Na de eerste kernproeven ontstond een merkwaardig probleem. Vrijwel al het nieuw geproduceerde staal bevatte kleine sporen van radioactieve vervuiling uit de atmosfeer. Voor extreem gevoelige meetapparatuur was daarom juist oud staal nodig, gemaakt vóór het nucleaire tijdperk. Er werd zelfs staal uit gezonken schepen gehaald, simpelweg omdat dat materiaal nog “schoon” was.
Met informatie gebeurt nu iets wat daar opvallend veel op lijkt. Steeds meer van wat online verschijnt, is door machines geschreven of bewerkt. Onderzoek van Graphite schat dat inmiddels ongeveer de helft van de nieuw gepubliceerde artikelen hoofdzakelijk door AI wordt gemaakt. Dat maakt AI-content niet automatisch slecht, maar het verandert wel de verhouding tussen oorspronkelijke informatie en materiaal dat vooral voortbouwt op wat er al was. Daarmee ontstaat een nieuwe vorm van schaarste: informatie die rechtstreeks uit de werkelijkheid komt.
Als AI van AI leert
Onderzoekers van Oxford en Cambridge beschreven in Nature wat er gebeurt wanneer nieuwe AI-modellen steeds opnieuw worden getraind op materiaal dat eerdere modellen hebben geproduceerd. Vooral zeldzame informatie dreigt dan langzaam te verdwijnen.
Neem een dataset met duizenden honden. De meeste hebben bruine ogen, een klein deel blauwe. Laat een model nieuwe voorbeelden maken en bruine ogen komen vanzelf vaker terug. Train je een volgende generatie weer op die output, dan worden blauwe ogen nog zeldzamer. Zo ontstaat een steeds smallere versie van de werkelijkheid. Dat heet model collapse.
De simpele conclusie dat AI zichzelf uiteindelijk dom maakt, klopt niet. Het probleem wordt veel kleiner wanneer echte data behouden blijven en bewust worden gemengd met synthetisch materiaal. Juist daar zit voor mij het interessante punt: als machines steeds goedkoper informatie produceren, wordt bronmateriaal dat nog niet eindeloos is herkauwd waardevoller.
Nieuwe werkelijkheid wordt schaars
Deloitte vatte dat onlangs kernachtig samen: “New data > synthetic data > old data.” Bijna iedereen kan straks dezelfde modellen gebruiken, dezelfde openbare bronnen doorzoeken en in seconden een prima analyse laten maken. Het verschil zit dan in informatie die een ander nog niet heeft.
Dat zie je nu al. Reddit krijgt tientallen miljoenen dollars voor toegang tot menselijke gesprekken. Cloudflare experimenteert met manieren waarop AI-bedrijven moeten betalen om websites uit te lezen. In de wetenschap worden enorme bedragen gestoken in nieuwe biologische datasets, omdat bestaande publicaties eindeloos opnieuw analyseren op een gegeven moment minder oplevert dan één nieuw experiment. Een model kan bestaande kennis uitstekend herschikken. Nieuwe werkelijkheid moet ergens ontstaan.
Je eigen data wordt daarmee interessanter
Veel directies vragen zich nu vooral af welk AI-model ze moeten gebruiken. Ik zou er een tweede vraag naast leggen: welke informatie hebben wij die nergens anders bestaat?
Voor een verzekeraar zijn dat niet de polisvoorwaarden, maar uitzonderlijke claims, nieuwe fraudepatronen en de afwegingen van ervaren schade-experts. Bij een fabrikant gaat het om sensorgegevens uit echte machines en onverwachte storingen. Een ziekenhuis heeft diagnostische uitkomsten. Een adviesbureau beschikt over gesprekken waarin klanten vertellen waarom een plan op papier goed leek, maar in de praktijk vastliep.
Dat soort informatie ontstaat niet door nóg een samenvatting te laten maken. Iemand moet iets zien, meten, proberen, vragen of meemaken. Ik denk dat daar de komende jaren een groter deel van het concurrentievoordeel komt te liggen. Openbare kennis wordt goedkoop. Goede samenvattingen worden goedkoop. Verse informatie blijft duur, omdat je daarvoor de wereld in moet.
Dat verandert ook de waarde van werk
Wie vooral bestaande informatie verzamelt, ordent en samenvat, krijgt steeds directere concurrentie van AI. Iemand die een onverwachte afwijking ziet, een klant iets laat vertellen wat nog nergens staat of een nieuwe hypothese test, doet iets anders. Die persoon produceert nieuwe kennis.
Daarom zouden bedrijven veel scherper moeten kijken naar waar hun eigen werkelijkheid nu verloren gaat. Welke gesprekken verdwijnen na een Teams-call? Welke storingen worden opgelost zonder dat iemand noteert wat er gebeurde? Welke inzichten van ervaren medewerkers leven alleen in hun hoofd?
Als oorspronkelijke informatie waardevoller wordt, is het nogal zonde om die iedere dag ongezien te laten verdwijnen. Dat vind ik misschien wel het vreemdste gevolg van generatieve AI. We dachten jarenlang dat waarde vooral zat in méér informatie kunnen produceren. Nu machines dat bijna onbeperkt kunnen, schuift de waarde terug naar iets veel ouderwetsers: goed kijken naar wat er werkelijk gebeurt. Een model kan zonder moeite een miljoen antwoorden schrijven. Voor één nieuw feit moet iemand nog steeds de werkelijkheid in.
Jan Scheele werkt dertien jaar op het snijvlak van deep tech, strategie en leiderschap. Als keynote spreker, dagvoorzitter en adviseur maakt hij technologie tastbaar voor boardrooms, directieteams en grote podia, zonder de complexiteit te versimpelen of te verbergen achter buzzwords.
Zijn achtergrond ligt in het bouwen. Als CEO van een technologie scale-up, oprichter van meerdere techbedrijven en organisator van meer dan vijftig TED-events wereldwijd zag hij van dichtbij hoe technologische keuzes doorwerken in strategie, governance en cultuur. Vanuit zijn betrokkenheid bij het World Economic Forum en de BCNL Foundation kijkt hij daarbij niet alleen naar wat technisch mogelijk is, maar ook naar wat bestuurlijk houdbaar en maatschappelijk wenselijk is.
Hij publiceerde vijf boeken, waarvan twee Amazon-bestsellers, en schrijft wekelijks over AI, blockchain en de organisatorische gevolgen van deep tech. Zijn blogs bereikten inmiddels meer dan twee miljoen lezers.