Toen ik dertien was, begon ik met mijn eerste ondernemende activiteiten. Websites bouwen, wat handeltjes, dingen bedenken waarvan ik dacht dat iemand er misschien geld voor wilde betalen. Sindsdien heb ik meerdere bedrijven gebouwd en vooral geleerd dat een goed idee eigenlijk maar een verbazingwekkend klein onderdeel van ondernemen is.

Zodra zo’n bedrijf iets serieuzer wordt, begint het organiseren. Financieel advies, juridische documenten, websites, ontwerp, marketing, onderzoek, administratie etc. Voor bijna alles bestaat iemand die er veel beter in is dan jij, dus huur je mensen in. Soms omdat je de kennis niet hebt, soms omdat je simpelweg niet genoeg uren in een dag hebt.

Het afgelopen jaar (of misschien zelfs 2) valt me op hoe snel die rekensom aan het veranderen is. Ik zet nieuwe dingen op waarbij ik werkzaamheden volledig zelfstandig doe waarvoor ik een paar jaar geleden zonder nadenken iemand had gebeld. Ik ben echt niet ineens jurist, programmeur, designer, onderzoeker en financieel specialist geworden. Ik kom alleen op al die gebieden veel verder voordat ik iemand anders nodig heb.

Toen ik daarom las dat het aantal Amerikanen dat op LinkedIn ‘founder’ aan zijn profiel toevoegde in één jaar met 69% was gestegen, vond ik dat een stuk interessanter dan de zoveelste discussie over welke banen AI gaat vervangen. Bijna de helft van de kleine ondernemers die LinkedIn ondervroeg, 47%, zegt bovendien dat AI de kans groter heeft gemaakt dat ze zelf een bedrijf beginnen.

Misschien gebeurt hier iets waar we veel minder over praten: technologie maakt niet alleen bestaande bedrijven productiever, maar verandert wie überhaupt in staat is een bedrijf te bouwen.

Er komen opvallend veel kleine bedrijven bij

De cijfers beginnen die gedachte behoorlijk interessant te maken. Gusto onderzocht ruim 1000 Amerikanen die in 2025 een bedrijf begonnen. 60% gebruikte AI tijdens de start, ongeveer 2x zoveel als twee jaar eerder. Driekwart gebruikte het om ideeën verder uit te werken, 53% voor administratieve of juridische werkzaamheden en 51% voor het opzetten van de bedrijfsvoering.

Nog opvallender vind ik andere Amerikaanse registratiedata. Aanvragen van eenpersoonsbedrijven stegen sinds begin 2025 met meer dan 20%, terwijl aanvragen van bedrijven waarvan verwacht wordt dat ze personeel gaan aannemen vrijwel gelijk bleven. Bijna de helft van die extra eenpersoonsbedrijven zit in sectoren met een hoge AI-adoptie. Tegelijk groeide volgens Carta het aandeel startups met één founder van ruim 23% in 2019 naar 35% in 2024.

Daar lijkt dus langzaam een ander soort bedrijf te ontstaan. Niet de traditionele zzp’er die vooral zijn eigen uren verkoopt, maar een ondernemer die software, automatisering, freelancers en AI combineert en daarmee een bedrijf probeert te bouwen dat veel groter is dan één agenda vol declarabele uren. Het extreme voorbeeld daarvan kwam ik pas echt goed tegen toen ik hier verder naar zocht.

$401 miljoen omzet, vrijwel alleen

Matthew Gallagher begon in september 2024 vanuit zijn huis in Los Angeles het telehealthbedrijf Medvi. Startkapitaal: ongeveer $20.000. Personeel: nul. Hij gebruikte meer dan 12 AI-tools voor onder andere de software, teksten, advertenties, klantenservice en analyses. Zaken die hij niet zelf kon uitvoeren, zoals artsen, apotheken en logistiek, besteedde hij uit aan bestaande platforms.

In het eerste volledige jaar draaide Medvi volgens cijfers die door The New York Times zijn ingezien $401 miljoen omzet en $65 miljoen nettowinst. Pas daarna nam Gallagher zijn eerste werknemer aan: zijn broer. Het bedrijf verwacht in 2026 met die twee medewerkers richting $1,8 miljard omzet te gaan.

Dat is dus nog niet helemaal de beroemde voorspelling van Sam Altman dat 1 persoon zelfstandig een bedrijf van $1 miljard zou bouwen. Het komt alleen angstaanjagend dichtbij.

Het verhaal heeft trouwens ook een minder fraaie kant… en juist daarom vind ik het interessant. De AI-klantenservice van Medvi verzon bijvoorbeeld prijzen en producten die het bedrijf helemaal niet verkocht. Rond de marketing ontstond discussie over AI-gegenereerde artsen en misleidende advertenties, terwijl de FDA het bedrijf eveneens op de vingers tikte.

Dat is misschien wel de beste illustratie van wat hier gebeurt. De capaciteit van 1 persoon groeit spectaculair, maar verantwoordelijkheid schaalt niet automatisch mee.

Eén persoon krijgt veel meer intellectuele slagkracht

Dat vind ik uiteindelijk belangrijker dan het miljardvoorbeeld. Grote organisaties hadden altijd een enorm voordeel omdat ze kennis konden verzamelen. Een multinational heeft juristen, analisten, programmeurs, strategen, onderzoekers en ontwerpers rondlopen. Als kleine ondernemer had je jezelf, Google en een stapel offertes van mensen die per uur factureerden.

Een interessant experiment met 758 consultants van Boston Consulting Group laat zien hoeveel dat verschil kan veranderen. Bij taken waarvoor AI geschikt was, verhoogde GPT-4 de kwaliteit van het werk met ongeveer 40% en de snelheid met 25%. Vooral de minder sterke consultants gingen hard vooruit. Het onderzoek liet tegelijkertijd iets zien wat de onderzoekers de jagged frontier noemen: bij sommige taken maakt AI mensen veel beter, bij andere taken worden ze juist slechter omdat ze te veel op een overtuigend klinkend antwoord vertrouwen.

Dat herken ik. Het interessante aan AI is voor mij inmiddels niet meer dat ik bestaand werk wat sneller kan doen. Ik kan werkzaamheden aanpakken waar ik vroeger überhaupt niet aan begonnen was. Een markt analyseren, een financiële berekening maken, een eenvoudige applicatie bouwen, bergen onderzoek doorspitten of een eerste juridisch document uitwerken: ik hoef niet bij nul te beginnen en meteen een specialist te bellen. Dat geeft 1 individu een hoeveelheid intellectuele slagkracht die voorheen vooral binnen organisaties beschikbaar was.

