Hoe AI de productiefunctie herschrijft
1. De oude productiefunctie
In de economie beschrijft de productiefunctie hoe inputs output worden. De klassieke formule draait om kapitaal, arbeid en technologie.
Kapitaal koopt machines, gebouwen, gereedschap en materiaal. Arbeid brengt tijd, vaardigheid, inspanning en kennis. Technologie bepaalt hoe efficiënt de combinatie werkt.
Het AI-tijdperk maakt de functie langer en anders. Output hangt nu ook af van compute, data, modellen, agents, robots, energie, workflowontwerp, menselijk oordeel, vertrouwen en instituties.
De AI-productiefunctie gaat niet alleen over goedkopere intelligentie. Ze gaat over de omzetting van intelligentie in betrouwbaar handelen.
2. Compute wordt kapitaal
In het industriële tijdperk bestond kapitaal uit machines en fabrieken. In het AI-tijdperk verschijnt kapitaal steeds vaker als compute en datacenters.
Grote modellen vragen GPU’s, netwerken, opslag, koeling, stroom, engineeringteams en hoge investeringen. Ook inference vraagt voortdurend compute.
Compute heeft kapitaalkenmerken: hoge instapkosten, schaalvoordelen, snelle afschrijving, energie- en locatiebeperkingen en strategische waarde.
3. Data wordt land
Als compute de nieuwe machine is, is data het nieuwe land. Land droeg landbouwproductie. Data draagt leren.
Waardevolle data is vaak gestructureerde, legale data met feedback uit echte situaties: zorg, industrie, onderwijs, robotica, klantprocessen en bedrijfsworkflows.
Data is ook macht. Daarom zijn datarechten, toestemming, anonimisering, standaarden, privacyvriendelijke berekening en geloofwaardige deelmechanismen nodig.
4. Modellen comprimeren vermogen
Een model is vermogen dat door data en compute is gecomprimeerd. Het maakt kennis en redeneren aanroepbaar als software.
Maar modellen zijn niet genoeg. Ze hebben context, tools, actuele data, evaluatie, veiligheidsgrenzen en workflowintegratie nodig.
Duurzame waarde ontstaat in meerdere lagen: basismodellen, sectormodellen, private modellen, persoonlijke modellen, edge-modellen en robotbesturing.
5. Agents worden arbeid
Als een model vermogen is, is een agent een actor. Hij volgt een doel, splitst taken, roept tools aan, controleert resultaten en past strategie aan.
Een salesagent onderzoekt accounts, schrijft outreach en werkt CRM bij. Een softwareagent past code aan, draait tests en opent een pull request.
AI verschuift zo van tool naar arbeid. Dat vraagt nieuwe regels voor rechten, verantwoordelijkheid, audit, aankopen, ondertekening en toezicht.
6. Robots geven AI een lichaam
Industriële machines versterkten spieren. Robots verbinden intelligentie met fysieke actie.
Een robot is niet alleen hardware, maar een pakket van modellen, sensoren, controle, mechanica, energie, materialen, veiligheid, onderhoud en service.
Zonder robots verandert AI vooral informatie en diensten. Met robots kan AI productie, landbouw, logistiek, bouw, zorg en het huis veranderen.
7. Energie bepaalt het plafond
Energie is de oudste productiefactor en wordt makkelijk onderschat. AI, robots, slimme fabrieken, ontzilting, verticale landbouw en geautomatiseerde logistiek draaien op elektriciteit.
Goedkope, stabiele en koolstofarme energie wordt de basisvaluta van AI-overvloed.
Als het net niet meekomt, botst modelvermogen op een fysieke muur.
8. Menselijk oordeel wordt schaars
Hoe goedkoper uitvoering wordt, hoe belangrijker oordeel wordt. AI produceert opties; mensen bepalen welke optie de moeite waard is.
Schaars is de persoon die goede vragen stelt, complexe systemen leest, onder onzekerheid beslist, AI-output beoordeelt en verantwoordelijkheid draagt.
Wanneer antwoorden overvloedig zijn, worden goede vragen duurder.
9. Instituties verlagen frictie
Instituties staan vaak buiten de formule. In het AI-tijdperk zijn ze zelf productievermogen.
Dataregels, aansprakelijkheid, onderwijs, zorgbetaling, mededinging, inkoop, auditstandaarden en publieke compute bepalen de frictie tussen technologie en maatschappelijk voordeel.
Een AI-samenleving is niet alleen technisch. Ze is ook juridisch, educatief, financieel, civiel en cultureel.
10. Vijf nieuwe vormen
De nieuwe functie verschijnt als eenmansbedrijf, AI-native onderneming, slimme fabriek, AI-zorgnetwerk en AI-onderzoeksplatform.
Het eenmansbedrijf combineert oordeel, agents, cloud en externe supply chains. De AI-native onderneming ontwerpt afdelingen rond agentteams. De slimme fabriek combineert robots, industriële data, energie en AI-planning.
In zorg en onderzoek ontstaan lussen van data, triage, menselijke review, geautomatiseerde labs en herhaalde analyse.
11. Wie vangt de waarde?
Waarde verschuift naar partijen die schaarse inputs controleren: chips, cloud, datacenters, modellen, eigen data, gebruikersingangen, agent-OS’en, robotica, energie en gereguleerde infrastructuur.
De strategische vraag is eenvoudig: welke schaarse factor in de nieuwe productiefunctie controleer je?
Alleen een model aanroepen is niet genoeg. Duurzame bedrijven controleren compute, data, workflow, distributie, vertrouwen, energie, robotica, merk of oordeel.
