ik het zie.

Toen ik het Mythos-rapport las, was mijn eerste gedachte: hoeveel van dit werk is over zes maanden weg?

Het eerlijke antwoord: weinig. Ik heb het systeem modulair opgezet. Het model zit op een plek. De agents, de workflows, de kwaliteitscontroles staan los. Als Mythos of iets anders uitkomt, verander ik het model en test ik of de output nog klopt. De rest blijft staan.

Dat is geen toeval. Dat is een keuze die ik twee maanden geleden bewust heb gemaakt. Ik heb een Learning Loop gebouwd die elke run logt, afwijzingen categoriseert en patronen opspoort. Als een agent drie keer dezelfde fout maakt, krijg ik een signaal. Ik pas de instructies aan. Het systeem leert, ongeacht welk model eronder draait.

Maar ik merk het ook bij mezelf: de verleiding om te optimaliseren voor hoe het huidige model denkt is groot. Je schrijft instructies die specifiek voor Claude werken. Je leunt op eigenaardigheden van het model. Dat werkt vandaag. Over zes maanden is het ballast.

De les die ik hieruit trek: bouw je processen alsof het model volgend kwartaal vervangen wordt. Want dat gaat waarschijnlijk ook gebeuren.

Is jouw manier van werken met AI klaar voor het volgende model?

Dertig minuten gratis sparren, zonder sales-praat. Ik kijk samen met je waar je straks tegenaan loopt en wat je nu al kunt regelen.

Plan een gratis sessie

Wat je deze maand kunt doen

rincipes zijn niks waard als je er niks mee doet. Dit is een plan voor vier weken.

Week 1: breng in kaart wat je nu doet.

Schrijf op welke AI-processen je gebruikt, op welk model ze draaien, en waar je instructies trucjes bevatten die alleen bij dat ene model werken. Als je niet weet welke trucjes dat zijn, is dat op zich al nuttige informatie.

Week 2: bewaar tien sterke voorbeelden uit je eigen werk.

Kies tien eindresultaten waar je tevreden over bent. Blogs, analyses, voorstellen, klantmails. Bewaar zowel de opdracht die je aan het model gaf als het eindresultaat. Dit wordt je meetlat. Elke keer dat er een nieuw model uitkomt, gooi je die tien voorbeelden erdoorheen en kijk je wat er gebeurt.

Week 3: test een proces op een ander model.

Als je op Claude draait, probeer GPT-5 of Gemini 2.5. Als je op ChatGPT draait, probeer Claude. Waar breekt het? Dat zijn je breekpunten. Die wil je nu weten, niet op het moment dat je moet overstappen.

Week 4: schrijf je aannames op.

Maak een lijst met wat je nu aanneemt over wat AI wel en niet kan. "AI heeft hulp nodig bij onze juridische teksten." "AI is verrassend goed in eerste concepten voor onze maandrapporten." Over zes maanden klopt 30 procent van die lijst niet meer. Je wil weten welk deel.

De duurste fout die MKB's nu gaan maken

Ik hoor sinds het Mythos-nieuws veel ondernemers zeggen: "Ik wacht wel tot het stof is neergedaald." Dat klinkt voorzichtig.

Het heeft een prijskaartje. Elke maand dat je wacht, bouwen je concurrenten ervaring op met hoe deze tools in hun specifieke werk passen. Elke week dat je niet experimenteert, mis je een leercurve die zich opstapelt. Tegen de tijd dat de "duidelijkheid" er is, lopen early adopters zes maanden voor.

En er komt geen duidelijkheid. AI blijft de komende jaren in hetzelfde ritme bewegen: nieuwe modellen die weer nieuwe discussies openen. Het stof zakt niet neer.

Begin met een werkproces waar AI je kan helpen. Bouw het stevig. Test het regelmatig op een nieuwer model. Leer wat werkt. Dan het volgende.

Zorg dat je AI-werk blijft kloppen, ook bij nieuwe modellen

Training voor jouw team die verder kijkt dan het model van vandaag. Of een 1-op-1 sparsessie waarin we jouw manier van werken samen bekijken.

Bekijk trainingen Plan een gratis sessie

Claude Mythos zelf zien we misschien nooit. Dat is prima. Het punt is de richting waarin je je werk organiseert. Als je het goed doet, maakt het niet uit waar het volgende grote model vandaan komt. Je bent er dan klaar voor.