Bouwen wordt goedkoper, kiezen wordt duurder

Daar zit tegelijk een vreemde consequentie aan. Zodra iedereen sneller kan bouwen, wordt bouwen zelf minder bijzonder. Professor Eggers van NYU Stern schreef daar onlangs een interessante analyse over. Als AI steeds meer onderdelen van innovatie goedkoop en toegankelijk maakt, verschuift het concurrentievoordeel van iets kunnen maken naar weten wat je moet maken. Probleemkeuze, inzicht, domeinkennis en oordeel worden belangrijker wanneer uitvoering steeds toegankelijker wordt.

Dat lijkt mij precies wat er gaat gebeuren. Als iedere ondernemer binnen een weekend een keurige website kan bouwen, is een keurige website geen voordeel meer. Als iedereen software kan laten programmeren, ligt het voordeel niet langer bij degene die kan programmeren. Wanneer iedereen honderd marketingideeën kan produceren, wordt vooral interessant wie aanvoelt welk idee nergens op slaat. AI maakt middelmatigheid namelijk óók veel goedkoper.

Dat merk ik zelf ook steeds meer. Ik kan veel sneller nieuwe dingen bouwen dan een paar jaar geleden, maar ik heb daardoor niet automatisch betere ideeën. Sterker nog, ik kan tegenwoordig ook veel efficiënter een slecht idee uitwerken.

Misschien krijgen we vooral veel méér bedrijven

Nederland beweegt ondertussen ook. In het tweede kwartaal van 2026 werden hier 56.331 bedrijven gestart, 4,8% meer dan een jaar eerder. Van die starters koos 79% voor het zzp-schap. Vooral binnen ICT nam het aantal startende zzp’ers opvallend sterk toe, met 53,2%.

Ik zou daar alleen nog niet uit concluderen dat we massaal een land van AI-ondernemers worden. De beschikbare cijfers verschillen nogal afhankelijk van wat onderzoekers precies onder AI-gebruik verstaan. Officiële operationele metingen komen bij kleine Amerikaanse bedrijven bijvoorbeeld rond 17% tot 20% uit, terwijl enquêtes waarin ondernemers zelf aangeven of ze AI gebruiken cijfers van 55% tot 68% opleveren.

De richting vind ik wel overtuigend. De kosten van proberen dalen enorm. Je hebt minder mensen, minder startkapitaal en minder specialistische kennis nodig voordat je kunt ontdekken of iemand überhaupt op jouw idee zit te wachten.

Dat verandert ondernemerschap behoorlijk. Vroeger moest je voor sommige plannen eerst een organisatie bouwen om te kunnen testen of het plan werkte. Nu kun je steeds vaker eerst iets bouwen, klanten zoeken en omzet maken, en daarna pas bedenken welke organisatie daarbij hoort.

Na al die jaren ondernemen merk ik dat zelf misschien nog het sterkst aan het moment waarop een idee bij me opkomt. Vroeger dacht ik geregeld: leuk, maar daar heb ik iemand voor nodig. Tegenwoordig denk ik veel sneller: laat ik eens kijken of ik het zelf kan bouwen. Bomvol enthousiasme kom ik steeds weer uit zo’n werksessie. Hongerig naar meer. Veel meer.

Als miljoenen andere ondernemers dezelfde ervaring krijgen, kan dat economisch een stuk interessanter worden dan het zoveelste verhaal over een chatbot die onze e-mails sneller schrijft.

Gartner voorspelt dat 20% van alle organisaties AI gaat gebruiken om veel platter te worden, waarbij meer dan de helft van de bestaande middenmanagementfuncties verdwijnt. Dat is nogal een voorspelling. Zeker omdat diezelfde onderzoekswereld nog niet zo lang geleden ongeveer het tegenovergestelde verhaal vertelde: AI zou juist zorgen voor een dikkere laag in het midden, omdat onderaan veel instapwerk verdwijnt. Nu is de term ineens Great Flattening en staat juist die middenlaag onder druk. Zo snel kan een overtuigend toekomstbeeld blijkbaar omslaan.

Momenteel spreek ik bijna elke week wel ergens over de impact van AI op organisaties en krijg genoeg ‘bange’ vragen. Gaan die managementlagen er echt aan, of kijken we over twee jaar terug op de volgende hype? In mijn dagelijkse werk zie ik dat bedrijven de discussie snel reduceren tot 1 vraag: hoeveel managers kunnen we schrappen? Volgens mij begint het interessantere gesprek ergens anders. Wat verdwijnt er eigenlijk wanneer je zo’n laag weghaalt, en wie merkt dat als eerste?

Deloitte beschreef onlangs vrij helder waarom middenmanagement uberhaupt zo groot is geworden. Informatie was schaars, kennis zat verspreid door de organisatie en iemand moest werk verdelen, controleren, interpreteren en uiteindelijk naar boven rapporteren. AI raakt precies aan die werkzaamheden. Software kan steeds beter waarnemen, samenvatten, plannen, controleren en communiceren. Wanneer een flink deel van die keten automatisch verloopt, wordt het logisch dat bedrijven zich afvragen waarom daar nog drie managementlagen tussen moeten zitten.

Er zijn inmiddels genoeg cijfers om die discussie serieus te nemen. Gartner voorspelde dat 20% van de organisaties AI zou inzetten om de structuur platter te maken, waarbij meer dan de helft van de bestaande middenmanagementfuncties verdwijnt. Korn Ferry vroeg 15000 professionals wereldwijd wat zij al zagen gebeuren. 41% zei dat hun organisatie het afgelopen jaar managementlagen had geschrapt. Amazon verhoogde op aanwijzing van CEO Jassy de verhouding tussen medewerkers en managers met minstens 15%. Jassy had weinig geduld meer met wat hij omschreef als “vergaderingen ter voorbereiding van vergaderingen”. Bij sommige AI teams van Meta ligt de verhouding inmiddels rond 1 manager op 50 medewerkers. Hoogleraar organisatiegedrag Andre Spicer verwacht daar weinig goeds van en voorspelt dat zulke extremen op een fiasco kunnen uitlopen.

Wetenschappelijk is het beeld ondertussen veel minder netjes dan sommige krantenkoppen suggereren. Een nieuwe studie van INSEAD analyseerde vacatures rond de introductie van ChatGPT en vond minder vraag naar managers, plattere rapportagelijnen en hogere lonen voor werknemers zonder leidinggevende functie. Dat lijkt een stevige bevestiging van de Great Flattening. Onderzoekers van IESE Business School en KU Leuven kwamen met een andere dataset tot het tegenovergestelde. Zij analyseerden 375 miljoen Amerikaanse vacatures tussen 2010 en 2022 en zagen juist méér managementvacatures bij bedrijven die intensiever met AI werkten. Twee serieuze onderzoeksteams, twee verschillende uitkomsten. Wie beweert dat de wetenschap hier al uit is, loopt voor de feiten uit.

