De grote shutdown: Waarom bedrijven van hun AI-agenten af ​​willen – Wanneer AI-agenten meer kosten dan ze waard zijn

Wanneer autonome systemen de controle overnemen en datacenters meer kapitaal verbranden dan de markt kan verdienen

Miljarden geïnvesteerd zonder rendement: AI-agenten moeten hun nut bewijzen

Kunstmatige intelligentie betreedt een nieuwe fase. De eerste fase werd gekenmerkt door technologische doorbraken, spectaculaire demonstraties en het vooruitzicht om kenniswerk aanzienlijk productiever te maken. In de tweede fase werden enorme budgetten geïnvesteerd in modellen, datacenters, grafische processors, cloudplatforms en de eerste bedrijfsapplicaties. Nu begint de derde fase: de economische en organisatorische realiteitscheck. Deze zal niet alleen bepalen welke aanbieders overleven, maar ook of bedrijven daadwerkelijk duurzame, meetbare waarde uit AI zullen halen of slechts nieuwe kosten-, controle- en aansprakelijkheidsrisico's zullen creëren.

Twee ontwikkelingen benadrukken dit keerpunt in het bijzonder. Op applicatieniveau nemen autonome AI-agenten sneller toe dan veel bedrijven hun governance, toegangsrechten, kostenbeheersing en verantwoordelijkheden kunnen aanpassen. Tegelijkertijd ontstaan ​​er op infrastructuurniveau datacenters en gespecialiseerde cloudcapaciteiten op een schaal waarvoor momenteel geen voldoende grote en bereidwillige eindmarkt bestaat om economisch rendabel te opereren. Dit vertegenwoordigt een samenloop van twee verschillende overschattingen: bedrijven overschatten de organisatorische volwassenheid van autonome systemen op de korte termijn, terwijl investeerders en infrastructuurbeheerders mogelijk de snelheid overschatten waarmee de vraag naar AI kan worden omgezet in winstgevende inkomsten.

De cruciale vraag is daarom niet langer of AI technisch werkt. Het gaat erom of het betrouwbaar, beheersbaar en winstgevend functioneert onder realistische omstandigheden. Deze verschuiving verandert de logica van de markt. Maximale autonomie, maximale modelgrootte of maximale rekenkracht alleen zullen succes niet bepalen. Concurrentievoordelen ontstaan ​​wanneer technische mogelijkheden worden gecombineerd met een robuust procesontwerp, duidelijke verantwoording, verifieerbare beslissingen, realistische kostenmodellen en gedifferentieerde klantwaarde.

De grote desillusie begint bij de bedrijven

De voorspelling dat meer dan 40 procent van de agentische AI-projecten tegen eind 2027 stopgezet, afgeschaald of fundamenteel herontworpen zou kunnen worden, moet minder worden gezien als een oordeel over de betekenis van de technologie op de lange termijn, dan als een kritiek op de huidige implementatie ervan. Veel projecten beginnen als proof-of-concept-proeven onder gecontroleerde omstandigheden. In deze omgeving worden gegevens geselecteerd, taken beperkt, gebruikers zijn welwillend en fouten hebben relatief kleine gevolgen. De overgang naar productieomgevingen verandert echter alle parameters. Een agent moet dan omgaan met onvolledige gegevens, tegenstrijdige regels, verouderde systemen, speciale gevallen, veranderende machtigingen en beslissingen met betrekking tot aansprakelijkheid.

Precies op dit punt mislukken veel technologische pilotprojecten. Een overtuigende demonstrator beantwoordt de vraag of een functie fundamenteel mogelijk is. Het beantwoordt echter niet de vraag of deze miljoenen keren kan worden uitgevoerd met acceptabele totale kosten, stabiele kwaliteit en beheersbaar risico. Dit probleem wordt verergerd door autonome agenten, omdat deze niet alleen content kunnen genereren, maar ook zelfstandig tools kunnen oproepen, data kunnen wijzigen, processen kunnen activeren en beslissingen aan elkaar kunnen koppelen. Een fout is daarom niet noodzakelijkerwijs beperkt tot een onjuist tekstantwoord. Het kan zich verspreiden als een foutieve bestelling, ongeautoriseerde toegang tot data, een verkeerde klantbeslissing of een wijziging in een productiesysteem.

De verwachte annulering van het project is daarom economisch gezien aannemelijk. Stijgende kosten, onduidelijke zakelijke waarde en ontoereikende risicobeheersing zijn geen losstaande problemen; ze versterken elkaar. Hoe minder betrouwbaar een agent functioneert, hoe meer inspanning er nodig is voor monitoring, auditing en corrigerende maatregelen. Hoe meer handmatige interventie nodig is, hoe kleiner de daadwerkelijke productiviteitswinst. Hoe kleiner de productiviteitswinst, hoe moeilijker het is om extra uitgaven voor modellen, integraties, monitoring, beveiliging en compliance te rechtvaardigen. Een systeem dat oorspronkelijk was ontworpen voor automatisering kan zo een nieuwe, grotendeels onzichtbare laag van handmatig toezicht creëren.

Autonomie wordt een nieuw soort kostenpost

De kosten van agentgebaseerde AI worden vaak te beperkt bekeken. Bedrijven vergelijken modelprijzen of berekenen de kosten voor input- en outputtokens, maar dit geeft slechts een gedeeltelijk beeld van de economische last. Een agent verdeelt een taak vaak in meerdere stappen, benadert verschillende systemen, herhaalt mislukte pogingen, controleert tussentijdse resultaten en houdt langere contexten bij. Complexe workflows kunnen daarom aanzienlijk meer rekenkracht vereisen dan een conventionele chatbot. Daar komen nog de kosten bij voor orkestratie, datavoorbereiding, interfaces, logging, identiteitsbeheer, beveiligingscontroles, evaluatie en de werking van verschillende modellen.

