De laatste mijl van AI: waarom de toekomst maatwerk is en niet een-op-een-past

Voor het grootste deel van de afgelopen vijftig jaar is software gebouwd voor mensen die in kantoren zitten. Traditionele platforms zijn in wezen statische databases met een interface eromheen. Ze zitten daar, onbeweeglijk, en vereisen dat mensen eromheen werken: om informatie in te voeren, gegevens in te voeren, om hun starre, vooraf gedefinieerde logica te navigeren. In deze regeling is de mens stilzwijgend het handmatige lijm geworden, dat de hele werkdag besteedt aan het overbruggen van de kloof tussen gefragmenteerde tools.

Deze operationele belasting is het pijnlijkst in ons mobiele leven. Stel je voor dat je een eenvoudige vergadering boekt terwijl je onderweg bent. Je opent een kalender-app, tikt, typt, tikt. Dan spring je naar e-mail om de vage herinnering van een paar trefwoorden te herstellen, zoek je het juiste adres, kopieer je het en spring je terug naar de kalender. Het is een vreemd ontmenselijkende ervaring. De gebruiker wordt gedwongen om de logica van de software te volgen in plaats van de software die de intentie van de gebruiker volgt, met gebroken context in hun hoofd en het weer samenstellen met de hand.

De mens als handmatig lijm

We zagen dit duidelijk toen we voor mobiel bouwden bij Google. De wereld heeft het probleem alleen maar scherper gemaakt sindsdien. Steeds meer hoogwaardige werk gebeurt nu in de echte wereld in plaats van in een statische kantooropstelling. Het gebeurt in koffiegesprekken, in externe introducties, in partnerships. En de eenheid van bedrijf is gestaag afgenomen, van het bedrijf naar het team naar het individu.

De gegevens ondersteunen dit. Volgens de U.S. Census Bureau, is het aantal eenpersoonsbedrijven in de Verenigde Staten met een gemiddelde van 2,7 procent per jaar tussen 2012 en 2023 toegenomen, meer dan het dubbele van de 1,1 procent van bedrijven met werknemers, en ze vormen nu de grote meerderheid van alle Amerikaanse bedrijven. We gaan de tijd van de superindividueel binnen, een enkele operator die een wereldwijde operatie kan uitvoeren met een klein vloot van agenten die het werk doen. Wanneer de eenheid van werk afneemt tot het individu, moet het ontwerp van onze tools omdraaien. In plaats van dat mensen de software volgen, moet de software de mens volgen.

De laatste mijl van AI

Algemene assistenten zoals ChatGPT en Gemini zijn een echte sprong. Ze laten mensen meer bereiken, sneller, over een buitengewone reeks taken. Maar er is een kloof tussen een model dat algemeen capabel is en een tool dat eigenlijk bij je leven past, en in AI is die kloof de laatste mijl. Daar zit de meeste waarde, en het is het deel dat bijna niemand heeft opgelost.

Een algemeen model arriveert als een briljante nieuwe medewerker op de eerste dag. Het is vloeiend, snel en breed gelezen, maar het kent je klanten niet, je voorkeuren, de afkorting die je gebruikt, of de manier waarop je dingen wilt doen. Krachtig is niet hetzelfde als van jou. Een algemeen model is, door ontwerp, hetzelfde voor iedereen die het opent. Wat mensen eigenlijk nodig hebben is het tegenovergestelde: iets dat voor één persoon is gevormd, dat groeit en meer van jou wordt naarmate je het langer gebruikt.

Historisch gezien is die laatste mijl duur. Aangepast zijn aan één persoon betekende het inhuren van een uitvoerend assistent of een chef van staf, of het in opdracht geven van aangepaste software, opties die zijn voorbehouden aan grote bedrijven en de rijken. Dus de rest van ons heeft zich neergelegd bij algemene, massaal geproduceerde tools en heeft zich stilzwijgend aangepast om ze te passen. De kosten van maatwerk zijn de reden waarom de meeste mensen het nooit hebben gehad. Wat nu verandert is die kosten. Naarmate het daalt, wordt het ding dat mensen altijd stilletjes hebben gewild mogelijk op de schaal van één. Mensen verlangen niet echt naar meer generieke mogelijkheden. Ze verlangen naar iets dat van hen is.

Dit is niet alleen een kwestie van smaak, en het bewijs is scherper dan het lijkt. De waarde van AI is niet gelijkmatig verdeeld over taken. In een groot veldexperiment uitgevoerd door Harvard Business School met Boston Consulting Group, hebben 758 consultants met GPT-4 ongeveer 12 procent meer taken voltooid, ongeveer 25 procent sneller, met een hogere kwaliteit, maar alleen voor werk dat binnen het door de onderzoekers genoemde onregelmatige technologische frontier viel. Op een taak die bewust buiten die frontier was gekozen, waren de mensen die AI gebruikten ongeveer 19 procent minder geneigd om het juiste antwoord te bereiken. Winsten verschijnen wanneer de tool goed bij de echte contouren van het werk past, en ze vervagen, of zelfs omkeren, wanneer het niet past. Pas is niet een finishing touch. Het is waar de waarde leeft.

Er zijn ook twee soorten empowerment die het waard zijn om te onderscheiden. De ene helpt je om iets te doen wat je eerder niet kon doen. De andere bevrijdt je van de dingen waarvoor je tijd simpelweg te waardevol is om aan te besteden. Algemene modellen zijn erg goed in het eerste. Het tweede is een kwestie van pas, en pas moet maatwerk zijn. Dit is het verschil tussen een tool die je meer capabel maakt en een tool die een verlengstuk van je wordt.

