De zes verschuivingen die al gebeurd zijn: AI-video-terugblik medio 2026

Geen voorspellingen. Inventaris. Zes zaken die al de manier zijn waarop de industrie werkt.

Het veld is heringericht terwijl jij naar de modellen keek

Als je op oudejaarsavond in slaap viel en deze week wakker werd, zou de december-2025-versie van AI-video onherkenbaar zijn. Het Sora-2-logo is verdwenen van OpenAI's productpagina. Het meest geciteerde model op de Artificial Analysis Video Arena bestond acht weken geleden niet en is anoniem gelanceerd door een team waar je nog niet van gehoord hebt. De dominante vraag in creatorforums is niet langer "welk model is het beste?". Het is "welke agent moet ik draaien?". Karakterconsistentie — twee jaar lang het knelpunt van elk lang AI-project — is geen feature meer waar iemand zich nog druk over maakt in marketing. Een AI-documentaire van 10 minuten, begin dit jaar een moonshot-demo, is nu iets wat één maker in een werkweek aflevert.

Vijf maanden. Zes verschuivingen. Geen voorspellingen. Inventaris: zaken die per mei 2026 al de manier zijn waarop de industrie werkt. Hieronder wat elk was, wat veranderde, de specifieke gebeurtenissen en cijfers erachter, en wat het betekent voor wat je hierna bouwt.

Verschuiving 1 — De ineenstorting van Sora 2 herorganiseerde de top van het veld

De grootste enkele gebeurtenis van het jaar tot dusver heeft data: 31 december 2025 (lancering Sora 2), 10 januari 2026 (gratis tier opgeschort na tien dagen), 24 maart 2026 (sluiting aangekondigd), 26 april 2026 (consumer-app en web gesloten), 24 september 2026 (API-beëindiging). Vierentachtig dagen als consumentenproduct. De meest gehypete AI-videolancering uit de geschiedenis verscheen, piekte en vouwde op binnen één boekjaarkwartaal.

De kopcijfers verdienen het om op één plek gezien te worden — ze verklaren waarom de ineenstorting zo snel ging en waarom hij zoveel kapitaal en geloofwaardigheid meesleepte:

De Disney-schade verergerde de financiële schade. OpenAI en Disney hadden een IP-deal van ongeveer $1 miljard getekend voor meer dan 200 personages uit Disney Animation, Marvel, Pixar en Star Wars — de grootste gracht die enig AI-videoproduct ooit had opgesteld. Disney werd naar verluidt minder dan een uur voor de publieke aankondiging ingelicht. De deal klapte. Drie OpenAI-leidinggevenden betrokken bij de consumer-Sora-inspanning vertrokken in de weken daarna. (Volledige postmortem in onze ontleding waarom OpenAI Sora doodde.)

Het stroomafwaartse effect was niet wat de meeste waarnemers voorspelden. Sora-2-gebruikers migreerden niet naar één vervanger. Ze splitsten zich voorspelbaar op naar taak: fysicazware werk naar Veo 3.1, cameo-achtige persoonsinvoeging naar Kling 3, lange storyboarded sequenties naar Seedance 2, fotorealistisch menselijk werk naar Luma Ray3 (het migratierapport volgt de verdeling gedetailleerd in waar de Sora-gebruikers naartoe gingen). De framing "één model om ze allemaal te overheersen" stortte mee in met Sora 2; ze is niet opnieuw opgebouwd.

Wat dit veranderde. De ranglijst is nu taakspecifiek. Er is geen Q1-stijl "topmodel"-antwoord voor mei 2026. De juiste vraag is welk model past bij de shot die je maakt, en die vraag wordt steeds vaker beantwoord door een agent in plaats van door een maker. Het tijdperk waarin één heldmodel de stack van een maker kon verankeren is voorbij, en zal waarschijnlijk niet terugkeren — de economie die Sora 2 doodde ($600 compute per $1 omzet) is niet OpenAI-specifiek; het geldt voor iedereen die de dominante mono-modelaanbieder probeert te zijn.

Verschuiving 2 — Een nieuwe top van de ranglijst, gebouwd in China

De andere kant van Sora 2's vertrek is dat Chinees-gebouwde modellen niet alleen het gat vulden — ze namen de top van het bord. De helderste illustratie is HappyHorse 1.0, de meest consequente modellancering van 2026 tot nu toe.