Nog belangrijker zijn de indirecte kosten. Deze omvatten de tijd die specialisten besteden aan het beoordelen van resultaten, het oplossen van fouten, het implementeren van extra interne controles, het geven van trainingen, het uitvoeren van juridische beoordelingen en het aanpassen van werkprocessen. Als een medewerker een taak uitvoert voor slechts een paar cent, maar het resultaat regelmatig moet worden gecontroleerd door een gekwalificeerde persoon, verliest de modelprijs als meetinstrument vrijwel zijn betekenis. Waar het om gaat, zijn de totale proceskosten voor elke correct uitgevoerde taak. Hierbij moeten ook herhalingen, de gevolgen van fouten, uitzonderingen en de kosten van menselijk toezicht worden meegerekend.

Het feit dat slechts 21 procent van de ondervraagde CIO's volledig inzicht heeft in de kosten van hun AI-agents en AI-workloads, wijst op een fundamenteel gebrek aan controle. Zonder kosten toe te wijzen per use case, business unit en proces, is het onmogelijk om de economische voordelen te beoordelen of een betrouwbaar budget te beheren. Het risico is dat de AI-uitgaven decentraal groeien via cloudaccounts, softwareabonnementen en afdelingsbudgetten, terwijl de centrale IT-afdeling slechts een deel van de totale kosten ziet. De rekening verschijnt dan pas met vertraging, wanneer het gebruik, het datavolume en het aantal agents al aanzienlijk zijn toegenomen.

Voor een goede evaluatie moeten bedrijven daarom niet alleen rekening houden met de technische gebruikskosten, maar een alomvattend waardemodel hanteren. De kosten per succesvol afgerond proces, het percentage correct afgeronde taken zonder menselijke tussenkomst, de fout- en herhalingspercentages, de doorlooptijd, de benodigde controle-inspanning en het daadwerkelijk gerealiseerde financiële voordeel moeten allemaal worden gemeten. Pas wanneer deze meetwaarden gedurende een langere periode stabiel blijven, kan worden beoordeeld of een agent moet worden opgeschaald. Autonomie is geen doel op zich, maar een investeringsvariabele: het is alleen economisch haalbaar als de extra voordelen opwegen tegen de toegenomen controle- en foutrisico's.

Schaduw-IT krijgt meer zeggenschap

De snelle opkomst van AI-agenten verandert het klassieke probleem van schaduw-IT. Voorheen schaften afdelingen ongeautoriseerde software aan of sloegen ze gegevens op in ongecontroleerde systemen. Tegenwoordig kunnen medewerkers snel hun eigen agenten creëren die toegang hebben tot bedrijfsgegevens en zelfstandig acties uitvoeren. Een enquête onder 685 CIO's van grote bedrijven toonde aan dat 84 procent meldt dat medewerkers sneller AI-agenten ontwikkelen dan de IT-afdeling de juiste governance-regels kan implementeren. Het probleem ligt daarom niet alleen in het toenemende aantal applicaties, maar ook in het toenemende aantal digitale actoren.

Deze actoren beschikken vaak over technische identiteiten, API-sleutels, serviceaccounts of gedelegeerde gebruikersrechten. Dit creëert een nieuwe categorie niet-menselijke identiteiten die in veel organisaties niet onderworpen zijn aan dezelfde regels als werknemers. 59 procent van de onderzochte organisaties heeft AI-agenten nog niet volledig geïntegreerd in hun bestaande identiteits- en toegangsbeheerbeleid. Tegelijkertijd meldt 72 procent een middelgrote tot grote kloof tussen de toegang die een agent theoretisch mag hebben en de toegang die de organisatie daadwerkelijk kan aantonen.

Economisch gezien is deze kloof bijzonder gevaarlijk, omdat deze de verwachte balans tussen efficiëntie en risico verstoort. Een agent kan 24 uur per dag en met hoge snelheid handelen. Juist die eigenschap die productiviteit belooft, vergroot de omvang van de schade bij een fout. Ruime bevoegdheden, langdurige toegangssleutels en ontoereikende logging kunnen ertoe leiden dat één enkele foute beslissing systematisch wordt herhaald. De marginale kosten van een volgende foute actie zijn voor de agent vrijwel nul, terwijl de daaruit voortvloeiende kosten voor het bedrijf zich opstapelen.

Het gevolg is duidelijk: elke productieve agent heeft een formele identiteit, een gedocumenteerd doel, een verantwoordelijke menselijke eigenaar en beperkte privileges nodig. Toegang moet worden verleend volgens het principe van minimale privileges, is tijdsgebonden en wordt continu gemonitord. Bijzonder belangrijke acties moeten door een mens worden goedgekeurd voordat ze worden uitgevoerd. Gecentraliseerde uitschakelmechanismen zijn eveneens essentieel, zodat agenten niet omslachtig individueel in meerdere systemen hoeven te worden gedeactiveerd in geval van een storing. Hoewel deze maatregelen de snelheid op korte termijn enigszins kunnen verminderen, vergroten ze de schaalbaarheid van het systeem als geheel door schade, onzekerheid en regelgevingsbelemmeringen te beperken.

Verantwoordelijkheid zonder daadwerkelijke controle

De organisatorische spanning komt aan het licht in een wereldwijd onderzoek onder 3.200 CIO's. Achtentachtig procent constateert dat de operationele implementatie van AI sneller verloopt dan de aanpassing van de governance. Tegelijkertijd gaat 90 procent ervan uit dat de centrale IT-afdeling verantwoordelijk zal worden gehouden voor beveiligings- of compliancefouten, zelfs als de tools die deze fouten veroorzaken onafhankelijk van andere bedrijfsonderdelen zijn aangeschaft. Dit creëert een kloof tussen beslissingsbevoegdheid en verantwoordelijkheid.

