Welke vijf AI-ondernemers vallen op in de Quote 500 van 2026?

Pim de Witte, Max Welling, Douwe Kiela, Sid Sijbrandij en Alex Mans zijn de vijf AI-ondernemers die AI Wereld uitlicht rond de Quote 500 van 2026. Hun bedrijven en onderzoek bestrijken heel verschillende terreinen: van lerende spelwerelden en nieuwe materialen tot bedrijfskennis, programmeerwerk en luchtvaart. Voor jouw organisatie is vooral interessant welk probleem hun technologie oplost, niet hoeveel vermogen erachter zit.

Waarom krijgen deze AI-ondernemers aandacht?

Aanleiding is het artikel van AI Wereld van 27 oktober 2026. Daarin springt vooral Pim de Witte eruit: volgens het bericht komt hij met een geschat vermogen van 1,1 miljard euro binnen in de Quote 500. AI Wereld meldt dat Quote hem de jongste Nederlandse miljardair ooit noemt.

Een belangrijke kanttekening: deze vijf namen vormen een redactionele selectie van AI Wereld, geen officiële AI-ranglijst van Quote. Ook zijn de genoemde bedragen schattingen van het totale persoonlijke vermogen. Ze vertellen niet hoeveel iemand uitsluitend met AI heeft verdiend, hoeveel geld een bedrijf heeft opgehaald of hoeveel omzet het maakt.

Dit zijn de vijf namen uit die selectie:

De volgorde volgt de selectie van AI Wereld, niet de hoogte van het vermogen.

Wat maakt Pim de Witte en General Intuition bijzonder?

Pim de Witte werkt met General Intuition aan AI die niet alleen informatie verwerkt, maar ook leert voorspellen wat er na een handeling gebeurt. Het bedrijf bouwt voort op Medal, het platform waarop gamers hun spelmomenten delen.

Daarbij spelen twee technieken een rol. Een wereldmodel voorspelt hoe een omgeving verandert. Een actiemodel kiest welke handeling een systeem kan uitvoeren. In een spel kan dat bijvoorbeeld gaan om de vraag wat er gebeurt wanneer een speler beweegt, en welke beweging vervolgens handig is.

Op de website van General Intuition staat MIRA als concreet voorbeeld: een speelbaar wereldmodel dat de dynamiek van meerdere spelers in Rocket League nabootst. General Intuition ontwikkelde het met Kyutai, in samenwerking met Epic Games.

Voor ondernemers laat dit zien dat AI meer omvat dan tekst en chatbots. Tegelijk is een goed resultaat in een spelomgeving nog geen bewijs dat dezelfde aanpak betrouwbaar werkt in een magazijn of op de werkvloer. Dat vraagt om afzonderlijke tests, passende gegevens en duidelijke veiligheidsgrenzen.

Hoe gebruikt Max Welling AI voor nieuwe materialen?

Max Welling verbindt AI aan materiaalonderzoek. Als medeoprichter van CuspAI werkt hij aan technologie die helpt zoeken naar materialen met gewenste eigenschappen, bijvoorbeeld voor energieopslag, halfgeleiders of klimaattechnologie.

Volgens AI Wereld combineert CuspAI daarvoor gegevens, simulaties en laboratoriumonderzoek. Dat laatste is essentieel: een materiaal dat digitaal veelbelovend lijkt, moet ook gemaakt en getest kunnen worden.

De les voor andere organisaties is praktisch. Een voorstel van AI is een beginpunt, geen eindbewijs. Dat geldt bij materiaalontwikkeling, maar ook wanneer AI een offerte, analyse of marketingtekst voorbereidt. Je wilt weten aan welke eisen het resultaat moet voldoen en hoe je controleert of dat werkelijk zo is.

Waarom is Douwe Kiela relevant voor AI met bedrijfskennis?

Douwe Kiela is medeoprichter van Contextual AI en een van de auteurs van de wetenschappelijke publicatie over Retrieval-Augmented Generation uit 2020. Die techniek, meestal afgekort tot RAG, verbindt het ophalen van informatie met het genereren van een antwoord.

Eenvoudig gezegd: het systeem zoekt eerst relevante informatie op en geeft die vervolgens mee aan een taalmodel. Zo kan AI een antwoord voorbereiden op basis van bijvoorbeeld productdocumentatie of interne handleidingen, in plaats van alleen algemene modelkennis.

Dat is herkenbaar voor veel teams. Een algemene chatbot kent niet vanzelf jouw leveringsvoorwaarden, werkinstructies of actuele productaanbod. Een bruikbare toepassing moet toegang krijgen tot de juiste bronnen, met passende toegangsrechten.

RAG maakt antwoorden niet automatisch foutloos. Verouderde documenten, een verkeerde zoekuitkomst of een onjuiste interpretatie kunnen nog steeds tot fouten leiden. Goede bedrijfskennis vraagt dus ook om onderhoud en controle.

Wat laat Sid Sijbrandij zien over programmeren met AI?

