Waarom AI meer kan dan jouw team eruit haalt

OpenAI-CFO Sarah Friar lanceerde op Davos een term die sindsdien op directietafels terugkomt: capability overhang. De afstand tussen wat de nieuwste AI-modellen technisch kunnen en wat gebruikers er in de praktijk mee doen is groot, en groeit. Uit OpenAI's eigen data blijkt dat ervaren gebruikers tot zeven keer meer rekenkracht inzetten dan de gemiddelde gebruiker. De boodschap voor organisaties: wie AI-licenties uitdeelt zonder adoptiestrategie, betaalt voor een technologie die op een fractie van haar vermogen draait.

Wat is de capability overhang?

Friar gebruikt de term om het verschil te duiden tussen het niveau dat modellen als GPT-5.4 halen en het niveau waarop ze in de praktijk worden ingezet. De meeste mensen openen ChatGPT voor een samenvatting, een vertaling of een eerste concept van een e-mail. Nuttig, maar een fractie van wat het model aankan. Power users stellen juist meerstapsprocessen op: data ophalen, analyseren, controleren op kwaliteit en een geformatteerd rapport terugkrijgen. Hetzelfde abonnement, een rendement dat een veelvoud is.

Die scheidslijn loopt zelden via de technische afdeling. Recent onderzoek onder 81.000 AI-gebruikers laat zien dat het patroon van gebruik meer bepalend is dan de functie of het opleidingsniveau. Wie AI ziet als zoekmachine, gebruikt het als zoekmachine. Wie het ziet als assistent met verantwoordelijkheden, stuurt het aan als assistent.

Drie knoppen waar OpenAI aan draait

OpenAI benoemt drie principes om de kloof te dichten. Het eerste is toegang: de drempel om AI in te zetten moet zakken zodat niet alleen technisch vaardigen ermee aan de slag gaan. Het tweede is betrouwbaarheid: modellen moeten consistenter correcte antwoorden geven, zodat gebruikers op de output durven te vertrouwen. Het derde is uitvoerkracht: AI moet niet alleen antwoorden, maar taken afmaken, inclusief het aansturen van andere systemen.

Die principes zijn herkenbaar in de lancering van agentische systemen die OpenAI en concurrenten de afgelopen maanden uitrolden. Gartner voorspelt dat klassieke copilots worden ingewisseld voor platforms die zelfstandig resultaat leveren. Wie de overhang van vandaag wil dichten, werkt niet alleen aan prompt-kwaliteit, maar ook aan koppelingen met bronsystemen en aan controle-momenten.

Wat dit betekent voor Nederlandse organisaties

De vraag voor directies is zelden of AI toegevoegde waarde kan leveren. Dat staat inmiddels buiten kijf. De vraag is waarom de organisatie slechts een fractie van die waarde realiseert. Drie patronen duiken steeds op.

Het eerste is onzichtbaar gebruik. Medewerkers experimenteren met AI-tools, maar vaak buiten beeld van de organisatie. Goede ideeën blijven in individuele chats zitten en verspreiden zich niet. Een eenvoudige interventie, een maandelijkse sessie waarin collega's laten zien wat werkt, tilt het gemiddelde gebruiksniveau snel omhoog.

Het tweede is een gebrek aan domeinkennis in de prompts. AI werkt het best als het weet waarover het praat. Organisaties die hun eigen context, tone of voice en werkinstructies aan het model meegeven, krijgen antwoorden die direct bruikbaar zijn. Wie zonder die context werkt, krijgt generiek materiaal terug dat nog uren redactie vraagt.

Het derde is een ontbrekend oordeelmoment. Zonder reviewstap worden AI-outputs een proxy voor kwaliteit, terwijl ze een startpunt zouden moeten zijn. Voordat je een AI-proces opschaalt, loont het de moeite om te toetsen of het proces er klaar voor is. Een snelle inventarisatie van waar mensen nu al tijd verliezen, geeft vaak meer zicht op de grootste winst dan een keuze voor een nieuwe tool.

Waar Dubbel.ai mee kan helpen

De capability overhang is geen technologisch probleem, maar een organisatievraagstuk. Wij helpen teams om het verschil tussen gemiddeld en bovengemiddeld gebruik te dichten, met workflows die passen bij het werk dat mensen al doen en met reviewmomenten die de kwaliteit borgen. Wil je weten hoe zo'n aanpak voor jouw organisatie eruitziet? Plan een kennismaking in, we denken graag mee.