Een dergelijke structuur creëert perverse prikkels. Bedrijfsonderdelen profiteren op korte termijn van snelle experimenten, terwijl een aanzienlijk deel van het risico bij IT, gegevensbescherming, informatiebeveiliging en beheer blijft liggen. De centrale IT-afdeling kan een knelpunt worden als elke applicatie afzonderlijk moet worden goedgekeurd. Als de controle echter volledig wordt losgelaten, ontstaat een complex geheel van modellen, agenten, gegevenstoegang en contracten. Beide uitersten zijn inefficiënt. Een volledig gecentraliseerde aanpak verstikt innovatie, terwijl een volledig gedecentraliseerde aanpak de risico's en de dubbeling van inspanningen vergroot.

Een gefedereerd governance-model is daarom noodzakelijk. Centrale functies definiëren bindende technische en organisatorische richtlijnen, bieden goedgekeurde platforms en bewaken identiteiten, kosten en kritieke activiteiten. Bedrijfsonderdelen kunnen binnen dit raamwerk applicaties ontwikkelen en beheren, maar moeten de voordelen, gegevensbronnen, risico's en verantwoordelijke personen documenteren. Dit zorgt ervoor dat beslissingen zo dicht mogelijk bij de dagelijkse werkzaamheden blijven, terwijl gemeenschappelijke standaarden voorkomen dat elk team steeds dezelfde beveiligings- en integratieproblemen moet oplossen.

De persoonlijke druk op CIO's laat zien hoe drastisch AI is geëvolueerd van een innovatiethema naar een carrière- en governancefactor. 76 procent van de ondervraagde IT-managers is van mening dat hun positie op het spel staat als hun bedrijf er niet in slaagt om tegen eind 2027 meetbare bedrijfsresultaten te behalen met AI. Deze druk kan een verstandige prioritering versnellen, maar brengt ook het risico van een hectische schaalvergroting met zich mee. Degenen die onder druk staan ​​om op korte termijn succes te boeken, geven mogelijk prioriteit aan zichtbare implementatiecijfers boven robuuste procesverbeteringen. Het paradoxale gevolg hiervan is dat juist de druk om snel een rendement op investering aan te tonen de kans op kostbare fouten vergroot.

Wanneer de controller zelf een kostenfactor wordt

Eerste ervaringen op het gebied van governance en auditing wijzen erop dat de risico's niet louter theoretisch zijn. In een enquête onder 417 professionals op het gebied van governance, risicobeheer, compliance en auditing gaf 34 procent aan dat hun organisatie had gehandeld op basis van een onjuiste beslissing van een agent. 30 procent constateerde onbedoelde acties, 25 procent een tekortkoming in de interne controle en 24 procent gevolgen voor klanten. In 20 procent van de gevallen kwamen twee agenten met elkaar in conflict. Bijna de helft van de medewerkers had meer tijd nodig om de resultaten van AI te beoordelen en te corrigeren dan voorheen.

Deze gegevens moeten met de nodige voorzichtigheid worden geïnterpreteerd, omdat enquêtes de percepties en ervaringen van deelnemers weergeven en niet automatisch de frequentie van alle fouten in de gehele markt. Niettemin onthullen ze een duidelijk patroon: bedrijven delegeren beslissingsbevoegdheid aan agenten voordat processen, data en controlesystemen zijn ontworpen voor deze vorm van autonomie. AI maakt een slecht proces niet automatisch goed. Het kan het alleen sneller, ondoorzichtiger en wijdverspreider maken.

De extra auditinspanning is met name relevant vanuit economisch oogpunt. Automatisering wordt doorgaans gerechtvaardigd met het argument van lagere personeelskosten. Als gekwalificeerde specialisten echter continu resultaten moeten controleren, uitzonderingen moeten verduidelijken en beslissingen van agenten moeten reconstrueren, verschuift het werk slechts. Het verdwijnt niet, maar verplaatst zich van de feitelijke verwerking naar monitoring en probleemoplossing. Deze activiteiten kunnen veeleisender en duurder zijn dan het oorspronkelijke proces, omdat ze tegelijkertijd technische, professionele en wettelijke expertise vereisen.

Dit betekent niet dat menselijk toezicht per definitie onrendabel is. In risicovolle omgevingen is het zelfs onmisbaar. Het cruciale punt is om de intensiteit van de controle af te stemmen op de potentiële schade. Een medewerker die interne documenten categoriseert, vereist andere goedkeuringen dan een systeem dat betalingen initieert, personeelsbeslissingen neemt of klantaccounts wijzigt. Bedrijven zouden daarom autonomie stapsgewijs moeten verlenen. Hoe onomkeerbaarder een actie, hoe gevoeliger de gegevens en hoe groter de potentiële externe impact, hoe strenger de voorafgaande goedkeuringen, de registratie en de onafhankelijke audits moeten zijn.

Testtrajecten worden steeds meer onderdeel van de economische infrastructuur

Twee derde van de CIO's weet niet zeker of ze een toezichthouder een volledig, van begin tot eind, verslag kunnen geven van de beslissing van een medewerker. Dit is meer dan alleen een kwestie van compliance. Een gebrek aan traceerbaarheid verhoogt de kosten van elk incident, omdat de oorzaken moeilijker te achterhalen zijn, de getroffen processen lastiger te isoleren zijn en tegenmaatregelen trager kunnen worden geïmplementeerd. Zonder gedegen documentatie kan een bedrijf nauwelijks bewijzen dat een medewerker binnen zijn bevoegdheden heeft gehandeld of dat een verantwoordelijke persoon op de juiste manier heeft ingegrepen.

Controleerbaarheid moet daarom worden gezien als een productieve infrastructuur, niet als een documentatievereiste die achteraf wordt toegevoegd. De identiteit van de agent, het gebruikte model en de softwareversie, de geraadpleegde gegevensbronnen, de beschikbare machtigingen, de tussenstappen, aanroepen van externe tools, goedkeuringen en het eindresultaat moeten allemaal worden vastgelegd. Even belangrijk is de mogelijkheid om een ​​proces technisch te reproduceren of op zijn minst plausibel te reconstrueren. Bij probabilistische modellen is exacte replicatie niet altijd mogelijk, maar de relevante invoer, configuraties en beslissingspaden moeten wel behouden blijven.

