Web scraping zal de volgende AI niet trainen

Vijftien jaar lang droeg één impliciete aanname alle moderne AI met zich mee: alles wat een model nodig heeft, staat al op het internet – je hoeft het alleen maar te gaan halen. Die aanname sterft. En daarmee wordt een geheel nieuwe markt geboren – tussen degenen die de modellen van morgen bouwen en degenen die de data van de echte wereld bezitten.

Hier is waarom ik geloof dat 2026 het jaar is waarin data stopt een gratis grondstof te zijn en een strategisch verhandeld actief wordt.

1. Het web bereikt zijn plafond – en begint zichzelf te vergiftigen

Het keerpunt is geen mening. Het is rekenkunde.

Volgens Epoch AI bedraagt de totale voorraad van hoogwaardige menselijke tekst die publiekelijk beschikbaar is ongeveer 300 biljoen tokens – en grote modellen zullen die voorraad tussen 2026 en 2032 hebben uitgeput, met een mediane projectie rond 2028 (Epoch AI, "Will we run out of data?", ICML 2024).

Dit is niet de zorg van een paar geïsoleerde onderzoekers. In december 2024, op NeurIPS, stelde Ilya Sutskever – medeoprichter van OpenAI – botweg: "Pre-training zoals we die kennen zal eindigen," omdat "compute groeit, maar data niet groeit, omdat we maar één internet hebben." Hij noemde data "de fossiele brandstof van AI": het is eenmalig gecreëerd, we hebben het geconsumeerd, en we hebben "piekdata" bereikt (gerapporteerd door The Verge, december 2024).

Erger nog: de bron raakt besmet. Een studie gepubliceerd in Nature (Shumailov et al., juli 2024) toonde "model collapse" aan – een model dat recursief is getraind op door AI gegenereerde inhoud, degradeert en informatie over de werkelijke distributie van de wereld verliest. En het web vult zich met precies die inhoud: volgens Graphite overtrof het aandeel gepubliceerde artikelen gegenereerd door AI menselijk geschreven artikelen al in november 2024 (≈ 52% in mei 2025). Het reservoir waaruit we putten, vult zich nu met de reflectie van de modellen zelf.

En de deuren sluiten. Sinds 1 juli 2025 blokkeert Cloudflare – dat ongeveer een vijfde van het web afhandelt – AI-crawlers standaard. Aan de kant van de uitgevers blokkeert bijna de helft van alle nieuwswebsites nu ten minste één AI-crawler. Juridisch gezien heeft The New York Times v. OpenAI (aangespannen eind 2023) de motie tot afwijzing in 2025 overleefd en gaat verder op de merites.

De conclusie van deel één: de bron die generatieve AI mogelijk maakte – gratis publieke tekst – wordt tegelijkertijd eindig, vervuild, afgesloten en betwist.

2. De labs zijn al begonnen met betalen

Het beste bewijs dat scraping niet langer volstaat, is dat de bedrijven die ervan leefden de portemonnee trekken.

• OpenAI – News Corp: een licentiedeal naar verluidt ter waarde van meer dan $250 miljoen over 5 jaar (gerapporteerd door de WSJ, mei 2024).
• Google – Reddit: ongeveer $60 miljoen per jaar voor datatoegang (gerapporteerd door Reuters, februari 2024).
• OpenAI – Axel Springer, Financial Times, Le Monde, Associated Press… een cascade van deals in 2024-2025, van "tientallen miljoenen" tot onbekende bedragen.

Ondertussen wordt de infrastructuur van de markt gebouwd: Microsoft kondigde begin 2026 een "Publisher Content Marketplace" aan om licentieverlening van content tussen uitgevers en AI-ontwikkelaars te faciliteren. En de duizelingwekkende waardering van Scale AI – ~$29 miljard na Meta's investering van ~$14,3 miljard voor een belang van ~49% (juni 2025) – zegt iets simpels: trainingsdata is nu een strategisch actief.

De boodschap is duidelijk. Data wordt niet langer gescraped. Het wordt gelicentieerd, onderhandeld, gekocht.

3. De echte verschuiving: de modellen van morgen hebben niet meer web nodig – ze hebben iets anders nodig

Dit is wat de meeste analyses missen.

De volgende grens van AI is niet nog een LLM. Het zijn wereldmodellen en fysieke AI: systemen die niet alleen taal manipuleren, maar de echte wereld modelleren, simuleren en erop handelen.

