Wat elektriciteit ons leert over investeren in AI

Elektriciteit werkte in 1882. Bewezen techniek, commercieel bruikbaar, klaar voor gebruik. 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 uit te leggen waarom AI zo hard groeit terwijl de omslag binnen organisaties nog op zich laat wachten. Daar zit een vraag in voor iedereen die deze maand budget verdeelt: welke investering betaalt zich terug, hoe de markt straks ook uitpakt?

Waarom elektriciteit veertig jaar nodig had na de doorbraak

Boudreau noemt dat proces platforming. Zijn stelling: een technologie gaat pas de hele economie verbouwen als er een technische, industriële en institutionele architectuur omheen staat waarop anderen met vertrouwen kunnen bouwen. Vergelijk het met een stopcontact. Pas toen iedereen wist welke stroom eruit kwam, welke stekker erin paste en wie je aansprak als het misging, durfden fabrikanten apparaten te maken die erop aansloten.

Bij elektriciteit zie je die drie lagen netjes na elkaar ontstaan. De techniek lag vast met de waterkrachtcentrale bij Niagara Falls (1895-1896), die meerfasige wisselstroom op commerciële schaal bewees. 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 pasten, ging het hard.

Dezelfde volgorde verklaart de rare combinatie die je nu ziet bij AI. De adoptiecijfers zijn spectaculair: ongeveer 2,4 miljard mensen pakken maandelijks een generatieve AI-dienst erbij, 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 verbouwing van werkprocessen en verdienmodellen (het deel waar het geld uiteindelijk zit) staat 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 kristalliseren uit. 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.

En de laag waar jij je werk doet? Die is het minst uitgekristalliseerd. Orkestratie, agents en middleware vechten om de vraag hoe AI je producten en processen binnenkomt. Tegelijk slokken de grote modellen functies op die bouwers ergens anders hadden verwacht: zoeken in bedrijfsdocumenten, ophalen uit kennisbanken en geheugen over sessies heen zitten steeds vaker in het model zelf. Dat plant dus lastig.

Boudreau wijst op wat er ontbreekt vergeleken 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, hardop toezeggen waar je als aanbieder vanaf blijft, zodat anderen durven te investeren. De grote partijen kiezen voorlopig voor verticale integratie, 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. Het eerste advies van Boudreau: leer sneller dan je vastlegt. Experimenteren is op dit moment opvallend goedkoop. Veel verkenning kun je doen op open-weight modellen op je eigen hardware, waar een vraag stellen richting nul kost en je data binnen blijft (fijn voor je jurist ook). 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 mensen het model corrigeerden en waarom ze dat deden. Die correcties tekenen precies af waar AI betrouwbaar is op jouw taken. En dat venster gaat dicht: zodra een model je experts structureel verslaat op een taak, verdwijnen de correcties en daarmee het signaal. Nu is dus het moment.

Waar zit je voordeel als iedereen hetzelfde model huurt?

Bij 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 klemzitten: Agentforce rekent af in agentic work units die Salesforce zelf definieert. SAP beperkt in zijn beleid voor 2026 wat externe AI mag doen met de 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 iedereen koopt zijn intelligentie in, je concurrent ook, vaak bij dezelfde aanbieder. Je voordeel zit dus in wat dat gedeelde model buiten bereik heeft: je eigen data, je domeinkennis, het vertrouwen dat je bij klanten en toezichthouders hebt opgebouwd, je distributie en de werkprocessen die anderen niet even namaken. Boudreau kijkt daarbij naar het koppelvlak tussen de lagen. Ziekenhuizen laten hun klinische AI via Epic lopen omdat Epic die vertrouwensdrempel al is gepasseerd. Een dun schilletje om andermans model heen is dit kwartaal handig en volgend kwartaal opgeslokt. Sangeet Paul Choudary beschrijft dezelfde beweging in zijn analyse van waar je voordeel zit als iedereen sneller wordt.

De organisatie die zichzelf kent, schakelt straks het snelst

De waardevolste 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 loopt het vast en hoe beweegt werk tussen je teams? Leveranciers hebben er een functie voor bedacht, de forward-deployed engineer die bij de klant aanschuift om precies dat in kaart te brengen. Die rol wil je zelf in huis hebben.

Dat is het deel dat je zelf kunt versnellen. De architectuur om je heen gaat op eigen tempo. Fabrikanten die hun fabriek herontwierpen rond elektromotoren, met de machines los van die ene centrale aandrijfas, plukten daar de vruchten van lang voordat elektriciteit overal lag. Zij hadden hun hal al verbouwd terwijl de rest nog op het stopcontact stond te wachten. Welke keuze op je tafel legt je deze week vast voor drie jaar, terwijl de markt over twaalf maanden anders oogt? Wil je die afweging een keer samen doorlopen? Plan een kennismaking in.