Gemini 3.5 of zelfs 4.0? Codenaam "Snow Bunny": Gelekte benchmarkgegevens van een vermeend nieuw Google-model

Een technisch avontuur aan de vooravond van de cognitieve revolutie

De benchmarkgegevens die in januari 2026 zijn gelekt van een zogenaamd nieuw Google-model met de codenaam "Snow Bunny", symboliseren een ingrijpend keerpunt in de kunstmatige intelligentie dat veel verder gaat dan louter cijferspelletjes. In plaats van incrementele vooruitgang in modelontwikkeling, onthullen deze gegevens een fenomeen dat de kernarchitectuur van het menselijk denken zelf verweeft met de technische basis van kunstmatige intelligentie. De prestatieverschillen zijn niet alleen numeriek, maar kwalitatief transformatief, met directe implicaties voor het Europese en Duitse industriebeleid en de toekomst van de concurrentie tussen de technologische supermachten de VS, China en een gefragmenteerd Europa.

De hiëroglyfische benchmark, waarop Snowbunny naar verluidt een succespercentage van 80 procent behaalt – ruim voor GPT-5.2 met 55 procent en Gemini 3.0 Pro met 45 procent – ​​test niet alleen kennis of patroonherkenning, maar vooral lateraal denken. Lateraal denken is het menselijke vermogen om verbanden te zien tussen ogenschijnlijk ongerelateerde concepten, om op creatieve wijze gevestigde denkpatronen te omzeilen en om problemen vanuit ongebruikelijke invalshoeken te benaderen. Het is een mechanisme dat zich niet laat voorspellen door louter statistische methoden en is de reden waarom creativiteit, innovatie en echte probleemoplossing niet alleen voortkomen uit schaalvergroting. Wetenschappelijk onderzoek toont consequent aan dat zelfs de beste beschikbare modellen onder de 50 procent scoren op taken die lateraal denken meten. Snowbunny lijkt deze drempel aanzienlijk te hebben overschreden.

De onderliggende technische innovatie is diepgaand in de systeemarchitectuur. Google heeft duidelijk geïmplementeerd wat sinds 2025 intensief wordt onderzocht in AI-onderzoek: een verdeling van cognitief denken in wat psycholoog Daniel Kahneman "Systeem 1" en "Systeem 2"-denken noemt. Systeem 1 is het razendsnelle, intuïtieve denken gebaseerd op statistische patronen. Systeem 2 is het langzame, weloverwogen denken dat stappen telt, aannames in twijfel trekt en meerdere oplossingspaden parallel evalueert. Eerdere modellen zoals GPT-5.2 of Gemini 3.0 optimaliseerden voornamelijk Systeem 1, het razendsnelle vermogen om patronen te herkennen, met enkele oppervlakkige pogingen om langzamer denken te simuleren door middel van "gedachtenketen"-aanwijzingen. De architectuur van Snowbunny lijkt een werkelijk dieper redeneerkader te implementeren – een kader dat daadwerkelijk meerdere denkpaden parallel volgt, hypotheses test en deze iteratief verfijnt.

De focus op beveiliging blijft transparant en is niet langer louter een kostenfactor

Een detail van de gelekte informatie is met name significant voor experts: beide versies van het model, de "ruwe" variant en de "minder ruwe" variant met strengere veiligheidsfilters, behalen identieke succespercentages van 80 procent. Dit spreekt een lang bestaande aanname in AI-onderzoek tegen, namelijk dat veiligheidsafstemming, oftewel trainen tegen problematische outputs, noodzakelijkerwijs ten koste gaat van de pure cognitieve prestaties. Als Google deze klassieke afweging tussen efficiëntie en veiligheid heeft opgelost, is dat een belangrijke doorbraak in de methodologie voor nabewerking. De implicaties zijn ingrijpend: het suggereert dat veiligheid en capaciteit niet per se tegenstrijdig hoeven te zijn, maar dat hergestructureerde trainingspipelines beide tegelijkertijd kunnen maximaliseren.

