Tag: data

De afgelopen jaren hebben ondernemers zichzelf iets aangeleerd wat bijna als vanzelfsprekend is gaan voelen: technologie koop je als software. Een abonnement, een implementatie, een dashboard erbij, en je bent weer een stap digitaler. Het was overzichtelijk, relatief goedkoop en vooral omkeerbaar. Werkt het niet? Dan zet je het uit.

De afgelopen weken verscheen het bericht dat QuiX Quantum een belangrijke stap heeft gezet in de ontwikkeling van quantumcomputers. Voor de gemiddelde lezer klinkt dat als de zoveelste technologische doorbraak in een veld dat al jaren belooft dat “het er nu echt aankomt”. Maar wie iets beter kijkt, ziet dat dit geen zoveelste stap is. Dit is een kantelpunt.

In de technologie-industrie lijkt de tijd sneller te gaan dan ergens anders. Nauwelijks zijn Large Language Models (LLM’s) doorgedrongen tot de boardrooms van bedrijven of de volgende vraag duikt al op: wat komt hierna? Tijdens conferenties, zoals EmTech AI van MIT Technology Review, wordt deze vraag inmiddels openlijk gesteld. Het is een interessante vraag, maar ook een gevaarlijke. Want de geschiedenis van technologie laat zien dat we vaak al vooruitkijken naar de volgende revolutie terwijl we de huidige nog nauwelijks begrijpen.

Waarom The Economist gelijk heeft en de boardroom misschien niet Er is iets ongemakkelijks aan de AI-hausse van dit moment. Tijdens earnings calls, in boardrooms en op LinkedIn wordt kunstmatige intelligentie gepresenteerd als dé productiviteitsmachine van deze eeuw. “Efficiency”, “10x workforce”, “autonomous agents”, deze woorden vliegen ons om de oren.

De discussie over AI en energie begint steeds meer op een vast ritueel te lijken. Nieuwe modellen verschijnen, datacenters groeien, netbeheerders slaan alarm en politici discussiëren over stroom, ruimte en vergunningen. Het frame is helder: AI vreet energie, dus we hebben meer en grotere datacenters nodig, liefst zo groen mogelijk. Maar wat als dit frame fundamenteel te kort schiet? Wat als de échte oorzaak niet in GPU’s, koeling of hyperscalers zit, maar veel dieper: in hoe wij data organiseren, opslaan en gebruiken?

Na het lezen van Emily M. Benders essay “What makes something data?” bleef één ongemakkelijke observatie hangen. In machine learning en AI accepteren we een definitie van data die in vrijwel elke andere wetenschap zou worden uitgelachen: “Data is alles wat je kunt gebruiken om een model te trainen.”