AI voorbij het experiment: 2027 wordt het jaar van de echte verandering [11 trends]

Ingehaald. Elke keer voel ik me weer ingehaald. Elke lezing, elk artikel. Ik volg technologische ontwikkelingen al meer dan 10 jaar, maar dit tempo blijft me verbazen. Toch zit de grootste verandering volgens mij niet in de zoveelste chatbot die slimmer wordt. AI begint inmiddels invloed te krijgen op zaken waar we veel minder snel aan denken. Van de manier waarop jonge medewerkers hun vak leren tot onze pensioenbeleggingen, de energierekening en de toekomst van het openbare internet. In deze blog duik ik in de 11 belangrijkste ontwikkelingen die ik voorzie voor komend jaar.

Voor mijn jaarlijkse AI-trendblog voor Frankwatching heb ik me opnieuw verdiept in een flinke stapel onderzoeken, bedrijfsrapporten en technologische ontwikkelingen. Daarbij heb ik bewust gezocht naar de trends achter de bekende verhalen over slimmere chatbots, meer AI-agents en robots die steeds meer kunnen.

Eerst even terugblikken op 2026

In mijn trendblog voor 2026 schreef ik over een sterkere samenwerking tussen mens en machine, AI-superapps, gespecialiseerde modellen, vertrouwen en de groeiende behoefte aan trainingsdata. Vooral de ontwikkelingen rondom agents zijn hard gegaan. Waar we vorig jaar nog enthousiast experimenteerden met digitale assistenten, beginnen die inmiddels bij steeds meer organisaties daadwerkelijk werkzaamheden over te nemen. Ik merk het zelf ook echt in mijn eigen bedrijven. In het begin was ik sceptisch, omdat agents zo werden gehyped. Maar inmiddels heb ik er meer dan 60 aan het werk, die echt van onschatbare waarde zijn in de dagelijkse werkzaamheden.

Ook de opkomst van gespecialiseerde modellen is goed zichtbaar. In de advocatuur, financiële sector en gezondheidszorg wordt steeds vaker gewerkt met AI die specifiek voor een bepaald vakgebied is ontwikkeld. De voorspelde AI-superapps ontwikkelen zich ondertussen wat minder overzichtelijk, al voorzie ik komend jaar nog wel een verrassing op dat vlak vanuit een techgigant. Want grote technologiebedrijven voegen steeds meer functies samen, maar we hebben nog niet één digitale assistent die werkelijk ons hele digitale leven regelt. Vooral de koppelingen met andere systemen, privacy en betrouwbaarheid blijven lastige onderwerpen. De lancering van Muse is een eerste interessante stap.

Misschien is vertrouwen wel de trend die de grootste verandering heeft doorgemaakt. Vorig jaar ging het veel over hallucinaties, deepfakes en de enorme hoeveelheid AI-content op internet. Inmiddels moeten we nadenken over systemen die zelfstandig handelingen uitvoeren en toegang krijgen tot gevoelige informatie. Dat betekent overigens niet dat iedereen al massaal met agents werkt. Uit Nederlands onderzoek van PwC blijkt dat 54% van de werknemers het afgelopen jaar AI op het werk gebruikte, terwijl dagelijks gebruik van AI-agents nog relatief zeldzaam is.

Voor 2027 verwacht ik daarom vooral een verschuiving van experimenteren naar de echte diepere gevolgen van AI. De technologie wordt steeds beter in het uitvoeren van werk, maar organisaties moeten ondertussen uitvinden hoe ze dat allemaal verstandig organiseren.

1. AI doet het werk en wij hoeven het alleen nog maar te controleren

Ik merk het zelf inmiddels op talloze vlakken. Door de verschillende AI-agents die ik heb gebouwd, ben ik een groot deel van het saaie, terugkerende werk kwijt. Informatie verzamelen, dingen uitzoeken, allerlei kleine klusjes die normaal gesproken ongemerkt veel tijd kosten. Mijn agents doen het werk en ik hoef vaak alleen nog maar even te controleren of alles klopt. Ik vind het echt fantastisch. Het levert me niet alleen tijd op, maar vooral ruimte in mijn hoofd. Meer energie voor creatieve ideeën, nieuwe projecten en de dingen die ik daadwerkelijk leuk vind om te doen.

Tegelijk zit daar voor mij een interessante ontwikkeling achter. Als AI steeds meer gaat produceren, moeten we ook steeds meer controleren. In de softwarewereld zien we de eerste gevolgen. Onderzoeksbureau GitClear analyseerde miljoenen codewijzigingen en zag onder andere een sterke toename van gedupliceerde code. Software kan daardoor vandaag prima werken, maar later lastiger te onderhouden zijn. Dat is niet uitsluitend aan AI toe te schrijven, maar het laat wel zien dat sneller produceren niet automatisch betere resultaten oplevert.

