Propriëtaire data kan de meest waardevolle AI-dijk worden

Kunstmatige intelligentie wordt steeds makkelijker toegankelijk voor bedrijven. Toonaangevende modellen kunnen via cloudplatformen worden gelicentieerd, opensourcesystemen kunnen worden aangepast, en AI‑assistenten verschijnen in gangbare bedrijfssoftware. Deze groeiende beschikbaarheid roept een belangrijke vraag op voor beleggers: als concurrenten vergelijkbare modellen kunnen gebruiken, waar zullen blijvende AI‑voordelen vandaan komen?

Een nieuwe studie, gepubliceerd in Research Policy¹, suggereert dat het antwoord kan liggen in hoe effectief bedrijven kunstmatige intelligentie combineren met propriëtaire data, institutionele kennis en menselijke expertise. Het centrale argument is dat AI niet langer moet worden behandeld als een conventioneel software‑instrument. Het wordt een extra leermiddel binnen de organisatie.

Dit onderscheid is belangrijk omdat het aanschaffen van AI niet automatisch een bedrijf beter maakt in leren. Bedrijven hebben nog steeds relevante data nodig, medewerkers die de operationele omgeving begrijpen, technische teams die modellen kunnen configureren, en processen die AI‑gegenereerde inzichten omzetten in actie. Bedrijven die deze mogelijkheden vroeg samenbrengen, kunnen voordelen ontwikkelen die steeds moeilijker te reproduceren zijn.

AI verandert hoe bedrijven kennis absorberen

Managementonderzoekers gebruiken de term absorptiecapaciteit om het vermogen van een bedrijf te beschrijven om waardevolle externe kennis te herkennen, te begrijpen en commercieel toe te passen. Traditioneel werd dit proces gezien als een menselijke activiteit, ondersteund door onderzoek, communicatie, training en ervaring.

Het nieuwe artikel betoogt dat dit kader niet langer toereikend is. Moderne AI‑systemen kunnen informatie scannen, patronen detecteren, data uit niet‑gerelateerde domeinen combineren en mogelijke verklaringen of oplossingen genereren. In plaats van simpelweg informatie op te slaan die medewerkers kunnen opvragen, kan AI beïnvloeden waar de organisatie naar zoekt en hoe ze vindt wat ze ontdekt.

Dit creëert wat de onderzoeker een duale leerarchitectuur noemt. Menselijk leren blijft gestuurd door ervaring, context, associatie en oordeel. Machine‑learning werkt via statistische relaties die in data worden gevonden. Elk heeft verschillende sterktes en zwaktes, en geen van beide is op zichzelf voldoende.

Dit ondersteunt een bredere les die zich door de economie heen ontwikkelt: informatie creëert geen waarde totdat een organisatie deze kan interpreteren en er actie op kan ondernemen. Recente berichtgeving van Securities.io over hoe AI nieuwe kansen voor kleine bedrijven opent stelde bovendien dat AI‑capaciteit en ondernemerschap complementair zijn in plaats van uitwisselbaar.

Data‑erfgoed kan een zich versterkend bedrijfsactief worden

Een van de meest bruikbare concepten in het artikel is data‑erfgoed. Dit verwijst naar het volume, de variëteit, de kwaliteit en de geschiedenis van data die door een bedrijf is verzameld.

Traditionele databases zijn grotendeels passief. Ze bewaren informatie totdat een persoon of een vooraf gedefinieerd programma deze ophaalt en analyseert. AI maakt de verzamelde data actiever omdat nieuwe informatie kan veranderen hoe het systeem patronen identificeert en toekomstige kennis genereert.

Een fabrikant kan bijvoorbeeld jaren aan onderhoudsregistraties, productiemetingen, defectrapporten, apparatuurlogboeken en technicusobservaties bezitten. Een concurrent kan vergelijkbare AI‑software aanschaffen, maar kan die operationele geschiedenis niet direct reproduceren. De data van de gevestigde partij kan haar modellen helpen storingen te diagnosticeren, de productie te optimaliseren en relaties te identificeren die niet duidelijk waren toen de registraties werden gemaakt.

Het proces kan zelfversterkend worden. Betere data helpt een AI‑systeem te identificeren welke aanvullende informatie waardevol zou zijn. Het bedrijf verzamelt vervolgens betere informatie, verbetert de daaropvolgende analyse en stuurt verdere verzameling. Het artikel beschrijft deze bewuste investering in het verwerven, cureren, integreren en beheren van data als een data‑absorptie‑inspanning.

