Van overvloed aan intelligentie naar materiële overvloed: wat ontbreekt?
1. De eerste paradox: AI is al krachtig, maar overvloed is er nog niet
Als we alleen naar de wereld op het scherm kijken, voelt de AI-revolutie al reëel.
Een student kan AI gebruiken als wiskundebijles.
Een ontwerper kan tientallen visuele richtingen genereren.
Een programmeur kan AI vragen code aan te vullen, fouten uit te leggen en modules te refactoren.
Een productmanager kan interviews samenvatten, concurrenten analyseren en requirements opstellen.
Een founder kan met een klein virtueel team businessplannen, landingspagina's en marketingcopy schrijven.
Een onderzoeker kan papers lezen, argumenten extraheren en sneller hypotheses vormen dan voorheen.
Mogelijkheden die tien jaar geleden bijna onvoorstelbaar waren, zijn nu beschikbaar voor individuen. Stanford's AI Index 2025 meldde dat de wereldwijde private investeringen in generatieve AI in 2024 $33,9 miljard bereikten, terwijl het gebruik van AI in ondernemingen steeg van 55% in 2023 naar 78% in 2024. AI is verschoven van curiositeit naar brede industriële verspreiding.
Maar als we het scherm verlaten en ziekenhuizen, scholen, fabrieken, boerderijen, ouderenzorgcentra, bouwplaatsen en stedelijke infrastructuur binnenlopen, zien we een andere werkelijkheid.
Zorg is nog steeds duur.
Huisvesting is nog steeds duur.
Energie is nog steeds duur.
Onderwijs is nog steeds ongelijk.
Ouderenzorg kampt nog steeds met arbeidstekorten.
Fabrieken zijn nog steeds afhankelijk van engineering en supply chains.
Landbouw wordt nog steeds begrensd door klimaat, land, water en arbeid.
Logistiek hangt nog steeds af van wegen, magazijnen, brandstof, chauffeurs en regelgeving.
Intelligentie wordt overvloedig, maar het leven is nog niet overvloedig geworden.
Dat komt niet doordat AI onbelangrijk is. Het komt doordat intelligentie niet het eindproduct is. Intelligentie is een input, een vermogen, een nieuwe productiefactor. Ze moet eerst worden omgezet voordat ze de echte wereld verandert.
Elektriciteit veranderde de samenleving niet op het moment dat ze werd ontdekt. Ze moest elektriciteitscentrales, netwerken, meters, motoren, lampen, apparaten, fabrieken, straatverlichting en reguleringssystemen worden. Met AI is het vergelijkbaar. Grote modellen zijn op zichzelf niet het tijdperk van overvloed. Chatbots zijn op zichzelf niet het tijdperk van overvloed. Robotdemo's zijn op zichzelf niet het tijdperk van overvloed.
Echte overvloed vraagt om een langere conversieketen.
2. Een vijflagig conversiemodel voor AI-overvloed
Een bruikbaar model is:
Intelligentie -> tools -> workflows -> organisaties -> fysieke productie -> sociale verdeling.
Strikt genomen zijn dit zes knooppunten en vijf conversies. Het belangrijke punt is dat AI-waarde niet automatisch van modelcapaciteit naar maatschappelijke overvloed stroomt. Ze moet door elke laag heen.
Van intelligentie naar tools vraagt of AI kan worden verpakt voor gewone mensen en organisaties. Het successignaal is de verspreiding van AI-assistenten, copilots en domeintoepassingen. De faalmodus is dat AI in labs en expertkringen blijft.
Van tools naar workflows vraagt of AI echte taakketens kan binnengaan. Het successignaal is meerstapsuitvoering over bedrijfssystemen heen. De faalmodus is dat AI een schrijf-, samenvat- en Q&A-tool blijft.
Van workflows naar organisaties vraagt of AI bedrijfsstructuur en samenwerking verandert. Het successignaal is de opkomst van AI-medewerkers, Agent-besturingssystemen en hybride mens-AI-organisaties. De faalmodus is dat AI een werknemersplug-in wordt zonder de organisatie te veranderen.
Van organisaties naar fysieke productie vraagt of AI doordringt in productie, logistiek, zorg, landbouw, energie, bouw en verzorging. Het successignaal is dat robotica, intelligente fabrieken en intelligente supply chains normaal worden. De faalmodus is dat overvloed digitaal blijft.
Van productiviteit naar sociale verdeling vraagt of AI-winst brede bevolkingsgroepen kan bereiken. Het successignaal is publieke AI, universeler onderwijs en zorg, mechanismen voor datarechten en lagere toegangsbarrières. De faalmodus is platformovervloed en kapitaalovervloed, maar geen overvloed voor gewone mensen.