Bij accountants, advocaten en andere kenniswerkers speelt iets vergelijkbaars. Een medewerker kan dankzij AI misschien 20 analyses maken in de tijd waarin hij er vroeger twee produceerde, alleen moet iemand nog steeds vaststellen of de uitkomsten kloppen. Vooral subtiele fouten zijn lastig, omdat je daarvoor juist veel vakkennis nodig hebt.

Ik verwacht daarom dat het controleren van AI-werk echt een belangrijk specialisme wordt. Bedrijven zullen (moeten) investeren in onafhankelijke audits, verificatiesoftware en systemen die de resultaten van andere AI-modellen beoordelen. Voor mij persoonlijk is die controle nu nog een prima prijs voor alle tijd die ik terugkrijg. Maar op het moment dat een organisatie duizenden AI-processen laat draaien, wordt het een heel ander verhaal.

2. Je digitale collega krijgt een paspoort en een eigen budget

AI-agents kunnen steeds meer zelfstandig regelen. Ze zoeken informatie, bedienen software, versturen berichten en voeren complete werkprocessen uit. De volgende stap wordt in mijn optiek ook bijzonder interessant: agents die ook namens ons gaan betalen.

In Nederland wordt daar ook al volop mee geëxperimenteerd. ING voerde in juni 2026 samen met Worldline en Mastercard een echte agentgestuurde betaling uit. Een klant gebruikte een AI-assistent om concertkaarten te kopen bij het Koninklijk Concertgebouworkest. De klant gaf zijn voorkeuren en budget door, de agent zocht geschikte kaarten en regelde na goedkeuring de aankoop.

Ook het Nederlandse Adyen lanceerde een platform voor betalingen via agents. Daarmee kunnen webwinkels hun producten en betaalmogelijkheden beschikbaar maken voor verschillende AI-assistenten. Dat opent talloze gave mogelijkheden. Stel dat je digitale assistent straks zelfstandig je boodschappen bestelt, een goedkoper energiecontract zoekt of een treinkaartje koopt. Je geeft vooraf je voorkeuren en budget aan, waarna de agent de rest regelt. Het pakt taken op die mensen ook het liefst uit handen geven, zodat ze meer tijd kunnen besteden aan leukere dingen.

Maar wie is verantwoordelijk als het misgaat? Wat als een agent iets koopt wat je niet wilde, een onbetrouwbare webshop kiest of wordt gemanipuleerd door informatie op een website?

Daar komt nog een ander vraagstuk bij. Wie bepaalt welke producten jouw agent te zien krijgt? Als een AI-assistent namens miljoenen consumenten aankopen doet, wordt de partij achter die assistent een bijzonder machtige tussenpersoon. Het is ook een vraagstuk waar ik veel organisaties nu flink op zie inzetten. Hoe zorg je ervoor dat agents jouw bedrijf en jouw product aanraden en ook aanschaffen?

Ik verwacht dat we in 2027 steeds meer systemen krijgen waarmee agents een eigen digitale identiteit en duidelijk afgebakende bevoegdheden krijgen. Een soort paspoort waarmee ze kunnen aantonen namens wie ze handelen, wat ze mogen doen en wanneer ze toestemming moeten vragen.

De technologie is overigens volgens mij absoluut nog niet klaar voor volledig zelfstandig winkelen op grote schaal. Mollie waarschuwde eerder dit jaar dat vooral authenticatie, fraudeherkenning en aansprakelijkheid nog ingewikkelde vraagstukken zijn. Maar dat maakt de ontwikkeling juist ook weer interessant. We bouwen aan een nieuwe manier van winkelen en betalen, terwijl de spelregels nog grotendeels moeten worden geschreven.

3. De echte voorsprong zit straks in wat AI van jouw bedrijf leert

De grote AI-bedrijven proberen elkaar voortdurend te overtreffen met slimmere modellen. Bijna elke week is er wel weer een nieuw model, een nieuwe iteratie van een bestaand model dat wordt gelanceerd. Maar voor organisaties wordt waarschijnlijk iets anders belangrijker: de kennis die hun eigen AI-systemen tijdens het werk opbouwen.

Neem een verzekeraar die dagelijks duizenden schadeclaims beoordeelt. Medewerkers corrigeren regelmatig de uitkomsten van AI, bijvoorbeeld omdat een dossier ingewikkelder blijkt dan het systeem dacht. Al die correcties vormen samen waardevolle praktijkkennis. Een concurrent kan dan wel hetzelfde AI-model aanschaffen, maar beschikt niet automatisch over die ervaringen, context en kunde.

