Een lijn in een grafiek die eerst een gelijkmatig verloop heeft en vervolgens steil omhoogschiet; deze ‘hockeystick’ is een bekend fenomeen in presentaties van beginnende ondernemers. Ze beloven dat na een schoorvoetend begin een enorme stijging van omzet en winst wacht. “Dus investeer maar in ons bedrijf.”

Toby Stuart, hoogleraar van Berkeley Haas, hoorde die belofte vaak uitspreken, maar meestal niet uitkomen. Op AI@Strategy vertelde hij deze curve nu overal tegen te komen voor kunstmatige intelligentie: rekenkracht en gebruik groeien en de kosten per gegenereerde eenheid tekst of code, de zogeheten tokens, blijven dalen. Nu investeren, straks enorme winsten.

Echter, wie alleen die technologische curve volgt, mist een tweede: die van organisaties en mensen die moeten profiteren van het toepassen van AI. Deze twee ontwikkelingen verlopen niet noodzakelijkerwijs hetzelfde: er kan steeds meer voor minder geld, maar werken mensen ook efficiënter en beter met AI-inzet?

Kosten gaan voor de baat uit. Stuart ziet de grote vier aanbieders (Amazon, Google, Microsoft en Meta) voor 2026 samen zo’n 730 miljard dollar aan investeringen in AI-infrastructuur aankondigen. Axel Täubert, bij Google Cloud verantwoordelijk voor startups in Noord- en Oost-Europa, noemde ruim 200 miljard dollar aan investeringen in chips, datacenters en verbindingen door Google alleen al.

Hij verkoopt het AI-platform Google for Startups. De strategie is duidelijk: klanten tegen lage kosten laten instappen en met een ‘lock-in’ steeds meer factureren. En bedrijven lekker maken met elkaar snel opvolgende versies. Eva Spannagl van OpenAI beschreef de versnelling, die het juist voor klanten lastiger kan maken om er een werkproces omheen te bouwen. Maar ze moeten er kennelijk in meegaan.

Nepwinst met AI

Daar begint de afhankelijkheid volgens Shaz Ansari van Cambridge Judge Business School: een startup betaalt de aanbieders voor modellen, rekenkracht en toepassingen, zit vast (‘lock-in) en ziet hun leverancier zelfs concurrent worden. Een patroon dat bekend is van Amazons Marktplaats die verkopers met huid en haar opeten. En ook van Nvidia, waarvan de CUDA-omgeving gebruikers via software en kennis aan één infrastructuur bindt. Ansari bepleit daarom open modellen.

Bovendien lijkt het resultaat mooier dan het is, zo toonden Isabell Welpe en Theresa Treffers, hoogleraren aan de TUM School of Management en organisatoren van het congres: productiviteitswinst per taak van ongeveer 40 tot bijna 300 procent, maar nauwelijks meer rendement. Een Duitse autofabrikant versnelt met AI het inkoopproces met 35 procent, zonder zichtbare toename van de winst. De bezetting van de inkoopafdeling bleef immers intact, en de andere afdelingen sloten niet aan.

Welpe schetst de oorzaken: wie complexe taken met AI uitvoert, levert resultaten die anderen, vaak leidinggevenden, vervolgens moeten nalopen. Wie meerdere agents tegelijk aanstuurt, laat bovendien meer produceren dan hij regel voor regel kan controleren, waardoor de vraag hoeveel werk sneller kan, overgaat in de vraag hoeveel extra werk een organisatie nog zorgvuldig kan beoordelen.

Dus is werkelijke winst volgens Thomas Elsner van McKinsey afhankelijk van de verbetering van bestaande systemen en de manieren van samenwerking. Bovendien kunnen kosten stijgen met de AI-toepassingen.

Niettemin beweert Julia Lemm van BCG dat inmiddels bijna de helft van de onderzochte ondernemingen hebben rendement van AI-toepassingen. Dan denk ik: meer dan de helft heeft er geen voordeel van. Bovendien is haar ‘bewijs’ de Applied AI Index 2026 van BCG zelf.

Lemm benadrukt de gangbare teneur: winst uit deze innovatie komt voor 30 procent uit investeringen in technologie en voor 70 procent uit inspanningen gericht op het veranderen van mensen, processen en organisatie. Bij dat grotere deel van 70 procent zijn wel vraagtekens te plaatsen: welke besluiten mogen medewerkers aan een agent overlaten, wie controleert de uitkomst, en welke afdelingen moeten hun werkwijze veranderen voordat een besparing elders merkbaar wordt?

Meer ideeën en oordelen

Jacqueline Ng Lane van Harvard Business School deed in 2025 een experiment waarbij ze ideeën van AI en mensen voor de circulaire economie vergeleek. Externe beoordelaars zagen geen verschil in originaliteit en bruikbaarheid, terwijl de AI-ondersteunde ideeën veel goedkoper tot stand kwamen. Maar alles beoordelen, vergt tijd. Kun je AI ook hiervoor inzetten?

Wat er dan gebeurt, onderzocht Ng Lane met collega’s bij MIT Solve, een platform voor oplossingen voor maatschappelijke problemen. In het experiment beoordeelden 228 deelnemers 48 voorstellen en bepaalden zij welke door zouden gaan naar een volgende ronde. Een eerste groep zag alleen het voorstel, een tweede kreeg daarbij een AI-advies om het door te laten of af te wijzen, en een derde zag hetzelfde advies met een geschreven toelichting. AI-toepassing bood hier voordelen, de toelichting niet. Boeiend was de wisselwerking tussen AI en menselijke twijfel, maar onder de streep pakt die voordelig uit.

De vorm die AI aanneemt heeft veel invloed. Dat ziet Michael Decker, directeur van het Deutsches Museum en hoogleraar aan de TUM, ook met mensachtige robots. Bewegingen en natuurlijke taal leiden tot overschatting van wat machines kunnen

In kenniswerk speelt dit ook, zoals Stuart liet zien met wetenschappelijke publicaties die er degelijk uitzien. Met collega’s, onder meer van Cornell, onderzocht hij 111 miljoen referenties in 2,5 miljoen publicaties en preprints, en schat het aantal verzonnen verwijzingen conservatief op een kleine 150.000. Vooral verzonnen referenties van bekende namen in het veld slippen erdoorheen.

Dat bewijst geen bewuste fraude, maar wel het gebrek aan controle. De tweede curve, van menselijke aanpassing aan AI-toepassing, gaat dus ook over de instituties die kwaliteit kunnen herkennen en belonen, zoals de wetenschap.

Stuart brengt de onzekerheid terug naar zijn eigen universiteit. Hoe beoordeel je het werk van wetenschappers, zoals promovendi, wanneer steeds minder duidelijk is wie het ingeleverde werk heeft gedaan? De technische curve levert meer teksten, analyses en voorstellen af, terwijl mensen de oordelen moeten vellen.

Wie lost deze dilemma’s op zonder dat we ons overleveren aan de machines?