Modelvooruitgang versterkt de eerste input. Maatschappelijke transformatie hangt af van de conversie-efficiëntie van de latere lagen.
3. Eerste laag: van intelligentie naar tools
Technische doorbraken komen pas het dagelijks leven binnen nadat ze tools zijn geworden.
Elektriciteit moest lampen, motoren, telefoons en apparaten worden. De verbrandingsmotor moest auto's, tractors, vliegtuigen en schepen worden. Computing moest PCs, software, browsers en telefoons worden. Het internet moest zoeken, e-commerce, sociale media, betalingen en kaarten worden.
Ook AI moet concrete tools worden: schrijftools, code-assistenten, ontwerptools, systemen voor vergadernotities, klantenservicebots, assistenten voor data-analyse, tools voor juridische documenten, AI-zoekfunctionaliteit, multimodale creatieproducten en persoonlijke AI-assistenten.
Deze tools verlagen de kosten van informatieverwerking, contentproductie, codegeneratie en kennisopvraging. McKinsey schatte dat generatieve AI jaarlijks $2,6 biljoen tot $4,4 biljoen aan economische waarde kan toevoegen in 63 use cases, en dat de impact verder kan groeien wanneer AI in meer software wordt ingebed.
Maar toolvorming is niet simpelweg een model achter een interface zetten. Waardevolle AI-tools hebben minstens vijf dingen nodig.
Ten eerste: context. AI moet begrijpen wie de gebruiker is, wat de taak is, welke geschiedenis ertoe doet en welke regels gelden.
Ten tweede: interface. AI kan niet alleen in een chatbox leven. Ze moet IDEs, e-mail, spreadsheets, CRM, browsers, telefoons, brillen, auto's en robots binnengaan.
Ten derde: geheugen. AI moet langetermijndoelen, voorkeuren, projectachtergrond en relaties kunnen onthouden, terwijl dat geheugen bewerkbaar, verwijderbaar en controleerbaar blijft.
Ten vierde: toolgebruik. AI moet bestanden kunnen lezen, databases bevragen, e-mail sturen, meetings aanmaken, APIs aanroepen, naar systemen schrijven en workflows triggeren.
Ten vijfde: veiligheid en rechten. Mag AI uitvoeren, betalen, een contract versturen, een database aanpassen of een gebruiker vertegenwoordigen? Elke actie vraagt om toestemmingsontwerp en verantwoordelijkheid.
Van intelligentie naar tools betekent intelligente producten bouwen die bruikbaar zijn voor mensen, ingebed zijn in context, door rechten worden gecontroleerd en achteraf traceerbaar zijn.
4. Tweede laag: van tools naar workflows
Tools lossen afzonderlijke taken op. Workflows lossen complete uitkomsten op. Dit is de grens tussen AI die indrukwekkend is en AI die economisch waardevol wordt.
Een schrijfassistant kan een verkoper helpen een e-mail op te stellen. Maar sales is niet het schrijven van een e-mail. Het omvat leads vinden, accountwaarde beoordelen, de klant onderzoeken, een contactstrategie maken, het eerste bericht versturen, opvolgen, meetings boeken, CRM bijwerken, een offerte maken, juridische review coördineren, het contract sluiten, betaling innen en de relatie onderhouden.
Als AI slechts één e-mail schrijft, is het een tool. Als AI door lead discovery, accountanalyse, communicatie, offertes, contractering en incasso kan bewegen, is ze de workflow binnengegaan.
Workflow-AI neemt deel aan de bedrijfslus: input, oordeel, beslissing, uitvoering, feedback, registratie en optimalisatie. Daarvoor moet ze verbinden met echte systemen zoals e-mail, kalender, CRM, ERP, finance, HR, code repositories, databases, ticketing, logistiek, betalingen en contracten.
Daarom zien veel AI-producten er in demo's buitengewoon uit, maar bewegen ze langzaam binnen ondernemingen. Bedrijven kopen geen modelcapaciteit in abstracte zin. Ze kopen gecontroleerde resultaten.
Kan het integreren met onze systemen? Kan het rechten respecteren? Kan het beslissingen uitleggen? Kan het kosten verlagen? Kan het fouten verminderen? Kan het meetbare ROI opleveren? Wie is verantwoordelijk als het faalt? Is het auditbaar?
Zonder antwoorden op deze vragen blijft AI aan de rand van werk staan. Van tools naar workflows is de belangrijkste sprong in AI-commercialisering.
5. Derde laag: van workflows naar organisaties
Wanneer AI alleen een tool is, verandert het bedrijf niet veel. Wanneer AI workflows binnengaat, begint het bedrijf te veranderen. Wanneer AI betrouwbaar veel workflows kan uitvoeren, wordt de organisatiestructuur zelf herschreven.