De vergelijkingsgegevens zelf vereisen voorzichtigheid. Screenshots van benchmarks zijn gemakkelijk te manipuleren, en hoewel de Hieroglyph-test bekend is in academische kringen, is deze niet zo wijdverbreid en gestandaardiseerd als de klassieke MMLU-test (Massive Multitask Language Understanding), die nog steeds de gouden standaard is voor algemene kennis. De gelekte gegevens sluiten echter aan bij de publieke aankondigingen van Google, waarin het bedrijf in november 2025 een functie introduceerde genaamd "Gemini Deep Think"—een modus waarin Gemini-modellen meer tijd krijgen om na te denken voordat ze reageren, en die meetbare verbeteringen oplevert ten opzichte van gevestigde benchmarks zoals ARC-AGI-2 (45,1 procent) en GPQA Diamond (93,8 procent). Deze publiekelijk geverifieerde gegevens en de gelekte Hieroglyph-resultaten spreken een vergelijkbare taal: het punt waarop rekenkracht zich vertaalt in echte cognitieve diepgang is bereikt.

De markt als indicator van daadwerkelijke concurrentieverandering

De marktdynamiek vormt met opmerkelijke helderheid de basis voor het technische verhaal. Het marktaandeel van OpenAI onder AI-gebruikers daalde van 87 procent naar 68 procent in 2025. Tegelijkertijd steeg Google's Gemini van 5,4 procent naar 18,2 procent. Deze verschuiving wordt niet zozeer veroorzaakt door discriminatie op basis van data of media-aandacht, maar door een structurele verandering in de manier waarop AI in de productiviteitsstack is geïntegreerd. Google heeft Gemini ingebed in Chrome, Android en Google Workspace – het is niet langer een applicatie die gebruikers bewust openen, maar een ingebouwde functionaliteit die al aanwezig is in het besturingssysteem en de dagelijkse werktools. Adoptie is daardoor geen actieve keuze meer, maar een standaardfenomeen.

Tegelijkertijd voert Google een agressieve prijsstrategie. Waar GPT-5.2 $1,75 per miljoen inputtokens kost, is Gemini Flash geprijsd op $0,50 – een korting van 71 procent. Dit is geen promotieaanbieding om de markt te veroveren, maar een structurele herpositionering. Met zijn eigen TPU's (Tensor Processing Units) en op maat gemaakte chipinfrastructuur heeft Google een radicaal kostenvoordeel ten opzichte van OpenAI, dat afhankelijk is van Nvidia's GPU's en Microsofts Azure-infrastructuur. Deze hardwarediepte is niet gemakkelijk te repliceren.

De strategie is briljant, maar ook zorgwekkend voor Europese en met name Duitse industriële bedrijven. Googles aanpak is "bedrijfsgericht" – niet "consumentgericht" zoals OpenAI. Google integreert AI in de tools die bedrijven al gebruiken. Het bundelt Gemini met Google Workspace, creëert meer dan 1500 vooraf gebouwde AI-agents en integreert naadloos met Salesforce, SAP en ServiceNow. De strategische boodschap is duidelijk: waarom aparte ChatGPT-abonnementen kopen als de AI al in de productiviteitssuite zit?

Morgan Stanley schat dat als Google slechts 30 procent van zijn bestaande Workspace-klantenbestand omzet naar Gemini Enterprise, het tegen 2027 een jaarlijkse terugkerende omzet van 8 tot 10 miljard dollar zou kunnen genereren, met operationele marges van meer dan 40 procent. Dit is geen speculatie, maar een berekening gebaseerd op beschikbare klantenaantallen en bewezen upgrade-patronen voor SaaS-oplossingen.

Beheerd AI-platform - Afbeelding: Xpert.Digital

Hier leert u hoe uw bedrijf snel, veilig en zonder hoge drempels AI-oplossingen op maat kan implementeren.

Een beheerd AI-platform is uw allesomvattende, zorgeloze oplossing voor kunstmatige intelligentie. In plaats van te worstelen met complexe technologie, dure infrastructuur en langdurige ontwikkelprocessen, ontvangt u een kant-en-klare oplossing op maat van een gespecialiseerde partner – vaak al binnen enkele dagen.

De belangrijkste voordelen in één oogopslag:

⚡ Snelle implementatie: Van idee tot gebruiksklare applicatie in dagen, niet maanden. Wij leveren praktische oplossingen die direct toegevoegde waarde creëren.

