De AI-engineeringramp: wanneer kapitaal het denken vervangt – waarom generatieve AI economisch uit de hand loopt

Echte strategische waardecreatie is alleen mogelijk door een kristalheldere focus op de toepassing, een robuuste architectuur en consistente governance

De hype rondom generatieve AI was enorm, maar nu slaat de desillusie toe in het bedrijfsleven. Miljarden stromen naar gigantische datacenters met een onverzadigbare honger naar elektriciteit en dure geheugenchips. Tegelijkertijd slagen de meeste bedrijven er niet in het beloofde financiële succes te behalen. Bereikt de technologie, die werd geprezen als de volgende fase van de digitale revolutie, nu al haar fysieke en economische grenzen? Critici noemen het zelfs een van de grootste "technische rampen" uit de geschiedenis: een experiment van biljoenen dollars dat de klassieke principes van software-schaalbaarheid tart. Een nadere blik op de cijfers laat zien waarom steeds meer experts pleiten voor een radicale strategische heroriëntatie – weg van blind gigantisme en richting grotere precisie.

De slechtste technologie aller tijden? Waarom experts plotseling twijfelen aan het AI-wonder

Niet chips, maar elektriciteit: de echte reden waarom de AI-bubbel zou kunnen barsten

Het debat over de economische waarde van generatieve kunstmatige intelligentie is de afgelopen weken in alle hevigheid losgebarsten. Een artikel van journalist Alex Reisner in het gerenommeerde Amerikaanse tijdschrift The Atlantic doet een bewering die zelfs de meest verstokte technologie-optimisten aan het denken zet: afgemeten aan de gemaakte kosten en de bereikte technische efficiëntie, zou generatieve AI wel eens de slechtste digitale technologie kunnen zijn die ooit op grote schaal is ontwikkeld. Deze beoordeling is niet gebaseerd op ideologische technofobie, maar op een nuchtere analyse van het resourceverbruik, de schaalbaarheid en de macro-economische neveneffecten. Reisner meldt dat hij verschillende AI-onderzoekers heeft gevraagd of ze andere software in de praktijk kenden die net zo slecht schaalbaar was als grote taalmodellen. Niemand kon een vergelijkbare technologie noemen. Deze uitspraak breekt met het gangbare idee dat generatieve AI slechts de volgende fase van de digitale revolutie is na het internet en de smartphone.

"Precisie wint het van snelheid: alleen door een kristalheldere focus op de toepassing, een robuuste architectuur en consistente governance kan generatieve AI zich ontwikkelen van dure, verborgen IT tot een daadwerkelijk strategisch waardecreërend onderdeel. Wat we nu nodig hebben, is een solide technische discipline in plaats van blind activisme."

Een aandeel van zeventig procent dat een hele industrie transformeert

Het belangrijkste bewijs voor de inefficiëntiethese ligt in het geheugenverbruik van grote taalmodellen. Rapporten geven aan dat technologiebedrijven nu tot wel 70 procent van de wereldwijde voorraad hoogwaardig computergeheugen opkopen om modellen zoals ChatGPT en Claude te draaien en te trainen. Dit enorme aandeel creëert een structureel tekort dat veel verder reikt dan de AI-industrie zelf. Chipfabrikanten zoals SK Hynix, Micron en Samsung hebben hun volledige productiecapaciteit voor 2026 al voorverkocht aan grote cloudproviders, wat resulteert in recordmarges van 60 tot 70 procent op geheugenchips met hoge bandbreedte. Voor vrijwel elke andere industrie die afhankelijk is van halfgeleiders – van de auto-industrie en consumentenelektronica tot industriële automatisering – vertaalt dit zich in hogere inkoopkosten en langere levertijden. Geheugenfabrikanten hebben zich daarmee losgemaakt van hun decennialange rol als leveranciers van grondstoffen met lage marges en dicteren nu de prijzen, omdat kunstmatige schaarste het meest winstgevende product van de industrie is geworden.

