Google zet alles op alles om AI-kloof met Anthropic te dichten

Google voert de druk op in de strijd om de beste AI-codeerassistent en heeft daarvoor een speciaal eliteteam samengesteld binnen DeepMind. Het doel is duidelijk: de kloof dichten met concurrenten die momenteel beter presteren op het gebied van AI-gestuurd programmeren. De focus ligt op het verbeteren van de eigen modellen, zodat ze complexere programmeertaken aankunnen. Denk aan systemen die niet alleen losse stukjes code genereren, maar volledige projecten kunnen opzetten, analyseren en optimaliseren. Daarmee verschuift de rol van AI van hulpmiddel naar actieve softwareontwikkelaar.

 

The Decoder meldt april 2026:

Google co-founder Sergey Brin and Deepmind CTO Koray Kavukcuoglu are directly involved in the effort. “To win the final sprint, we must urgently bridge the gap in agentic execution and turn our models into primary developers” of code, Brin wrote in an internal memo. He also required every Gemini engineer to use internal agents for complex, multi-step tasks.

Binnen Google wordt AI bovendien steeds vaker intern ingezet. Medewerkers worden aangemoedigd en in sommige gevallen verplicht om AI-tools te gebruiken bij het schrijven van code. Zo wil het bedrijf sneller leren en zijn modellen verbeteren op basis van praktijkgebruik. Ook op strategisch niveau is de urgentie groot. Medeoprichter Sergey Brin benadrukte dit intern met de woorden: “we must urgently bridge the gap in agentic execution.” De ontwikkelingen laten zien dat AI-coding inmiddels een van de belangrijkste frontlinies is geworden in de bredere AI-race. Bedrijven investeren massaal in technologie die uiteindelijk zelfstandig software kan bouwen en verbeteren — en daarmee een fundamentele verandering in softwareontwikkeling kan veroorzaken.

 

According to The Information’s sources, Google is leaning more heavily on models trained on its internal code. Google’s internal codebase looks very different from the public code typically used to train general-purpose coding agents, so these internally trained models can’t be released publicly. They could, however, help Google build better models that eventually ship to users, while also speeding up internal development.