Bedrijven discussiëren over de verkeerde vragen rond AI

Bill Gates pleit voor waarborgen voor AI, omdat die “een miljard doden” zou kunnen veroorzaken als AI niet aan banden wordt gelegd. Die uitspraak volgt op de opmerking van een hoofdonderzoeker bij Anthropic, die zei te geloven dat er meer dan 10 procent kans is dat AI binnen het komende decennium “alle mensen zou kunnen doden”. Terwijl overheden, filosofen en de handvol grootste AI-makers discussiëren over waarborgen, is het voor bedrijven die AI gebruiken echter cruciaal om te beseffen dat ze de grootste risico’s waarmee bedrijven in het AI-tijdperk daadwerkelijk te maken krijgen, over het hoofd kunnen zien als ze zich richten op wat de krantenkoppen haalt.

Naast de angst dat bots de mens zullen overvleugelen, draait een groot deel van het debat over AI in bedrijven om kwesties als de gevaren van ontspoorde AI-agenten, torenhoge tokenkosten, relatief autonome grensverleggende AI-modellen en niet-soevereine AI.

Bedreigingen als deze slokken veel aandacht op in het debat over AI-risico’s. Maar wie zich op zulke trends richt in plaats van op de reële bedrijfsrisico’s, kan uitkomsten krijgen die voorkomen hadden kunnen worden. Ik heb gezien hoe tientallen bedrijven hun AI-risico aanzienlijk terugdrongen door hun aandacht veel sterker te richten op bedrijfsresultaten dan op technologische resultaten. Hieronder lees je hoe ze dat kunnen doen – en waarom ze dat zouden moeten doen.

Richt je op de zakelijke meerwaarde, niet op het AI-model

Bedrijven moeten begrijpen dat ze niet per se de nieuwste AI-modellen hoeven te gebruiken – of astronomische bedragen aan tokens hoeven uit te geven om van iedere medewerker een burgerontwikkelaar te maken – om hun rendement op investeringen aanzienlijk te verbeteren.

Ze moeten nauwkeurig nagaan op welke specifieke gebieden ze minder geld of tijd kunnen besteden en een plan opstellen om dat concrete probleem aan te pakken met alle beschikbare middelen. Dat betekent niet alleen agentische AI, maar ook generatieve AI, oplossingsalgoritmen, machine learning en zelfs regelgebaseerde programma’s, zodat ze voor elke taak het juiste middel kunnen kiezen.

Voorspellingsmodellen op basis van AI kunnen bijvoorbeeld met een nauwkeurigheid van meer dan 90 procent de personeelsbehoefte voorspellen, meldt McKinsey. Ik heb dit onlangs zelf meegemaakt bij een beveiligingsbedrijf dat tienduizenden beveiligers inzet op duizenden locaties voor wereldwijde giganten als Nike en Amazon. Net als veel andere arbeidsintensieve bedrijven met ploegendiensten kampte het met snel oplopende kosten voor overwerk en dure onderaanneming wanneer de vraag piekte.

Om het rendement op investeringen van dit bedrijf te verhogen, waren geen grensverleggende modellen nodig. Het hoefde zich ook niet vast te leggen op een specifieke AI-aanbieder of -technologie. Het beveiligingsbedrijf begon juist met het aanpakken van een van de grootste bedrijfsproblemen waarmee het kampte. De middelen werden gekozen op basis van de mate waarin ze die specifieke uitdaging konden oplossen. Slimme oplossingsalgoritmen kunnen teams optimaal inzetten, waardoor de kosten voor overwerk dalen en dure onderaanneming wordt voorkomen dankzij betere voorspellingen van de personeelsbehoefte. In dit geval verminderde generatieve AI in combinatie met andere middelen het personeelsverloop, verbeterde de planning en hielp ze roosters opstellen die beter werkten voor zowel klanten als medewerkers. Zo deed het systeem suggesties om het aantal diensten waarvoor medewerkers lang moesten reizen te verminderen en om vrije weekenden gelijkmatiger te verdelen. Door zulke aanbevelingen toe te passen, daalden de kosten voor overwerk met 30 procent en namen de uitgaven aan onderaanneming af. Ook kostte het minder tijd om personeelsplanningen op te stellen en verbeterden de kwaliteit en houdbaarheid ervan. Nadat het beveiligingsbedrijf de AI-aanbevelingen had ingevoerd, steeg de EBITDA met 200 basispunten: een grote overwinning in een sector die berucht is om zijn flinterdunne marges. Dat een bedrijfsprobleem groot is, betekent niet dat de AI-oplossing riskant hoeft te zijn.

Er zijn inderdaad veel concrete bedrijfsuitdagingen die met minimaal ingrijpende AI-tools worden opgelost, zoals de voorraadtoewijzing verbeteren, de afstemming van incasso’s optimaliseren, bankafstemmingen versnellen, de nauwkeurigheid van voorspellingen verhogen, facturen automatisch met elkaar vergelijken en catalogi doorzoeken om vragen van consumenten te beantwoorden. Zo kan de winstgevendheid flink toenemen zonder het risico te lopen de mensheid uit te roeien en zonder dat grensverleggende modellen of ongeremde AI-agenten nodig zijn.

Let op: wie rendement op investeringen uit het oog verliest, kan te maken krijgen met een AI-hypebelasting

Door vast te houden aan concrete bedrijfsdoelen kunnen bedrijven niet alleen de kans op ontspoorde AI verkleinen, maar ook voorkomen dat ze de AI-hypebelasting moeten betalen die mijn bedrijf ontdekte in een analyse van de aandelenkoersen en jaarverslagen van 275 wereldwijd beursgenoteerde bedrijven.

Uit de AI-barometer 2026 bleek dat de aandelenkoersen van de grootste beursgenoteerde bedrijven ter wereld sterk samenhingen met een grootschalige inzet van AI en een betere koersontwikkeling. Die samenhang bleef echter alleen bestaan zolang bedrijven concrete acties en nauwkeurige doelstellingen bekendmaakten. De belangrijkste les uit de analyse van de aandelenkoersen is dat algemene uitspraken over AI-transformaties voor beleggers niet volstaan.

Wat werkte dan wel? Uit het rapport bleek dat er een groot verschil was in aandelenrendement, in het voordeel van bedrijven die concreet waren over de acties die ze zouden ondernemen om AI in te voeren en over de verbeteringen in efficiëntie of omzet die daaruit zouden voortvloeien. Het jaar daarop presteerden deze bedrijven 14 procentpunten beter dan bedrijven die AI op een vage manier in hun financiële verslagen noemden.

Ik heb zelf gezien dat ondernemingen, door vast te houden aan concrete omzet- en productiviteitsdoelen die ze nastreven met de efficiëntste en minst risicovolle AI-tools — vaak miniapplicaties die in het IT-landschap zijn ingebed — in plaats van de nieuwste en meest gelikte AI-modellen, grotendeels de rampscenario’s kunnen vermijden die de krantenkoppen halen. In plaats daarvan kunnen ze de bedrijfsresultaten bevorderen die de nettowinst verhogen.