Elon Musk ontsloeg zoveel personeel dat een 20-jarige student een heel AI-engineeringteam moest trainen

De jongen in de versleten hoodie die de kamer het zwijgen oplegde

Hij stapte binnen met een versleten hoodie en een laptop onder zijn arm, meer wegend als iemand op zoek naar gratis pizza dan als de persoon die zo dadelijk een zaal vol doorgewinterde engineers zou briefen. De vergaderruimte op X's kantoor in San Francisco was half leeg en half in shock. Mensen probeerden nog te wennen aan de stilte die was achtergebleven na de duizenden ontslagen.

Hij sloot zijn laptop aan op de projector, schraapte zijn keel, en plotseling kantelde de hiërarchie in de ruimte volledig. De 20-jarige was degene die begreep hoe de nieuwe AI-architectuur werkte. Iedereen aanwezig was er om van hem te leren.

Niemand zei het hardop, maar de gedachte hing zwaar in de lucht: wat gebeurt er met een bedrijf als de stagiair de leraar wordt?

De chaos die Musk creëerde bij X

Toen Elon Musk eind 2022 het hoofdkantoor van Twitter binnenliep met een gootsteen, voelde het symbolisch aan maar tamelijk onschuldig. Een miljardair die weer eens de wereld tarttte. Daarna begonnen de ontslagen, en wat leek op een grap werd al snel een bedrijfsstrategie. Hele teams verdwenen van de ene op de andere dag. Mensen ontdekten dat ze ontslagen waren doordat hun Slack-accounts het opeens niet meer deden.

Wat volgde was geen rustige reorganisatie. Het voelde meer als stoelendansen, maar dan met de muziek op dubbele snelheid en de helft van de stoelen weggehaald. Wie bleef, moest "hardcore" zijn of vertrekken. Wie nieuw binnenkwam, moest systemen opbouwen die ze amper kenden. Uit die chaos dook een onwaarschijnlijke figuur op in de AI-aanpak: een 20-jarige student.

Die student was een jonge medewerker van Igor Babuschkin, aangenomen om bij xAI te werken — de door Musk gesteunde AI-startup die was opgebouwd uit de resterende infrastructuur van Twitter en het machine learning-talent van Tesla. Hij was geen senior onderzoeker van DeepMind. Geen voormalige rockster van OpenAI. Hij was een tweedejaarsstudent met een GitHub-profiel dat eruitzag als dat van elke andere ambitieuze student: veel projecten, veel potentieel, weinig bedrijfservaring.

Toch was deze student halverwege 2023, volgens mensen die het team van nabij kenden, iets aan het doen wat volledig indruiste tegen de bedrijfstraditie. Hij begeleidde nieuwe AI-engineers bij hun inwerkperiode, legde codepaden uit, liep trainingspipelines voor modellen door, en vertaalde Musks vage "bouw een betere ChatGPT"-opdrachten naar stappen die echte mensen konden uitvoeren zonder hun verstand te verliezen.

Aan de ene kant is het verhaal bijna grappig. Een 20-jarige die promovendi uitlegde hoe de nieuwe systemen werkten, simpelweg omdat hij er langer zat in Musk-tijd — en Musk-tijd beweegt drie keer zo snel als normaal. Aan de andere kant is het een harde röntgenfoto van de moderne techsector. Ervaren medewerkers werden in golven ontslagen om kosten te besparen en wie Musk zag als "dood gewicht" te verwijderen. Documentatie was schaars of verdween samen met de mensen die het hadden geschreven.

Dus de persoon die de kennis beheerde, was niet de meest senior of de slimste. Het was degene die de ontslagen had overleefd en de meeste nachten had doorgebracht met het staren naar logs en half-kapotte clusters. Die persoon bleek een student te zijn.

Hoe een student belandde als trainer van een AI-team

De weg die de student naar Musks kring leidde, volgde niet de klassieke route van gepolijste cv's en zorgvuldig voorbereide sollicitatiegesprekken. Hij was actief in online machine learning-gemeenschappen, bracht kleine open-source modellen uit, voerde experimenten uit en deelde resultaten met een mix van nieuwsgierigheid en ruwe energie. Iemand binnen Musks kring merkte het op. Een privébericht werd een telefoongesprek. Een gesprek werd een contract.

