Waarom AI de ene software versterkt en de andere sloopt

AI raakt niet alle software even hard. Investeringsanalist Rihard Jarc (UncoverAlpha) trekt een scherpe scheidslijn die verklaart waarom sommige softwarebedrijven sterker uit dit tijdperk komen en andere verdwijnen. De overlevingskans hangt af van één vraag over de kern van het systeem: moet het honderd procent kloppen, of is 'goed genoeg' acceptabel? Merk, prijs en opgebouwde data wegen daarbij minder dan je zou denken. Datzelfde filter is bruikbaar als je zelf softwarekeuzes maakt.

Moet het systeem altijd kloppen, of is goed genoeg genoeg?

Jarc verdeelt software in twee soorten. Deterministische systemen moeten exact het juiste doen, elke keer opnieuw. Denk aan boekhouding, ERP, betalingsverwerking, salarisadministratie en compliance. Wie een balans van een miljard sluit of het loon van vijftigduizend mensen uitbetaalt, heeft niets aan een antwoord dat zes van de tien keer klopt.

Probabilistische systemen leunen op patroonherkenning en 'goed genoeg' output. Denk aan chatbots, contentgeneratie, aanbevelingen en eenvoudige automatisering. Daar mag een resultaat af en toe naast zitten. Precies dat maakt ze kwetsbaar, want taalmodellen zijn zelf ook probabilistisch en doen dit werk inmiddels tegen een fractie van de kosten.

Waarom precieze systemen juist sterker worden

Bedrijven vervangen hun kernsystemen niet door een taalmodel. Ze bouwen er een laag bovenop. Het taalmodel begrijpt wat je wilt, het deterministische systeem voert het uit. Dat maakt de eigenaar van zo'n systeem juist waardevoller. Het wordt de betrouwbare uitvoeringslaag die AI nodig heeft om iets echt gedaan te krijgen. Databricks-CEO Ali Ghodsi maakt eenzelfde onderscheid tussen software die precies één ding goed doet en de rest.

Het gebruik van die systemen neemt naar verwachting toe, omdat meer mensen er met hulp van AI waarde uit halen. De verdienmodellen schuiven wel mee. Prijzen per gebruiker maken plaats voor prijzen per gebruik, en aanvullende AI-functies worden geprijsd rond de inferentiekosten plus een marge.

Waar de probabilistische software wegvalt

Zit de kern van je product in tekst genereren, aanbevelingen doen of simpele workflows, dan wordt het lastig. Een taalmodel repliceert die functie tegen ongeveer 1 procent van de kosten met 90 procent van de kwaliteit. De klassieke beschermingswallen houden dat niet tegen. Een mooie interface verliest zijn waarde zodra natuurlijke taal de interface wordt. Data als voorsprong weegt minder zwaar nu modellen met weinig voorbeelden al goed presteren. En integraties via open API's zijn voor AI juist makkelijker na te bouwen. Het is dezelfde beweging waarin veel software dreigt te degraderen tot niet meer dan een database.

Het snijden is al begonnen. Publicis Sapient brengt zijn traditionele softwarelicenties, waaronder Adobe, met ongeveer de helft terug door ze te vervangen door generatieve AI-tools. Klarna-CEO Sebastian Siemiatkowski voorspelt op basis van dezelfde logica zelfs het einde van SaaS zoals we het kennen.

Welke vraag je bij elke tool moet stellen

Je hoeft geen belegger te zijn om iets aan dit onderscheid te hebben. Loop je softwarelandschap langs met één vraag per tool: leunt deze op een kern die exact moet kloppen, of levert hij vooral 'goed genoeg' output die een taalmodel ook maakt? Bij het eerste type loont het om te investeren in de AI-functies die de leverancier eromheen bouwt. Bij het tweede type is de vraag reëel of je er over twee jaar nog voor betaalt, of dat een AI-assistent en je bestaande kernsysteem het samen overnemen.

Let ook op je contractvorm. Software die per gebruik wordt geprijsd past beter bij een wereld waarin je niet weet hoeveel je een tool volgend jaar inzet. Wil je weten hoe dit uitpakt voor jouw software-stack? Plan een kennismaking in, we denken graag mee.