De uitdaging wordt groter in multi-agentsystemen. Wanneer meerdere agenten taken verdelen, resultaten onderling beoordelen of sequentieel verschillende bedrijfssystemen aanpassen, ontstaat er een keten van gedeelde verantwoordelijkheid. Een fout kan voortkomen uit de wisselwerking van verschillende ogenschijnlijk plausibele deelbeslissingen. Conventionele besturingssystemen die individuele gebruikersacties of geïsoleerde softwaretransacties analyseren, schieten hiervoor tekort. Bedrijven hebben behoefte aan continue monitoring van de gehele procesketen.

Regelgevingsontwikkelingen versterken deze druk om actie te ondernemen. Het Europese juridische kader voor kunstmatige intelligentie, de regelgeving inzake gegevensbescherming en de sectorspecifieke toezichtsverplichtingen verhogen de eisen aan risicobeheer, documentatie en menselijk toezicht. Ook gegevensbeschermingsautoriteiten buiten de Europese Unie besteden steeds meer aandacht aan de manier waarop geautomatiseerde systemen persoonsgegevens verwerken. De economische conclusie is dat governance geen extra kostenpost is die na een succesvolle schaalvergroting kan worden toegevoegd. Het is een voorwaarde om ervoor te zorgen dat schaalvergroting wettelijk conform en duurzaam is.

AI-risico's schuiven op naar de topgroep

Uit een onderzoek onder 1.330 bestuursleden en managers blijkt dat nieuwe risico's als gevolg van de introductie van AI vanaf 2027 al op de tweede plaats staan ​​van de kortetermijnrisico's voor bedrijven, direct na cyberdreigingen. Deze rangschikking laat zien dat AI niet langer wordt gezien als een geïsoleerd IT-initiatief. Het heeft tegelijkertijd gevolgen voor de operationele stabiliteit, regelgeving, gegevensbescherming, derden, personeel, reputatie en kapitaalallocatie.

AI- en cyberrisico's mogen niet los van elkaar worden geanalyseerd. Agents vergroten het digitale aanvalsoppervlak omdat ze toegang nodig hebben tot data, applicaties en tools. Aanvallers kunnen proberen input te manipuleren, agents ertoe aanzetten ongeautoriseerde acties uit te voeren of hun inloggegevens misbruiken. Tegelijkertijd kan een correct geauthenticeerde agent zelf risicovolle acties uitvoeren als het doel onjuist is gedefinieerd, de context is gemanipuleerd of de machtigingen te ruim zijn. Traditionele IT-beveiliging pakt daarom slechts een deel van het probleem aan. Naast het vaststellen of een actor bevoegd is om toegang te krijgen tot data, is het cruciaal om te beoordelen of de beoogde actie toelaatbaar en gepast is binnen de specifieke context.

Dit brengt uitgebreidere verantwoordelijkheden met zich mee voor het management van het bedrijf. Ze hoeven niet elk model technisch te begrijpen, maar ze moeten ervoor zorgen dat er duidelijke verantwoordelijkheden, risicoclassificaties, escalatieprocedures en economische doelstellingen bestaan ​​voor belangrijke AI-toepassingen. Toezicht mag niet beperkt blijven tot het aantal gelanceerde projecten of de omvang van het budget. Cruciaal is betrouwbare informatie over welke processen op een productieve manier worden geautomatiseerd, welke gegevens worden beïnvloed, hoe vaak menselijke tussenkomst nodig is, welke potentiële schade mogelijk is en of de verwachte voordelen daadwerkelijk worden gerealiseerd.

De quasi-interne oplossing: Hoe Xpert.Digital operationele hiaten in B2B-marketing en -verkoop dicht – Slimme, contentgedreven bedrijfsvoering - Afbeelding: Xpert.Digital

Xpert.Digital is een datagedreven B2B-branchehub onder leiding van Konrad Wolfenstein . Het bedrijf fungeert als een externe, quasi-interne oplossing voor industriële partners en dicht operationele lacunes in marketing, content en sales – zonder dat de klant extra middelen nodig heeft.

Meer informatie vindt u hier:

• De quasi-interne oplossing: Hoe Xpert.Digital operationele hiaten in B2B-marketing en -verkoop dicht – Slimme, contentgedreven bedrijfsvoering

Onder de software schuilt een groeiend kapitaalprobleem

Terwijl bedrijven worstelen om hun AI-systemen onder controle te houden, breidt de technologie-industrie de fysieke basis van AI op een ongekende schaal uit. Er worden investeringen van bijna een biljoen dollar in AI-infrastructuur verwacht voor 2026. Tussen 2027 en 2030 zou daar nog eens zes biljoen dollar aan toegevoegd kunnen worden. Deze bedragen stromen naar datacenters, grafische processoren (GPU's), netwerktechnologie, opslag, koeling, voedingen en grond. Deze expansie volgt op de verwachting dat de behoefte aan het trainen en uitvoeren van AI-modellen de komende jaren aanzienlijk zal toenemen.

Groei alleen garandeert echter geen toereikend rendement op investeringen. Exploitanten van AI-datacenters zouden tegen 2030 een cumulatieve omzet van circa 8,5 biljoen dollar moeten genereren om de aangekondigde investeringen, financieringskosten en een verondersteld rendement van 12 procent te dekken. De potentiële omzet van AI-bedrijven voor zowel zakelijke als consumenten wordt voor dezelfde periode geschat op maximaal 3,6 biljoen dollar. Hoewel deze cijfers vanwege de lange prognoseperiode aan aanzienlijke onzekerheid onderhevig zijn, is het verschil opmerkelijk.

