Waar zit je AI-voordeel als iedereen sneller wordt?
Strateeg Sangeet Paul Choudary schetst acht verschuivingen. Waar beweegt de schaarste heen en wat blijft er in jouw markt schaars als iedereen sneller wordt?
Vraag een directie wat het AI-programma moet opleveren en het antwoord gaat bijna altijd over tijd. Uren besparen, sneller offreren, minder handwerk. Logisch, want dat is meetbaar en het levert snel iets op. Sangeet Paul Choudary publiceerde afgelopen weekend acht stellingen over strategie in het AI-tijdperk, opgehaald uit een gesprek met Rita McGrath. Zijn kernpunt raakt precies die reflex: AI verandert waar de schaarste in een markt zit. Wie heel goed wordt in werk dat straks overal te koop is, wint een spel dat ondertussen aan waarde verliest. De vraag die daarbij hoort is prettig concreet: wat blijft er in jouw markt schaars zodra iedereen sneller wordt?
Ik loop zes van zijn acht stellingen langs, de zes die het dichtst bij de keuzes aan een Nederlandse directietafel liggen. Twee laat ik hier liggen. De ene gaat over spelers die de vertaling tussen incompatibele systemen verzorgen en zo de plek worden waar beslissingen vallen, interessant zodra je zelf een platform of marktplaats bouwt. De andere gaat over meetsystemen als bron van voordeel en overlapt sterk met de feedback loops verderop in dit stuk. Wie alle acht wil lezen, vindt ze in het originele stuk van Choudary.
Wat je hieronder vindt:
Sneller worden in werk dat steeds goedkoper wordt
Schaarste bepaalt waar het geld zit
De eenheid waarin je je werk organiseert
Feedback loops zijn meer waard dan bezit
Je bijproduct is misschien je grootste voorraad
Behandel nieuwe capaciteiten als opties
Drie vragen voor je eerstvolgende directieoverleg
1. Sneller worden in werk dat steeds goedkoper wordt
Choudary begint bij de grote adviesbureaus. Die investeren fors in AI om consultants sneller te laten researchen, analyseren en presentaties te laten bouwen. Begrijpelijk. Alleen zit de beweging in de markt ergens anders: klanten kunnen een deel van dat werk nu zelf doen en de aanbieders van de modellen nemen een ander deel over. Wie AI vooral als productiviteitstool inzet, wordt de snelste speler in het stuk van de keten dat aan het krimpen is.
Vergelijk het met een bakker die steeds beter wordt in brood snijden, precies op het moment dat elke supermarkt een snijmachine naast de kassa zet. Je snijdt fantastisch. Alleen betaalt niemand er nog voor.
Dat patroon zien wij bij klanten ook. De tijdwinst op individueel niveau is echt en goed te meten. De vertaling naar resultaat voor de organisatie is het lastige deel. Daar schreven we eerder over toen bleek dat persoonlijke tijdwinst zelden optelt tot organisatievoordeel.
2. Schaarste bepaalt waar het geld zit
De tweede stelling: een capaciteit levert alleen rendement zolang die schaars is. Word je beter in iets dat tegelijkertijd voor iedereen beschikbaar komt, dan groeit je kunnen terwijl de prijs daalt.
Choudary pakt het creatieve bureau als voorbeeld. Een deel van de factuur bestond altijd uit het feit dat goede varianten maken duur, geschoold werk was. Generatieve AI vergroot het aanbod van dat werk enorm. Een bureau dat daarop reageert met meer varianten in minder tijd, concurreert harder in precies het onderdeel waar de schaarste verdwijnt. Wat overblijft als verdedigbare positie is weten wélke boodschap werkt, dat verankeren in het commerciële systeem van de klant, meten wat het oplevert en begrijpen welke keuzes dat resultaat hebben beïnvloed.
Die vraag kun je op elk AI-plan loslaten. Waar beweegt de schaarste in jouw markt naartoe? Vaak is het antwoord vrij saai: toegang tot een klantrelatie, aansprakelijkheid durven dragen, data die alleen jij hebt, of een goedgekeurd proces waar een toezichthouder vertrouwen in heeft. Precies de dingen die niet in een demo passen.
3. De eenheid waarin je je werk organiseert
Stelling drie gaat over iets waar ik in de mediawereld vaak tegenaan liep. Een gevestigde partij vraagt: hoe voegen we AI toe aan ons product? Een nieuwkomer vraagt: is dit product nog wel de juiste eenheid om het werk omheen te organiseren?
Choudary illustreert dat met Adobe en Figma. Adobe maakte de stap naar cloud en abonnementen prima, terwijl de onderliggende logica het bestand bleef. Figma behandelde losse ontwerpelementen als objecten die de hele organisatie kan hergebruiken. Dat klinkt als een technisch detail. Economisch veranderde het wat je kon delen, hergebruiken, beheren en koppelen tussen teams.