Waarom de klassieke regels van software-economie hier niet opgaan

In de klassieke digitale economie gold decennialang een eenvoudig principe: software schaalt vrijwel gratis. Zodra een programma is ontwikkeld, kost het bedienen van een miljoen extra gebruikers nauwelijks meer dan het bedienen van één enkele gebruiker. Dit schaalprincipe, waarop het economische succes van Google, Facebook en traditionele clouddiensten was gebaseerd, is echter niet van toepassing op generatieve AI. Elke zoekopdracht aan een groot taalmodel brengt meetbare reken-, opslag- en energiekosten met zich mee die lineair of zelfs onevenredig toenemen met het aantal gebruikers. Naar schatting verbruikt een enkele zoekopdracht aan een AI-chatsysteem vele malen meer energie dan een zoekopdracht in een traditionele zoekmachine. Deze fysieke realiteit kan niet zomaar worden weggenomen door softwareoptimalisatie alleen. Dit is precies de kern van de kritiek: investeerders hebben de waarderingslogica van traditionele softwareplatformen overgezet naar een product waarvan de marginale kosten per gebruik niet nul benaderen, maar reëel en substantieel blijven.

Het experiment van een biljoen dollar zonder een afgerond plan

De financiële omvang van deze transformatie is ongekend. Alleen al de vijf grootste hyperscalers – Amazon, Microsoft, Google, Meta en Oracle – hebben gezamenlijk investeringen van meer dan 660 miljard dollar in AI-infrastructuur aangekondigd voor het huidige jaar. OpenAI heeft alleen al overeenkomsten gesloten met partners Oracle en Nvidia voor meer dan 400 miljard dollar en plant een datacenterproject in Texas met een capaciteit van 1,2 gigawatt, wat overeenkomt met de elektriciteitsvoorziening van ongeveer 750.000 huishoudens. Tegelijkertijd rapporteert het bedrijf, volgens openbaar beschikbare gegevens, een jaarlijks operationeel verlies van ongeveer 5 miljard dollar bij een omzet van ongeveer 12 miljard dollar. De investeringsbedragen staan ​​dus in een verhouding tot de voorgaande omzet die nauwelijks te rechtvaardigen is met traditionele zakelijke maatstaven. Critici beschrijven het daarom terecht als een technisch experiment van een biljoen dollar, waarbij de cruciale taken van efficiëntie, schaalbaarheid en robuuste architectuur achteraf en onder tijdsdruk worden aangepakt, in plaats van vanaf het begin degelijk te worden opgelost. Of deze latere verbetering technisch gezien volledig succesvol kan zijn, is momenteel een open vraag en wordt in expertkringen steeds sceptischer bekeken.

Hoe China de machtskwestie herdefinieert

Een tweede factor heeft het debat de afgelopen maanden verder aangewakkerd: de opkomst van relatief efficiënte Chinese modellen. Chinese aanbieders zoals DeepSeek hebben aangetoond dat krachtige taalmodellen kunnen worden geïmplementeerd met aanzienlijk minder rekenkracht en lagere trainingskosten dan de methoden van de grote Amerikaanse aanbieders. Een prijsvergelijking illustreert de omvang van het verschil: terwijl een query naar een Westers topmodel zoals Claude ongeveer 4.811 rekeneenheden kost, vereist een vergelijkbaar Chinees model slechts ongeveer 1.071 eenheden. Deze efficiëntiekloof is voor beleggers geen theoretische voetnoot, maar een kwestie van existentieel belang, omdat het direct van invloed is op de geplande beursgangen van de Amerikaanse modelaanbieders. Rapporten geven aan dat het bestaan ​​van goedkopere, maar krachtige Chinese alternatieven de geprojecteerde waarderingen van meer dan 800 miljard dollar voor de beursgangen van OpenAI en Anthropic steeds meer in twijfel trekt. Als een concurrent een vergelijkbaar product kan aanbieden voor een fractie van de kosten, wordt het aanzienlijk moeilijker om zulke hoge waarderingen te rechtvaardigen.