Zelfs de cijfers over het aantal medewerkers per manager zijn minder spectaculair zodra je erin duikt. Gallup zag het gemiddelde aantal directe medewerkers per manager in de Verenigde Staten stijgen van 10,9 in 2024 naar 12,1 in 2025. Dat klinkt als een stevige verschuiving. De mediaan bleef gewoon rond 5-6 medewerkers liggen. Een relatief kleine groep extreem grote teams trekt het gemiddelde omhoog, terwijl voor veel managers nauwelijks iets verandert. Gartner veranderde zijn eigen taal daarom inmiddels ook. Het gaat minder over span of control en steeds vaker over span of complexity. Een manager stuurt straks misschien geen twintig mensen aan, maar een combinatie van medewerkers, AI agents en geautomatiseerde processen.

Er is bovendien genoeg onderzoek dat juist wijst op méér werk voor het middenmanagement. Capgemini ondervroeg 1500 managers en 1000 medewerkers bij grote bedrijven. Slechts 18% verwacht dat AI daadwerkelijk leidt tot minder middenmanagement. 54% denkt dat managers juist belangrijker worden. Harvard Business Review onderzocht twee grote consultancybedrijven en zag iets vergelijkbaars gebeuren. Partners wilden sneller leveren met kleinere teams, terwijl de middenmanager er nieuwe taken bij kreeg: AI-output controleren, fouten eruit halen, juniors begeleiden en opletten dat wat inmiddels als workslop wordt omschreven niet bij de klant terechtkomt. De deadlines werden ondertussen niet ruimer.

Meta leverde deze zomer misschien wel de interessantste reality check. Reuters beschreef eind augustus hoe Zuckerberg binnen Project OT sommige teams tot 60% wilde verkleinen en een deel van het werk wilde vervangen door AI-agents. Op papier zag dat er waarschijnlijk prachtig uit. In de uitvoering werd het rommeliger. Het aantal AI-gegenereerde codewijzigingen steeg met 220%, terwijl de productverbeteringen die klanten daadwerkelijk merkten veel minder hard meegingen. Technische en beveiligingsincidenten namen met 40% toe. Meta schrapte vervolgens een tweede geplande ontslagronde.

Dat voorbeeld raakt voor mij echt de kern. Een organisatie platter tekenen is simpel. Je verwijdert twee vakjes uit het organogram, vergroot de teams en rekent de besparing uit. De lastige vraag komt daarna: wie controleert de kwaliteit, wie begeleidt nieuwe medewerkers, wie ziet dat een team vastloopt en wie draagt de kennis over die vroeger vanzelf in zo’n managementlaag bleef hangen?

Daar zit ook mijn grootste bezwaar tegen bedrijven die middenmanagement vooral als kostenpost bekijken. De middenmanager was lang niet alleen degene die voortgangsrapportages maakte en vergaderingen organiseerde. Het was ook de plek waar iemand voor het eerst leerde leidinggeven, conflicten oplossen, mensen beoordelen en verantwoordelijkheid dragen. Haal je die laag te hard weg, dan schrap je tegelijk een deel van de leerschool voor toekomstige leiders.

Mijn verwachting is daarom niet dat de organisatiepiramide simpelweg instort. Hij verandert van vorm. Sommige coördinerende managementtaken verdwijnen inderdaad snel. Andere worden zwaarder, juist omdat een manager straks moet schakelen tussen mensen, algoritmes en geautomatiseerde processen. Dat verhaal is minder lekker dan “de helft van de managers verdwijnt”, maar waarschijnlijk wel dichter bij wat er werkelijk gaat gebeuren.

Wie nu blind in de middenlaag snijdt omdat Great Flattening dit jaar het populaire verhaal is, kan over een paar jaar ontdekken dat er iets verdwenen is wat lastig terug te kopen valt. Managers zijn vervangbaar. Een generatie toekomstige leiders die nergens meer het vak heeft kunnen leren, een stuk minder.

Zo brak dit voorjaar één man in bij 14 bedrijven. Hij had twee AI-programmeerhulpjes op een gekaapte server gezet en gaf ze opdrachten die onderzoekers later omschreven als vaag en amateuristisch. In meer dan 1000 gesprekken sloeg de ene AI 9 keer alarm, de andere 1 keer. Op een van die servers stond een bitcoinwallet met bijna 70 bitcoin.

Een aanval op het Thaise ministerie van Financiën kwam alleen aan het licht doordat de daders honderden van hun eigen bestanden per ongeluk online lieten staan. Bij een afpersingszaak in juni kreeg de AI een foutmelding toen inloggen mislukte, las die melding, paste zijn aanpak aan en zat er 31 seconden later alsnog in…. zonder dat iemand achter een toetsenbord zat.

Over de spectaculairste gevallen heb je waarschijnlijk al gelezen: OpenAI , Anthropic en Meta gaven binnen 5 weken alle 3 toe dat hun modellen tijdens veiligheidstests ontsnapten en bij echte bedrijven inbraken. Wat in die berichtgeving in mijn optiek ondersneeuwde is het motief. Geen van die systemen was boosaardig. Ze waren te fanatiek bezig met hun opdracht. Eén model verzon zelfs nepidentiteiten om een echte softwaremaker over te halen kwaadaardige code goed te keuren. Dat is geen technisch trucje, dat is doorhebben dat de zwakste plek een vermoeide vrijwilliger is.

Hacken is een abonnement geworden

In 2023 verscheen WormGPT: een chatbot zonder enige rem, gebouwd op een oud open model en getraind op materiaal over virussen en phishing. Prijs: €60-100 per maand. Kort daarna kwam FraudGPT, vanaf zo’n $90. Inmiddels bestaat er een hele markt met een schatting van ruim 200 van dit soort tools. De nieuwste variant (KawaiiGPT) staat gewoon gratis op GitHub en is volgens onderzoekers in minder dan 5 minuten draaiend te krijgen. Ruim 500 gebruikers stonden er in november geregistreerd.

Dat je hierover niet dagelijks leest, komt doordat ze technisch nogal tegenvallen. Onderzoekers noemden ze bruikbaar voor beginnende criminelen en verder vrij slap. Nette phishingmails en rommelige virussen, meer niet. Maar dat is precies het punt. Je hoeft niet goed te zijn om schade aan te richten, je hoeft alleen binnen te komen.

Kijk daarom liever naar wie er wordt opgepakt. In februari vorig jaar bleken 3 Japanse jongens van 14, 15 en 16 zonder enige programmeer ervaring met ChatGPT een tool te hebben gebouwd waarmee ze het systeem van telecombedrijf Rakuten Mobile, Inc. ongeveer 220.000x bestookten. Ze gaven de opbrengst uit aan spelcomputers en online gokken. In december werd in Osaka een 17-jarige aangehouden die de gegevens van meer dan 7 miljoen klanten van de grootste internetcafé-keten van Japan had buitgemaakt. Hij was niet technisch…. hij wilde gewoon Pokémonkaarten kopen.

