AI gebruiken versus eromheen bouwen: Waar ligt de grens?

We gebruiken het woord AI om allerlei verschillende zaken te beschrijven, van praten met ChatGPT in een browser tot het runnen van volledige bedrijven waarbij de operaties simpelweg niet meer zouden bestaan in hun huidige vorm zonder taalmodellen. Waar ligt de grens tussen het gebruiken van AI-automatisering en AI dat de kern van een bedrijf vormt? Op welk moment vindt een fundamentele verschuiving plaats? En vooral, zouden bedrijven er zelfs naar moeten streven AI in de schijnwerpers te zetten?

Wanneer is een bedrijf AI-native?

Tegenwoordig, zelfs als het management nooit een AI-transformatie heeft aangekondigd, gebruiken medewerkers nog steeds Gemini om informatie te zoeken, ChatGPT om een e‑mail te schrijven, Grok om een rapport voor te bereiden, Claude om hun code te schrijven, enzovoort. Toegang tot LLM‑tools is zo wijdverspreid geworden dat het simpelweg gebruiken ervan je niet meer veel vertelt over het bedrijf zelf.

Voor mij is er een veel eenvoudigere test: wat gebeurt er als je AI uitschakelt?

Neem een boekhoudsoftwarebedrijf. De ontwikkelaars kunnen AI gebruiken om functionaliteiten te schrijven of het product te onderhouden. Schakel die tools morgen uit, en de engineers zullen waarschijnlijk langzamer werken. Maar de software zal nog steeds bestaan, accountants zullen het nog steeds gebruiken, en klanten zullen er nog steeds voor betalen. AI verbetert hoe het bedrijf opereert, maar het bedrijf zelf is er niet van afhankelijk.

Stel je nu een bankcallcenter voor dat ooit tienduizend mensen in dienst had. De eerste generatie AI in die omgeving werkte bijna als een aanwijzer die naast de operator zat: hij luisterde naar het gesprek, begreep het probleem en stelde een antwoord voor. In veel gevallen is die aanwijzer nu zelf de agent geworden. Een klant zegt dat hij het verkeerde bedrag in rekening is gebracht; het systeem controleert de gegevens, bekijkt de relevante data, identificeert het probleem en lost het soms op zonder een persoon te betrekken. Een mens treedt alleen in wanneer de zaak escalatie vereist.

Dat is een heel andere relatie met de technologie. Het boekhoudbedrijf wordt minder efficiënt zonder AI. Het callcenter moet mogelijk een groot deel van zijn bedrijfsmodel opnieuw opbouwen. Dat verschil komt veel dichter bij wat ik bedoel met AI-native dan het aantal AI-abonnementen dat een bedrijf heeft of of “AI” op de homepage verschijnt.

Waar is dit het meest zichtbaar?

Sommige bedrijven hebben hun bedrijf opgebouwd rond het helpen van anderen bij die overgang. Cohere is een goed voorbeeld: het Canadese bedrijf groeide uit tot een grote onderneming door bedrijven te helpen over te stappen van traditionele software en workflows naar AI. In andere sectoren is AI echter al zo diep geïntegreerd in het product dat het bijna onmogelijk wordt om de twee te scheiden.

Zelfrijdende auto’s zijn waarschijnlijk het duidelijkste voorbeeld. Als van een auto wordt verwacht dat hij de weg ziet, objecten herkent, begrijpt wat er om hem heen gebeurt en zelfstandig beslissingen neemt, kun je AI niet verwijderen zonder het basisidee van het product weg te nemen.

Geneeskunde en farmaceutica maken hetzelfde punt op een andere manier, vooral bij medicijnontdekking. Een van de beste voorbeelden van wat dit op schaal kan betekenen, is het werk van DeepMind aan eiwitstructuren.

De Protein Data Bank werd opgericht in 1971, en het kostte decennia aan werk van wetenschappers over de hele wereld om een grote collectie experimenteel bepaalde structuren op te bouwen. database bereikte 1.000 structuren in 1993, ongeveer 10.000 rond 2000, en 100.000 in 2014. In januari 2023 had het 200,000 experimenteel bepaalde biomoleculaire structuren. Met andere woorden, na ongeveer zes decennia van structurele biologie hadden onderzoekers ongeveer tweehonderdduizend experimenteel bepaalde structuren verzameld.

Daarna kwam AlphaFold, het systeem van DeepMind voor het voorspellen van de driedimensionale structuur van een eiwit op basis van zijn aminozuursequentie. In 2022 maakte AlphaFold meer dan 200 miljoen voorspelde eiwitstructuren beschikbaar, die bijna elk gecatalogueerd eiwit dat destijds bekend was in de wetenschap omvatten. Dat betekent niet dat AI “elk bestaand eiwit heeft ontdekt.” Dit zijn voorspelde structuren gebaseerd op reeds bekende aminozuursequenties. Maar het verschil in schaal blijft enorm.