Op 7 april 2026 verscheen er een naamloos model op de Artificial Analysis Video Arena-ranglijst. Geen persbericht, geen teamlogo, geen openbare gewichten. Binnen 48 uur zat het op #1 in Text-to-Video met een Elo van 1389 — 115 punten voor Seedance 2.0, de vorige leider — en op #1 in Image-to-Video met een Elo van 1416. Op 9–10 april onthulde het X-account @AthAI_Official dat het model gebouwd was door Alibaba's ATH AI Innovation Unit, geleid door Zhang Di — voormalig VP bij Kuaishou en de architect achter Kling AI. De architect van een Chinese leider was stilletjes overgestapt en had bij een andere Chinese gigant een concurrent opnieuw gebouwd. (Volledige technische analyse in onze HappyHorse 1.0-ontleding.)

HappyHorse is de kop, maar niet het enige datapunt. De top per baan van het veld medio mei 2026:

Drie van die zes leiders zijn Chinees gebouwd. Achttien maanden geleden bestond deze configuratie niet. Het patroon is niet nationalistisch — de talent- en kapitaalstroom die deze modellen voortbrengt is stabiel: architectmobiliteit in Zhang Di-stijl tussen Kuaishou, ByteDance en Alibaba is inmiddels gewoon, en alleen al ByteDance's CapCut-distributie is een gracht die geen enkele westerse AI-videostartup kan evenaren.

Wat dit veranderde. De modellaag is niet langer westers als standaard. Indie-makers, agencies en studio's die in 2026 productiestacks bouwen, moeten Chinese modellen op gelijke voet beoordelen met Amerikaanse — niet als diversiteitscheck maar als capaciteits- en prijsnoodzaak. Teams die dat in Q1 leerden hebben al een betekenisvolle voorsprong op kosten en op toegang tot capaciteiten (Mandarijn-lipsynchronisatie, anime-nabije stilering, generaties onder $0,50) die westerse modellen simpelweg niet bieden.

Verschuiving 3 — De modellaag commoditiseerde

De metgezel van Verschuiving 2 is dat de kloof tussen "beste" en "goed genoeg" instortte. Tegen mei 2026 produceren de zes topmodellen voor AI-video allemaal qua per-clip-output ruim vergelijkbare uitkomsten voor de meeste use cases. De Elo-kloof tussen #1 en #6 op de Arena-ranglijst zit binnen een band die twee jaar geleden frontier-modellen scheidde van achterblijvers. Er bestaan nog echte specialisaties — de banentabel hierboven somt ze op — maar de kloven zijn vernauwd tot banen, niet absoluut.

De prijsdata vertellen dezelfde verhaal vanuit een andere hoek. De kosten van een 5 s 1080p-clip op de leidende modellen in mei 2026:

De Sora-2-regel is met opzet blijven staan. De 10–20× kostenkloof tussen Sora 2 en de rest van het veld was geen kenmerk van OpenAI's kwaliteitsvoorsprong — het was een kenmerk van architectuurkeuzes die commercieel niet overlevingsvatbaar waren. Met Sora 2 weg is het overgebleven bereik smal en convergeren prijzen. Een team dat met een vast maandbudget werkt, kan nu ongeveer hetzelfde volume aan vergelijkbare kwaliteit produceren ongeacht welk topmodel ze kiezen.

Dit is het jaar waarin capaciteitsconvergentie ophield voorspeld te worden en geobserveerd begon te worden. Een clip gegenereerd door Veo 3.1 en een clip gegenereerd door Kling 3 uit dezelfde prompt zijn nu vooral te onderscheiden op stilistische voorkeur, niet op kwaliteit.

Wat dit veranderde. Waarde migreerde omhoog. Als iedereen toegang heeft tot vergelijkbare generatoren tegen convergerende prijzen, wordt de differentiator hoe je ze orkestreert — welke shot wordt gerouteerd naar welk model, hoe identiteit tussen modellen vastgehouden wordt, hoe de audioboog gepland wordt, hoe de naden verdwijnen bij assemblage. Die orkestratielaag is de volgende verschuiving, en de grootste.

Verschuiving 4 — Prompt engineering stierf en de agent-laag nam over

"Prompt engineering" stond in 2024 in elke vacature en was een vooraanstaande vaardigheid in de meeste AI-kandidatenprofielen in 2025. Tegen mei 2026 leest het anachronistisch — zoals "HTML-ontwikkelaar" op een cv in 2020. De vaardigheid die het beschreef was reëel, maar de functie verhuisde.