🔒 Maximale gegevensbeveiliging: Uw gevoelige gegevens blijven bij u. Wij garanderen een veilige en conforme verwerking zonder gegevens met derden te delen.

💸 Geen financieel risico: u betaalt alleen voor de resultaten. Hoge investeringen vooraf in hardware, software of personeel zijn volledig uitgesloten.

🎯 Focus op uw kernactiviteiten: concentreer u op waar u het beste in bent. Wij zorgen voor de volledige technische implementatie, werking en het onderhoud van uw AI-oplossing.

📈 Toekomstbestendig en schaalbaar: Uw AI groeit met u mee. Wij garanderen continue optimalisatie en schaalbaarheid en passen de modellen flexibel aan nieuwe eisen aan.

Meer hierover hier:

• Beheerd AI-platform

Lateraal denken als economische factor: de infrastructuur van innovatie

Waarom is lateraal denken economisch relevant? Omdat echte innovatie – niet alleen het opschalen van bestaande patronen, maar het herkennen van nieuwe mogelijkheden – juist deze cognitieve vaardigheden vereist. Een AI-systeem dat problemen alleen kan aanpakken door middel van statistische patroonherkenning, zal functioneren binnen nauw gedefinieerde domeinen, maar zal blindelings innovatieve sprongen tegenkomen. Als een AI-systeem echter parallelle hypothesen kan formuleren, deze tegen elkaar kan toetsen en kan zoeken naar onverwachte verbanden, dan beschikt het plotseling over echte generaliseerbaarheid. Het kan omgaan met ambiguïteit. Het kan opties met meerdere waarden evalueren.

Voor de Duitse industrie, met name voor het management van middelgrote bedrijven in de machinebouw, automatiseringssystemen en logistiek, vormt dit een directe innovatie-uitdaging. Een AI-partner die in staat is tot lateraal denken, is een echt innovatiemiddel. Een AI-partner die beperkt is tot redeneren in de stijl van GPT 5.2 is weliswaar een efficiënte documentenschrijver en codegenerator, maar geen strategisch adviseur. Dat is het verschil tussen een "productiviteitstool" en een "strategische capaciteit"

Sterker nog: als Google's Snow Bunny-checkpoint inderdaad wordt opgenomen in de aankomende Gemini 3.5 (wat technische insiders vermoeden op basis van de naamgeving en de logica van de tijdlijn), dan zal het machtsevenwicht in de AI-industrie in 2026 fundamenteel verschuiven. Niet een beetje, maar fundamenteel.

De architectuur van de doorbraak: niet alleen schaalvergroting

Een cruciaal punt: de verbetering kwam niet voort uit extra parameters of een toename van de rekenkracht. Dat was de onderzoeksvraag van 2023 tot 2025: of louter schalen voldoende zou zijn. Nu blijkt: dat is niet het geval. Er was een echte architectonische innovatie nodig. Een paradigmaverschuiving van "voorspel het volgende token statistisch" naar "ontleed het probleem, redeneer hiërarchisch en verifieer". De technische literatuur over hiërarchische redeneermodellen (HRM) en neuro-symbolische AI ​​heeft sinds 2024-2025 al aangetoond dat dergelijke architecturen mogelijk zijn en dat ze betere redeneerprestaties kunnen leveren met aanzienlijk minder parameters dan pure schaalbenaderingen.

Google heeft hier duidelijk een versie van in productie genomen. OpenAI en Anthropic (Claude) zijn nog sterker verankerd in het paradigma waarbij schaalvergroting voorop staat. Dit is een strategisch verschil, geen marginaal verschil. Het verklaart ook waarom het enorme aantal miljarden parameters niet langer de enige factor is.

De risico's zijn niet gering

De authenticiteit van de gegevens blijft onduidelijk. Benchmarkgegevens zijn gemakkelijk te manipuleren en de AI-industrie heeft in 2024-2025 herhaaldelijk te maken gehad met een aantasting van de betrouwbaarheid van benchmarks. Scoremanipulatie, vervuiling van trainingsdata en selectieve rapportage zijn bekende praktijken. Een voorzichtige analist zou adviseren: vertrouw de screenshots niet, wacht op de algemene beschikbaarheid (GA) en voer onafhankelijke evaluaties uit.