Het resulterende voordeel is niet simpelweg meer data hebben. Slecht gestructureerde, irrelevante of bevooroordeelde data kan een systeem verzwakken. De dijk ontstaat door de combinatie van:

• Propriëtaire en relevante informatie
• Betrouwbare verzamel- en governanceprocessen
• Medewerkers die de operationele context begrijpen
• Technische expertise die de AI kan aanpassen

Dit is in overeenstemming met de bredere verschuiving naar hybride datastrategieën die propriëtaire bedrijfsinformatie combineren met grotere externe datasets. Toegang tot een krachtig model kan gangbaar worden, maar toegang tot de juiste interne context zal ongelijk blijven.

Hoe AI institutionele kennis kan behouden

De studie introduceert ook het idee van kennisvirtualisatie. Werknemers accumuleren vaak expertise die moeilijk op papier te zetten is. Een ervaren technicus kan een mechanisch probleem detecteren aan de hand van een ongebruikelijke trilling, terwijl een risico‑analist een verdachte aanvraag kan herkennen zonder het oordeel tot een eenvoudige regel te kunnen reduceren.

Bedrijven behouden deze impliciete kennis traditioneel via training, mentorschap, routines en gedeelde ervaring. Deze methoden zijn waardevol maar duur, moeilijk op te schalen en kwetsbaar voor personeelsverloop.

AI creëert een ander mogelijk kanaal. Modellen die getraind zijn op beslissingen, uitkomsten, documenten, sensorgegevens en historische gevallen kunnen delen van ervaringskennis coderen in wiskundige representaties. Dit betekent niet dat een model letterlijk alles begrijpt wat een ervaren medewerker weet. Het betekent dat de organisatie patronen die uit die expertise voortkomen kan behouden en opnieuw inzetten.

Dat zou kennis die voorheen aan één medewerker of team was gekoppeld, kunnen omzetten in een herbruikbaar bedrijfsactief. Nieuw personeel kan interactie hebben met een AI‑systeem dat delen van de historische besluitvorming van de organisatie weerspiegelt, terwijl ervaren medewerkers de output kunnen gebruiken om over het hoofd gezien bewijs te identificeren.

Echter, er bestaat een strategische spanning. Impliciete kennis kan juist waardevol zijn omdat concurrenten deze niet gemakkelijk kunnen kopiëren. Het virtualiseren van die kennis maakt deze intern beter schaalbaar, maar brengt ook zorgen over beveiliging, governance en eigendom met zich mee. Als gevoelige trainingsdata, modelgewichten of workflows worden blootgesteld, kan het bedrijf per ongeluk een deel van zijn operationele voordeel overdragen.

Menselijk en machinaal oordeel moeten verbonden blijven

Het artikel noemt de effectieve coördinatie van domeinkennis en AI‑kennis cognitieve dualiteit. Deze capaciteit vereist meer dan het inzetten van data‑wetenschappers naast ervaren managers. De twee groepen moeten elkaar kunnen begrijpen en uitdagen.

Domeinexperts hebben voldoende AI‑kennis nodig om te herkennen wanneer een model onbetrouwbaar is, buiten zijn trainingsomgeving opereert, of correlatie verwart met causaliteit. Technische teams hebben voldoende domeinkennis nodig om te begrijpen welke uitkomsten belangrijk zijn en welke beperkingen niet uit data alleen kunnen worden afgeleid.

Zonder die brug lopen bedrijven twee tegenovergestelde risico’s. Medewerkers kunnen AI‑aanbevelingen te gemakkelijk vertrouwen, waardoor fouten of historische vooroordelen op grote schaal kunnen verspreiden. Anderzijds kunnen ze bruikbare bevindingen afwijzen omdat de redenering van het systeem onbekend of onvoldoende verklaarbaar is.

Dit helpt verklaren waarom enterprise‑AI‑projecten zeer verschillende resultaten kunnen opleveren, zelfs wanneer organisaties vergelijkbare onderliggende modellen gebruiken. Prestaties hangen af van het omringende leersysteem. Het World Economic Forum heeft eveneens AI‑gereedheid van data, medewerkersvaardigheden, geschikte modellen en verantwoordelijke governance geïdentificeerd als onderling verbonden vereisten voor het opschalen van AI binnen een onderneming.