Vroeger was zo’n tienerhacker een wonderkind. Nu is het een klant. En het loopt overigens ook voor de criminelen niet altijd lekker; bij een datalek dit jaar lagen de gegevens van bijna 19.000 WormGPT-gebruikers op straat, inclusief e-mailadressen en betaalgegevens.

Dit hebben we eerder gezien… alleen nooit alles tegelijk

In 1988 wilde een student de omvang van het internet meten. Zijn programma ging zichzelf kopiëren en raakte binnen een etmaal ongeveer een tiende van alle computers die toen online stonden. Niemand bestuurde het nog. Eerste les: software die zelfstandig doorgaat, bereikt sneller schaal dan de maker bedacht.

In 2016 organiseerde het Amerikaanse defensieonderzoeksbureau Defense Advanced Research Projects Agency (DARPA) in Las Vegas een wedstrijd waarin 7 computers elkaar hackten en repareerden, zonder mensen. De winnaar mocht daarna aantreden tegen menselijke hackers. Dat is precies 10 jaar geleden. We wisten dit dus. Het duurde alleen tot het goedkoop werd.

Daar zit het patroon dat verder gaat dan cybercriminaliteit. Telkens als een schaars vak in software werd verpakt, explodeerde het aantal mensen dat het kon. Drukwerk maken was eeuwenlang een ambacht, tot desktoppublishing. Video vroeg een ploeg en een studio, tot YouTube. Een winkel beginnen vroeg kapitaal en kennis, tot Shopify. Steeds volgde hetzelfde: veel meer spelers, veel meer rommel, en een enkele buitenstaander die ineens meekomt met de gevestigde orde.

Wat we bij die verschuivingen consequent verkeerd inschatten is niet de techniek maar de prijs. Vorig jaar vonden 7 AI systemen bij een wedstrijd 54 kwetsbaarheden in 54 miljoen regels code, in 4 uur, voor ongeveer $150 per opdracht. Wat vroeger weken werk van een specialist kostte, kost nu ongeveer een tankbeurt.

What is next?

De tijd tussen “er is een lek ontdekt” en “er wordt misbruik van gemaakt” verdampt. Google meet inmiddels dat misbruik gemiddeld 7 dagen eerder begint dan het moment waarop er een reparatie beschikbaar is.

Tegelijk ontstaat een probleem dat gek klinkt: we vinden straks te veel lekken. Anthropic liet zijn zwaarste model duizend veelgebruikte softwareprojecten doorlichten en vond ruim 6200 ernstige gevallen. Mooi, maar iemand moet ze nakijken en repareren. Curl, software die in vrijwel elk apparaat ter wereld zit, stopte in januari met zijn beloningsprogramma omdat het uitzoeken van AI-meldingen niet meer te betalen was. Zoeken is bijna gratis geworden, opruimen niet.

Dan het scenario dat me het langst bijbleef…. Onderzoekers bouwden een digitale worm die per slachtoffer een nieuwe aanval bedenkt, en daarvoor de computers gebruikt die hij al besmet heeft. De slachtoffers betalen dus zelf voor de intelligentie waarmee het volgende slachtoffer wordt aangevallen.

Beveiligingsexpert Bruce Schneier schreef 5 jaar geleden iets wat toen theoretisch klonk. Volgens hem zou AI niet alleen computers gaan hacken, maar elk systeem met regels: belastingwetten, aanbestedingen, verzekeringspolissen. Een maas in de wet is namelijk gewoon een lek in een ander soort software. Onze instituties zijn gebouwd voor een wereld waarin mensen zulke mazen in een menselijk tempo vinden, niet voor een systeem dat er honderd per nacht doorrekent. Volstrekt legaal. Wat hier breekt is niet de beveiliging, maar het tempo waarop wij dingen gewend zijn te controleren.

Maar wie gaat er ingrijpen?

Washington niet. Een presidentieel bevel gaf ambtenaren 60 dagen om te bepalen welke AI-modellen zo krachtig zijn dat ze vooraf gekeurd moeten worden. Op 1 augustus lag er niets.

De AI-bedrijven zelf dan? Zij zien misbruik in hun systemen en kunnen accounts afsluiten… en dat werkt. Alleen verdwijnt die knop zodra criminelen overstappen op gratis modellen op hun eigen computer. Zie KawaiiGPT.

Europa heeft meer macht dan het beseft, maar richt die op de verkeerde plek. Op 11 september moeten softwaremakers een misbruikt lek binnen 24 uur melden, met boetes tot 15 miljoen euro. Zinnig. Maar de eerste echte AI-inbraken gebeurden niet in een product, ze gebeurden in een testlab….3x… met dezelfde fout. Voor laboratoria waar met gevaarlijke virussen wordt gewerkt hebben we regels, niveaus en inspecteurs. Voor laboratoria waar we AI expres losser zetten om te kijken hoe goed ze kunnen inbreken, hebben we een blogbericht achteraf.

Hoe wapen je je dan wel?

Het ontnuchterende antwoord is dat vrijwel niets van wat helpt spannend is. Eén vraag zou elke directeur uit zijn hoofd moeten kunnen beantwoorden: hoe lang duurt het bij ons voordat een beveiligingsupdate overal geïnstalleerd is. Staat daar weken, dan speel je een spel waarvan de klok in uren tikt. Dat is geen ICT-vraagstuk maar een keuze over procedures en over de bereidheid om systemen even plat te leggen, en die keuze maakt de directie.

Tweede vraag: hoeveel AI-hulpjes lopen er inmiddels rond in je organisatie, wat mogen ze lezen en wie heeft ze dat toegestaan. In de meeste bedrijven weet niemand het aantal. Elk hulpje dat mail en documenten leest, is een medewerker die instructies aanneemt van vreemden.

Derde… en de minst besproken: nu het vinden van lekken bijna gratis is, verschuift het knelpunt naar de mensen die beoordelen wat echt is. Je beveiligingsmensen wegbezuinigen omdat de AI het toch wel vindt, is precies de verkeerde beweging. Dat geldt ook buiten je eigen muren. De gratis software waar je hele bedrijf op draait, wordt onderhouden door vrijwilligers die nu bedolven worden onder AI-meldingen. Daaraan meebetalen is in 2026 een beveiligingsmaatregel geworden.

Eerlijk blijven hoort erbij. Van de ruim duizend lekken die AI dit jaar vond, is 1,3% daadwerkelijk misbruikt. Niet meer dan normaal. Precies zo’n geruststelling gaven mensen elkaar in 1988 ook. Vroeger kon malware zichzelf verspreiden. Deze generatie kan onderweg nadenken. Wat zou jouw organisatie als eerste kwijtraken aan iets dat nooit slaapt?

Het nieuws staat er vol mee. Cloudrekeningen die verdubbelen, licenties die stilletjes duurder worden, datacenterinvesteringen die de begroting van een middelgroot land benaderen. De uitgaven aan AI zijn inmiddels zo zichtbaar geworden dat ze zelf nieuws zijn. Over de opbrengsten hoor je een stuk minder.

