Welkom bij AI Gedecodeerd, Snel bedrijf’s wekelijkse nieuwsbrief met het belangrijkste nieuws ter wereld AI. Je kunt tekenen om deze nieuwsbrief wekelijks per e-mail te ontvangen hier.
Een blik op het AI-landschap voor kleine bedrijven
Tot zover het gesprek rond de groten AI De transformatie van het bedrijfsleven heeft zich geconcentreerd op ondernemingen, dat wil zeggen bedrijven met meer dan 500 werknemers. Dat is logisch: voor AI- en cloudbedrijven kan het binnenhalen van een grote zakelijke klant betekenen dat ze een aanzienlijke stroom terugkerende inkomsten veiligstellen.
Maar als we het echt hebben over AI, het opnieuw uitvinden van werk en het maken van iedereen meer productiefzouden kleine en middelgrote bedrijven een veel groter deel van het gesprek moeten uitmaken. Volgens de Small Business Administration zijn er in de VS ongeveer 36 miljoen kleine bedrijven actief, die 46% van de werknemers uit de particuliere sector in dienst hebben. De meeste van die bedrijven zijn erg klein. Uit federale gegevens blijkt dat ongeveer 88% minder dan 20 werknemers heeft.
Universiteiten en adviesbureaus hebben uiteraard onderzocht hoe en in welke mate kleine bedrijven AI-tools gebruiken. Onderzoek uit 2024 een consensus vormden op het idee dat relatief weinig kleine bedrijven er op zinvolle wijze mee begonnen waren. Maar onderzoeken uit 2026 schetsen een ingewikkelder beeld. A recente studie van Goldman Sachs van de 10.000 kleine bedrijven ontdekte dat driekwart nu AI gebruikt, waarbij 84% productiviteits- en efficiëntiewinsten noemt. Toch zei slechts 14% dat ze AI in hun kernactiviteiten hadden geïntegreerd. Nog een studievan de National Federation of Independent Business (NFIB) ontdekte dat slechts een kwart van de kleine bedrijven aangaf überhaupt AI-tools te gebruiken. (NFIB onderzoekt doorgaans zeer kleine traditionele bedrijven zoals loodgieters en cateraars, terwijl Goldman mogelijk meer digitaal geëngageerde bedrijven, zoals e-commerceretailers, onder de loep neemt).
Veel eigenaren van kleine bedrijven zijn zich waarschijnlijk bewust van het groeiende ecosysteem van AI-producten die zijn ontworpen voor kleinere activiteiten. Intuit, Zapier, HubSpot, Lindy en Microsoft concurreren allemaal op dit gebied. Veel softwarebedrijven die al lang kleine bedrijven bedienen, zoals Intuïtiefhebben AI-copiloten en -automatiseringen geleidelijk samengevoegd tot producten die klanten al goed kennen: producten als boekhoudplatforms, CRM-systemen, kantoorsuites, klantondersteuningssoftware en tools voor workflowautomatisering. Microsoft deed precies dat toen het Copilot in zijn productiviteitssuite integreerde. Google verweven ondertussen zijn Gemini-model in zijn Google Workspace-suite.
En de grote AI-laboratoria richten zich steeds meer op kleinere bedrijven. OpenAI biedt ChatGPT voor Bedrijven/Teams, waarmee u kunt helpen bij het opstellen marketing spreadsheets kopiëren en analyseren. Het biedt ook een reeks ‘vaardigheden’, die het definieert als ‘herbruikbare, deelbare workflows’ die instructies, voorbeelden en code bundelen. Antropisch ging nog een stapje verder deze week wordt een pakket AI-workflows, -vaardigheden en -integraties gelanceerd die speciaal zijn gebouwd om bedrijfsfuncties te beheren die gebruikelijk zijn voor kleine bedrijven. Het product heet Claude voor Small Business.
In haar go-to-market-inspanningen denkt Anthropic op twee manieren na over de belemmeringen voor de adoptie van AI door kleine en middelgrote bedrijven. “Uit ons onderzoek blijkt dat ongeveer 32% van de MKB-werknemers niet echt weet hoe en wanneer ze AI moeten gebruiken”, vertelt Anthropic’s go-to-market lead voor kleine bedrijven, Lina Ochman, mij. Ze voelen zich geblokkeerd omdat ze gewoon niet genoeg ervaring hebben met AI in het algemeen, en zeker niet veel verder dan eenvoudige chatbots.
“En dan vertelt 64% ons dat ze verder willen gaan dan de chat en … daadwerkelijk agenten willen hebben die hen helpen bij het uitvoeren van hun workflows”, zegt Ochman. Maar zelfs als ze enige ervaring opdoen met AI-agenten die complexere taken kunnen redeneren en afhandelen, weten ze niet zeker hoe ze deze op hun eigen bedrijf moeten toepassen. Dat is precies de reden waarom Anthropic een soort plug-and-play-benadering hanteerde voor zijn product voor kleine bedrijven. Hoe goed de set kant-en-klare workflows van het bedrijf kan worden aangepast en aangepast voor unieke zakelijke functies, valt nog te bezien.
De alternatieve aanpak – het op maat bouwen en beheren van sterk op maat gemaakte AI-tools – kan voor veel eigenaren van kleine bedrijven een uitdaging zijn. Bijvoorbeeld een in Austin gevestigd veganistische kaasmaker genaamd Rebel Cheese ging diep die wereld in om een probleem op te lossen dat het bedrijf $ 50.000 per maand aan extra verzendkosten kostte. Rebel Cheese gebruikte Claude van Anthropic om het probleem te onderzoeken en een oplossing in kaart te brengen, en wendde zich vervolgens tot de agentische orkestratietool Manus om een systeem te bouwen dat automatisch vermoedelijke te hoge kosten door luchtvaartmaatschappijen betwist. Maar de medeoprichter van het bedrijf, Kirsten Maitland, zegt dat het proces maanden duurde, waardoor ze meerdere AI-agenten moest testen en lange nachten moest doorbrengen met het ontwikkelen en verfijnen van het systeem.