Het zou echter onjuist zijn om investeringen en AI-inkomsten rechtstreeks met elkaar te vergelijken. Datacenters hebben een levensduur van meerdere jaren, de infrastructuur kan diverse workloads aan en een deel van de economische voordelen komt ten goede aan de gebruikersbedrijven in plaats van aan de infrastructuurbeheerder. Bovendien kunnen dalende computerkosten nieuwe vraag genereren. Niettemin blijft de kernboodschap geldig: de markt moet niet alleen sterk groeien, maar ook uitzonderlijk snel winstgevende applicaties produceren om alle geplande capaciteiten te benutten en het verwachte rendement te behalen.

Deze situatie is uitdagend. Veel van de huidige AI-toepassingen verlagen de kosten of verbeteren bestaande producten, maar genereren niet automatisch extra inkomsten die gelijk zijn aan de onderliggende investeringen in infrastructuur. Bovendien kunnen productiviteitswinsten verdeeld worden tussen aanbieders en klanten. Intense concurrentie drijft de prijzen omlaag, open-source modellen verlagen de drempel voor toetreding en efficiëntere modellen verminderen de rekenkracht die per taak nodig is. Hoewel dit gunstig is voor de algehele economie, kan het de winstgevendheid van individuele datacenterbeheerders negatief beïnvloeden.

De afschrijvingsperiode verloopt sneller dan de vraag

AI-hardware onderscheidt zich van duurzame basisinfrastructuur door de korte innovatiecycli. Nieuwe generaties accelerators bieden vaak aanzienlijk betere prestaties of een hogere energie-efficiëntie. Hierdoor kan oudere hardware economische waarde verliezen, zelfs als deze technisch nog functioneert. Een exploitant moet zijn investering daarom zo snel mogelijk terugverdienen door een hoge benutting en aantrekkelijke prijzen. Als de vraag achterblijft bij de verwachtingen, komen de boekwaarden en financieringsmodellen onder druk te staan.

Tegen 2030 loopt naar schatting $3,5 biljoen aan AI-activa het risico op waardevermindering; tegen 2032 zou dit bedrag kunnen oplopen tot meer dan $4 biljoen. Een waardevermindering betekent niet dat de servers fysiek verdwijnen. Het geeft eerder aan dat de verwachte toekomstige kasstromen de boekwaarde van het actief niet langer rechtvaardigen. Voor bedrijven met een hoge schuldgraad kan dit leiden tot strengere kredietvoorwaarden, een afname van het eigen vermogen en een grotere kans op verdere investeringen.

De dynamiek is vergelijkbaar met eerdere infrastructuurcycli. Nieuwe fundamentele technologieën leiden vaak tot expansie, wat aanvankelijk overcapaciteit creëert. Spoorwegen, telecommunicatienetwerken en glasvezel hebben vergelijkbare fasen doorlopen. Een deel van het geïnvesteerde kapitaal ging verloren, terwijl de direct beschikbare, goedkope infrastructuur later nieuwe bedrijfsmodellen mogelijk maakte. Daarom kunnen twee beweringen tegelijkertijd waar zijn: AI kan een ingrijpende economische transformatie teweegbrengen, en toch kan een aanzienlijk deel van de huidige investeerders nog steeds onvoldoende rendement behalen.

Voor de economie als geheel hoeft een marktcorrectie niet per se volledig negatief te zijn. Afschrijvingen en faillissementen kunnen de kosten van rekenkracht verlagen en efficiëntere kopers toegang geven tot infrastructuur. Bedrijven kunnen profiteren van lagere prijzen, zelfs als de oorspronkelijke investeerders verliezen lijden. De situatie wordt problematisch wanneer overinvesteringen gepaard gaan met hoge schulden, langlopende energiecontracten of regionaal geconcentreerde capaciteit. In dergelijke gevallen kunnen correcties gevolgen hebben voor banken, energieleveranciers, de vastgoedmarkt en lokale overheidsbegrotingen.

Neoclouds tussen groei en selectie

De meest kwetsbare groep zijn gespecialiseerde neocloud-providers die rekenkracht leveren voor AI-workloads. Hun voordeel ligt in hun hoge mate van technische specialisatie, snelle toegang tot gewilde grafische processors en vaak flexibelere aanbiedingen dan die van grote, breed gediversifieerde cloudbedrijven. Bedrijven zoals CoreWeave en Nebius zijn voorbeelden van dit segment. De potentiële markt voor AI-geoptimaliseerde Infrastructure-as-a-Service-aanbiedingen zou kunnen groeien van $ 66 miljard in 2027 tot $ 174 miljard in 2030. Dit zou een indrukwekkende groei zijn, maar het is mogelijk nog steeds niet voldoende om de gelijktijdig opgebouwde capaciteit winstgevend te benutten.

De voorspelling dat meer dan 80 procent van de neoclouds tegen 2030 hun onafhankelijke activiteiten zouden kunnen staken, betekent niet noodzakelijkerwijs dat hun computerbronnen volledig zullen verdwijnen. Faillissementen, overnames, fusies, langdurige partnerschappen of integratie in grotere platforms behoren allemaal tot de mogelijkheden. De onderliggende economische factor is aanzienlijke consolidatie. Aanbieders zonder gunstige financiering, een gegarandeerde energievoorziening, een hoge benutting en een duidelijk onderscheidend dienstenaanbod zullen moeite hebben om onafhankelijk te blijven.

Het bedrijfsmodel is om verschillende redenen kwetsbaar. Ten eerste vereist het enorme investeringen vooraf in snel verouderende hardware. Ten tweede kan het klantenbestand geconcentreerd zijn, wat betekent dat het verlies van zelfs maar een paar grote klanten de capaciteitsbenutting drastisch kan veranderen. Ten derde vormen neoclouds een tussenpositie tussen chipfabrikanten en klanten, zonder noodzakelijkerwijs over dezelfde onderhandelingsmacht te beschikken. Ten vierde kunnen hyperscalers concurreren met uitgebreide platformdiensten, wereldwijde infrastructuur en bestaande klantrelaties. Ten vijfde dreigt prijsdruk naarmate er meer capaciteit beschikbaar komt of bedrijfsmodellen efficiënter worden.