Eenmaal binnen deed hij wat jonge, hongerige engineers vaak doen: overal ja op zeggen. 's Nachts debuggen. Vuile data opschonen. Scripts schrijven die niemand ooit zou zien. Terwijl senior medewerkers nog aan het onderhandelen waren over titels en aandelenopties, was hij degene die de modellen daadwerkelijk aan de praat kreeg. Zo werd hij stilletjes de persoon die wist waar alle lijken in de code begraven lagen.

We kennen dat moment allemaal — het besef dat de enige reden waarom iedereen jou vragen stelt, is dat niemand ooit iets heeft opgeschreven. Bij X en xAI was die werkelijkheid tot het uiterste opgerekt. Dus toen nieuwe AI-engineers werden binnengehaald — sommigen van Tesla, anderen van buiten — kregen ze geen mooi opgemaakt inwerkdocument. Ze kregen tijd met de 20-jarige die de geheugenkaart van het project in zijn hoofd droeg.

Hij opende een terminal, liep met ze door hoe datasets aan elkaar waren geplakt, waarom bepaalde trainingsruns stilzwijgend waren mislukt, en waar ze noodoplossingen hadden gebouwd rondom ontbrekende infrastructuur. Het was niet gepolijst. Geen formele training. Het was gevechtskennis, snel doorgegeven omdat Musk gisteren al resultaten wilde en niemand wilde degene zijn die zei: "We hebben zes weken nodig om dit goed te documenteren."

De logica achter deze opzet is zowel meedogenloos als simpel. Musk optimaliseert voor snelheid en controle. Ervaren engineers zijn duur, eigenwijs, en vaak gehecht aan verouderde werkwijzen. Een jonge student is goedkoper, flexibeler, en minder geneigd om terug te praten wanneer hij gevraagd wordt een nacht door te werken om een datapipeline opnieuw op te bouwen.

De student werd het snijpunt tussen Musks grote, soms vage AI-ambities en de rommelige realiteit van GPU-tekorten, rare bugs en halfgemigreerde Twitter-data. Hij was er niet omdat hij de enige slimme was. Hij was er omdat hij de enige was die nog overeind stond, om twee uur 's nachts nog Slack beantwoordde, en bereid was hetzelfde tien keer uit te leggen aan tien verschillende "senior medewerkers" die probeerden bij te spijkeren.

Wat dit onthult over technologie, risico en rauw talent

Er schuilt een stille les in deze gekte die elke ambitieuze engineer of student kan toepassen. De 20-jarige verwierf macht niet door erom te vragen. Hij kreeg het door een stuk van het systeem te claimen dat niemand anders volledig wilde aanraken. Dat betekende de onaantrekkelijke taken op zich nemen — data schoonmaken, wankele scripts nalopen, randgevallen bijhouden in eigen notities — totdat ze samen een kaart vormden die alleen hij vloeiend kon lezen.

Als je onmisbaar wilt worden in een techbedrijf, zeker in een chaotisch een, is dat het stappenplan: ga naar waar de pijn zit, blijf lang genoeg om het beter te begrijpen dan wie dan ook, en houd bij wat je leert, ook al is het slechts in ruwe markdown-bestanden. De titels komen later, als ze al komen. De invloed begint bij weten hoe dingen écht werken.

Maar er is ook een donkere kant die makkelijk over het hoofd wordt gezien wanneer we de "briljante jongere redt de dag"-verhaallijn romantiseren. Een 20-jarige uitputten door hem centraal te stellen in een hectische AI-wapenwedloop is geen blijk van leiderschap — het is een risico. Als kennis opgesloten zit in één jong brein, is het hele project één ontslag, één gezondheidsprobleem of één beter aanbod verwijderd van gedeeltelijke ineenstorting.

