Vier jaar AI verder. Hebben we eigenlijk iets veranderd?
In november 2022 verscheen Power and Prediction. Twee weken later werd ChatGPT gelanceerd. Inmiddels zijn we vier jaar, talloze AI-modellen en enorme investeringen verder. Toch blijken de economische inzichten uit dat boek nog verrassend actueel.
De auteurs beschrijven hoe AI de kosten van voorspellingen verlaagt en daarmee nieuwe mogelijkheden voor organisaties creëert. Maar hoeveel is er inmiddels veranderd aan AI en besluitvorming? Veel bedrijven gebruiken AI om bestaande werkzaamheden sneller uit te voeren. De gevolgen voor de inrichting van processen, verantwoordelijkheden en beslissingen zijn een stuk lastiger vast te stellen.
Een boek over AI uit 2022 klinkt inmiddels behoorlijk gedateerd. Toch zet Power and Prediction juist in 2026 aan het denken. We gebruiken inmiddels massaal AI, maar nemen we daardoor ook wezenlijk andere beslissingen?
Ik ben een paar dagen in Mexico en pak een boek uit de kast: Power and Prediction van Ajay Agrawal, Joshua Gans en Avi Goldfarb. Het boek verscheen in november 2022. Een boek over kunstmatige intelligentie uit 2022 klinkt inmiddels ongeveer als een boek over internet uit 1998. De ontwikkelingen gaan zo snel dat een verhaal over AI soms al verouderd voelt voordat het gedrukt is, maar bij dit boek is iets bijzonders aan de hand.
Power and Prediction verscheen op 16 november 2022. Twee weken later lanceerde OpenAI ChatGPT en begon de wereld aan een AI-experiment op een schaal die de auteurs bij het schrijven onmogelijk konden hebben voorzien. We zijn inmiddels vier jaar, talloze nieuwe modellen, miljarden prompts en enorme investeringen verder. Een mooi moment dus om het boek nog eens open te slaan. Niet om te kijken wat er inmiddels achterhaald is, maar juist om te zien wat drie economen vóór ChatGPT dachten dat AI met organisaties zou gaan doen.
AI maakt voorspellen goedkoper
De centrale economische gedachte in Power and Prediction is eigenlijk vrij eenvoudig. AI verlaagt de kosten van prediction. Prediction moet je daarbij breder zien dan het voorspellen van de omzet van volgende maand. Het gaat om het gebruiken van beschikbare informatie om iets te zeggen over informatie die je nog niet hebt. Welke klant gaat vertrekken? Welke factuur is waarschijnlijk fout? Welke transactie wijkt af? Welke patiënt loopt een verhoogd risico? Hoeveel voorraad hebben we volgende week nodig? Welke debiteur gaat waarschijnlijk niet betalen?
Hoe goedkoper en beter zulke voorspellingen worden, hoe vaker organisaties ze kunnen gebruiken. Maar de auteurs maken daarbij een belangrijk onderscheid.
Een voorspelling is nog geen beslissing.
Voor een beslissing is ook judgment nodig. Wat vinden we belangrijk? Hoe wegen we verschillende belangen? Welk risico accepteren we? Wanneer grijpen we in? En wie is verantwoordelijk als het verkeerd gaat? Dat onderscheid vind ik in 2026 misschien nog wel interessanter dan toen het boek verscheen.
We hebben vooral gereedschap gekocht
Kijk eens naar wat we sinds eind 2022 hebben gedaan. We laten AI e-mails schrijven, contracten samenvatten, presentaties maken, softwarecode genereren, klantvragen beantwoorden, forecasts toelichten en enorme hoeveelheden documenten doorzoeken. In vrijwel iedere organisatie die ik tegenkom, wordt inmiddels wel ergens met generatieve AI gewerkt. Dat levert productiviteitswinst op, maar de interessantere vraag is hoeveel organisaties door AI ook werkelijk anders zijn gaan beslissen.
Neem mijn eigen vak. Een accountant die vroeger drie uur nodig had om een memo op te stellen en dat met behulp van AI in twintig minuten kan, heeft een forse efficiëntieslag gemaakt. Maar de controle zelf is daarmee nog niet fundamenteel veranderd.
Een CFO die vroeger aan zijn controller vroeg waarom de brutomarge achterbleef en diezelfde vraag nu aan een AI-assistent stelt, krijgt misschien sneller antwoord. Ook daar is het besluitvormingsproces echter grotendeels hetzelfde gebleven.
Interessanter wordt het wanneer een retailer de vraag per winkel veel nauwkeuriger kan voorspellen en daardoor zijn voorraadbeleid aanpast. Niet alleen een betere forecast dus, maar andere voorraadniveaus, andere bestelmomenten, minder veiligheidsmarge en uiteindelijk misschien zelfs een ander distributienetwerk. Dan gebruik je AI niet alleen om een bestaande taak sneller uit te voeren, maar verandert de manier waarop de organisatie werkt.