Dat verklaart waarschijnlijk waarom ik tijdens lezingen en masterclasses tegenwoordig bijna altijd dezelfde vraag krijg. Niet of AI gaat werken… ook niet wat het met onze banen doet. Maar: hoe berekenen we nou wat het ons eigenlijk oplevert?

Mijn antwoord… dat bevalt zelden :). Want je gaat dit in mijn optiek nooit precies kunnen berekenen. Niet omdat je controller tekortschiet… maar omdat de vraag zelf gewoon niet klopt. Er wordt gedaan alsof AI een machine is die je aanschaft, in een hoek van de fabriek zet en waarvan je telt hoeveel extra producten eruit rollen. Alleen is AI tegelijk software, infrastructuur, opleiding, procesverandering en soms een verkapte reorganisatie. Wie doet alsof je dat netjes uit elkaar kunt trekken presenteert geen meting, maar een verhaal met cijfers erin.

Voor alle duidelijkheid: ik hoor de laatste tijd ook steeds vaker het tegenovergestelde geluid, dat het effect van AI helemaal nooit meetbaar zou zijn. Dat is inmiddels aantoonbaar onjuist en wat mij betreft net zo lui.

Zodra je de werkelijkheid klein genoeg maakt is het effect namelijk uitstekend te meten. Erik Brynjolfsson, Danielle Li en Lindsey Raymond volgden 5172 medewerkers van een klantenservice en zagen het aantal opgeloste vragen per uur met 15% stijgen. In een experiment in Science waren 453 professionals met ChatGPT ongeveer 40% sneller op schrijftaken, met werk dat 18% beter werd beoordeeld.

Gecontroleerde experimenten, met controlegroep, net zoals je een reguliere medicijn test. Hoe grillig het is lieten Harvard-onderzoekers juist weer mooi zien bij consultants. Binnen het gebied waarin het model sterk was gingen snelheid én kwaliteit omhoog, net daarbuiten nam de kans op fouten juist toe. Hetzelfde hulpmiddel, twee tegengestelde uitkomsten.

Het onderzoek wat mij het langst is bijgebleven komt van METR. Zestien ervaren softwareontwikkelaars werkten aan 246 echte taken in hun eigen code. Vooraf verwachtten ze 24% tijdwinst. In werkelijkheid deden ze er 19% langer over. En achteraf dachten ze nog steeds dat AI hen sneller had gemaakt.

Professionals dus, aan hun eigen werk, die na afloop niet eens de richting van het effect wisten. Daarmee is elke rendementsberekening die op zelfrapportage leunt in mijn optiek waardeloos… en dat is nou net waar de meeste op leunen.

Zodra je de blik verbreedt van taak naar organisatie verdampt die zekerheid. Het scherpste bewijs komt uit een studie onder bijna zesduizend bestuurders in vier landen. Meer dan 70% van de bedrijven gebruikte AI, 89% van de bestuurders zag in 3 jaar tijd geen merkbaar effect op de productiviteit, met een gemiddelde gerapporteerde winst van 0,29%. Voor de komende drie jaar verwachtten diezelfde mensen wél 1,4% winst. Inderdaad….nul gemeten, hoop voor later. Het is de economische versie van volgende week beginnen met sporten.

Goldman Sachs vond dit voorjaar evenmin een betekenisvolle relatie tussen AI gebruik en productiviteit op economiebreed niveau, terwijl een recordaantal van 70% van de directies van de grote bedrijven er wel over spraken op de kwartaalcalls. Wat de bank wél zag was een winst van rond de 30%, maar alleen bij 2 scherp afgebakende toepassingen.

Inderdaad; je ziet steeds hetzelfde patroon: hoe smaller de vraag, hoe helderder het antwoord. McKinsey komt tot 88% van de organisaties die AI ergens gebruiken tegenover 39% die enige impact op het bedrijfsresultaat ziet, en van de 4454 topbestuurders die PwC ondervroeg zag 56% noch omzetstijging noch kostendaling.

Wat ik het opvallendst vind is dat het scherpste materiaal niet van sceptici komt. Deloitte ondervroeg vorig najaar 1854 bestuurders in 14 landen en publiceerde er een rapport over met een hoofdstuk getiteld: waarom rendement moeilijk te meten is.

De redenen die bestuurders daar zelf noemen zijn precies de redenen waarom de vraag onbeantwoordbaar is. Veel opbrengsten zijn immaterieel, versnipperde systemen maken een voor-en-na-meting onmogelijk…. en de technologie verandert sneller dan de meetmethode. Het zwaarste punt komt als laatste: AI wordt vrijwel nooit alleen ingevoerd. Er lopen altijd datakwaliteitsprojecten, procesherontwerp en rolwijzigingen doorheen. Een bestuurder uit de energiesector zei het onbedoeld poëtisch. Ze konden hooguit een ruwe schatting maken, omdat de winst uit AI niet te scheiden viel van de winst uit al het andere.

Het zijn dus niet de critici die zeggen dat het niet te meten valt. Dat schrijft de partij op die de meetopdrachten factureert 🙂

Twee dingen ontbreken trouwens vrijwel altijd… en allebei duwen ze het cijfer de verkeerde kant op. Onderzoekers van BetterUp en Stanford doopten het eerste workslop. Van 1150 werknemers had 41% in een maand tijd AI-output ontvangen die er verzorgd uitzag maar het werk geen millimeter verder bracht… met gemiddeld bijna twee uur herstelwerk per keer. Het mechanisme boeit me meer dan het bedrag: de tijdwinst valt bij de afzender, de kosten vallen bij de ontvanger…. en geen enkel dashboard registreert die verplaatsing.

Aan de andere kant staat wat Wharton-hoogleraar Ethan Mollick secret cyborgs noemt. Medewerkers die hun AI-gebruik stilhouden… soms omdat het formeel niet mag, vaker omdat goed werk aan waarde verliest zodra iedereen weet dat er een model aan te pas kwam. MIT vond 90% van de werknemers met persoonlijke AI-tools tegenover 40% van de bedrijven met een officieel abonnement. Wie het bedrijfsbrede effect meet, meet dus de verkeerde helft.

Duizend collega’s met een licentie is geen rendement. Twintig minuten tijdwinst per persoon evenmin. Wanneer iemand drie uur per week bespaart maar dezelfde uren blijft werken is er boekhoudkundig niets veranderd. Die tijd kan naar beter werk gaan, naar meer klanten, of gewoon naar wat meer lucht in de agenda. Dat laatste heeft echte waarde, alleen niet in euro’s.

Daarbij komt dat vrijwel niemand een geloofwaardig alternatief scenario heeft. Wat zou er zijn gebeurd zónder AI? De omzet van dit jaar naast die van vorig jaar leggen zegt weinig, want prijzen, personeel, concurrentie en de economie veranderden ook. Zonder dat scenario meet je geen rendement, maar vertel je achteraf een aannemelijk verhaal.