De vervanging is de agent. In 2026 beschrijft een maker zijn intentie in gewone taal aan een video-agent. De agent ontleedt de brief in beats, routeert elke beat naar het meest passende onderliggende model uit de banentabel hierboven, genereert vergrendelde personagereferenties en hergebruikt die over elke shot heen, plant voice-over en muziek als enkele doorlopende bogen (geen sectie-per-sectie), assembleert het resultaat en exporteert het voor het doelplatform. De maker blijft op het niveau van creatieve regie; de agent verzorgt uitvoering. De "schrijf-een-perfecte-prompt"-workflow die 2023–2025 definieerde is uitgerangeerd door elk team dat serieus is over output-volume.

De structurele reden waarom dit gebeurde is simpel: met zes commodity-modellen in verschillende banen (Verschuiving 3) kunnen mensgeschreven prompts niet concurreren met een agent die weet welk model dialoog vs. stilering vs. referentiezware shots aankan en daarnaar routeert. De cognitieve last van die routing handmatig over 60+ generaties voor een stuk van 10 minuten doodde de multi-tool-workflow. (Voor de engineering-specifics loopt onze veldgids lange AI-video precies door welke problemen de agent-laag absorbeert die prompts niet kunnen.)

Het signaal van de arbeidsmarkt is concreet. Vacatures voor "prompt engineer"-rollen piekten medio 2024 en dalen sinds Q4 2025. Vacatures voor "AI workflow operator", "AI production lead" en "AI agent operator" — rollen die expliciet operationaliteit op agent-niveau beschrijven — groeiden in dezelfde periode snel. Het zwaartepunt van de vaardigheid verschuift van slim formuleren naar systeem-orkestratie.

Wat dit veranderde. Productiesnelheid en kwaliteit sprongen samen, en op dezelfde as: orkestratie. De makers die medio 2026 de meest bekeken AI-video produceren, zijn niet noodzakelijk de beste promptschrijvers — het zijn degenen die de beste agent gebruiken. Teams die medio 2026 aanwerven op promptvaardigheid, werven voor een functie die niet meer bestaat in het volume dat hun voorgangers dachten.

Verschuiving 5 — Karakterconsistentie hield op een knelpunt te zijn

Het grootste deel van 2024 en 2025 was de enkele klacht die lange AI-projecten brak: "ik kan het gezicht van mijn personage niet consistent houden tussen shots". Het fenomeen had een naam in creatorkringen — "drift" — en een volkswet: tegen minuut drie is je hoofdpersoon iemand anders. Documentaires faalden erop. Verticale dramaseries faalden erop. De hele lange categorie zat erin vast.

Tegen mei 2026 hield drift op een klacht te zijn. Identiteitspersistentie — tussen afleveringen, tussen opnamedagen, over modelgrenzen heen — is nu basisvereiste voor elke agent-gedreven pipeline. Eén vergrendelde referentie wordt hergebruikt over 80 afleveringen van een verticaal drama, 60 generaties van een documentaire, of meerdere maanden brandcampagne zonder zichtbare degradatie.

Het technisch mechanisme dat dit oploste, zit niet in één model. Modellabs hadden er baat bij (ze konden ophouden persistentie binnen één generatie van 8 seconden te willen vasthouden), maar het was de agent-laag boven de modellen die de kloof sloot. De agent houdt een identiteitstoken vast, draagt het mee tussen generaties, schakelt tussen onderliggende modellen zonder het token kwijt te raken, en controleert het resultaat opnieuw op drift bij elke output. Dit werkt of de onderliggende generator nu Veo, Seedance, Kling of HappyHorse is.

De implicatie voor wat nu mogelijk is:

Wat dit veranderde. Lang-formaat werd levensvatbaar. Zonder karakterpersistentie was AI-video structureel een kortformaat-medium — 60-secondenclips en geïsoleerde scènes. Daarmee opende de hele lange categorie zich voor indie-teams. Het grootste deel van de productiekostenverschuiving die volgt in Verschuiving 6 is een gevolg van deze ene technische unlock.

Verschuiving 6 — Productiekosten stortten een orde van grootte in

De verticale-dramacijfers zijn openbaar en spectaculair, dus worden ze het meest geciteerd: live-actionproductiebudgetten van $150K–$300K per reeks zijn vervangen door AI-pipelines die voor een equivalent 70–100-aflevering-runtime in de lage vijfcijferige bedragen landen. Dezelfde verschuiving, minder luid, geldt voor explainer, brandcommercial, talking-head-content en animatiekortfilm. De kostenregel die elk videobudget domineerde, draait nu in eencijferige percentages van de totale projectuitgaven voor AI-aangedreven pipelines.

