Het is altijd hetzelfde verhaal: er verschijnt een nieuwe technologie en iedereen begint te praten over hoe deze alles zal veranderen. Dan stroomt het kapitaal binnen, worden bedrijven van de ene op de andere dag opgericht en stijgen de waarderingen sneller dan iemand kan rechtvaardigen. Dan, vele maanden later, komen de waarschuwingen en herinneren mensen zich plotseling de dotcom-crash of cryptovaluta.
Je hebt het waarschijnlijk al eerder gezien. En als dat zo is, denk je waarschijnlijk dat AI de volgende zeepbel is. Mensen zijn goed in het matchen van patronen. We zijn geëvolueerd om patronen te zien, dus als er iets bekends naar voren komt, brengen we het instinctief in kaart in het verhaal dat het dichtst in de buurt komt dat we al kennen. We denken dat we het al eerder hebben gezien en weten zeker hoe het afloopt.
Maar dat instinct kan ons misleiden. AI voelt als een zeepbel, omdat we iets werkelijk discontinu in een bekend verhaal dwingen. Het idee dat alles wat snel stijgt uiteindelijk moet instorten, klinkt verstandig. Maar dat betekent niet dat het altijd waar zal zijn.
Waarom markten blijven doorschieten
Elk grote technologische verschuiving produceert dezelfde uiterlijke symptomen: opgeblazen verwachtingen, gevolgd door een duidelijk zichtbare mislukking. Dotcom, mobiel en crypto gingen allemaal door een fase waarin de wereld zijn gevoel voor proporties verloor.
Waarom blijft dit gebeuren? Omdat markten geen raamwerk hebben voor discontinue verandering. Discounted cashflow-modellen gaan uit van een gestage, stabiele groei, en vergelijkbare bedrijven gaan ervan uit dat deze categorie al bestaat. Mensen gaan er dus van uit dat de nabije toekomst op het recente verleden lijkt, maar dat werkt niet als de onderliggende categorie zelf verandert.
De meeste waarderingsinstrumenten zijn ontworpen voor stapsgewijze vooruitgang, dus analisten kijken naar kwartaalprognoses en stapsgewijze verbeteringen. Ze weten niet wat ze met stapsgewijze veranderingen moeten doen, en ze kunnen niet-lineaire adoptie niet modelleren.
Dus als je kapitaaloverschrijding of een extreme spreiding van de uitkomsten ziet, dan is dat de markt die weddenschappen over een periode van tien jaar probeert te waarderen met behulp van kwartaallogica. (Wat niet werkt.) En dat is wat een zeepbel eigenlijk is: een indicatie dat niemand nog weet hoe hij moet prijzen wat er gaat komen. Die onzekerheid lijkt op een invalidatie, maar legt juist de grenzen van bestaande kaders bloot.
De categoriefout die we steeds maken
Wanneer er iets nieuws arriveert, grijpen we naar vergelijkingen.
AI is als elektriciteit.
AI is als computers.
AI is als internet.
AI is als mobiel.
Deze vergelijkingen zijn geruststellend omdat ze allemaal enorme veranderingen in de hele economie teweegbrachten en enorm veel kapitaal aantrokken. Ze veranderden de manier waarop het werk werd gedaan.
Ze delen ook iets diepers. Al deze technologieën breidden de menselijke capaciteiten uit zonder de menselijke cognitie te vervangen. Machines aangedreven door elektriciteit, maar mensen beslisten nog steeds wat ze moesten bouwen. Computers verwerkten gegevens, maar mensen interpreteerden deze. Het internet verplaatste informatie, maar mensen bepaalden wat er toe deed. Mobiel bracht computergebruik in je zak, maar menselijke aandacht bleef het schaarse goed. In elk geval heeft de menselijke intelligentie alles verankerd. Het was ook de bottleneck.
AI is anders omdat het cognitief werk verricht. En als je je daar ongemakkelijk bij voelt, dan moet dat ook gebeuren. Want als AI echt kan denken, dan is veel van waar we onze carrière op hebben gebouwd, zoals onze expertise en onze zwaarbevochten vaardigheden, misschien niet zo verdedigbaar als we dachten. De junior ingenieur die jarenlang zijn intuïtie heeft ontwikkeld, werkt nu samen met een tool waarmee hij deze onmiddellijk kan gebruiken. Dat geldt ook voor de financiële analisten die bekend staan om hun variantieanalyse. Mensen weten niet meer precies waar waarde zich bevindt, en dat is angstaanjagend.
