Commodity betekent niet dat alle waarde verdwijnt
Met ‘AI wordt een commodity’ bedoelen we niet dat elk AI-product hetzelfde wordt of dat kenniswerk waardeloos raakt. Het betekent dat een bepaalde basiscapaciteit—tekst genereren, classificeren, samenvatten, transcriberen, beeld analyseren of een routinecodefragment maken—voor steeds meer partijen beschikbaar kan komen tegen lagere marginale kosten. Die capaciteit alleen wordt dan minder onderscheidend.
Dat is precies wanneer de rest van het product zwaarder gaat wegen: welke taak wordt werkelijk opgelost, welke context is betrouwbaar, wie mag handelen, hoe past de output in een workflow, wie draagt de consequentie en hoe bereikt het resultaat de klant? Een goedkoop modelantwoord zonder integratie of verantwoordelijkheid is geen volwaardig product. Een goed ontworpen systeem kan dezelfde basiscapaciteit omzetten in een besluit, document, levering, fysieke handeling of betere service.
De strategische fout is daarom om commodity te verwarren met onbelangrijk. Elektriciteit, cloudopslag en internetconnectiviteit werden brede infrastructuur en maakten daardoor juist een veel grotere productlaag mogelijk. AI kan een vergelijkbare rol krijgen, maar alleen waar kwaliteit, toegang en economie het toelaten.
Lagere kosten openen meer dan bestaande vraag
Als een taak goedkoper wordt, gebruiken organisaties die niet alleen als vervanging voor bestaand werk. Ze voeren haar vaker uit, maken haar persoonlijker, verwerken langere staarten van uitzonderingen en bouwen diensten die eerder te duur waren om handmatig aan te bieden. Een analyse die ooit alleen voor een groot dossier rendabel was, kan bijvoorbeeld onderdeel worden van iedere intake, iedere productpagina of iedere operationele beslissing.
Dat is geen automatische belofte van groei. Vraag groeit alleen wanneer lagere kosten samengaan met voldoende kwaliteit, vertrouwen, distributie en een duidelijke plaats in het werk. Maar het verklaart wel waarom een dalende prijs per modelcall niet hetzelfde is als een dalende totale vraag naar AI-capaciteit. De Stanford AI Index beschrijft snel veranderende prestaties en inferentiekosten; zulke verschuivingen maken nieuwe productvormen economisch denkbaar nog voordat bestaande organisaties hun processen hebben aangepast. [1]
Agentische systemen versterken dit mechanisme. Eén goede output kan meerdere toolstappen, controles en vervolgvragen oproepen. Daarom moet een business case niet alleen tokens per antwoord meten, maar ook het aantal taken per klantresultaat, de mate van menselijk herstelwerk en de waarde van de volledige uitkomst.
Bronnen [1]
Waarom elektriciteit een bruikbare, maar beperkte vergelijking is
Elektriciteit werd niet waardevol omdat een kilowattuur op zichzelf magisch was, maar omdat die energie via netten, apparaten, standaarden, fabrieken en vaardigheden in talloze toepassingen kon landen. Nieuwe apparaten en processen veranderden vervolgens weer wat mensen en bedrijven van het net vroegen. De International Energy Agency beschrijft nu opnieuw groeiende elektriciteitsvraag door onder meer elektrificatie, airconditioning, industrie, datacenters en transport. [2]
De analogie met AI zit in die complementariteiten. Goedkopere intelligentie verandert weinig wanneer de data rommelig is, de interface geen actie mogelijk maakt of niemand verantwoordelijkheid durft te nemen. Maar samen met software, sensoren, werkprocessen, logistiek en domeinexpertise kan dezelfde basiscapaciteit een nieuwe dienst mogelijk maken. In onze visie ligt daar veel van de volgende innovatie: waar AI de fysieke wereld, operationele processen en concrete uitvoering raakt.
De vergelijking stopt ook snel. Elektriciteit is een gestandaardiseerde energiedrager; AI-output is probabilistisch, kan fout zijn en is gebonden aan modellen, data, rechten, hardware en veiligheidsgrenzen. Gebruik elektriciteit dus als denkhulp voor complementaire innovaties, niet als bewijs dat AI zich volgens exact dezelfde curve zal ontwikkelen.