De technische details over de "Deep Think"-modus, parallelle codegeneratie (3000 regels in één prompt) en de mogelijkheden voor SVG- en muziekgeneratie zijn echter al gedocumenteerd in bètatestrapporten en bevestigd door de integratie met Vertex AI Cloud. Dit verkleint het risico op manipulatie. Google zou te veel te verliezen hebben als deze benchmarks nep zouden zijn. Het bedrijf is misschien een minder transparante concurrent, maar het is niet dom.

Strategische implicaties voor de Europese industrie

Hier wordt het serieus. Europa heeft geen grote speler in het Foundation Model-spel. Niet echt. Mistral, opgericht in Frankrijk, vecht voor zijn voortbestaan ​​tegen open-source alternatieven. Aleph Alpha, de Duitse startup, heeft zijn onafhankelijkheid al lang geleden opgegeven. Europa exporteert talent naar OpenAI, Google en Anthropic in plaats van het te behouden. Het continent produceert onderzoekspapers, maar verovert geen markten.

De opkomende dynamiek is gevaarlijk. Google zal zijn aanbod aan AI voor bedrijven verder verbeteren met Snow Bunny/Gemini 3.5. Als Duitse machinefabrikanten, logistieke bedrijven en het mkb fundamenteel afhankelijk zijn van Google, Microsoft (met OpenAI-integratie) of Anthropic, dan bevinden ze zich in een strategische afhankelijkheid. Ze betalen om mee te groeien met de technologie, maar ze hebben er geen controle over. Voor een land als Duitsland, dat zijn concurrentievermogen heeft gebouwd op technologische diepgang, is dit een risico op de middellange termijn.

Duitsland is een wereldleider op het gebied van Industrie 4.0 en automatisering. Maar als de cognitieve laag – de AI die nadenkt over productieprocessen – uit de VS komt, delegeert Duitsland het strategische niveau. Dit is een klassieke valkuil: technisch sterk blijven op de lagere niveaus, maar de controle over beslissingen en innovatie op topniveau verliezen.

Is er een weg terug of een andere kant op? Dat is lastig. Open-source modellen (Llama, Qwen, Mistral) zijn goedkoper, maar ze blijven achter bij de meest geavanceerde modellen wat betreft redeneervermogen. Een "Europees AI"-programma zou jaren en triljoenen kosten. De meest praktische oplossing is waarschijnlijk deze: de Europese industrie moet samenwerken met de meest geavanceerde modellen, maar tegelijkertijd eigen specialisaties en domeinexpertise ontwikkelen die de generalistische modellen niet zomaar kunnen repliceren. Dit is mogelijk, maar vereist een sterke organisatiestructuur en investeringen in talent, niet alleen in API-aanroepen.

Het grotere verhaal: De verschuiving naar cognitieve diepgang

We bevinden ons op een keerpunt, van een tijdperk van schaalvergroting naar een tijdperk van cognitieve diepgang. De jaren 2017-2023 stonden in het teken van "Grotere modellen, betere resultaten"—de ontwikkeling van GPT-2 naar GPT-3 naar GPT-4 draaide volledig om schaalvergroting. In 2024-2025 werd de grens van efficiëntie duidelijk. Je kon geen tien keer betere resultaten behalen met tien keer meer parameters. Je moest (architectonisch) nadenken en innoveren.

Google was met zijn onderzoekslaboratoria (DeepMind + Google Brain samengevoegd), zijn TPU-investeringen en zijn langetermijnvisie voorbereid op deze transitie. OpenAI is reactiever, beter in public relations, maar loopt enigszins achter op het gebied van de onderzoekscyclus. Dat is de situatie in januari 2026.

De Hieroglyph-benchmark en de Snowbunny-lekken zijn symptomen van deze diepere verschuiving. Niet omdat een nieuw model goed is in het oplossen van puzzels, maar omdat echt Systeem 2-denken op productieschaal is geïmplementeerd.

Dit heeft niet alleen gevolgen voor de AI-industrie, maar voor alle sectoren die AI als een strategische factor beschouwen. En dat zouden ze eigenlijk allemaal moeten zijn.

Konrad Wolfenstein

Ik help u graag als een persoonlijk consultant.

contact met mij opnemen onder Wolfenstein ∂ Xpert.Digital

Noem me gewoon onder +49 89 674 804 (München)

LinkedIn