Niet alle neoclouds zijn dus hetzelfde. De aanbieders met de grootste kans op succes zijn degenen met structurele voordelen: langdurige toegang tot goedkopere energie, een bijzonder hoge technische benutting, toegang tot schaars kapitaal, gespecialiseerde diensten of een sterke positie in specifieke regio's en gereguleerde sectoren. Een soevereine, nationaal of Europees gecontroleerde infrastructuur kan ook een onderscheidende factor zijn als klanten prioriteit geven aan gegevensprivacy, dataopslag in eigen land en strategische onafhankelijkheid boven de laagste prijs.

Hyperscalers kopen tijd voor zichzelf

Grote cloud- en technologiebedrijven hebben een doorslaggevend voordeel ten opzichte van gespecialiseerde aanbieders: zij financieren de uitbreiding van AI vanuit brede en winstgevende bedrijfsgebieden. Cloudplatforms, reclame, e-commerce, softwareabonnementen, sociale netwerken en bestaande zakelijke diensten genereren inkomstenstromen die investeringen over langere perioden kunnen ondersteunen. Hierdoor kunnen Amazon, Google, Microsoft, Meta en andere grote aanbieders een periode met lage directe AI-rendementen beter doorstaan.

Diversificatie lost het probleem van het rendement op investeringen echter niet op. Zelfs grote bedrijven moeten op de lange termijn kunnen aantonen hoe hun investeringen waarde creëren. Ze hebben simpelweg meer tijd en extra mogelijkheden om inkomsten te genereren. AI kan het bestaande cloudgebruik verhogen, advertentieproducten verbeteren, klanten op platformen behouden, ontwikkelingsprocessen versnellen en andere bedrijfsgebieden beschermen. Daarom verschijnen sommige voordelen niet als afzonderlijk gerapporteerde AI-inkomsten. Deze strategische neveneffecten maken een directe vergelijking met neoclouds, waarvan het economische succes veel sterker afhangt van het verhuren van rekenkracht, lastig.

De marktmacht van hyperscalers zou door de consolidatie verder kunnen groeien. Wanneer kleinere aanbieders de markt verlaten, verwerven grote platformen klanten, geschoolde werknemers en aantrekkelijk geprijsde infrastructuur. Dit kan schaalvoordelen opleveren, maar ook de afhankelijkheden vergroten. Bedrijven en overheden moeten daarom efficiëntie afwegen tegen veerkracht. Een sterk geconcentreerde infrastructuur is vaak goedkoper op de korte termijn, maar kan op de lange termijn gevolgen hebben voor de prijsvorming, innovatieprocessen en digitale soevereiniteit.

Dit creëert een strategisch dilemma voor Europa. Het opbouwen van eigen AI-capaciteiten is energie- en kapitaalintensief, terwijl Amerikaanse en Aziatische aanbieders al aanzienlijke schaalvoordelen hebben. Het simpelweg kopiëren van de hyperscalers is dan ook niet erg veelbelovend. Een verstandigere aanpak is om te focussen op specifieke industriële toepassingen, betrouwbare dataomgevingen, gereguleerde sectoren, energie-efficiëntie, Europese taal- en technische modellen en nationale operationele oplossingen. De economische rechtvaardiging moet voortkomen uit onderscheidende voordelen, niet uit een poging om lukraak de wereldwijde capaciteitsraces na te bootsen.

Zes biljoen dollar is geen vraagvoorspelling

Een ander model illustreert de omvang van de uitdaging. Als de jaarlijkse uitgaven aan AI-infrastructuur naar verwachting in 2031 oplopen tot ongeveer 1,5 biljoen dollar, en investeringen naar verwachting ongeveer een kwart van de sectoromzet zullen uitmaken, dan zou de wereldwijde AI-markt jaarlijks bijna 6 biljoen dollar moeten genereren. Bestaande consumenten- en zakelijke toepassingen zouden hier tussen de 1,2 en 1,8 biljoen dollar aan kunnen bijdragen. Dit zou een gat van ongeveer 4,2 biljoen dollar overlaten dat door nieuwe markten moet worden opgevuld.

Dit bedrag van zes biljoen Amerikaanse dollar moet worden gezien als een economische drempel, niet als een betrouwbare omzetprognose. Het getal beschrijft de orde van grootte die nodig zou zijn om de expansie duurzaam te financieren onder bepaalde aannames over rendement en investeringen. Het voorspelt niet dat deze omzet daadwerkelijk gegenereerd zal worden. Dit onderscheid is cruciaal, omdat grote potentiële marktvolumes in technologiedebatten vaak worden gelijkgesteld aan verwachte omzet.

Andere groeimarkten zijn onder meer AI-gestuurde zoek- en advertentiesystemen, autonome voertuigen, vrachtwagens en drones, industriële automatisering, robotica, digitale tweelingen, geneesmiddelenontwikkeling, medische diensten, materiaalonderzoek en energie. De markt voor autonome systemen zal naar verwachting een potentieel van ongeveer 400 miljard dollar vertegenwoordigen, terwijl fysieke AI, inclusief simulaties, digitale tweelingen en robotica, wordt geschat op ongeveer 900 miljard dollar. Deze gebieden hebben een aanzienlijke economische waarde, maar ontwikkelen zich langzamer dan puur softwarematige producten. Ze vereisen hardware, wettelijke goedkeuringen, veiligheidstests, integratie in fysieke processen en vaak nieuwe aansprakelijkheidsregels.

Het tijdsverschil is daarom mogelijk belangrijker dan het marktpotentieel op de lange termijn. Zelfs als robotica en industriële AI enorme inkomsten genereren, moeten ze snel genoeg opschalen om de huidige investeringen te rechtvaardigen. Datacenters, chips en financieringskosten worden direct gemaakt; nieuwe fysieke toepassingen hebben vaak jaren nodig om een ​​brede marktrijpheid te bereiken. Een fundamenteel gezonde toekomstverwachting kan daarom alsnog een slechte investering blijken als de prijs, de financieringsstructuur of de timing verkeerd zijn.

