Wat elektriciteit ons leert over investeren in AI

Elektriciteit was in 1882 technisch bewezen en commercieel bruikbaar. Toch duurde het bijna veertig jaar voordat fabrieken er wezenlijk anders van gingen draaien. Kevin J. Boudreau, hoogleraar strategie aan Northeastern University, gebruikt die vertraging in MIT Sloan Management Review om te verklaren waarom AI hard groeit terwijl de brede omslag in organisaties nog op zich laat wachten. Zijn analyse levert een scherpe vraag op voor iedereen die nu budget verdeelt: welke investeringen betalen zich terug, ongeacht hoe de markt zich uitkristalliseert?

Waarom elektriciteit veertig jaar nodig had na de doorbraak

Boudreau noemt het proces platforming. Een technologie wordt pas economisch transformatief wanneer er een technische, industriële en institutionele architectuur omheen ontstaat waarop losse organisaties met vertrouwen kunnen bouwen.

Bij elektriciteit zie je die drie lagen na elkaar ontstaan. De techniek stabiliseerde met de waterkrachtcentrale bij Niagara Falls (1895-1896), die meerfasige wisselstroom op commerciële schaal bevestigde. Daarna groeide de taakverdeling tussen nutsbedrijven, machinebouwers en financiers uit tot het gereguleerde nutsmodel. In 1907 kwamen de eerste toezichthouders met een compleet mandaat. Toen die drie lagen op elkaar aansloten, durfden bedrijven te investeren en versnelde de elektrificatie.

Dezelfde volgorde verklaart de vreemde combinatie die je nu ziet bij AI. De adoptiecijfers zijn spectaculair: ongeveer 2,4 miljard mensen gebruiken maandelijks een generatieve AI-dienst, Salesforce haalt met Agentforce 1,2 miljard dollar aan jaarlijks terugkerende omzet en codeerplatform Cursor passeerde begin 2026 een omzetniveau van 2 miljard dollar op jaarbasis. De diepe verbouwing van werkprocessen en verdienmodellen staat daarbij nog aan het begin.

De onderkant van de AI-stack ligt vast, de bovenkant beweegt nog

De AI-stack heeft vier lagen: chips, cloudinfrastructuur, foundation modellen en de toepassingen daarbovenop. De onderste drie zijn aan het uitkristalliseren. Nvidia levert het leeuwendeel van de versnellers, AWS, Microsoft en Google leveren de rekenkracht en de frontier-modellen komen van een handvol partijen, met daarnaast een open-weight ecosysteem van Meta, Mistral, DeepSeek en Alibaba.

De laag waar de meeste organisaties hun werk doen, is juist het minst uitgekristalliseerd. Orkestratie, agents en middleware strijden om de vraag hoe AI in producten en werkprocessen wordt ingebed. Tegelijk absorberen de grote modellen functies die veel bouwers elders hadden verwacht: zoeken in bedrijfsdocumenten, ophalen uit kennisbanken en geheugen over sessies heen zitten steeds vaker in het model zelf.

Boudreau wijst op wat er ontbreekt in vergelijking met eerdere ecosystemen. De App Store van iOS en de achterwaarts compatibele interfaces van Windows gaven duizenden ontwikkelaars de zekerheid om te bouwen. De GPT Store van OpenAI bleef dun. Protocollen als MCP helpen, de standaard die agents met jouw systemen verbindt. Echt platformleiderschap gaat verder: spelregels stellen, toezeggen wat je als aanbieder zelf zult afblijven van en anderen daarmee de zekerheid geven om te investeren. De grote partijen integreren voorlopig verticaal, zoals ServiceNow deed door geen eigen taalmodel te bouwen en OpenAI diep in het eigen platform te trekken.

Leren is nu goedkoper dan vastleggen

Dat is de omgeving waarin je vandaag keuzes maakt. Boudreau's eerste advies: leer sneller dan je vastlegt. Het experiment is momenteel opvallend goedkoop. Veel verkenning kan op open-weight modellen op eigen hardware, waar de marginale kosten van een vraag richting nul gaan en je data binnen blijft. De frontier-modellen bewaar je voor het werk dat ze echt nodig heeft.

Het waardevolste dat je in deze fase vastlegt, is de plek waar je eigen experts het model corrigeerden en waarom ze dat deden. Die correcties tekenen precies af waar AI betrouwbaar is op jouw taken. En dat venster sluit: zodra een model je experts structureel verslaat op een taak, verdwijnen de correcties en daarmee het signaal.

Waar zit je voordeel als iedereen hetzelfde model huurt?

Bij het vastleggen let Boudreau op een risico dat verder gaat dan de techniek. De meeste organisaties toetsen alleen of hun systeem blijft draaien als het model morgen wordt vervangen. Commercieel kun je alsnog vastzitten: Agentforce rekent af in agentic work units die Salesforce zelf definieert. SAP beperkt in zijn beleid voor 2026 wat externe AI mag doen met data in zijn software. Die vraag speelt op elke laag, ook in je eigen workflows. We schreven eerder over hoe je een AI-workflow minder afhankelijk maakt van één model.

Vrijwel elke organisatie koopt haar intelligentie in, net als haar concurrenten, vaak bij dezelfde aanbieder. Voordeel komt dus uit wat het gedeelde model buiten bereik heeft: eigen data, domeinkennis, vertrouwen bij klanten en toezichthouders, distributie en werkprocessen die anderen niet zomaar kopiëren. Boudreau kijkt daarbij naar het koppelvlak tussen de lagen. Ziekenhuizen laten hun klinische AI via Epic lopen omdat Epic de vertrouwensdrempel al is gepasseerd. Een dunne schil om andermans model heen is dit kwartaal handig en volgend kwartaal opgeslokt. Dezelfde beweging beschrijft Sangeet Paul Choudary in zijn analyse van waar je voordeel zit als iedereen sneller wordt.

De organisatie die zichzelf kent, schakelt straks het snelst

De meest waardevolle inzet van AI in deze fase is volgens Boudreau ook de minst zichtbare: word een organisatie die haar eigen werking doorgrondt. Waar zit je kennis, hoe komen beslissingen tot stand, waar lopen dingen vast en hoe beweegt werk tussen je teams? Leveranciers hebben er een functie voor bedacht, de forward-deployed engineer die bij de klant aanschuift. Die rol wil je zelf in huis hebben.

Dat is precies het deel dat je zelf kunt versnellen. De architectuur om je heen volgt zijn eigen tempo. Fabrikanten die hun fabriek herontwierpen rond elektromotoren plukten daar de vruchten van lang voordat elektriciteit overal lag. Voor jouw organisatie is de vraag deze week bescheidener: welke keuze op tafel legt je vast voor drie jaar, terwijl de markt over twaalf maanden anders oogt? Wil je die afweging een keer samen doorlopen? Plan een kennismaking in.