Cynisch wil ik hier niet eindigen, want dat zou onterecht zijn. AI werkt, het bewijs daarvoor is solide, het laat zich alleen bijzonder slecht optellen. Vraag daarom niet wat AI het bedrijf oplevert. Vraag of de afhandeltijd van dít type klantvraag daalt, zonder dat de klanttevredenheid of het foutpercentage verslechtert, vergeleken met een groep die de tool niet gebruikt. Daar horen een nulmeting bij, een gefaseerde uitrol, de volledige kosten inclusief toezicht en correctiewerk en een vooraf vastgelegde uitkomst. Het geldbedrag komt daarna, nooit ervoor.

De echte reden dat organisaties hier moeite mee hebben is naar mijn idee trouwens niet technisch. Een eerlijke meting kan uitwijzen dat het project niet werkt. Zolang je gebruikersaantallen rapporteert hoef je dat nooit te weten. Tot iemand in de raad van commissarissen wél doorvraagt, en dan sta je er alsnog. Tijdwinst is nog geen rendement. Dat verschil scherp houden scheelt een hoop schijnprecisie.

Tech bubbels zijn stiekem perfect

Om de zoveel jaar verliest de wereld haar hoofd over een nieuwe technologie. De koersen schieten omhoog, iedereen weet zeker dat het deze keer anders ligt, er stroomt veel te veel geld naar binnen, en dan klapt het. Wat volgt is een vast ritueel. Kranten vol wijsheid achteraf, sprekers die uitleggen dat de signalen er allang waren, beleggers die zweren het nooit meer te doen. Vrijwel niemand komt tien jaar later terug om te kijken wat die waanzin heeft opgeleverd. Daar zit juist het interessante verhaal, want bijna alles wat we vandaag vanzelfsprekend gebruiken is ooit betaald door mensen die zich schromelijk vergisten.

Het eerste vliegtuig ter wereld werd bijvoorbeeld betaald met een fietsbubbel. In april 1896 wijdde de Financial Times elke dag een hele pagina aan de koersen van fietsfabrikanten, want Groot-Brittannië was gek van de fiets. In achttien maanden tijd kwamen er 601 nieuwe fietsbedrijven bij, de koersen verdrievoudigden bijna, en eind 1898 was 73% van die waarde verdampt en ruim 70% van de bedrijven verdwenen. Wat bleef liggen waren kogellagers, kettingaandrijving, dun stalen buis en werkplaatsen vol mensen die op een honderdste millimeter nauwkeurig konden werken. In Dayton, Ohio hielden twee broers aan diezelfde rage een fietswinkel over, waarmee ze precies genoeg verdienden om hun vliegproeven te betalen. Bekijk de Flyer van 1903 van opzij en je ziet twee fietsframes, spaakdraad en fietskettingen.

Dit gebeurt bij elke technologie

De spoorwegen kregen hun manie rond 1845, elektriciteit veertig jaar later, radio in de jaren twintig, de personal computer halverwege de jaren tachtig, internet rond 2000, crypto in 2017 en nog eens in 2021. Vandaag is AI aan de beurt. Steeds hetzelfde ritme: een technologie die werkelijk iets nieuws kan, een verhaal dat harder rent dan de werkelijkheid, veel te veel geld, een pijnlijke klap, en daarna een decennium waarin de wereld rustig gebruikt wat er is blijven liggen. Zo’n bubbel is in mijn optiek geen ongeluk in het systeem. Het is de manier waarop een samenleving infrastructuur betaalt die geen enkel bedrijf in zijn eentje zou durven financieren.

De verliezen zijn iets anders dan ze lijken

Tijdens een bubbel wordt er weinig vernietigd. Er wordt vooral verplaatst. Tussen 1995 en 2000 ging er in Amerika zoveel glasvezel de grond in dat na de klap 85% tot 95% ervan ongebruikt lag te wachten. De investeerders gingen kopje onder, de kabel bleef liggen. Voor een boekhouder is dat een ramp, voor een samenleving een cadeau, en vrijwel iedereen kijkt alleen naar het eerste omdat de rekening en de opbrengst bij verschillende mensen belanden.

Datzelfde geldt voor al die omgevallen bedrijven. Rond 2000 verbrandden Pets.com en Webvan miljarden, terwijl niemand van tevoren wist wie het wél zou redden. Amazon verloor in diezelfde jaren meer dan 90% van zijn beurswaarde en werd daarna het bedrijf dat we nu kennen. Voorzichtig kapitaal financiert in zulke onzekerheid drie pogingen en kijkt de kat uit de boom. Een bubbel financiert er zeshonderd tegelijk, en precies daarin zit zijn nut. Achteraf roepen dat de meeste overbodig waren klopt exact en mist de kern volledig, want je weet pas welke overleven nadat de rest het geprobeerd heeft. Verspilling is geen bijwerking van zoeken. Verspilling is de prijs ervan.

De klap is niet het einde, maar de bezorging

Dit is het punt dat ik zelf het langst heb gemist. Zolang een bubbel loopt, is de nieuwe techniek duur en dus alleen voor de happy few. De crash maakt hem goedkoop. Toen de glasvezelmarkt instortte, zakten de prijzen voor bandbreedte met ongeveer 90%. Tegen de tarieven van 1999 had niemand ooit YouTube of Netflix kunnen bouwen. Die bedrijven bestaan bij gratie van het faillissement van hun leveranciers. De euforie bouwt het, de crash maakt het betaalbaar, de rest van ons gebruikt het.

Lees ook: Drie mythes over Mount Everest die ik ter plekke heb ontkracht afgelopen week

Het meeste blijft in mensen zitten

Een fietsmonteur stopt niet met monteur zijn als het aandeel keldert. Kennis verhuist zijwaarts, van fiets naar motor naar auto naar vliegtuig, en ze neemt de mensen mee. Zo ging het ook in crypto, waar ik zelf middenin stond en vrolijk aan het enthousiasme heb meegewerkt. De tokengolf van 2017 haalde miljarden op en was anderhalf jaar later grotendeels dood. Wat overbleef waren niet de tokens. Het was een generatie bouwers die hun opleiding kreeg betaald door andermans speculatie, plus toezichthouders die eindelijk wisten waar ze naar moesten kijken. De stablecoins waarop grootbanken vandaag hun betalingsverkeer herbouwen, komen recht uit die puinhoop.

Dit werkt overigens lang niet bij elke zeepbel. Bill Janeway, veertig jaar durfkapitalist en daarnaast econoom in Cambridge, legt het onderscheid scherp neer. Gaat het geld naar iets nieuws en betalen mensen met eigen vermogen, dan verlies je veel en houd je iets over. Gaat het geld naar iets wat er al staat en is het geleend, zoals de Amerikaanse huizenmarkt rond 2006, dan blijft alleen de schuld achter. De vraag is dus zelden of iets een bubbel is, maar wat voor bubbel.