Wat de studie vond over AI‑gedreven leren

Het onderzoek combineerde een conceptuele review met 40 interviews die werden afgenomen bij acht kleine en middelgrote AI‑first bedrijven in Italië. De deelnemers bekleedden technische en leidinggevende functies in de gezondheidszorg, financiën, creatieve content, datamanagement, prognoses en risicoanalyse.

Het kader is waardevol, maar de beperkingen zijn belangrijk. Het betreft een theorie‑opbouwende kwalitatieve studie in plaats van kwantitatief bewijs dat deze capaciteiten de winst of aandeelhoudersrendement verhogen. Geen van de deelnemende bedrijven had 250 of meer werknemers, en alle waren gevestigd in één land. Verdere onderzoeken zijn nodig om het model te testen bij grote ondernemingen, laagtechnologische sectoren en verschillende economische omgevingen.

ServiceNow biedt blootstelling aan enterprise‑AI‑werkstromen

Voor beleggers die blootstelling aan deze verschuiving zoeken, biedt ServiceNow een relevant voorbeeld. Het platform verbindt enterprise‑data, werkstromen, medewerkers en steeds autonomere AI‑agenten. Deze positionering weerspiegelt nauwkeurig het argument van het artikel dat de waarde van AI voortkomt uit de integratie met organisatorische processen in plaats van uit het model alleen.

ServiceNow breidt zijn Workflow Data Fabric, AI Control Tower en autonome analytics‑mogelijkheden uit. Het bedrijf beschrijft zijn real‑time enterprise‑data‑fundament als een manier om beheerde operationele context aan AI‑systemen te bieden. Securities.io heeft eveneens de aangrenzende kans onderzocht via haar berichtgeving over UiPath en de agentic‑automatiseringsmarkt.

De investeringscase is niet risicovrij. De concurrentie in enterprise‑software is intens, AI‑functies kunnen een verpakte commodity worden, en klanten kunnen weerstand bieden tegen de kosten of complexiteit van brede platform‑implementaties. ServiceNow moet bovendien aantonen dat haar AI‑producten meetbare klantwaarde genereren in plaats van alleen de productbreedte te vergroten.

Desondanks illustreert haar positie het centrale investeringsinzicht van het artikel. Naarmate fundamentele modellen toegankelijker worden, kan duurzame waarde verschuiven naar bedrijven die de workflow‑context, beheerde data‑toegang en de systemen beheersen waardoor menselijke en machinale beslissingen operationele acties worden.

De echte AI‑kloof kan na verloop van tijd groter worden

De opkomende kloof ligt mogelijk niet tussen bedrijven die AI gebruiken en die dat niet doen. Het kan liggen tussen bedrijven die AI behandelen als een geïsoleerd hulpmiddel en bedrijven die er een organisatorisch leersysteem omheen bouwen.

Propriëtaire data, opgebouwde expertise, model‑governance en cross‑functionele coördinatie zijn allemaal pad‑afhankelijk. Ze vergen tijd om te ontwikkelen en te verbeteren door herhaald gebruik. Bedrijven die ze vroeg beginnen op te bouwen, kunnen een cumulatief voordeel behalen, terwijl late adoptanten de kloof niet per se kunnen dichten door simpelweg het nieuwste model aan te schaffen.

Voor beleggers verandert dit de manier waarop AI‑gereedheid moet worden geëvalueerd. Uitgaven aan software en computerinfrastructuur zijn belangrijk, maar ze onthullen weinig over of een bedrijf AI kan omzetten in verdedigbare waarde. De meer onthullende vragen betreffen welke propriëtaire informatie het bedrijf beheerst, of het de expertise van medewerkers kan behouden, hoe nauw technische teams samenwerken met domeinspecialisten, en of AI‑inzichten de echte werkstromen kunnen bereiken.

De volgende generatie AI‑winnaars zal daarom minder worden gedefinieerd door wie toegang heeft tot intelligentie, en meer door wie weet hoe die te absorberen.

Referenties:

¹ Pedota, M. (2026). Minds and machines: Rethinking absorptive capacity in the age of artificial intelligence. Research Policy, 55, 105600. https://doi.org/10.1016/j.respol.2026.105600