Een bedrijf is een coördinatiemechanisme. Het organiseert mensen, kapitaal, informatie, technologie en processen om de kosten van markttransacties te verlagen. Traditionele bedrijven hebben afdelingen, hiërarchie en managers nodig omdat informatieoverdracht, taakcoördinatie, toezicht en besluitcommunicatie allemaal kosten hebben.
AI verlaagt veel van die coördinatiekosten. Meetings kunnen automatisch worden samengevat. Taken kunnen automatisch worden toegewezen. Projectrisico kan eerder worden gedetecteerd. Klantstatus kan continu worden bijgewerkt. Rapporten kunnen worden gegenereerd. Uitzonderingen kunnen worden gemarkeerd. Kennis kan worden vastgelegd. Goedkeuringen kunnen worden gerouteerd. Nieuwe medewerkers kunnen AI gebruiken om de bedrijfsachtergrond sneller te begrijpen.
Dat wijst op een verschuiving van menselijke hiërarchie naar mens-AI-samenwerkingsnetwerken.
AI-native bedrijven kunnen vijf kenmerken hebben. Kleine teams met veel hefboomwerking. AI-medewerkers als normaal onderdeel van de organisatie. Managers die systeemontwerpers worden in plaats van takenjagers. Organisatiekennis die realtime wordt vastgelegd. Menselijke rollen die opschuiven naar doelen, oordeel, smaak, relaties, ethiek, verantwoordelijkheid en kernbeslissingen.
Daarom zal de impact van AI op werkgelegenheid ook niet simpelweg baanvervanging zijn. Het wordt organisatorische hercompositie. McKinsey heeft gesteld dat de huidige generatieve AI, gecombineerd met andere technologieën, werkactiviteiten kan automatiseren die 60% tot 70% van de werktijd van medewerkers innemen. Of dat productiviteitsgroei wordt, hangt af van arbeidstransitie, omscholing en organisatorische verandering.
De echte verschuiving is dat bedrijven niet langer alleen rond de grens van menselijke capaciteit worden ontworpen, maar rond netwerken van AI-collaboratieve capaciteit.
6. Vierde laag: van organisaties naar fysieke productie
Dit is de sleutelpoort tussen overvloed aan intelligentie en materiële overvloed.
Als AI documenten, meetings, code en klantenservice verandert, verhoogt ze de efficiëntie van kenniswerk. Maar veel van de grootste kosten in het gewone leven dalen dan niet snel. Voedsel, huisvesting, energie, vervoer, medische apparaten, medicijnen, logistiek, ouderenzorg, bouw en industriële goederen leven in de fysieke wereld.
Deze domeinen vereisen meer dan taalmodellen. Ze hebben robots, sensoren, geautomatiseerde fabrieken, intelligente supply chains, nieuwe materialen, goedkope energie en engineeringsystemen nodig.
Robots zijn het lichaam waarmee AI fysieke productie binnengaat. De International Federation of Robotics meldde dat in 2024 wereldwijd ongeveer 542.000 industriële robots in fabrieken werden geïnstalleerd, meer dan twee keer zoveel als tien jaar eerder en voor het vierde jaar op rij boven 500.000 installaties. Azië was goed voor 74% van de nieuwe implementaties.
Robotica is geen sciencefiction meer. Maar de meeste robots zijn nog steeds gespecialiseerd: lassen, schilderen, verplaatsen, palletiseren, sorteren en inspecteren in stabiele omgevingen met duidelijke ROI. Materiële overvloed heeft semi-algemene en algemene robots nodig die woningen kunnen schoonmaken, voor ouderen kunnen zorgen, gewassen kunnen plukken, op bouwplaatsen kunnen werken, in ziekenhuizen kunnen bezorgen, met mensen in complexe ruimtes kunnen samenwerken, natuurlijke-taaltaken kunnen begrijpen en nieuwe vaardigheden kunnen leren.
Van organisaties naar fysieke productie gaan is geen enkel modelprobleem. Het is een systeemprobleem: hardwarekosten, sensornauwkeurigheid, batterijen en energie, motion control, veiligheidsnormen, onderhoudsnetwerken, verzekering, regels voor mens-robot-samenwerking, manipulatiedata, supply chains en productiecapaciteit.
Daarom zal fysieke overvloed langzamer aankomen dan digitale overvloed. Digitale replicatie is marginaal bijna gratis. Fysieke replicatie vereist nog steeds materiaal, energie, ruimte en tijd.
Maar op de lange termijn kan het effect, zodra AI zich met robotica, productie en energie combineert, dieper zijn dan de huidige contentgeneratie.
7. Vijfde laag: van productiviteit naar sociale verdeling
Zelfs als AI de productiviteit verhoogt, volgt daar niet uit dat iedereen overvloediger leeft.