Het tekort, waar alle andere industrieën ook voor betalen

De resourcebehoeften van generatieve AI reiken veel verder dan alleen opslag. Recente analyses van de halfgeleiderindustrie beschrijven een situatie waarin meerdere fysieke knelpunten tegelijkertijd optreden: koper voor bedrading en koeling, helium voor waferkoeling en lektesten, en broom voor het etsen van circuits zijn allemaal schaars geworden, waardoor datacenters nu actief concurreren met traditionele industrieën om deze grondstoffen. De koperprijs bereikte in januari van dit jaar een piek van ongeveer zes dollar per pond, terwijl de aluminiumprijs een vierjarig hoogtepunt bereikte. Daar komt nog een geopolitieke component bij: verstoringen bij een belangrijk exportcentrum voor aardgas in Qatar in maart ontnamen de wereldmarkt tijdelijk ongeveer 20 procent van de wereldwijde LNG-voorraad, waardoor de elektriciteitskosten voor energie-intensieve chipfabrieken in Taiwan en Zuid-Korea stegen. Deze keten van afhankelijkheden illustreert hoe een product dat oorspronkelijk puur digitaal was, diep verweven is geraakt met fysieke toeleveringsketens, energiemarkten en geopolitieke breuklijnen, wat leidt tot verstoringen die veel verder reiken dan de technologiesector zelf.

Wanneer zelfs de chips niet langer de bottleneck vormen

Nog verrassender is een ontwikkeling die zich in 2026 voordeed: de beschikbaarheid van elektrische energie, in plaats van halfgeleiders, is de werkelijke beperkende factor geworden voor de verdere uitbreiding van de AI-infrastructuur. Talrijke technologiebedrijven beschikken al over voorraden geavanceerde AI-chips die ze simpelweg niet in gebruik kunnen nemen vanwege een gebrek aan voldoende netwerkaansluitingen. De wachttijden voor netwerkaansluitingen voor nieuwe datacenters in de Verenigde Staten variëren nu van drie tot zeven jaar, terwijl de totale wachtrijen voor netwerkaansluitingen meer dan 2.100 gigawatt bedragen, waarmee de gehele bestaande netwerkcapaciteit van het land wordt overtroffen. Een enkele AI-trainingsfaciliteit, zoals die momenteel in gebruik zijn bij Microsoft, Google of Amazon, kan continu tussen de 50 en 150 megawatt verbruiken, ruwweg gelijk aan de elektriciteitsbehoefte van 40.000 tot 120.000 gemiddelde Amerikaanse huishoudens. Analisten van Goldman Sachs voorspellen dat de elektriciteitsvraag van datacenters in de Verenigde Staten tegen 2030 met ongeveer 160 procent zal toenemen, terwijl de North American Grid Reliability Commission nu al waarschuwt voor een verhoogd risico op stroomuitval in grote delen van het land. Deze ontwikkeling betekent in feite dat miljarden dollars aan investeringen in chips in wezen verloren gaan totdat de bijbehorende energie-infrastructuur gelijke tred houdt – een situatie die het rendement op investeringen voor de hele sector verder beïnvloedt.

Beheerd AI-platform - Afbeelding: Xpert.Digital

Hier leert u hoe uw bedrijf snel, veilig en zonder hoge drempels AI-oplossingen op maat kan implementeren.

Een beheerd AI-platform is uw allesomvattende, zorgeloze oplossing voor kunstmatige intelligentie. In plaats van te worstelen met complexe technologie, dure infrastructuur en langdurige ontwikkelprocessen, ontvangt u een kant-en-klare oplossing op maat van een gespecialiseerde partner – vaak al binnen enkele dagen.

De belangrijkste voordelen in één oogopslag:

⚡ Snelle implementatie: Van idee tot gebruiksklare applicatie in dagen, niet maanden. Wij leveren praktische oplossingen die direct toegevoegde waarde creëren.