12. Conclusie
AI herschrijft de productiefunctie. Naast kapitaal, arbeid en technologie komen compute, data, modellen, agents, robots, energie, menselijk oordeel en instituties.
Toekomstige concurrentie is niet alleen bedrijf tegen bedrijf. Het is productiesysteem tegen productiesysteem.
De sterkste organisatie is degene die compute, data, modellen, agents, robots, energie, oordeel en instituties omzet in een coherent productiesysteem.
Deze nieuwe productiefunctie verandert ook management. In een klassieke organisatie coördineert management mensen, budgetten, processen en machines. In een AI-native organisatie coördineert het ook modellen, agents, datastromen, rechten, evaluatiesets, tooltoegang en menselijke goedkeuringen. De bottleneck verschuift van uitvoering naar het ontwerpen van betrouwbare werkketens.
Een klein team kan daardoor groter lijken, maar niet automatisch volwassener worden. Als agents taken uitvoeren, heeft het team duidelijke doelen, schone bronnen, grenzen voor autonomie, tests, logs en escalatieregels nodig. Zonder die laag ontstaat alleen sneller rommel. Productiviteit groeit pas wanneer AI-uitvoering wordt ingebed in controleerbare processen.
Ook werk zelf krijgt een andere vorm. Een medewerker schrijft niet alleen meer tekst of code, maar ontwerpt prompts, kiest context, beoordeelt tussenresultaten, verbindt tools en bepaalt wanneer een agent moet stoppen. De waardevolle vaardigheid is een probleem zo kaderen dat machine, data en mens samen kunnen handelen. Dat is geen klassieke administratie en ook geen pure softwareontwikkeling.
Voor economieën geldt iets vergelijkbaars. Landen concurreren niet alleen via lonen of fabriekscapaciteit, maar via energieprijzen, datatoegang, chipvoorziening, cloudlocaties, onderwijs, onderzoek, publieke inkoop en tempo van regulering. Wie die inputs goed combineert, kan AI vertalen naar echte productiviteit. Wie alleen modellen consumeert, blijft afhankelijk van infrastructuur van anderen.
De productiefunctie wordt daardoor politieker. Compute vraagt elektriciteitsnetten en fysieke locaties. Data vragen rechten en vertrouwen. Robotica vraagt veiligheid en normen. Medische AI vraagt aansprakelijkheid en toelating. Onderwijs vraagt nieuwe curricula. Een samenleving die deze instituties niet moderniseert, kan ondanks sterke modellen langzaam blijven.
Voor bedrijven ontstaat een praktische test: welke schaarse inputs beheersen we, welke huren we alleen en welke ontbreken? Een team met eigen data, directe workflowtoegang en veel vertrouwen kan meer waarde creëren dan een team dat alleen dezelfde publieke chatbot gebruikt als iedereen. Duurzaam verschil zit in de combinatie van factoren, niet in één tool.
Uiteindelijk vervangt AI de oude formule niet volledig. Kapitaal, arbeid en technologie blijven belangrijk, maar verschijnen anders: kapitaal als compute, arbeid als mens-agentcoördinatie, technologie als modellen plus tools, energie als harde grens en instituties als productiviteitsvermenigvuldiger. Wie die verschuiving begrijpt, ziet eerder waar nieuwe bedrijven, nieuwe monopolies en nieuwe publieke taken ontstaan.
Vooral de grens tussen persoonlijke context en organisatorische context wordt belangrijk. Een model zonder juiste bronnen begrijpt geen klantgeschiedenis, interne regels of redenen achter eerdere besluiten. Maar wanneer bronnen, notities, contracten, onderzoek, tickets en data goed verbonden zijn, kan dezelfde agent veel dichter bij echt werk handelen. Productiviteit ontstaat dus niet alleen door betere modellen, maar door betere context.
Daarom wordt kennismanagement opnieuw strategisch. In het cloudtijdperk was het vaak genoeg om bestanden op te slaan en via zoeken terug te vinden. In het AI-tijdperk moeten bronnen zo georganiseerd zijn dat mensen en agents ze samen kunnen gebruiken: met herkomst, actualiteit, rechten, samenvattingen, relaties en duidelijke verantwoordelijkheid. De bibliotheek wordt onderdeel van de productiemachine.
Dat maakt meten ook moeilijker. Een AI-initiatief is niet succesvol omdat er veel prompts zijn verstuurd. Het is succesvol wanneer doorlooptijden dalen, fouten eerder worden gevonden, beslissingen beter gedocumenteerd zijn, klantbeleving stabieler wordt en medewerkers meer tijd besteden aan oordeel in plaats van zoeken. De nieuwe productiefunctie vraagt operationele cijfers, niet alleen modelbenchmarks.
Voor kleine teams is dit extra zichtbaar. Zij kunnen met agents sneller prototypes, analyses, campagnes en interne tools bouwen. Maar schaal ontstaat pas wanneer kennis herbruikbaar is, wanneer beslissingen worden vastgelegd en wanneer mensen weten welke output betrouwbaar genoeg is. Zonder die basis blijft AI een snelle losse hulp. Met die basis wordt AI een productiesysteem.
De kern is dus niet dat arbeid verdwijnt, maar dat arbeid opnieuw wordt samengesteld. Menselijke aandacht verschuift naar vragen stellen, context bouwen, prioriteiten kiezen, uitzonderingen behandelen en vertrouwen onderhouden. Agents voeren meer stappen uit, maar mensen ontwerpen het speelveld waarin die stappen waarde krijgen.