Veel mensen die startup-chaos van dichtbij hebben meegemaakt, herkennen het patroon. De heldhaftige junior. De ontbrekende documentatie. De late Slack-berichten die langzaam verschuiven van "wauw, dit is opwindend" naar "ik denk niet dat ik dit kan blijven doen". Dat is geen innovatie. Dat is kwetsbaarheid in een hoodie.

Op een gegeven moment begonnen zelfs binnen Musks wereld mensen dit onevenwicht op te merken. Iemand die de situatie van nabij kende, verwoordde het zonder omhaal:

"Iedereen dacht dat de slimste persoon in de kamer de grijsharige AI-onderzoeker zou zijn. Het bleek dat de enige die het systeem opnieuw kon opstarten zonder het te breken, de student was."

Om deze valkuil in je eigen team te vermijden, zijn er een paar nuchtere, weinig glamoureuze stappen die kennis kunnen verspreiden voordat het misgaat:

• Schrijf werknotities terwijl je bezig bent, ook al zijn ze rommelig.
• Neem korte video-walkthroughs op van complexe systemen.
• Koppel een junior "kennishouder" aan een senior die tegelijk documenteert.
• Wissel bereikbaarheidsdiensten af zodat ervaring gedeeld wordt in plaats van opgepot.
• Controleer maandelijks op "single points of failure", niet één keer per jaar.

Niets hiervan voelt zo spannend als het uitbrengen van een nieuw model. Maar het is precies wat voorkomt dat je één uitgeputte 20-jarige nodig hebt om je volledige AI-stack bij elkaar te houden.

De ongemakkelijke vraag die Musks gok achterlaat

Dit verhaal gaat niet echt over één student, of zelfs over Musk. Het gaat over wat er gebeurt als een industrie die geobsedeerd is door verstoring, ervaring gaat behandelen als bagage en chaos als een feature. Duizenden mensen ontslaan en vervolgens steunen op een briljante, overwerkte 20-jarige om een AI-engineeringteam te trainen, is tegelijk een eerbetoon aan rauw talent en een stille aanklacht over hoe wegwerpbaar mensen in het proces zijn geworden.

Voor wie dit van buitenaf gadeslaat — misschien ben je een student die droomt van die grote kans, of een engineer die zijn eigen ontslagronde heeft overleefd — is de vraag eenvoudig maar een beetje verontrustend. Hoeveel risico zijn we bereid te accepteren in naam van snelheid? En wie betaalt de menselijke prijs wanneer de verstandigste keuze langzamer, saaier en meer gedeeld zou zijn geweest?

De volgende grote AI-doorbraak die je in je feed ziet, rust misschien op de schouders van één jonge persoon, ergens, met brandende ogen om drie uur 's nachts, typend in een terminal die niemand anders volledig begrijpt. Dat zou ons moeten imponeren. Het zou ons ook even moeten doen stilstaan.

Veelgestelde vragen

• Heeft Elon Musk echt een 20-jarige AI-engineers laten trainen? Meerdere verslagen en insider-accounts beschrijven een jonge student bij xAI die uiteindelijk meer senior engineers begeleidde en instrueerde, omdat hij langer bij het project betrokken was en de systemen het beste kende.
• Leidde de student het hele AI-team? Niet officieel, maar hij bezat cruciale kennis van datapipelines en trainingsopstellingen, wat hem een buitenproportionele invloed gaf in het dagelijks werk.
• Waarom gebeurde dit na de ontslagen? De massaontslagen bij Twitter/X verwijderden veel ervaren medewerkers en verstoorden de documentatie, waardoor overlevenden en vroege medewerkers de enige echte herinnering waren aan hoe dingen werkten.
• Is dit soort situatie normaal in de techsector? Het is niet standaard, maar in snelbewegende of chaotische startups worden juniors en stagiairs vaak de facto experts op specifieke systemen, simpelweg omdat ze er het dichtst bij betrokken zijn.
• Wat kunnen medewerkers leren van dit verhaal? Het claimen van moeilijke, verwaarloosde gebieden kan je invloed vergroten, maar je moet ook streven naar gedeelde kennis zodat je carrière niet volledig afhangt van het zijn van de enige brandweer in een kapot systeem.