Fysieke AI zal de tweede helft van de bloeiperiode bepalen

De successen van generatieve AI tot nu toe zijn vooral gericht op digitaal kenniswerk. Teksten, afbeeldingen, softwarecode, onderzoek en klantcommunicatie kunnen relatief snel in bestaande applicaties worden geïntegreerd. De potentiële inkomsten uit deze markten zijn aanzienlijk, maar op zichzelf lang niet voldoende om alle geplande infrastructuurinvesteringen te rechtvaardigen. De volgende groeifase moet daarom dieper doordringen in de fysieke economie.

Fysieke AI verbindt leersystemen met machines, voertuigen, productiefaciliteiten en de echte wereld. In fabrieken kunnen digitale tweelingen nieuwe productieprocessen simuleren voordat dure apparatuur wordt aangepast. Robots kunnen flexibeler reageren op veranderende werkstukken. In logistieke centra kunnen materiaalstromen, orderverzameling en autonoom transport worden gecoördineerd. In de auto-industrie kunnen ontwikkeltijden worden verkort, terwijl autonome systemen nieuwe diensten mogelijk maken. De economische waarde vloeit niet alleen voort uit lagere personeelskosten, maar ook uit een hogere beschikbaarheid van de fabriek, lagere afvalpercentages, snellere opstarttijden en de introductie van nieuwe producten.

Dit biedt een strategische kans, met name voor Duitsland en Europa. Hun industriële basis, proceskennis, gespecialiseerde machinefabrikanten en complexe toeleveringsketens bieden waardevolle data en toepassingsgebieden. Dit voordeel ontstaat echter niet vanzelf. Veel industriële data is gefragmenteerd, bedrijfseigen of onvoldoende gestructureerd. Bedrijven moeten hun data-architecturen moderniseren, interfaces standaardiseren en operationele kennis digitaal in kaart brengen. Zonder deze basis zal fysieke AI beperkt blijven tot demonstratieprojecten.

Monetarisering verschilt ook van typische cloudsoftware. Industriële bedrijven verwachten aantoonbare betrouwbaarheid, lange levensduur en duidelijke verantwoording. Ze accepteren geen permanente experimentele omgeving in veiligheidskritische processen. Daarom moeten leveranciers robuuste, geïntegreerde systemen leveren die modellen, sensoren, besturingssystemen, cybersecurity en onderhoud combineren. Precies hier kan een markt ontstaan ​​voor gespecialiseerde Europese leveranciers, een markt die minder gericht is op maximale modelgrootte en meer op domeinexpertise, integratie en vertrouwen.

De gemeenschappelijke kern van beide crises

De problemen met AI-agenten en neoclouds lijken in eerste instantie los van elkaar te staan. Enerzijds zijn er bedrijfsprocessen, governance en gebrekkige beslissingen; anderzijds datacenters, financiering en afschrijving. In werkelijkheid zijn beide gebaseerd op dezelfde economische misvatting: dat technische mogelijkheden zich bijna automatisch vertalen in winstgevende, schaalbare voordelen.

Bij agents wordt een succesvol pilotproject vaak ten onrechte gelijkgesteld aan productierijpheid. Bij infrastructuur worden snelgroeiende computerbehoeften geassocieerd met voldoende betalingsbereidheid en een duurzaam rendement op investering. In beide gevallen worden de tussenliggende fasen vaak over het hoofd gezien. Tussen modelprestaties en zakelijk voordeel liggen datakwaliteit, procesherontwerp, integratie, beveiliging, menselijk toezicht en acceptatie. Tussen computercapaciteit en rendement voor investeerders liggen benutting, prijsstelling, energiekosten, veroudering van hardware, financiering en concurrentie.

Deze bevinding pleit niet tegen AI, maar juist voor een meer professionele kapitaalallocatie. Technologische revoluties verlopen zelden lineair. Overdaad financiert experimenten en infrastructuur, maar leidt vervolgens tot correctie en consolidatie. Winnaars zijn niet per se de bedrijven die als eerste of het meest investeren. Vaak zijn het juist de bedrijven die de kosten verstandig beheren, leren van fouten in het begin en hun aanbod afstemmen op de daadwerkelijke betalingsbereidheid van de consument.

De hype moet zich vertalen in degelijke zakelijke praktijken

Bedrijven zouden AI-agenten alleen moeten inzetten waar een duidelijk gedefinieerd proces, betrouwbare data en een meetbare doelstelling aanwezig zijn. Het uitgangspunt moet niet zijn waar de grootst mogelijke autonomie kan worden aangetoond. De cruciale factor is waar een specifiek knelpunt kan worden weggenomen, de doorlooptijd kan worden verkort, de kwaliteit kan worden verbeterd of extra inkomsten kunnen worden gegenereerd. Voor elk gebruiksscenario moet vóór de start worden vastgesteld welke kosten en foutpercentages acceptabel zijn en onder welke voorwaarden het project zal worden stopgezet.

De implementatie moet gefaseerd plaatsvinden. In eerste instantie kan een agent suggesties doen, vervolgens handelen onder menselijke goedkeuring, en pas na stabiele prestaties kan het autonoom beperkte taken uitvoeren. Deze volwassenheidsniveaus maken het mogelijk om de voordelen en risico's afzonderlijk te monitoren. Een systeem dat als assistent nog geen meetbare waarde genereert, wordt niet economisch rendabel door simpelweg meer bevoegdheden te krijgen.

Parallel daaraan is een centrale inventarisatie vereist. Bedrijven moeten weten welke agents er zijn, welke modellen ze gebruiken, tot welke systemen ze toegang hebben en wie daarvoor verantwoordelijk is. Kosten moeten worden toegewezen aan individuele processen en bedrijfsonderdelen. Kritieke acties vereisen goedkeuringsdrempels en elke productieapplicatie heeft een functionerend afsluitmechanisme nodig. Governance mag niet worden gezien als een star document; het moet technisch ingebed zijn in platforms, identiteiten, protocollen en ontwikkelingsprocessen.

