De afgelopen twee jaar heeft strategie voor kunstmatige intelligentie heeft grotendeels overal hetzelfde betekend: kies a groot taalmodelsluit het aan op uw workflows en begin te experimenteren met aanwijzingen. Die fase loopt ten einde.
Niet omdat taal modellen zijn niet nuttig, met hun duidelijke beperkingen, maar omdat ze snel handelswaar worden. Wanneer iedereen toegang heeft tot ongeveer dezelfde modellen, getraind op ongeveer dezelfde data, houdt de echte vraag op wie heeft de beste AI en wordt die hun wereld het beste begrijpt.
Dat is waar wereldmodellen binnenkomen.
Van gehuurde intelligentie naar eigen inzicht
Grote taalmodellen zien er krachtig uit, maar zijn in wezen gehuurde intelligentie. Je betaalt een maandelijks bedrag aan OpenAI, Anthropic, Google of een andere grote technologie, je hebt er toegang toe via API’s, je stemt ze lichtjes af, en je past ze toe op algemene taken: samenvatten, opstellen, zoeken, assisteren. Ze maken organisaties efficiënter, maar niet wezenlijk anders.
A wereldmodel is iets heel anders.
Een bedrijfswereldmodel is een intern systeem dat representeert hoe de omgeving van een bedrijf zich feitelijk gedraagt (haar klanten, activiteiten, beperkingen, risico’s en feedbackloops) en gebruikt die representatie om uitkomsten te voorspellen, beslissingen te testen en van ervaringen te leren.
Dit onderscheid is van belang. Je kunt vloeiendheid huren. Je kunt geen begrip huren.
Wat een ‘wereldmodel’ werkelijk betekent voor een bedrijf
Ondanks de academische oorsprong van de term zijn wereldmodellen geen abstract onderzoeksspeelgoed. Leidinggevenden vertrouwen al elke dag op ruwe versies ervan:
- Simulaties van toeleveringsketens
- Systemen voor vraagvoorspelling
- Risico- en prijsmodellen
- Digitale tweelingen van fabrieken, netwerken of steden
Digitale tweelingenIn het bijzonder zijn het vroege en onvolledige wereldmodellen: statisch, duur en vaak broos, maar richtinggevend belangrijk.
Wat AI verandert is niet het bestaan van deze modellen, maar hun natuur. In plaats van statisch te zijn en handmatig te worden bijgewerkt, AI-gedreven wereldmodellen kan zijn:
- Adaptiefwaarbij we voortdurend leren van nieuwe gegevens
- Probabilistischin plaats van deterministisch
- Oorzakelijkniet alleen beschrijvend
- Actiegerichtin staat om ‘wat gebeurt er als…’-scenario’s te simuleren
Dit is waar versterkend leren, simulatie en multimodaal leren veel belangrijker gaan worden dan snelle engineering.
Een concreet voorbeeld: logistiek en supply chain
Denk eens aan de mondiale logistiek: een sector die al draait op krappe marges, krappe timing en voortdurende ontwrichting.
Een taalmodel kan:
- Vat verzendrapporten samen
- Beantwoord vragen over vertragingen
- Opstellen van communicatie naar klanten
- Een wereldmodel kan iets veel waardevollers doen.
Het kan simuleren hoe een havensluiting in Azië de voorraadniveaus in Europa beïnvloedt, hoe schommelingen van de brandstofprijzen door de transportkosten stromen, hoe weersomstandigheden de levertijden veranderen, en hoe beslissingen over alternatieve routes de uitkomsten weken van tevoren veranderen. Met andere woorden, het kan redeneren over het systeem, en het niet alleen beschrijven.
Dit is waarom bedrijven als Amazon hebben er zwaar in geïnvesteerd interne simulatieomgevingen En beslismodellen in plaats van te vertrouwen op generieke AI-tools.
In de logistiek komt het concurrentievoordeel niet voort uit het alleen maar beter praten over de supply chain. Het komt door er beter op te anticiperen.
Waarom het bouwen van een wereldmodel moeilijk is (en waarom dat het punt is)
Als dit ingewikkeld klinkt, is dat omdat het zo is. Het bouwen van een bruikbaar wereldmodel is geen kwestie van software kopen of inhuren een paar snelle ingenieurs. Het vereist capaciteiten die veel organisaties hebben uitgesteld.
Bedrijven hebben minimaal het volgende nodig:
- Hoogwaardige, goed geïnstrumenteerde gegevensniet alleen grote hoeveelheden ervan
- Duidelijke definities van uitkomstengeen ijdelheidsstatistieken
- Feedbacklussen die beslissingen verbinden met gevolgen in de echte wereld
- Cross-functionele uitlijningomdat geen enkele afdeling de werkelijkheid ‘bezit’
- Tijd en geduldaangezien wereldmodellen verbeteren door iteratie, niet door demo’s
Dit is precies de reden waarom de meeste bedrijven het niet zullen doen – en waarom degenen die dat wel doen zich zullen terugtrekken. Het moeilijkste deel van AI zijn niet de modellen, maar de systemen en prikkels om hen heen.
Waarom LLM’s alleen niet genoeg zijn
Taalmodellen blijven van onschatbare waarde, maar in een specifieke rol. Het zijn uitstekende interfaces tussen mens en machine. Ze leggen uit, vertalen, vatten samen en communiceren.
Wat ze niet goed doen, is redeneren over hoe de wereld werkt.
LLM’s leren van tekst, die een indirecte, bevooroordeelde en onvolledige weergave is van de werkelijkheid. Ze weerspiegelen hoe mensen over systemen praten, niet hoe die systemen zich gedragen. Dit is de reden waarom hallucinaties geen ongeluk zijn, maar een structurele beperking. Als Yann LeCun heeft herhaaldelijk betoogd, taal alleen is geen voldoende substraat voor intelligentie.
In architecturen die er in de toekomst toe doen, zullen LLM’s meespelen met wereldmodellen, en deze niet vervangen.
De strategische verandering die leidinggevenden nu moeten maken
De belangrijkste beslissingen die leiders op het gebied van AI vandaag de dag kunnen nemen, zijn niet welk model ze moeten kiezen, maar welke delen van hun realiteit machines volgens hen moeten begrijpen.
Dat betekent dat je verschillende vragen moet stellen:
- Waar falen onze beslissingen consequent?
- Welke uitkomsten zijn belangrijk, maar worden niet goed gemeten?
- Welke systemen gedragen zich op manieren die we niet helemaal begrijpen?
- Waar zou simulatie beter presteren dan intuïtie?
Die vragen zijn minder glamoureus dan het lanceren van een chatbot. Maar ze hebben veel meer consequenties.
De bedrijven die winnen zullen hun eigen realiteit vormgeven
Grote taalmodellen maken het speelveld vlakker. Iedereen krijgt ongeveer tegelijkertijd toegang tot indrukwekkende mogelijkheden.
Wereldmodellen kantelen het opnieuw.
In het komende decennium zal het concurrentievoordeel toebehoren aan organisaties die hun begrip van de wereld (hun wereld) kunnen coderen in systemen die leren, zich aanpassen en verbeteren. Niet omdat die systemen beter praten, maar omdat ze beter begrijpen.
AI zal de strategie niet vervangen. Maar strategie zal steeds meer toebehoren aan degenen die de werkelijkheid goed genoeg kunnen modelleren om deze te verkennen voordat ze handelen.
Ieder bedrijf zal zijn eigen wereldmodel nodig hebben. De enige open vraag is wie als eerste begint met het bouwen van die van hen.