🔒 Maximale gegevensbeveiliging: Uw gevoelige gegevens blijven bij u. Wij garanderen een veilige en conforme verwerking zonder gegevens met derden te delen.

💸 Geen financieel risico: u betaalt alleen voor de resultaten. Hoge investeringen vooraf in hardware, software of personeel zijn volledig uitgesloten.

🎯 Focus op uw kernactiviteiten: concentreer u op waar u het beste in bent. Wij zorgen voor de volledige technische implementatie, werking en het onderhoud van uw AI-oplossing.

📈 Toekomstbestendig en schaalbaar: Uw AI groeit met u mee. Wij garanderen continue optimalisatie en schaalbaarheid en passen de modellen flexibel aan nieuwe eisen aan.

Meer informatie vindt u hier:

• Beheerd AI-platform

De desillusie binnen de bedrijven zelf

Terwijl miljarden worden geïnvesteerd in steeds grotere modellen aan de aanbodzijde, is het beeld aan de vraagzijde, bij de bedrijven die generatieve AI daadwerkelijk productief willen inzetten, aanzienlijk somberder. Een veel geciteerd onderzoek van het Massachusetts Institute of Technology (MIT) wees uit dat 95 procent van de interne pilotprojecten met generatieve AI binnen bedrijven geen meetbare financiële meerwaarde opleverde, ondanks een totale investering van zo'n 40 miljard dollar in dergelijke projecten. Managementadviesbureau Bain kwam in een breed onderzoek onder meer dan 900 bedrijven tot een vergelijkbare conclusie: terwijl 37 procent van de bedrijven streefde naar kostenbesparingen van 11 tot 20 procent, behaalde bijna 40 procent van de bedrijven die hun resultaten daadwerkelijk maten slechts besparingen in de orde van nul tot tien procent. De technologie werkte technisch gezien, maar de beloofde economische voordelen bleven uit. Opvallend is dat, volgens hetzelfde onderzoek, 90 procent van de bedrijven ondanks het gebrek aan succes hun budgetten voor de volgende investeringsronde verhoogden, ditmaal in autonome AI-agenten – een stap die door waarnemers wordt beschouwd als een potentieel gevaarlijke herhaling van dezelfde structurele fouten.

Waarom operationele implementatie eigenlijk mislukt

Het analyseren van de oorzaken van mislukte projecten biedt cruciale inzichten voor een praktische AI-transformatie. Volgens Gartner wordt minstens 30 procent van alle generatieve AI-projecten na de conceptfase stopgezet, waarbij slechte datakwaliteit, ontoereikende risicobeheersing, oplopende kosten of onduidelijke zakelijke voordelen de belangrijkste redenen zijn. Bain identificeert een gebrek aan toegang tot bedrijfseigen data als verreweg het grootste obstakel, zelfs groter dan budgettaire problemen, nalevingskwesties of een tekort aan gekwalificeerd personeel. Een ander belangrijk probleem is dat bedrijven vaak bestaande, inefficiënte workflows automatiseren zonder ze fundamenteel te herontwerpen. Het simpelweg versnellen van een gebrekkig proces met AI verergert de oorspronkelijke fout alleen maar, waardoor deze hardnekkiger en kostbaarder wordt in plaats van gecorrigeerd. Bovendien bestaat er een vertekend beeld van de autonomie van de ingezette systemen: in werkelijkheid werkt slechts ongeveer zeven procent van de momenteel ingezette AI-agents volledig autonoom, terwijl de overgrote meerderheid nog steeds menselijke goedkeuring vereist of afhankelijk is van uitzonderingen. Als de oorspronkelijke businesscase echter gebaseerd was op de aanname van volledige automatisering, is er een aanzienlijk verschil tussen de berekende en de daadwerkelijk gerealiseerde besparingen.