Ook de inkoop verandert. Contracten met AI- en cloudproviders moeten bepalingen bevatten over datagebruik, modelwijzigingen, toegang tot logbestanden, beveiligingsincidenten, prestaties, aansprakelijkheid en overstapmogelijkheden. Bedrijven moeten voorkomen dat kernprocessen afhankelijk worden van één enkele provider wiens prijzen, modellen of bedrijfsstrategie op korte termijn kunnen veranderen. Waar mogelijk vergroten modulaire architecturen en uitwisselbare modellen de onderhandelingspositie.

Voor infrastructuurinvesteerders is de klant het belangrijkste, niet de chip

Voor datacenters en neoclouds is toegang tot de huidige hardware alleen niet voldoende voor een levensvatbaar bedrijfsmodel. Investeerders moeten vooral kijken naar de kwaliteit en de duur van de vraag. Langetermijncontracten zijn alleen waardevol als klanten kredietwaardig zijn en daadwerkelijk aan de minimale afnamevereisten kan worden voldaan. Even belangrijk zijn energieprijzen, netwerkverbindingen, koeling, gebruikspatronen, herfinancieringsmogelijkheden en de restwaarde van oudere hardware.

Bijzondere voorzichtigheid is geboden wanneer groei grotendeels wordt gefinancierd met extra schulden en de verwachte capaciteitsbenutting is gebaseerd op een klein aantal klanten. Een afname van de vraag kan dan tegelijkertijd de omzet, de waarde van de activa en de financieringscapaciteit beïnvloeden. Stressscenario's moeten een combinatie zijn van lagere prijzen, vertraagde ingebruikname, afnemende capaciteitsbenutting, versnelde veroudering van hardware en hogere kapitaalkosten. Alleen wanneer een bedrijfsmodel levensvatbaar blijft, zelfs onder minder gunstige aannames, is het rendement op investering betrouwbaar.

Voor gespecialiseerde aanbieders leidt de weg van uitwisselbaarheid via differentiatie. Dit omvat zeer efficiënte datacenters, soevereine Europese operationele modellen, branchespecifieke platforms, gegarandeerde dataresidentie, geïntegreerde beveiligingsdiensten of een nauwe verbinding tussen infrastructuur en applicatie-expertise. Naarmate het aanbod toeneemt, wordt pure capaciteit een verhandelbaar goed. Vertrouwen, integratie en aantoonbare prestaties blijven daarentegen schaarser.

De aanstaande opruimactie betekent niet het einde van AI

De verwachte annulering van projecten en de mogelijke consolidatie van neoclouds betekenen geen weerlegging van kunstmatige intelligentie. Integendeel, ze zijn kenmerkend voor de overgang van een door technologie gedreven expansiefase naar een markt waar rendement op investering, betrouwbaarheid en institutionele volwassenheid van het grootste belang zijn. Een groot deel van de eerste projecten zal verdwijnen omdat ze slecht gedefinieerd, gebrekkig geïntegreerd of economisch niet haalbaar waren. Tegelijkertijd zullen succesvolle toepassingen dieper doordringen in de kernprocessen.

Infrastructuuractiva verliezen niet zomaar hun waarde. Rekenkracht kan na afschrijving, overnames of lagere prijzen nog steeds worden gebruikt. Voor gebruikers kan marktconsolidatie zelfs voordelig zijn als concurrentie en overcapaciteit de kosten verlagen. De winstverdeling verandert echter: klanten en latere kopers kunnen profiteren, terwijl vroege aandelen- en obligatiebeleggers een deel van de verliezen dragen.

Het meest waarschijnlijke ontwikkelingspad is daarom noch een volledige ineenstorting van de AI-verwachtingen, noch een soepele voortzetting van de bloei. Een tweeledige ontwikkeling is waarschijnlijker. Hoogwaardige, duidelijk gecontroleerde applicaties zullen blijven groeien en de standaard bedrijfsinfrastructuur worden. Daarentegen zullen ongedifferentieerde agentprojecten, slecht beveiligde bedrijfsmodellen en te dure capaciteiten onder druk komen te staan. De markt maakt onderscheid tussen technologische mogelijkheden en economische haalbaarheid.

De echte AI-revolutie begint niet met het volgende spectaculaire model, maar met het vermogen om technologie op een nuchtere manier om te zetten in betrouwbare waardecreatie. Bedrijven die kosten, controle en baten in balans houden, zullen sterker uit deze correctie komen. Degenen die autonomie opschalen zonder verantwoordelijkheid te nemen, of rekenkracht zonder winstgevende vraag, financieren daarentegen vooral de volgende golf van afschrijvingen.

Van inzicht naar vertrouwen: uw schaalbare traject met Xpert.Digital - Afbeelding: Xpert.Digital

In de industriële B2B-sector ontstaan ​​duurzame zakelijke relaties zelden van de ene op de andere dag. Ze ontwikkelen zich stap voor stap – door zichtbaarheid, professionele relevantie, terugkerende contactmomenten en groeiend vertrouwen. Het 4-stappenmodel van Xpert.Digital speelt hier precies op in: het biedt een gestructureerd traject dat begint met een beheersbaar instapmoment en, indien nodig, kan uitgroeien tot een diepere samenwerking in de bedrijfsontwikkeling.

In plaats van te vertrouwen op luide marketingbeloftes, plaatst dit model de relatie centraal. Bedrijven beginnen met duidelijk gedefinieerde, eenvoudig meetbare indicatoren en bepalen vervolgens, op basis van hun eigen ervaring, hoe ver ze de samenwerking willen uitbreiden. Een belangrijke factor voor dit ongestoorde proces van vertrouwensopbouw: het platform vermijdt volledig storende advertenties, waardoor de redactionele focus volledig op de expertise van de bedrijven blijft.

Meer informatie vindt u hier:

• Van inzicht naar vertrouwen: uw schaalbare traject met Xpert.Digital

☑️ 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