Het belang van die verschuiving werd nog duidelijker in 2024, toen Demis Hassabis en John Jumper van Google DeepMind de helft van de Nobelprijs voor Scheikunde kregen “voor eiwitstructuurvoorspelling”. De andere helft ging naar David Baker voor computationeel eiwitontwerp. Iets dat een paar jaar eerder nog leek op een indrukwekkende AI-doorbraak, werd zeer snel erkend als een fundamentele vooruitgang in de moderne biologie.

DeepMind is het wereldwijde, opvallende voorbeeld, maar AI‑first medische startups zijn niet langer ongewoon. Tijdens mijn jaren bij Keymakr, ons team werkte aan projecten variërend van tandheelkunde en echografie tot interventionele cardiologie, waarbij modellen werden getraind om hartkleppen, de aorta en andere structuren tijdens procedures te detecteren. We werkten ook aan neurochirurgische projecten waarbij modellen leerden hersenweefsel, bloedvaten, chirurgische instrumenten en het operatieterrein te onderscheiden. In al deze gevallen was AI geen extra functie die aan het product werd toegevoegd; het was het product zelf. 

Van eiwitstructuren tot een koude e‑mail

Hetzelfde gebeurt in veel meer alledaagse delen van het bedrijfsleven. Verkoop en marketing behoren waarschijnlijk tot de snelst evoluerende voorbeelden: werk dat vroeger uren kostte, kan nu honderden of duizenden keren worden herhaald met zeer weinig extra inspanning.

CRM, campagnes, prospectie en leadonderzoek zijn gebouwd rond taalmodellen. We zijn al ver voorbij het moment waarop we ChatGPT vragen een koude e‑mail te schrijven. Een systeem kan iemands LinkedIn‑profiel doorzoeken, zien wat die doet, waar die om geeft en waar die over post, en die informatie vervolgens gebruiken om iets te schrijven dat zeer persoonlijk aanvoelt.

Ik kreeg ooit een bericht in de trant van: “Michael, het moet geweldig zijn om op 4.000 voet te vliegen en door het glas te kijken…”. Het verwees naar mijn luchtvaartverhalen op sociale media. Mijn eerste reactie was dat iemand daadwerkelijk mijn LinkedIn‑profiel had doorgebladerd en zorgvuldig had gelezen. Natuurlijk had niemand dat gedaan. Het systeem had de informatie gevonden en automatisch de outreach gegenereerd.

Daar begint de economie van personalisatie te veranderen. Onderzoek dat vroeger veel tijd van een persoon vergde, kan nu worden ondersteund door tools die openbare informatie scannen en relevante details identificeren. Een mens kan vervolgens bepalen wat werkelijk nuttig, passend en het opnemen waard is.

Ik zag dezelfde verschuiving bij Keymakr, hoewel voor ons het doel nooit was om menselijk oordeel of relaties te automatiseren. Ik bleef mensen aanmoedigen om naar de repetitieve delen van hun dagelijkse werk te kijken en te vragen waar agenten tijd konden besparen, meer consistentie konden brengen, of hen konden helpen op grotere schaal te werken. 

Bij Scryon begonnen we met die logica al ingebouwd in het bedrijf. Een groot deel van het marketingwerk wordt afgehandeld door verschillende agenten via artikelen, de blog, LinkedIn en de website.

Het interessante is dat hun grootste voordeel vaak niet het schrijven is. Stel, je voegt twintig nieuwe pagina’s toe aan een website. Een persoon die een nieuw artikel schrijft, zal waarschijnlijk een paar interne links toevoegen. Bijna niemand zal teruggaan door 80 of 800 oudere stukken en controleren waar die nieuwe pagina’s nu gelinkt moeten worden. Een agent kan dat wel. In dat soort werk hoeft de agent niet slimmer te zijn dan een mens. Hij wordt simpelweg niet verveeld, en het verschil tussen 80 pagina’s en 800 pagina’s is voor hem veel minder belangrijk dan voor ons.

Maar dit is voor mij het punt waarop automatisering zijn grenzen bereikt. Goede PR kan niet simpelweg aan een agent worden overgedragen en vergeten. Hetzelfde geldt voor een opinie‑artikel, waar positionering, begrip van het publiek en het vermogen om te bepalen wat er gezegd moet worden cruciaal zijn.

Dus zelfs als je een tamelijk complex systeem van agenten opzet, heb je nog steeds een persoon nodig die het beheert. Iemand moet de output beoordelen, bepalen wat belangrijk is en de richting bepalen.