Om cijfers te plakken op de productiekostenverschuiving over formaten:

Eén kritische kanttekening moet op tafel liggen, want het is de regel die bepaalt of de kosteninstorting daadwerkelijk een creator-economyverhaal wordt: betaalde acquisitiekosten zijn niet gedaald. Meta- en TikTok-advertentie-CPM's zijn jaar-op-jaar grosso modo vlak. De bindende beperking op of een AI-video zijn publiek vindt, blijft de advertentie-uitgave erachter, die voor een verticale dramareeks in de range $200K–$1M blijft om een hit te vinden. De productielijn daalde 10–40×; de distributielijn niet. (We hebben precies uitgewerkt hoe dit speelt voor indie-teams die het ReelShort/DramaBox-model proberen te draaien in het ReelShort-playbook.)

De hit-ratewiskunde veranderde dienovereenkomstig. In 2024 had een indie-team ruwweg $2M werkkapitaal nodig om één live-action verticale dramareeks met realistische overlevingskansen te draaien (één productiepoging van $150K + betaalde acquisitie; één mislukte poging was structureel fataal). In 2026 kan datzelfde indie-team 8–12 pogingen per jaar afleveren met vergelijkbaar budget, omdat elke poging ~10–15× minder kost. Hit-gedreven categorieën belonen pogingenaantal. De wiskunde van wie het spel kan spelen veranderde — stilletjes, maar volledig.

Wat dit veranderde. De economie van wie een productie kan proberen reorganiseerde. Indie-teams die zich geen enkele live-actionpoging konden veroorloven, kunnen nu een portefeuille van pogingen draaien. Studio's die profiteerden van de oude vaste-kostengracht zijn die kwijt. Kapitaalconcentratie aan de top van de industrie (het model dat werkte voor streaming-jaren-2010) wordt vervangen door kapitaalfragmentatie aan de rand.

Wat deze zes verschuivingen samen optellen

Samen gelezen zijn dit geen zes onafhankelijke verhalen. Het is één verhaal verteld vanuit zes hoeken: het zwaartepunt in AI-video is van het model verschoven naar de orkestratielaag erboven. De volgorde is causaal:

1. Sora 2 stortte in (Verschuiving 1) — verwijderde de duidelijkste these "één model om ze allen te overheersen" van het veld.
2. Chinese modellen namen de topbanen (Verschuiving 2) — verving het enkel-leider-model door een multipolair model.
3. De modellaag commoditiseerde (Verschuiving 3) — duwde de kloof "beste" vs "goed genoeg" in een band die de output van makers niet meer onderscheidt.
4. Prompt engineering stierf, de agent-laag rees op (Verschuiving 4) — omdat bij een multipolair modellaag geen mens sneller tussen modellen kan routeren dan een agent.
5. Karakterconsistentie hield op een knelpunt te zijn (Verschuiving 5) — omdat de agent-laag, die identiteitstokens tussen modellen vasthoudt, oploste wat geen enkel individueel model kon.
6. Productiekosten stortten een orde van grootte in (Verschuiving 6) — omdat goedkope commodity-modellen plus een werkende agent een kostenstructuur per minuut opleveren waar geen enkele live-actionworkflow tegenop kan.

Als je in 2026 een creatief team opbouwt, is de praktische take dat "we hebben toegang tot Veo en Kling en Seedance" geen betekenisvolle capaciteitsclaim meer is. Elk team heeft toegang. Wat een team dat maandelijks 10 bruikbare video's aflevert scheidt van een team dat er 1 aflevert, is de agent-infrastructuur tussen de briefs en de modellen.

Wat dit betekent voor de rest van 2026

Drie heroriëntaties volgen uit deze zes verschuivingen. Elke vervangt iets dat in 2025 werkte en ergens in de eerste helft van 2026 stopte te werken.

1. Stop met modellen rangschikken, begin ze te routeren

Als je team nog interne evaluaties doet om "het beste model" voor je stack te kiezen, geef je energie uit die 2025 zou belonen en die 2026 stopte te belonen. De Arena-ranglijst is informatief, maar de werkelijke vraag is welke combinatie van modellen — gerouteerd door een agent — past bij je productiebehoeftes over dialoog, referentie, stilering en taal. Een multi-model agent-stack verslaat nu een enkele-modelstack op kosten, snelheid en kwaliteit tegelijk. Er resteert geen argument voor de aanpak "we standaardiseren op Veo" of "we standaardiseren op Kling" die twaalf maanden geleden werkte.