De geschiedenis laat herhaaldelijk zien dat productiviteitsgroei en sociaal welzijn geen automatische equivalenten zijn. In de vroege Industriële Revolutie profiteerden kapitaal- en fabriekseigenaren eerst, terwijl veel arbeiders lage lonen, gevaarlijk werk en stedelijke armoede verdroegen. Pas later, via vakbonden, arbeidsrecht, publiek onderwijs, volksgezondheid, sociale zekerheid en belastingstelsels, werd industriële productiviteit een breder middenklasseleven.
Het AI-tijdperk kan met een scherpere versie van hetzelfde probleem te maken krijgen, omdat belangrijke productie-inputs gemakkelijk kunnen concentreren: compute in enkele cloudplatforms en chip-supply chains, foundation models (basismodellen) in enkele kapitaalkrachtige bedrijven, hoogwaardige data in grote platforms en instituties, gebruikerstoegang in besturingssystemen en browsers, robotproductie in enkele industriële systemen en energiebronnen in specifieke regio's.
Als deze inputs concentreren, kan AI platformovervloed, kapitaalovervloed, overvloed voor enkele landen, overvloed voor enkele steden of overvloed voor hoogopgeleide groepen produceren. Dat is niet hetzelfde als overvloed voor de samenleving.
Daarom doen verdelingsmechanismen ertoe. Publieke AI-diensten, publieke compute, universeel AI-onderwijs, AI-ondersteunde zorg, datarechten, AI-dividendfondsen, omscholingsrekeningen, kortere werktijd, sterkere interoperabiliteit, mededingingsbeleid en universele basisdiensten zijn allemaal mogelijke richtingen.
Overvloed is niet af wanneer productiviteit is gecreëerd. Ze moet worden verdeeld, beschermd, vertrouwd en stabiel genoeg gemaakt om te gebruiken.
8. De grootste variabele: conversie-efficiëntie van intelligentie
Het centrale begrip is conversie-efficiëntie van intelligentie: hoeveel echte economische waarde, sociale waarde en verbetering van het leven kan worden geproduceerd uit één eenheid AI-capaciteit.
Hetzelfde model kan in verschillende contexten een heel andere conversie-efficiëntie hebben. Gebruikt voor chatten kan die efficiëntie beperkt zijn. Ingebed in office software stijgt ze. Verbonden met enterprise workflows stijgt ze verder. Verbonden met supply chains en fabrieken begint ze materiële productie te beïnvloeden. Toegepast op publiek onderwijs en zorg kan de sociale waarde groter worden. Gebruikt in wetenschappelijke ontdekking en energiesystemen kan de langetermijnwaarde nog groter zijn.
Het verschil tussen bedrijven zal voortkomen uit conversie-efficiëntie van intelligentie. Het verschil tussen landen ook. Het verschil tussen individuen zal er eveneens van afhangen.
Een land betreedt AI-overvloed niet alleen omdat het sterke modellen heeft. Het heeft ook goedkope energie, datacenters, chipaanvoer, robotica, productiescenario's, onderwijssystemen, gedigitaliseerde publieke diensten, flexibele regulering en organisatorisch vermogen nodig om AI de echte economie in te brengen.
De Verenigde Staten kunnen sterk zijn in modellen, cloud, software, kapitaal en onderzoek. China kan sterk zijn in productie, robotica, nieuwe energie, supply chains en applicatie-implementatie. Europa kan sterk zijn in industrie, regulering, privacybescherming en publiek bestuur. Het Midden-Oosten kan sterk zijn in energie, kapitaal en datacenterbouw. India en Zuidoost-Azië kunnen sterk zijn in dienstverlenend werk, bevolkingsschaal en goedkope digitale adoptie.
Het AI-tijdperk van overvloed zal niet gelijkmatig aankomen. Het zal eerst verschijnen waar de conversie-efficiëntie van intelligentie hoog is.
9. Samenvatting
Waarom is AI al krachtig, terwijl het tijdperk van overvloed nog niet is aangekomen?
Omdat we nog maar in de vroege fase van overvloed aan intelligentie zitten. Het langere werk is toolvorming, workflowvorming, organisatorische transformatie, fysieke productie en sociale verdeling.
De waarde van AI is niet hoeveel ze kan zeggen, hoeveel advertenties ze kan schrijven of hoeveel beelden ze kan genereren. De diepere waarde is of ze echte systemen kan binnengaan: bedrijfsprocessen, organisatiestructuren, robots, fabrieken, ziekenhuizen, scholen, energiesystemen, landbouw, steden en publieke diensten.
Het AI-tijdperk van overvloed is geen enkel modelevent. Het is een systeemconversieproces.