Precies daar maken Agrawal, Gans en Goldfarb een belangrijk onderscheid. De grote economische impact ontstaat volgens hen niet alleen door AI in bestaande processen te stoppen. Die ontstaat vooral wanneer goedkopere en betere voorspellingen aanleiding geven om het systeem rond een beslissing opnieuw te ontwerpen.
Als ik om mij heen kijk, denk ik dat we daar nog maar beperkt aan zijn begonnen.
“Garbage in” heeft nu een betere tekstschrijver
Er zit nog een gedachte achter het boek die voor TheDataConnection misschien nog relevanter is. Naarmate prediction goedkoper en belangrijker wordt, neemt het belang van goede data niet af. Het neemt juist toe. Dat lijkt soms te verdwijnen in alle aandacht voor modellen, agents, copilots en prompts. Alsof een steeds slimmer model vanzelf het probleem van slechte informatie oplost.
Een prachtig AI-model kan geen betrouwbare omzetverwachting maken als de orderdata niet volledig zijn. Een AI-agent kan niet verantwoord zelfstandig kredietbeslissingen nemen als klantgegevens niet kloppen. En een CFO heeft uiteindelijk weinig aan een prachtig geformuleerde verklaring voor een afwijking als niemand meer kan reconstrueren welke data, definities en aannames onder die verklaring liggen. Het klassieke garbage in, garbage out is door AI dus niet verdwenen.
We hebben de garbage alleen een veel betere tekstschrijver gegeven.
En dat maakt het probleem misschien zelfs groter. Slechte analyses zagen er vroeger soms ook uit als slechte analyses. Generatieve AI kan van gebrekkige informatie een buitengewoon overtuigend verhaal maken. De kwaliteit van de onderliggende data wordt daardoor niet minder belangrijk, maar juist belangrijker.
Van AI-tool naar beslissysteem
Daarmee komen we volgens mij bij een interessantere AI-discussie dan de vraag welk model op dit moment het beste is. Neem eens een belangrijke beslissing binnen je organisatie en zet de hele keten achter elkaar:
data → analyse → voorspelling → menselijk oordeel → beslissing → actie → resultaat → nieuwe data
Waar heeft AI die keten werkelijk veranderd? Misschien blijkt dan dat AI vooral één onderdeel sneller heeft gemaakt. Dat kan economisch zeer waardevol zijn, maar het is iets anders dan een fundamenteel ander beslissysteem.
De volgende stap ontstaat wanneer betere prediction ook de rest van die keten verandert. Welke informatie verzamelen we? Welke beslissingen nemen we centraal en welke lokaal? Wanneer laten we een systeem zelfstandig handelen en wanneer moet een mens ingrijpen? Welke uitzonderingen accepteren we? En hoe stellen we achteraf vast of het systeem daadwerkelijk tot betere beslissingen heeft geleid? Dan gaat de discussie veel minder over AI zelf en veel meer over de inrichting van de organisatie.
En nu, vier jaar later?
Het aardige is dat de auteurs in september 2026 zelf opnieuw hebben teruggekeken op de ideeën achter hun boek. ChatGPT had Power and Prediction binnen enkele weken hopeloos gedateerd kunnen maken.
Hun fundamentele economische redenering staat volgens hen echter nog steeds overeind. AI toevoegen aan bestaande workflows is iets anders dan organisaties opnieuw ontwerpen rond nieuwe mogelijkheden voor prediction. En juist omdat prediction goedkoper wordt, verdwijnen management en menselijk oordeel niet automatisch naar de achtergrond. Ik vind dat na vier jaar ChatGPT een interessante constatering.
We hebben de afgelopen jaren eindeloos gesproken over modellen, parameters, prompts, copilots, agents, banen die verdwijnen en inmiddels natuurlijk over AGI. Ondertussen hebben organisaties miljarden geïnvesteerd in technologie en zijn miljoenen medewerkers AI gaan gebruiken.
Het is daarom tijd om de tussenstand anders op te maken. Niet door te tellen hoeveel medewerkers Copilot gebruiken, hoeveel prompts we versturen of hoeveel AI-pilots er lopen, maar door te kijken naar wat er in onze besluitvorming daadwerkelijk is veranderd.
Welke belangrijke beslissing nemen wij in 2026 wezenlijk anders dan in 2022, omdat we nu over AI beschikken?
Als het antwoord daarop moeilijk te geven is, betekent dat niet dat AI is mislukt. Het zegt vooral iets over de fase waarin we zitten. We hebben de afgelopen vier jaar vooral geleerd hoe we AI kunnen toevoegen aan bestaande processen. De interessantere fase begint wanneer we processen opnieuw gaan ontwerpen omdat prediction goedkoper, sneller en beter is geworden.
En dan komen we uiteindelijk weer uit bij iets wat minder nieuw en sexy klinkt dan AI: de kwaliteit van je data, de inrichting van je besluitvorming en het menselijke oordeel over wat je met die informatie doet. Dat was in 2022 belangrijk. In 2026 misschien nog wel meer.