Van bestemming naar zijspan

Als maatwerk het eigendom is, wat is de vorm? Hier helpt het om een term te lenen uit software-architectuur. In gedistribueerde systemen, zijspanpatroon koppelt een helperproces aan een primaire service om het dwarsdoorsnede-werk te behandelen: logging, configuratie, netwerken, observabiliteit. De kernservice kan zich concentreren op zijn eigenlijke taak, terwijl de zijspan stilzwijgend de operationele complexiteit ernaast absorbeert.

Ik geloof dat hetzelfde patroon ook voor mensen komt. In plaats van een tool die je bezoekt, zal de volgende generatie van persoonlijke software zich gedragen als een zijspan die aan jou is gebonden, actief werkt binnen de apps waar je al in leeft. Niet een bestemming. Een metgezel die naast je rijdt, en die van nature maatwerk is, omdat het aan één persoon is gekoppeld en alleen hen leert. Een nuttige zijspan, in tegenstelling tot een chatbot die je elke ochtend van scratch moet aanzetten, zou rusten op drie pijlers.

Drie pijlers van een persoonlijke zijspan

Leerbaarheid en persistent geheugen. Een zijspan is geen tool die je elke dag opnieuw moet uitleggen. Het is iets dat je eenmaal leert. Wanneer je een voorkeur of een workflow beschrijft, onthoudt het, bouwt een privé-opslag van individueel geheugen dat met je meereist en de nuances van hoe jij specifiek werkt, vastlegt. Dit is de laatste mijl, accumulerend.

Observatie en agentie. Een zijspan observeert, denkt en handelt. Het verplaatst zich van het kennen van feiten naar het doen van taken: filteren van ruis, verbinden van de punten, opstellen van het antwoord, vasthouden van de draad van een project zodat jij dat niet hoeft te doen.

Verkenning en transactie. Na verloop van tijd draagt deze metgezel jouw context en relaties over naar verschillende stukken software. Het helpt je de juiste introductie te vinden, de juiste kans te laten zien en uiteindelijk zelfs namens jou te transigeren.

Van kennen naar doen

De diepere technische verschuiving onder al dit is een verandering van ophalen naar handelen. Ophalen-versterkte generatie, de techniek van het gronden van de output van een model in relevante documenten die het op het moment opzoekt, maakte de assistenten van vandaag goed in het kennen van dingen. De volgende stap is persistentie en agentie: metgezellen die zijn ontworpen om niet alleen te antwoorden, maar om uit te voeren.

De industrie is al in deze richting aan het draaien. Gartner verwacht dat tegen het einde van 2026 40 procent van de ondernemingsapplicaties taakspecifieke AI-agents zal omvatten, van minder dan 5 procent in 2025, een verschuiving die het beschrijft als een verandering van assistenten die reageren naar agenten die handelen.

Er is hier ook een stillere voordeel, een dat organisaties de neiging hebben te onderschatten: institutioneel geheugen. In een wereld van hoge verloop en vloeibare partnerships, verlaat een enorme hoeveelheid context het gebouw elke keer als iemand een rol verlaat. Een metgezel die is gebonden aan het individu, vangt de expertise en de relaties die anders verloren zouden gaan, en houdt die context intact en bruikbaar.

Maar deze overvloed creëert een valkuil. Terwijl agenten mensen laten meer aangaan, nemen mensen stilzwijgend meer op zich: meer om te onthouden, meer om op te handelen, meer om tussen te schakelen, meer om in hun hoofd te houden. Er is een biologisch plafond voor hoeveel een persoon kan dragen. Het doel van een zijspan is om onder dat plafond te zitten en de belasting te absorberen, niet om er meer op te stapelen.

Het werk hermensen

Het echte doel is niet om mensen weg te automatiseren. Het is om ze uit de software en terug in de kamer te krijgen. McKinsey’s onderzoek naar kenniswerk vond dat de gemiddelde interactiewerker ongeveer 28 procent van de week aan e-mail besteedt en bijna nog een 20 procent aan het zoeken naar interne informatie of het opsporen van de juiste collega, voordat je zelfs maar interne vergaderingen en coördinatie toevoegt. Dat is de meeste tijd van de week die wordt besteed aan operationele belasting in plaats van aan het werk zelf.

Als een metgezel die statische administratieve laag kan absorberen, hoeft de tijd die het teruggeeft niet terug te vloeien in de machine. Het kan terugvloeien in de koffiegesprekken, de partnerships en de oordeelsvellingen waar de werkelijke waarde wordt gecreëerd. Dit gaat niet over het vervangen van de mens in de lus. Het gaat over het verwijderen van de mens uit de delen van de lus die nooit een goed gebruik van een mens waren.

De toekomst van AI is waarschijnlijk geen doos waar je mee praat, en het is niet één model dat iedereen op dezelfde manier dient. Het is waarschijnlijker een metgezel die onmiskenbaar van jou is: één die naast je loopt, leert hoe jij werkt, en stilzwijgend de delen behandelt die jij niet hoeft te doen.

Dus de vraag die het waard is om bij stil te staan, is niet hoe slim je AI kan klinken. Het is eenvoudiger dan dat: hoeveel van je week wordt besteed aan het zijn van de lijm, en wat zou je doen met die tijd als je het terugkreeg?