Voor een redactie wordt die vraag heel tastbaar. Is het artikel nog je eenheid, of is dat het feit, het citaat, de tijdlijn en de bronverwijzing waaruit je artikelen, nieuwsbrieven, video en antwoorden in AI-zoekmachines samenstelt? Voor een salesorganisatie: is de offerte je eenheid, of de bouwsteen waaruit je offertes, tenders en klantpresentaties opbouwt? Dat is een verbouwing van je werkproces, dus niets voor volgende week. Het is wel de vraag die bepaalt of je over drie jaar nog dezelfde dingen aan het optimaliseren bent.
4. Feedback loops zijn meer waard dan bezit
De afgelopen decennia beloonde strategie het opknippen. Uitbesteden, standaardiseren, naar de cloud, focussen op je eigen laag. Choudary denkt dat AI die rekensom verandert zodra je voordeel afhangt van leren over de grenzen van die lagen heen. Zijn voorbeeld is Shein: signalen uit social, ontwerp, kleine productiebatches, markttests, verdeling over leveranciers en bijbestellen hangen aan elkaar als één snel lerend systeem. Elke stap levert informatie die de beslissing in een andere stap verandert.
Verticale integratie komt daarmee terug in een nieuwe vorm, waarin de feedback loops tussen activiteiten het bezit zijn dat telt. Hier zit ook zijn stelling over meten in verstopt: wie bepaalt wat er gemeten wordt, bepaalt waar het systeem op leert sturen.
In het klein herken je dat in de keuze tussen standaardsoftware en maatwerk. Een tool van de plank lost een afgebakend probleem netjes op. Zodra je voordeel afhangt van hoe twee of drie processen samen leren, wordt de koppeling zelf je bezit. We werkten die afweging eerder uit in een stuk over kopen of bouwen bij AI-agents.
6. Je bijproduct is misschien je grootste voorraad
Stelling zes vind ik de leukste. De meeste organisaties behandelen concepten, afgewezen opties, mislukte experimenten en verlaten ontwerpen als afval, omdat het eindproduct het doel was. In dat materiaal zit precies de informatie die de rest ontbeert: waarom een keuze is gemaakt, welke alternatieven afvielen en hoe het oordeel zich ontwikkelde.
Choudary's voorbeeld komt uit de uitgeverij. Een uitgever verdient aan het boek, terwijl research, alternatieve structuren, casemateriaal en afgevallen argumenten economisch verdampen zodra het boek verschijnt. Wie dat materiaal ordent tot iets doorzoekbaars, kan er nieuwe producten uit halen, gaten in de eigen redenering vinden of vragen beantwoorden die het boek nooit stelde.
Kijk eens naar je eigen organisatie. Hoeveel van dat materiaal staat in mailboxen, in Teams-kanalen en op laptops? (Bij ons ook, hoor.) Het is een dankbaar startpunt voor een eerste AI-workflow, want je hebt het al liggen en niemand mist het.
8. Behandel nieuwe capaciteiten als opties
De laatste stelling gaat over volgorde. Klassiek werkt het zo: bepaal waar je gaat concurreren, koop dan de mensen, processen en techniek die daarbij horen. Choudary wijst op Kodak, dat wel degelijk fors in digitale fotografie investeerde. Het probleem was dat de nieuwe capaciteit werd beoordeeld op wat die opleverde binnen het bestaande verdienmodel.
Dat gebeurt nu dagelijks, in het klein. Een medewerker bouwt een workflow die niemand had bedacht en de eerste vraag is hoeveel uur dat scheelt in het huidige proces. Soms is dat de goede vraag. Soms zit er een dienst in die je bestaande model helemaal niet kent. We schreven eerder over de twee AI-bewegingen die in veel organisaties door elkaar lopen: medewerkers die zelf experimenteren en een organisatie die sturing wil houden.
Wekelijkse inzichten in je mail.
Dilemma's, doorbraken en blinde vlekken uit onze AI-praktijk.
Drie vragen voor je eerstvolgende directieoverleg
Choudary schrijft vanuit de platformeconomie en de hele grote spelers. Voor een organisatie die elke maand keuzes maakt over waar AI landt, zijn dit de drie vragen die het meeste opleveren:
Welk deel van ons werk wordt binnen twee jaar overal beschikbaar? Wat van ons blijft dan schaars?
Welke eenheid organiseert ons werk nu (het artikel, de offerte, het dossier) en klopt die nog?
Welk materiaal gooien we weg terwijl het onze kennis bevat?
De praktische vertaling begint klein. Kies één werkproces waar twee afdelingen op elkaar wachten, meet wat er gebeurt zodra AI een stap overneemt en gebruik die meting om de volgende stap te veranderen. Zo bouw je precies het soort feedback loop waar Choudary het over heeft, op een schaal die je maandag al aankan.
Wil je weten hoe die vertaling er voor jouw organisatie uitziet? Plan een kennismaking in, we denken graag mee.