Kun je een oprichter automatiseren?

In een startup in een vroeg stadium is de oprichter vaak tegelijk technisch, operationeel en uitvoerend. Daarom ontstaat die gedachte vanzelf: als agenten veel werk van het team kunnen overnemen, waarom zouden ze dan niet ook een deel van de taken van de oprichter overnemen?

Ik heb een aparte agent gekoppeld aan Scryon Business die veel over het bedrijf weet. Ik kan hem iets vragen als: “We willen volgende maand 5.000 gebruikers krijgen.” Is dat realistisch, of is het gewoon een mooi getal dat ik heb bedacht?

Hij kan gegevens ophalen, de markt bekijken, concurrenten en gekoppelde systemen controleren, en terugkomen met de mededeling dat 5.000 waarschijnlijk te veel is en zelfs 2.000 al agressief zou zijn in dit stadium. Dat helpt me mijn eigen denken te testen. Maar de agent geeft nog steeds advies.

De beslissing blijft van mij. Na al die gegevens en berekeningen moet ik soms nog naar buiten, een park doorlopen en bepalen waar ik het bedrijf naartoe wil leiden.

Voor mij begint echte ontlasting wanneer ik iemand eigenaarschap kan geven, zeg: “Dit is van jou,” en een maand later terugkom om te zien dat het zonder mij blijft functioneren. Dat zie ik vandaag niet bij de rol van oprichter.

Hetzelfde geldt voor C‑level functies. Hun taak is de richting te bepalen: over zes maanden willen we de automobielmarkt betreden, of we willen dat mensen in de sector het merk kennen. VPs, afdelingshoofden en teamleiders vertalen dat vervolgens naar concrete doelen en werkzaamheden.

AI‑toolkit: Persoonlijke en bedrijfs­kosten

Ik geloof niet echt in één “beste” model. Ik geef veel meer om welk model het beste werkt voor een specifieke taak en wat het mij kost om het op schaal te gebruiken. Ik gebruik vaak Codex voor programmeren en wissel modellen binnen Codex af, afhankelijk van mijn behoeften op dat moment. Soms probeer ik Claude voor ontwerp, en schakel ik over op ChatGPT voor meer taalkundige taken, maar deze keuzes veranderen maand na maand, en soms zelfs midden in een taak.

Uiteindelijk bouwt iedereen na verloop van tijd zijn eigen stack, waarbij hij beoordeelt welk model optimaal is voor een specifiek doel. Als je een technische oprichter bent die zelf veel codeert, verwacht ik dat je ongeveer $1.000 per maand aan je eigen stack uitgeeft. Maar ik ken mensen die $10.000–15.000 per maand besteden omdat ze veel agressiever automatiseren.

Zodra AI deel wordt van de kernactiviteit, veranderen de cijfers opnieuw. Met Scryon ben ik gerust dat 30–40 % van de omzet direct kan gaan naar de infrastructuur en diensten waarop het product draait, nog voordat je de mensen die het bouwen meetelt.

Eerst de bedrijfsdoelstelling, dan de technologie

In de race naar automatisering en het label “AI-bedrijven” vind ik de vraag “welk soort AI moeten we implementeren?” gevaarlijk. Het begint vanaf het verkeerde eind.

We hebben onlangs een vrij standaard bedrijfsdoel gesteld – kosten verlagen. Om dit te doen creëerden we een agent, gaven die toegang tot informatie over waar het bedrijf geld uitgeeft, waaronder Amazon, Google en andere diensten, en vroegen hem regelmatig naar anomalieën te zoeken en rode vlaggen te geven als er iets verdachts was.

Al in de eerste week verlaagden we de kosten met ongeveer 30 % omdat het systeem snel liet zien waar geld werd uitgegeven aan zaken die we praktisch waren vergeten. De agent zelf kan al zo weinig kosten als $50 per maand, maar de besparingen kunnen oplopen tot tienduizenden.

Bij Keymakr versterkte AI voornamelijk mensen en individuele processen. Bij Scryon is het al ingebouwd in de architectuur van het bedrijf. Bij zelfrijdende auto’s verdwijnt het product zonder AI, en bij geneesmiddelenonderzoek verandert het de reikwijdte van de verkenning.

Voor mij is de vraag naar onderliggende doelen een veel gezonder uitgangspunt dan de wens om een AI-native bedrijf te worden. Eerst moet er een bedrijfsdoel ontstaan: meer verdienen, sneller opschalen, kosten verlagen, een nieuw product mogelijk maken of een bestaand proces radicaal veranderen. Alleen daarna is het zinvol te vragen welke technologie je daar brengt.