De kostenlogica per gebruikseenheid als tegenvoorstel

Niet alle experts delen de algemene bewering dat generatieve AI slecht schaalbaar is. Econoom Christos Makridis betoogt dat de cruciale factor niet de pure modelprestaties zijn, maar de kosten per werkelijk nuttige output. Volgens hem ligt de echte verspilling niet in de technologie zelf, maar in het feit dat veel bedrijven reflexmatig het grootste beschikbare topmodel inzetten voor eenvoudige taken, terwijl kleinere, gespecialiseerde modellen, op regels gebaseerde systemen of traditionele software perfect zouden volstaan. Bedrijven zouden tokens – de verwerkingseenheden van taalmodellen – met dezelfde discipline moeten beheren als clouduitgaven, personeelsuren of voorraadbeheer: welke taken rechtvaardigen een topmodel, welke kunnen door een kleiner model worden afgehandeld, waar is het de moeite waard om reacties te bufferen en waar moet een mens betrokken blijven bij het besluitvormingsproces? Dit perspectief verschuift de verantwoordelijkheid van de technologie zelf naar het management, dat uiteindelijk het succes of falen van de AI-implementatie bepaalt, in plaats van uitsluitend te vertrouwen op rekenkracht.

Tussen waarheid en overdrijving

Het debat rond de vermeende technische ramp verdient een meer genuanceerd perspectief. Het is onmiskenbaar waar dat het resourceverbruik van generatieve AI-systemen in hun huidige vorm uitzonderlijk hoog is en reële economische kosten met zich meebrengt voor derden, bijvoorbeeld door hogere opslagprijzen of concurrentie om elektriciteitscapaciteit. Het zou echter een te grote simplificatie zijn om te concluderen dat de technologie zelf inherent waardeloos is of dat de verdere ontwikkeling ervan een doodlopende weg is. Historisch gezien gingen vrijwel alle transformatieve infrastructuurtechnologieën – van spoorwegen en elektrificatie tot de uitbreiding van glasvezelnetwerken in de jaren negentig – in hun beginfase gepaard met enorme overinvesteringen, verkeerde toewijzing van middelen en soms spectaculaire mislukkingen, voordat er uiteindelijk een levensvatbaar en efficiënt systeem ontstond. Het cruciale verschil met generatieve AI ligt in de snelheid en schaal van het ingezette kapitaal, dat binnen enkele jaren een omvang heeft bereikt die eerdere technologiecycli ver overtreft, terwijl de fundamentele fysieke knelpunten – energie, opslag, koeling – nog lang niet zijn opgelost.

Wat deze ontwikkeling betekent voor de AI-strategie van bedrijven

Voor bedrijven die generatieve AI in hun bedrijfsprocessen willen integreren, heeft deze situatie duidelijke strategische implicaties. Wie AI-tools aanschaft als een soort magische productiviteitsbooster en blindelings kiest voor de krachtigste, maar ook duurste modellen, loopt het risico in een kosten- en complexiteitsval te belanden die uiteindelijk hun oorspronkelijk berekende businesscase ondermijnt. Succesvolle bedrijven daarentegen kenmerken zich door een zeer precieze focus op concrete, duidelijk gedefinieerde use cases, waarbij de toegevoegde waarde vanaf het begin meetbaar is. Even belangrijk is een bewuste architectuurkeuze: niet elke taak vereist het krachtigste beschikbare model; vaak volstaan ​​kleinere, gespecialiseerde of lokaal beheerde systemen, die aanzienlijk goedkoper en energiezuiniger zijn. Bovendien is een robuuste governance-structuur essentieel. Deze structuur definieert duidelijk wie binnen het bedrijf verantwoordelijk is voor beslissingen over AI-systemen, hoe de toegang tot data is gestructureerd en hoe succes daadwerkelijk wordt gemeten voordat de volgende investeringsronde wordt goedgekeurd.

"Generatieve AI mag geen ongecontroleerd schaduw-IT-project blijven. Iedereen die echt waarde wil halen uit de hype, moet begrijpen: precisie wint het van snelheid. Succes is alleen weggelegd voor degenen die zich richten op systeemontwerp en een slimme organisatiestructuur."