In de loop van de tijd zullen we waarschijnlijk de AI-tools voor kleine bedrijven van Anthropic en OpenAI zien evolueren om meer gespecialiseerde en op maat gemaakte builds veel minder veeleisend te maken. Maar voorlopig zullen de meeste kleine bedrijven AI op minder geavanceerde manieren blijven gebruiken dan hun grotere tegenhangers. Toch geeft de Rebel Cheese-zaak een indicatie van wat mogelijk wordt als een klein bedrijf toegang krijgt tot dezelfde tools als de grootste spelers.
De redenering van AI-modellen over ethische dilemma’s kan alleen maar performatief zijn, zegt een nieuwe studie
Toonaangevende AI-modellen wekken vaak de schijn dat ze over morele complexiteiten nadenken zonder dat daadwerkelijk te doen, aldus a nieuw papier gepubliceerd in het tijdschrift AI en ethiek door onderzoekers van het Allen Lab van de Harvard Kennedy School. In plaats van zich daadwerkelijk een weg te banen naar een genuanceerd antwoord op lastige vragen, lijken ze gewoon te vervallen in een verborgen “waardenhiërarchie” die al in hen is getraind, zeggen de onderzoekers.
Het onderzoek heeft de titel “Crocodile Tears: Can the Ethical-Moral Intelligence of AI Models Be Trusted?” Het testte vier modellen – Claude, GPT, Llama en DeepSeek – op ethische dilemma’s uit de morele psychologie, inclusief scenario’s waarin beide beschikbare opties echte morele kosten met zich meebrengen. In 87% van de zogenaamde tragische afwegingsprocessen kwamen alle vier de modellen op dezelfde keuzes uit, en de keuzes vloeiden vaak niet voort uit hun redenering.
De onderzoekers beschrijven het AI-gedrag als ‘krokodillentranen vergieten’, waarbij morele angst wordt uitgeoefend terwijl ze uitvoeren wat zij karakteriseren als een impliciete, ondoorzichtige waardenhiërarchie. Dat zou echte vertrouwensproblemen bij gebruikers kunnen veroorzaken. “Mensen wenden zich steeds meer tot deze hulpmiddelen voor begeleiding bij moeilijke beslissingen”, zegt de hoofdauteur, Sarah Hubbard, in een verklaring. “Als een model lijkt te worstelen met een ethisch dilemma terwijl het dit feitelijk reduceert tot een vooraf bepaald antwoord, kan het onder valse voorwendselen het vertrouwen van gebruikers winnen.”
Zijn AI-benchmarks functioneel nutteloos?
In de wereld van AI-onderzoek is de meest gebruikelijke manier om de intelligentie van een model te meten door het aan een benchmarktest te onderwerpen. Er bestaan honderden tests, elk gericht op een ander aspect van intelligentie. De één zou zich kunnen concentreren op het schrijven van code, terwijl de ander zich zou kunnen concentreren op het volgen van instructies of redeneren.
Maar er is een groot probleem. AI-labs kunnen de benchmarks spelen. “Zodra de eerste training wordt uitgevoerd nadat (een) benchmark is vrijgegeven, denk ik dat het niet langer een goede maatstaf voor intelligentie is, omdat de modellen er plotseling op zijn getraind, en het overkomt ze allemaal”, zegt de voormalige OpenAI-onderzoeker. Jerry Tworek zei tijdens een recente podcastoptreden.
Voorbeeldtestvragen en -antwoorden verschijnen snel online. AI-labs kunnen hun modellen op die gegevens trainen om beter te scoren op de tests. “Mensen zullen zich er tijdens de training op richten, ze zullen het voor elke benchmark oplossen”, zei Tworek. Vervolgens kunnen de onderzoekers een algoritme schrijven dat het model vertelt hoe de testvragen moeten worden beantwoord.
Tworek, een van de belangrijkste breinen achter OpenAI’s baanbrekende o1- en o3-redeneermodellen, zegt dat een benchmark pas zinvol kan zijn als deze een manier moet hebben om voor elke nieuwe test nieuwe vragen of scenario’s te genereren, zodat het model dat wordt getest deze nog nooit eerder heeft gezien.
Dat was het hoofdidee achter de onlangs uitgebrachte ARC-AGI-3 benchmark van de invloedrijke onderzoeker François Chollet. Die benchmark genereert en presenteert nieuwe spelomgevingen aan een AI-agent en daagt hem vervolgens uit om het doel van het spel te achterhalen en te winnen. Dit dwingt de agent om te putten uit ervaringen uit het verleden en te oordelen over hoe hij deze kan toepassen in nieuwe situaties waarin hij niet is getraind.
Meer AI-dekking van Fast Company:
- U kunt een datacenter bij u thuis plaatsen, maar wie betaalt dat eigenlijk?
- Dit kleine stadje in Maine gebruikte AI om een nieuw logo te maken. De bewoners hadden andere ideeën
- ServiceNow-CEO Bill McDermott: Silicon Valley heeft de AI voor ondernemingen verkeerd begrepen
- Het Demi Moore-AI-debat mist het punt
Wilt u exclusieve rapportage en trendanalyse over technologie, bedrijfsinnovatie, de toekomst van werk en design? Schrijf je in voor Snel bedrijf Premie.