• NVIDIA lanceerde Cosmos op CES (januari 2025), een familie van wereldwijde funderingsmodellen voor fysieke AI. Jensen Huang noemt het "het ChatGPT-moment voor robotica." Deze modellen voeden zich met petabytes aan video- en sensordata – NVIDIA beweert 20 miljoen uur video te hebben verwerkt in 14 dagen.
• Google DeepMind onthulde Genie 2 (december 2024) en vervolgens Genie 3 (augustus 2025): modellen die in staat zijn om speelbare, interactieve werelden te genereren om belichaamde agenten te trainen.
• Fei-Fei Li – de peettante van computervisie – haalde al in september 2024 $230 miljoen op voor World Labs, gebouwd rond "ruimtelijke intelligentie", gevolgd door nog eens ~$1 miljard in 2026.

Maar deze modellen stuiten op een muur die het web niet kan beklimmen. Er is geen "internet van fysieke interactie" om te scrapen. Trainingsdata voor robotica blijft minimaal: de referentiedatasets in belichaamde AI worden geteld in honderdduizenden demonstraties (RT-1: ~130.000; VIMA: ~650.000), terwijl een visueel-taalkundig corpus als LAION-5B 5,7 miljard afstemt. Real-world data moet één gebaar, één sensor, één rit tegelijk worden vastgelegd.

Dat is precies waarom Tesla (meer dan 10 miljard cumulatieve FSD-mijlen, mei 2026) en Waymo (meer dan 100 miljoen autonome mijlen) hun vloten behandelen als een verdedigbaar actief: het staat niet op het web, het kan niet worden gekocht bij een tekstmakelaar – het wordt geproduceerd in de echte wereld.

De data die de volgende generatie AI mist, was nooit online. Het zit in fabrieken, vloten, ziekenhuizen, energienetwerken, toeleveringsketens. Het behoort toe aan operators, niet aan labs.

4. Wat we ter plaatse zien – en waarom het een tweezijdige markt is

Hier ontmoet ons werk bij d-nvest de thesis – omdat we er niet alleen commentaar op geven, maar het meten.

Op ons platform hebben we tot nu toe 311 echte datahouders in kaart gebracht – organisaties die, vaak zonder het te beseffen, precies het soort data produceren dat de AI van morgen vereist:

• 66% zijn tijdreeksen (206 van 311) – sensoren, telemetrie, machine logs: het ruwe signaal van de fysieke wereld.
• De dominante sectoren zijn industrieel (149), mobiliteit (91) en gezondheidszorg (24) – fysieke AI, geen webtekst.
• De use cases lezen als de roadmap van industriële AI: voorspellend onderhoud (136), industriële monitoring (64), documentintelligentie (34), regulatorische RAG (19), diagnostische AI (15).
• Aan de vraagzijde zijn de kopers al geïdentificeerd op profiel: fundament-model labs, computervisie-teams, verticale LLM-bouwers, industriële AI-leveranciers.
• Allemaal verspreid over de markten die ertoe doen – VK, Frankrijk, Verenigde Staten, Duitsland, Canada – en ondersteund door bijna 1.000 perssignalen die de werkelijke activiteit van deze houders bevestigen.

Deze reserves adresseren markten die geen beloftes zijn: voorspellend onderhoud alleen al is ~$14 miljard waard in 2025 (CAGR ~28%), industriële IoT overschrijdt $480 miljard, industriële AI ~$44 miljard.

Aan de ene kant houders die op een schaarse bron zitten die ze onderbenutten. Aan de andere kant kopers – de bouwers van de volgende generatie AI – klaar om voor die bron te betalen, zoals hun licentiedeals al bewijzen. Wat ontbreekt ertussen is de infrastructuur voor matchmaking, kwalificatie en vertrouwen. Dat is precies wat we aan het bouwen zijn.

De bottom line

Web scraping heeft de huidige generatie modellen getraind. Het zal de volgende niet trainen. Publieke tekst is eindig, het vervuilt zichzelf en het sluit zich af. Wereldmodellen en fysieke AI vereisen een ander soort data – echt, operationeel, multimodale – die nooit is gepubliceerd en nooit zal worden.

Die data bestaat al. Het behoort toe aan tienduizenden operators die vaak geen idee hebben dat ze op het goud van het komende decennium van AI zitten.

De vraag is niet langer "waar vinden we data." Het is "hoe verbinden we degenen die het bezitten met degenen die het nodig hebben." Het is een tweezijdige markt, en het is nog maar net begonnen.

Als u een operator bent die industriële, mobiliteits- of gezondheidszorgdata produceert – of een AI-speler die op zoek is naar propriëtaire real-world datasets – dan is dit het moment om te praten.

— Salim Labriki, d-nvest

Methodologische opmerking: de bedragen van licentiedeals zijn die gerapporteerd door de pers (WSJ, Reuters, Bloomberg) en zelden officieel bevestigd door de partijen. Inventariscijfers (311 houders, modaliteiten, sectoren) komen uit onze eigen mapping per 1 juli 20