2. Werf voor creatieve regie, niet voor promptvaardigheid

Het knelpunt op output is niet meer "kan iemand een goede prompt schrijven". Het is "heeft iemand een heldere visie op wat te maken". Prompt engineering als wervingssignaal is een voorlopende indicator dat een team het verkeerde probleem oplost. Promoot op creatief oordeel, smaak en redactionele discipline. Train op agent-bediening, sneller te leren en specifieker voor het platform waarop je je vestigt.

3. Plan productie op portefeuilleschaal

De kosteninstorting betekent dat je je veel pogingen kunt veroorloven en de meeste kunt afbreken. De teams die de rest van 2026 winnen zijn die welke 8–12 pogingen per jaar afleveren en leren van de data, niet die welke kwartaalbudget inzetten op één vlaggenschip. Hit-gedreven categorieën — verticaal drama, social commerce, branded content — belonen pogingaantal. Plan navenant: splits "productiekosten per poging" van "betaalde acquisitie-uitgaven per winnaar", en stop ze samen op één budgetregel.

Conclusie

De eerste vijf maanden van 2026 leverden geen één grote verrassing. Ze leverden zes structurele verschuivingen die samen de industrie van haar 2025-fundament verplaatsten. De modellaag is niet langer het product. De agent-laag wel. De ineenstorting van Sora 2 en de anonieme opmars van HappyHorse 1.0 naar #1 in 48 uur zijn geen onafhankelijke verhalen — het is hetzelfde verhaal, één keer verteld vanuit de mislukkingskant en één keer vanuit de succeskant. Het model dat wint is niet het beste model. Het is het beste model binnen een agent die weet welk model te kiezen.

Als je AI-videostack modelkeuze nog als kernbeslissing behandelt, draai je een 2025-playbook in een 2026-markt. Dat is te repareren. De meeste teams die de tweede helft van het jaar zullen bezitten, doen die reparatie dit kwartaal.

Veelgestelde vragen

Wat was de grootste enkele gebeurtenis in AI-video in de eerste helft van 2026?

De sluiting van Sora 2, aangekondigd op 24 maart en effectief op 26 april. Het product hield het 84 dagen als consumeraanbod en brandde een kosten-omzetverhouding van ongeveer 600:1 op (~$15M/dag inferentie tegenover ~$2,1M totale levensduurinkomsten), trok daarbij de geplande $1B Disney-IP-deal mee. Het stroomafwaartse effect — capaciteitsconvergentie en waardeverschuiving naar de agent-laag — is de structurele verandering.

Staan Chinese AI-videomodellen echt aan de top in 2026?

Ja, en niet als generalisatie. Specifiek: Kling 3.0 (Kuaishou) leidt in gestileerd en geanimeerd; Seedance 2.0 (ByteDance) leidt in referentiegedreven merkvideo en wordt via CapCut verdeeld naar ~500M+ gebruikers; HappyHorse 1.0 (Alibaba's ATH AI Innovation Unit, geleid door Zhang Di) leidt in Chineestalig kort drama en bekroonde de Arena-ranglijst binnen 48 uur na een anonieme lancering op 7 april. Drie van de zes productie-grade topmodellen in wereldwijd gebruik worden nu in China gebouwd.

Is prompt engineering medio 2026 nog een nuttige vaardigheid?

Voor het produceren van afgewerkte video, nee — agents hebben dat werk grotendeels geabsorbeerd en vacatures "prompt engineer" dalen sinds Q4 2025. Voor onderzoek, evaluatie en edge-case-experimenten telt promptvaardigheid nog. Maar het is niet langer het knelpunt op productie-output.

Hoeveel goedkoper is AI-video dan live-action in 2026?

Ongeveer 10–40× afhankelijk van het format. Een 80-aflevering verticaal drama daalde van $150K–$300K naar $10K–$25K. Een 30-seconden brandcommercial daalde van $30K–$200K naar $1K–$5K. Betaalde acquisitiekosten daalden niet.

Waarop moet een AI-videoteam zich nu richten?

Een verenigde agent-laag bouwen of adopteren die routing tussen modellen, karakteridentiteitspersistentie, audioboogplanning en assemblage afhandelt. De modellaag is commodity; differentiatie zit een laag hoger.

Wordt de modellaag opnieuw de differentiator?

Onwaarschijnlijk op het huidige traject. De compute-economie die Sora 2 doodde, geldt voor iedereen die de dominante enkele-modelaanbieder probeert te zijn. Specialisatie binnen banen zal doorgaan, maar het tijdperk waarin één model een hele stack kon verankeren is voorbij.