Ik spreek wekelijks met CFO’s. Zes maanden geleden stelden ze mij abstracte vragen als “wat is AI?” en “moeten we een AI-strategie hebben?” Nu zijn de vragen concreet: “Welke onderdelen van het werk van mijn team hoeven niet meer op deze manier gedaan te worden?” Die verschuiving vond zo snel plaats, dat de manier waarop middelen worden toegewezen nu al verandert.
Een oprichter die ik ken, begon bijvoorbeeld Claude te gebruiken om SQL-query’s te schrijven, waar haar analist vroeger een paar dagen mee bezig was. Heeft zij de analist vervangen? Natuurlijk niet. Maar ze heeft het knelpunt weggenomen en is voor snelle antwoorden niet meer van hem afhankelijk. Toen veranderde de rol van haar analist volledig. Hij besteedde 60% van zijn tijd aan het schrijven van vragen, naar 10% aan het controleren ervan en 90% aan strategische aanbevelingen. Het bedrijf heeft het personeelsbestand of de kosten niet teruggebracht en de analist is van ondersteuning van drie belanghebbenden overgegaan naar ondersteuning van vijftien.
Dit is waar historische vergelijkingen echt beginnen te mislukken. Tools zoals GitHub Copilot comprimeren expertise. Een junior engineer kan nu opereren op een niveau waar ooit jaren werkervaring voor nodig was. En elke keer dat de tool wordt gebruikt, leert hij bij. Een hamer verbetert niet alleen omdat je er een huis mee hebt gebouwd, maar AI-tools wel. En wanneer gereedschappen door gebruik beter worden, neemt de mate van verbetering toe. Die dynamiek past niet precies in een eerdere technologische analogie, en daarom mist het instinct om dit een ‘bubbel’ te noemen het eigenlijke punt.
Eerdere technologieën gingen uit van een vast plafond voor de menselijke cognitie. Ze maakten ons sneller en sterker, maar de beperkende factor was altijd dezelfde: hoeveel slimme mensen konden we een probleem aandoen? AI strekt dat plafond veel verder uit dan we gewend zijn. Vroeger betekende het beter begrijpen van uw bedrijf meestal een van de volgende drie dingen: meer data, meer analisten of meer ervaren leiders. De beperking was hoeveel menselijke aandacht en oordeelsvermogen je je kon veroorloven. Met AI verschuift die beperking. Wanneer analyses die ooit dagen in beslag namen, binnen enkele seconden verschijnen, is de nieuwe beperking dat je weet waar je op moet letten. Welke vragen zijn belangrijk? De beperkende factor is niet langer talent, maar oordeel.
De sceptici hebben gelijk over de hype, maar ongelijk over wat het betekent
Laten we de sterkste versie van het bubbelargument voor de gek houden. Misschien is AI wel overhyped en zullen de meeste van deze bedrijven failliet gaan. Misschien zijn we vroeg en duurt het nog vijf tot tien jaar voor echte impact. Dat zou allemaal volkomen waar kunnen zijn, en het zou nog steeds niets veranderen aan het kernpunt, namelijk dit:
Zelfs als de meerderheid van de AI-startups faalt, en zelfs als de adoptie veel trager verloopt dan verwacht, is AI nog steeds de eerste technologie die kenniswerk kan verrichten. Dat verdwijnt niet omdat de markten voorbijschieten of de verwachtingen worden gereset. De sceptici hebben gelijk als ze zeggen dat de hype opgeblazen is. Maar ze hebben het mis als ze beweren dat een opgeblazen hype de technologie irrelevant maakt. We hebben dit al eerder gezien: de dotcom-zeepbel bestond echt Huisdieren.com crashte en brandde, maar internet veranderde nog steeds alles. Beide dingen waren tegelijkertijd waar.
De financiële leiders met wie ik werk, discussiëren niet over de vraag of AI ertoe doet. Nu proberen ze te begrijpen welke workflows het eerst veranderen en hoe snel ze zich moeten aanpassen. Dat gesprek vindt rustig plaats, onder al het lawaai.
En de workflows die als eerste instorten, delen drie eigenschappen:
-
Ze vereisen expertise, maar ze zijn repetitief.