Precisie in plaats van snelheid als nieuw leidend principe

Uit al deze observaties kan een overkoepelend principe worden afgeleid dat de voorgaande wedloop om steeds grotere modellen en steeds hogere investeringsbedragen zou moeten vervangen: precisie wint het van snelheid. Het is niet langer voldoende om zo snel mogelijk zoveel mogelijk kapitaal in datacenters, chips en trainingsruns te pompen, in de hoop dat efficiëntie en winstgevendheid vanzelf wel volgen. In plaats daarvan zijn vanaf het begin een solide systeemarchitectuur, doordachte engineering en intelligente organisatorische integratie in bestaande bedrijfsprocessen nodig. Alleen onder deze voorwaarden kan generatieve AI zich werkelijk ontwikkelen van een duur, vaak ongecontroleerd schaduw-IT-fenomeen tot een strategische waardecreatiecomponent. De komende twee tot drie jaar zullen waarschijnlijk uitwijzen welke aanbieders en bedrijven deze transformatie van pure kapitaalintensiteit naar een echte engineeringdiscipline succesvol voltooien, en welke falen door de fysieke en economische beperkingen die het huidige systeem nog steeds kenmerken.

Een nieuwe dimensie van digitale transformatie met 'Managed AI' (kunstmatige intelligentie) – Platform- en B2B-oplossing | Xpert Consulting - Afbeelding: Xpert.Digital

Hier leert u hoe uw bedrijf snel, veilig en zonder hoge drempels AI-oplossingen op maat kan implementeren.

Een beheerd AI-platform is uw allesomvattende, zorgeloze oplossing voor kunstmatige intelligentie. In plaats van te worstelen met complexe technologie, dure infrastructuur en langdurige ontwikkelprocessen, ontvangt u een kant-en-klare oplossing op maat van een gespecialiseerde partner – vaak al binnen enkele dagen.

De belangrijkste voordelen in één oogopslag:

⚡ Snelle implementatie: Van idee tot gebruiksklare applicatie in dagen, niet maanden. Wij leveren praktische oplossingen die direct toegevoegde waarde creëren.

🔒 Maximale gegevensbeveiliging: Uw gevoelige gegevens blijven bij u. Wij garanderen een veilige en conforme verwerking zonder gegevens met derden te delen.

💸 Geen financieel risico: u betaalt alleen voor de resultaten. Hoge investeringen vooraf in hardware, software of personeel zijn volledig uitgesloten.

🎯 Focus op uw kernactiviteiten: concentreer u op waar u het beste in bent. Wij zorgen voor de volledige technische implementatie, werking en het onderhoud van uw AI-oplossing.

📈 Toekomstbestendig en schaalbaar: Uw AI groeit met u mee. Wij garanderen continue optimalisatie en schaalbaarheid en passen de modellen flexibel aan nieuwe eisen aan.

Meer informatie vindt u hier:

• De Managed AI Solution - Industriële AI-diensten: De sleutel tot concurrentievermogen in de dienstensector, de industrie en de machinebouw

☑️ Onze zakelijke voertaal is Engels of Duits

☑️ NIEUW: Correspondentie in uw moedertaal!

Konrad Wolfenstein

Mijn team en ik staan ​​graag tot uw beschikking als uw persoonlijke adviseur.

U kunt contact met mij opnemen door hier het contactformulier in te vullen [email protected]:of door mij te bellen op +49 7348 4088 965. Mijn e-mailadres is

Ik kijk uit naar ons gezamenlijke project.

☑️ Ondersteuning van het MKB op het gebied van strategie, advies, planning en implementatie

☑️ Opstellen of herzien van de digitale strategie en digitalisering

☑️ Uitbreiding en optimalisatie van internationale verkoopprocessen

☑️ Wereldwijde en digitale B2B-handelsplatformen

☑️ Pionier in bedrijfsontwikkeling / marketing / PR / beurzen