Sid Sijbrandij, ook bekend als Sytse Sijbrandij, bouwde zijn vermogen vooral op met GitLab. Zijn directe betrokkenheid bij AI loopt onder meer via Kilo Code, waarvan hij eveneens medeoprichter is, schrijft AI Wereld.

Kilo Code is een opensource programmeeragent: software die ontwikkelaars helpt code te schrijven, aan te passen en te controleren. Daarmee verschuift een deel van het werk van zelf iedere regel schrijven naar taken omschrijven, voorstellen beoordelen en wijzigingen testen.

Voor organisaties is dat een belangrijk onderscheid. Sneller code produceren betekent niet vanzelf dat een toepassing ook veiliger, beter onderhoudbaar of geschikt voor gebruikers is. Ontwikkelaars blijven nodig om eisen vast te stellen, tests uit te voeren en de kwaliteit te bewaken.

Diezelfde verschuiving zie je bij andere kenniswerkers: AI bereidt meer voor, terwijl mensen richting geven en het resultaat beoordelen.

Hoe past Alex Mans AI toe in de luchtvaart?

Alex Mans richtte FLYR op, dat software en AI levert voor commerciële processen in de reiswereld. Volgens AI Wereld begon het bedrijf in 2013 met het voorspellen van vliegtarieven en richt het zich inmiddels onder meer op prijsstelling, aanbiedingen, boekingen en omzetbeheer.

Een luchtvaartmaatschappij heeft weinig aan een losse voorspelling als die niet bruikbaar is in het dagelijkse werk. Informatie over verwachte vraag moet kunnen aansluiten op de systemen en processen waarmee medewerkers prijzen bepalen en reizen verkopen.

Daar zit de bredere ondernemersles: de waarde van AI hangt ook af van de aansluiting op je bestaande werkwijze. Een slimme uitkomst die iemand telkens handmatig moet overtypen, controleren en doorsturen, lost maar een deel van het probleem op.

Wat kan jouw organisatie van deze vijf voorbeelden leren?

Je hoeft geen nieuw AI-model te ontwikkelen om AI nuttig in te zetten. Deze vijf voorbeelden wijzen vooral op drie keuzes die ook voor een mkb-organisatie relevant zijn.

Begin met één herkenbaar probleem

Kies niet eerst een tool, maar een taak die regelmatig terugkomt. Denk aan het voorbereiden van klantantwoorden, het samenvatten van vergaderinformatie of het maken van nieuwsbriefconcepten.

Maak de opdracht klein genoeg om te beoordelen. ‘Onze marketing automatiseren’ is breed. ‘Iedere maand een nieuwsbriefconcept voorbereiden op basis van goedgekeurde bedrijfsinformatie’ is veel concreter.

Regel kennis, koppelingen en menselijke controle

Bepaal welke informatie AI mag gebruiken, hoe actueel die is en wie toegang heeft. Leg vervolgens vast welke handelingen automatisch mogen plaatsvinden en waar eerst goedkeuring nodig is.

Niet iedere stap vraagt om AI. Een goedgekeurde tekst in een vast sjabloon plaatsen kan vaak met een voorspelbare workflow. Het interpreteren van verschillende documenten vraagt eerder om AI. In ons artikel over AI-agents en workflowautomatisering lees je hoe je dat onderscheid per processtap maakt.

Meet wat er in het werk verbetert

Kijk niet alleen naar de snelheid waarmee AI een eerste versie oplevert. Meet ook de tijd voor controle, het aantal correcties en de bruikbaarheid van het eindresultaat.

Een eenvoudige proef bestaat uit een afgebakende reeks vergelijkbare taken. Houd bij hoeveel tijd ze kosten, welke fouten optreden en wanneer een medewerker moet ingrijpen. Zo bouw je een businesscase op basis van je eigen praktijk, niet op basis van de vermogens van succesvolle oprichters.

Hoe vertaalt AIMAZE AI naar een digitale collega?

Bij AIMAZE richten we Digitale Medewerkers in rond een duidelijke rol, concrete taken en de kennis van jouw organisatie. Daarbij combineren we waar passend AI met vaste workflows en koppelingen. De techniek volgt het werk, niet andersom.

Een Digitale Marketing Medewerker kan bijvoorbeeld concepten voor blogs, socialmediaberichten en nieuwsbrieven voorbereiden op basis van jouw expertise en tone of voice. Je team bepaalt de richting en beoordeelt de inhoud voordat die wordt gepubliceerd. De eindverantwoordelijkheid blijft bij mensen.

De vijf ondernemers uit de selectie laten zien hoe breed AI zich ontwikkelt. Voor jouw organisatie begint de volgende stap waarschijnlijk kleiner: bij dat terugkerende werk waar je team graag meer ruimte voor wil krijgen.

Wil je zien hoe een digitale collega daarbij kan helpen? Vraag een demo aan bij AIMAZE en neem een concrete taak uit jouw werkweek mee.