Terug naar vandaag

Een handvol bedrijven steekt dit jaar zes- tot zevenhonderd miljard dollar in AI, steeds vaker met geleend geld, en de Bank for International Settlements waarschuwt dat dit abrupt kan omslaan in jaren van stilstand. Die waarschuwing verdient uiteraard in mijn optiek serieuze aandacht. Twee dingen zijn tegelijk waar: er verdampt straks enorm veel geld, terwijl de rekencapaciteit, de kabels, de stroomvoorziening en vooral de opgeleide mensen gewoon blijven staan. De les van de glasvezel is dat die investeerders ongelijk hadden over het moment en gelijk over de richting. Dat verschil was hun faillissement en onze welvaart.

Stel jezelf dus een andere vraag dan de rest. Wat wordt er op dit moment voor jou gebouwd dat straks spotgoedkoop wordt? Heb je dan mensen in huis die er iets mee kunnen? Hoeveel verspilling accepteer je als prijs om erbij te mogen zijn? In een opbouwfase is verspilling geen falen, het is de prijs van een plek aan tafel.

Stel je voor, de duurste software ter wereld wordt van de ene op de andere dag gratis en blijkt ook nog eens net zo goed. Precies dat gebeurde vorige week, toen een Chinees techbedrijf zomaar een AI-model de wereld in stuurde dat nauwelijks onderdeed voor de peperdure Amerikaanse toppers. De meeste stukken die daarover verschenen, behandelden het als een incident. Weer een nieuw model, weer een concurrent erbij. Dat is precies waarom ze in mijn optiek het grootste deel van het verhaal missen. Wat hier gebeurt gaat niet over één model, het gaat over hoe China de afgelopen twee jaar geduldig terrein heeft gewonnen, over een aanname in Silicon Valley die nu voor het eerst hoorbaar begint te kraken en een heel interessante geopolitieke strijd. China’s AI cadeaus zijn de slimste geopolitiek wapens van het moment.

Geopolitiek Wapens

Waar Amerikaanse bedrijven hun beste modellen achter een betaalmuur houden, zet China alles wagenwijd open. Iedereen mag de bouwtekening downloaden, aanpassen en er zelf mee verder bouwen, zonder licentie of abonnement. Het effect daarvan is inmiddels meetbaar. Vorig jaar downloadden mensen wereldwijd voor het eerst meer Chinese dan Amerikaanse modellen, ruim 17 tegen bijna 16 procent van alle downloads. Een jaar eerder was zoiets nog ondenkbaar; de dominantie van Amerikaanse techbedrijven op dit gebied leek een gegeven.   De prijs speelt daarin een duidelijke hoofdrol. Chinese modellen draaien vaak op een kwart tot een zesde van de kosten van vergelijkbare Amerikaanse systemen en bij sommige aanbieders lig je zelfs honderden keren goedkoper uit voor ongeveer dezelfde prestatie. Voor bedrijven die dagelijks duizenden AI-vragen afvuren telt dat verschil enorm en dat verklaart waarom ook westerse bedrijven in stilte overstappen, zonder dat ergens groot aan te kondigen. Niemand hangt een spandoek op als het inkoopteam overstapt naar een goedkopere leverancier. Extra bijzonder vind ik dit allemaal gebeurt ondanks jarenlange Amerikaanse pogingen om China af te snijden van de allerbeste computerchips, chips die onmisbaar zijn om zulke modellen te trainen. Chinese bedrijven wijken noodgedwongen uit naar mindere binnenlandse chips en halen daar toch verrassend krachtige modellen uit. Precies hetzelfde patroon zagen we al eerder bij Chinese smartphones. Ook daar blokkeerden sancties de toegang tot de nieuwste chips, en ook daar kwamen fabrikanten alsnog met telefoons die niemand voor mogelijk had gehouden. Restricties blijken in de praktijk vooral een vertraging te zijn, geen blokkade.   Je moet het denk ik niet alleen zien als een verhaal over concurrentie, maar als een aanval op een aanname. De torenhoge waarderingen van Amerikaanse AI-bedrijven rusten namelijk op het idee dat intelligentie schaars is en dus duur mag zijn. Dat is de fundering onder elke investeringsronde en elke koers-winstverhouding in de sector. Maakt China diezelfde intelligentie gratis en overal beschikbaar, dan ondermijnt dat niet zomaar de omzet van één bedrijf, het ondermijnt de aanname waarop de waardering van een hele sector is gebouwd. Dat is een fundamenteel ander soort dreiging dan een concurrent die hetzelfde product iets goedkoper aanbiedt, het is een aanval op het businessmodel zelf.   Daar wordt het in mijn optiek pas echt interessant. Want er zit een wrange, bijna ironische laag onder. De Amerikaanse chiprestricties waren bedoeld om China te vertragen, maar ze hebben mogelijk precies de dreiging aangewakkerd waar men nu bang voor is. Een bedrijf met onbeperkte toegang tot de snelste chips heeft geen enkele prikkel om zuiniger of slimmer te trainen; het gooit gewoon meer rekenkracht tegen het probleem aan. Een bedrijf dat noodgedwongen met mindere chips moet werken, heeft die prikkel wel en wordt gedwongen om creatiever met minder middelen om te gaan. Dat is exact wat er destijds met de smartphones gebeurde… en het lijkt zich nu te herhalen met AI-modellen. Amerika heeft met zijn eigen restricties dus misschien onbedoeld bijgedragen aan de efficiëntie die het vandaag de dag probeert tegen te houden.

Lees ook: Een van de grootste obstakels in de AI-adoptie van organisaties? Schaamte!

Het gaat er dus in mijn optiek niet meer om wie op dit moment het beste model heeft, want dat verandert waarschijnlijk binnen een paar maanden alweer. De vraag is wie over vijf jaar de fundamenten heeft gelegd waarop de rest van de wereld noodgedwongen voortbouwt. En of Amerika zichzelf, met de beste bedoelingen, ondertussen zelf in de weg heeft gezeten. Wie de standaard bepaalt, bepaalt op termijn ook de spelregels, zoals eerder een computer besturingssysteem of een sociaal netwerk dat deed. Amerika verkoopt intelligentie nog altijd per stuk, China verspreidt het inmiddels als infrastructuur… en infrastructuur draai je nu eenmaal een stuk moeilijker terug dan een abonnement.

Vorige week was ik bij een klant thuis om in alle rust te werken aan zijn presentatie. Hij liet mij uitgebreid alle tech zien die hij in zijn huis had geïnstalleerd. Ik was verrast, maar ook verbaasd. Je kan tegenwoordig ook echt heel veel. Big tech dringt steeds meer slim ons huis binnen. Willen we dat?