Bronnen [2]
De Jevons-paradox is een waarschuwing, geen natuurwet
In de energie-economie heet het rebound-effect het verschijnsel dat efficiëntie een dienst goedkoper maakt en daardoor extra gebruik kan uitlokken. Bij een volledige overcompensatie spreekt men vaak van de Jevons-paradox. Een recente wetenschappelijke review beschrijft substantiële rebounds in uiteenlopende contexten, maar ook de theoretische en empirische nuance: de omvang verschilt per markt, beleid, substituut en tijdschaal. [3]
Voor AI is de juiste vertaling daarom bescheiden: efficiëntieverbeteringen kunnen leiden tot veel meer AI-werk, maar zij hoeven dat niet te doen. Misschien daalt de kost per taak terwijl totale vraag gelijk blijft. Misschien stijgt de vraag sterk omdat nieuwe use-cases ontstaan. Misschien wordt een andere beperking—energie, datakwaliteit, toestemming, menselijke review of verkoop—dominant. Wie capaciteit plant alsof de paradox gegarandeerd is, bouwt mogelijk te veel; wie hem negeert, mist mogelijk de werkelijke schaalvraag.
Meet de rebound op productniveau. Kijk naast kosten per inference naar het aantal voltooide klanttaken, verzoeken per workflow, acceptatie, foutcorrecties, energie- of infrastructuurverbruik en de uitkomst die de klant koopt. Dan wordt groei zichtbaar als een hypothese die je kunt toetsen, niet als een slogan.
Bronnen [3]
Waar de schaarste naartoe verschuift
Wanneer basale AI-capaciteit goedkoper wordt, verplaatst de bottleneck zich vaak. Eerst naar betrouwbare context: actuele bronnen, domeinmodellen, rechten en een goede intake. Dan naar uitvoering: integraties, tools, fysieke systemen, logistiek en een interface waarin een voorstel veilig kan worden beoordeeld of uitgevoerd. En uiteindelijk naar vertrouwen: wie is verantwoordelijk, hoe is een beslissing te verklaren, hoe herstel je een fout en welke relatie wil een klant behouden?
Dat is waarom een AI-native bedrijf niet simpelweg meer prompts schrijft. Het herontwerpt de waardestroom rond snelle intelligentie. Een jurist kan meer tijd besteden aan oordeel en cliëntcontext wanneer onderzoek en eerste concepten goed zijn ingebed. Een e-commercebedrijf kan productinformatie veel rijker onderhouden wanneer validatie en publicatie betrouwbaar zijn. Een fysieke operatie kan eerder handelen wanneer waarneming, veiligheidsgrenzen en menselijke escalatie onderdeel van hetzelfde systeem zijn.
De defensible laag is dus zelden alleen het model. Het is het samengestelde product: eigen workflowdata binnen de juiste rechten, evaluaties, feedbacklussen, distributie, operationeel ontwerp en het vermogen om een uitkomst waar te maken.
Wat dit verandert aan productstrategie
Ontwerp niet voor één dure ‘AI-moment’, maar voor een kostenlijn die kan dalen. Maak taken modulair, scheid betrouwbare productlogica van modelwerk, leg kwaliteitsgrenzen vast en houd een modelrouter beschikbaar. Zo kan een systeem van een premium assist naar frequente, ingebedde capaciteit groeien zonder dat rechten of verantwoordelijkheden vervagen.
Prijs niet uitsluitend op tokens of modelcalls wanneer de klant een besluit, service-level of operationeel resultaat koopt. Meet de unit economics op het niveau van die uitkomst. Een lagere inferenceprijs kan ruimte maken voor een betere service, maar ook voor meer volume, meer review of een complexere workflow. Alleen een end-to-end meetmodel vertelt welke combinatie werkelijk waarde toevoegt.
- Zoek use-cases waarin AI een bottleneck in een grotere waardestroom verlaagt, niet alleen een tekstvak versnelt.
- Leg menselijke beoordeling vast op de beslissingen met juridische, financiële, veiligheids- of reputatiegevolgen.
- Herzie prijs, capaciteit en kwaliteitsgrenzen wanneer het gebruikspatroon verandert.
- Maak energie, GPU-capaciteit en latency zichtbare operationele variabelen zodra AI een kernproces wordt.
- Investeer in domeincontext en uitvoering: daar ontstaat productdifferentiatie wanneer generieke capaciteit breed beschikbaar is.
Van commoditisering naar een nieuwe innovatielaag
De meest interessante vraag is niet of AI een commodity wordt, maar welke dingen daardoor voor het eerst maakbaar worden. In veel kenniswerk kan de eerste versie van analyse, communicatie of code veel goedkoper worden. De volgende golf ontstaat wanneer ondernemers die capaciteit verbinden met echte middelen, locaties, goederen, processen en relaties die niet via een API zijn te downloaden.
Daarom zoeken wij graag partners die die stap willen maken: niet alleen een losse AI-functionaliteit, maar een herontworpen product of operatie waarin intelligentie, menselijke expertise en de fysieke of domeinspecifieke werkelijkheid elkaar versterken. De juiste eerste stap is klein genoeg om te meten en serieus genoeg om een toekomstige waardestroom zichtbaar te maken.