-
Het zijn knelpunten voor strategisch werk.
-
Ze zijn gemakkelijk te verifiëren, maar moeilijk te genereren.
Deze workflows zijn belangrijk genoeg om voor te betalen, maar niet zo strategisch dat het automatiseren ervan het concurrentievoordeel in gevaar brengt. Ze vereisen vaardigheid, maar die vaardigheid wordt niet dramatisch vergroot door herhaling, wat ze economisch kwetsbaar maakt en verklaart waarom ze al geautomatiseerd zijn.
Waar mensen er nog steeds toe doen (voorlopig)
AI is geweldig in het herkennen van trends, maar slecht in het weten welke er echt toe doen. Het kan variantieanalyses genereren, maar het kan u niet vertellen of een schommeling van 12% in de uitgaven duidt op een gezonde groei of op een dieper liggend probleem. Het kan strategieën opstellen, maar kan u niet vertellen welke strategie op dit moment bij deze markt en dit team past. Oordeel onder onzekerheid en afwegingen waarbij de inzet catastrofaal is, blijven menselijke verantwoordelijkheden. Voor nu.
Wanneer de beperking niet langer ‘hebben we genoeg slimme mensen’ is, wordt het probleem een prioriteit. Wat verdient aandacht? Wat is de moeite waard om vervolgens te bouwen? Dat is waar ik zie dat veel oprichters vastlopen. Ze vragen of dit een zeepbel is en of ze te vroeg zijn, maar dat zijn niet de meest bruikbare vragen. De juiste is: “Wat kan ik het komende jaar bouwen dat echte waarde creëert, ongeacht wat de waarderingen doen?”
De bedrijven die als laatste overblijven, zullen degenen zijn die stilletjes AI herhalen en inbedden in daadwerkelijke workflows die daadwerkelijke problemen oplossen. Neem bijvoorbeeld CFO’s. Ze kopen AI omdat hun bestuur een snellere variantieanalyse wil, en ze zijn het beu om analisten in dienst te nemen die na zes maanden stoppen. Dat is een reëel probleem dat bedrijven moeten oplossen.
En hetzelfde geldt voor beleggers. Degenen die op de lange termijn succes zullen hebben, zullen degenen zijn die de onzekerheid lang genoeg tolereren om te zien wat echt werkt.
Deze keer is het eigenlijk anders
Op de korte termijn zal AI teleurstellen. Veel gebruiksscenario’s zullen niet opleveren wat ze beloven, en veel bedrijven die in deze golf zijn ontstaan, zullen niet overleven. Maar de technologie zal dat wel doen. En op de lange termijn zal AI elk vakgebied dat afhankelijk is van kenniswerk een nieuwe vorm geven. Niet allemaal tegelijk, en niet gelijkmatig, maar over tien jaar zal het moeilijk zijn om een op kennis gebaseerde industrie te vinden die er hetzelfde uitziet als nu.
AI is anders omdat intelligentie zelf, historisch gezien de belangrijkste beperking van menselijke innovatie, nu schaalbaar is geworden. Dat is een waarneembaar feit met meetbare gevolgen. Het gesprek over zeepbellen zal vervagen, zoals altijd, en wat zal blijven zijn de systemen die zich stilletjes hebben aangepast terwijl alle anderen ruzie maakten over waarderingen. De sceptici zullen gelijk hebben gehad over de excessen, maar ongelijk hebben over wat er werkelijk toe deed, want over vijf jaar zullen we waarschijnlijk op dezelfde manier terugkijken op de paniek van vandaag als we terugkijken op mensen die het internet terzijde schoven omdat een handvol bedrijven failliet gingen. En de winnaars zullen degenen zijn die aan het bouwen waren terwijl alle anderen ruzie maakten over de waarderingen.
Na verloop van tijd zijn dat de enige verhalen die iemand zich herinnert.
Siqi Chen is mede-oprichter en CEO van Runway.
Welkom bij de VentureBeat-community!
In ons gastpostprogramma delen technische experts inzichten en bieden ze neutrale, niet-gevestigde diepgaande inzichten over AI, data-infrastructuur, cyberbeveiliging en andere geavanceerde technologieën die de toekomst van het bedrijfsleven vormgeven.
Lees meer uit ons gastpostprogramma — en bekijk ons richtlijnen als u geïnteresseerd bent om een eigen artikel bij te dragen!