Amazon verkoopt een drone die bij een alarm door je woonkamer vliegt. Comcast maakte van de wifi-router een bewegingssensor die door muren heen een handgebaar registreert. Googles Nest Hub meet ‘s nachts met radar je ademhaling. Je robotstofzuiger tekent een plattegrond van je huis. In New York maakt startup Shift je huis gratis schoon, gefilmd door bodycams, als trainingsdata voor robots. En huisrobot NEO van 1X wordt bij lastige taken live bestuurd door een vreemde die via de camera’s jouw huis in kijkt.

Elk apparaat is in mijn optiek los te verdedigen. Valdetectie voor ouderen, minder valse meldingen, tijd terug. Daar zit precies het mechanisme: we zeggen nooit ja tegen totale surveillance, we zeggen 100x ja tegen iets handigs. Techbedrijven begrijpen dat beter dan wij. Ring lanceerde gezichtsherkenning die je bezorger en buurvrouw scant, maar schakelt die uit waar strenge biometriewetten gelden. Men weet dus donders goed waar de grens ligt en kiest ervoor die elders gewoon te passeren.

Wat mij betreft is dit dan ook geen gadgetdiscussie maar een machtsvraag. Het huis was de laatste plek waar niemand meekeek, de plek waar je mag zijn wie je bent zonder publiek. Die intimiteit wordt nu omgezet in een verdienmodel, kamer voor kamer, en de voorwaarden schrijft niet de bewoner maar de fabrikant. Ik ben niet tegen deze techniek; ik gebruik het zelf ook steeds meer en steeds breder. Maar ik wil haar op mijn voorwaarden: data lokaal, gezichten van derden nooit gescand en een robot die niet stiekem een kantoor in Californië belt.

De vraag voor de komende tijd is niet of de techniek werkt, maar wie ons huis mag begrijpen.
Waar ligt jouw grens: de deurbel, de router, of de robot?

Uit Amerikaans consumentenonderzoek blijkt dat 37% van de mensen een zoektocht inmiddels liever bij een AI-tool begint dan bij Google. Zakelijk telt het nog harder: volgens softwareplatform G2 koos een derde van de zakelijke kopers dit voorjaar voor een aanbieder waar ze nog nooit van hadden gehoord, puur omdat de AI die naam noemde. Wie genoemd wordt, wint. Wie niet genoemd wordt, bestaat niet eens in dat gesprek.

Fintech-analist Simon Taylor noemt dit de intention economy, en zijn analyse gaat verder dan de zoveelste trendterm. De aandachtseconomie verdiende aan de onzekerheid tussen wat mensen willen en wat ze doen: elke advertentie, elk retargeting-pixel belast die reis. Een AI-agent kent die onzekerheid niet. Die arriveert met een uitgekristalliseerde opdracht, budget en eisen incluis. Er valt niets meer te verleiden, alleen te leveren. Taylor vat het genadeloos samen: je hele salesfunnel stort in tot drie machinestappen, namelijk vinden, verifiëren en kopen.

Wat betekent dat concreet? Begin met testen hoe ChatGPT, Claude en Perplexity jouw bedrijf vandaag beschrijven, en of ze je überhaupt noemen. Maak vervolgens je aanbod machine-leesbaar: gestructureerde productdata, heldere prijzen, geen kennis verstopt in pdf’s en brochureteksten. Zorg dat onafhankelijke bronnen over je schrijven, want daar halen AI-modellen hun oordeel vandaan. McKinsey wijst er terecht op dat dit geen kwestie is van een AI-tooltje aan je marketingafdeling plakken, maar van het opnieuw inrichten van hoe je vindbaar, vergelijkbaar en koopbaar bent.

Wanneer heb jij voor het laatst gecheckt wat AI over jouw bedrijf vertelt?

1. We gaan harder werken
   Onderzoek van Berkeley, beschreven door Harvard Business Review, laat zien dat medewerkers na de komst van AI sneller werken, meer taken oppakken en hun werkdag stilletjes verlengen. De tijd die vrijkomt, wordt vaak direct weer gevuld. Wie eerst drie rapporten maakte, moet er nu vijf maken. Efficiëntie wordt ongemerkt de nieuwe norm.
2. Workslop verplaatst het denkwerk
   BetterUp en Stanford noemen het workslop: AI-output die er verzorgd uitziet, maar inhoudelijk zo dun is dat een collega het moet herstellen. Meer dan 40 procent van de kenniswerkers ontving dit recent. Gemiddeld kostte herstel bijna twee uur. De zender wint tijd, de ontvanger betaalt de rekening, vaak ook in vertrouwen. In software ziet GitClear hetzelfde patroon: meer gekopieerde code, minder structurele verbetering en dus meer technische schuld.
3. Wat je niet oefent, raak je kwijt
   Onderzoek in Scientific Reports laat zien dat AI de directe prestatie kan verhogen, maar passief gebruik, kopiëren zonder zelf te redeneren, motivatie en eigenaarschap ondermijnt. Actief gebruik werkt anders: AI als sparringpartner, terwijl je zelf blijft toetsen en bijsturen. Dat is extra belangrijk voor junioren. Juist hun oefentaken verdwijnen als eerste, terwijl daar toekomstige experts worden gevormd. Stanford zag in sterk aan AI blootgestelde beroepen een relatieve daling van 16 procent in werkgelegenheid voor jongere medewerkers.
4. Mensen haken stilletjes af
   TalentLMS noemt dit quiet cracking: mensen blijven op hun plek, maar raken emotioneel los van hun werk. 54 procent ervaart dit in enige mate. De oorzaak zit niet alleen in werkdruk, maar ook in onzekerheid: welke vaardigheden blijven straks waardevol, en welke rol houdt AI voor mij over?
5. Shadow AI groeit buiten beeld
   Wanneer de officiële tool te beperkt voelt, gebruiken medewerkers vaak privéaccounts van ChatGPT of Claude. Gartner zag dat 69 procent van de organisaties hiervoor aanwijzingen heeft. Dat is geen ongehoorzaamheid, maar een poging om werk gedaan te krijgen. Het risico: gevoelige bedrijfs- en klantinformatie belandt in systemen buiten zicht van IT en compliance.

Lees ook: De jagged frontier: waarom AI je soms briljant helpt… en je een minuut later laat struikelen

De oplossing is niet minder AI, maar beter georganiseerd AI-gebruik. De grootste fout is AI bovenop bestaand werk stapelen. De winst zit in het herontwerpen van workflows, rollen en verwachtingen. Meet niet alleen output, maar ook herstelwerk en werkdruk. Leer mensen AI actief te gebruiken, bescherm leerpaden voor junioren, bied veilige alternatieven die echt werken en praat open over onzekerheid en perspectief.

AI verandert niet alleen hoe snel we werken. Het verandert hoe we leren, samenwerken en ons verbonden voelen met ons werk.