Ik raad organisaties daarom ook steeds vaker aan om niet alleen te kijken naar wat AI vandaag kan automatiseren, maar vooral naar hoe ze zelf slimmer worden van het gebruik ervan. Begin bijvoorbeeld met één terugkerend proces. Leg vast welke antwoorden van AI goed waren, welke antwoorden medewerkers moesten aanpassen en waarom. Verzamel die correcties op een centrale plek, zodat je ze later kunt gebruiken om het systeem te verbeteren.

Dat hoeft trouwens niet meteen met ingewikkelde technische oplossingen of tools. Een goed ingerichte kennisbank, duidelijke feedback van medewerkers en regelmatig testen met echte praktijdsituaties kunnen echt al veel verschil maken. Belangrijk is wel dat je zorgvuldig omgaat met vertrouwelijke informatie en afspraken maakt over wie de gegevens mag gebruiken, want dat zie ik nog te vaak niet duidelijk afgebakend of afgeschermd.

Ik denk dat organisaties die dit goed regelen een veel duurzamere voorsprong opbouwen dan bedrijven die simpelweg iedere maand het nieuwste AI-model aanschaffen.

Bron: takasu / Shutterstock.com

4. Van piramide naar diamant: de junior verdwijnt

Het is een trend waar ik in het begin ook kritisch op was, maar die ik toch echt bij talloze organisaties waar ik mee of voor werk zie gebeuren. Vooral in de juridische wereld, marketing en andere kennisintensieve sectoren wordt steeds meer eenvoudig werk door AI uitgevoerd. Dat heeft daarom ook echt gevolgen voor de manier waarop bedrijven zijn opgebouwd.

Traditioneel lijken veel organisaties op een piramide. Een brede laag junioren voert relatief eenvoudig werk uit, daarboven zitten ervaren medewerkers en managers, en helemaal bovenaan een kleine groep leidinggevenden.

AI begint die vorm nu echt te veranderen. Veel werkzaamheden die vroeger door junioren werden gedaan, kunnen inmiddels worden geautomatiseerd. Ik hoor het leadership van organisaties letterlijk zeggen: “Vroeger hadden we X aantal juniors, nu hebben we er nog maar 1 die goed om kan gaan met AI”. Tegelijkertijd groeit de behoefte aan ervaren professionals die AI-processen ontwerpen, controleren en verbeteren.

De piramide begint daardoor steeds meer op een diamant te lijken. Een smallere onderkant, een bredere middenlaag met mensen die ontwerpen, beoordelen en bijsturen, en een relatief kleine top.

Onderzoekers van Stanford zien al signalen van die verschuiving. In hun onderzoek naar de Amerikaanse arbeidsmarkt blijkt dat jonge werknemers van 22-25 jaar in beroepen die sterk aan AI zijn blootgesteld, een achterstand van 19% hebben opgelopen ten opzichte van de werkgelegenheidsontwikkeling bij vergelijkbare jongeren in minder blootgestelde beroepen. Er is nog geen bewijs voor massaal banenverlies in de hele economie, maar de gevolgen lijken vooral bij starters zichtbaar.

Dat roept een lastige vraag op. Hoe worden mensen straks nog goed in hun vak? Waar komen de seniors van morgen vandaan? Wie leidt hen op? Een beginnende advocaat leert veel door documenten te bestuderen. Een junior marketeer ontwikkelt gevoel voor campagnes door zelf analyses te maken. Als AI al dat werk overneemt, verdwijnt ook een deel van de praktijkopleiding. Voor organisaties betekent dit dat ze opnieuw moeten kijken naar hoe ze hun personeel opbouwen. Hoeveel jonge krachten hebben jullie nog nodig? Welke nieuwe functies komen er in de middenlaag naar voren? Hoe zorg je ervoor dat jonge medewerkers genoeg ervaring opbouwen om later die controlerende rol te vervullen?

Ik verwacht dus (en hoop om eerlijk te zijn) dat we nieuwe manieren van opleiden gaan zien, waarbij jonge medewerkers bewust bepaalde taken zelf blijven uitvoeren, met AI als begeleider. Anders besparen bedrijven vandaag op eenvoudig werk, maar ontdekken ze over vijf jaar dat er te weinig ervaren medewerkers zijn.

5. AI wordt goedkoper, maar de rekening loopt toch op

Een van de duidelijkste ontwikkelingen dit jaar is de discussie over de kosten van AI. De prijs van een afzonderlijke AI-actie daalt, maar tegelijkertijd geven bedrijven steeds meer geld uit aan deze technologie. Heb je net je werknemers aan de AI gekregen, lopen de kosten zo de pan uit dat je voor jezelf de kosten niet meer kan uitleggen.

Dat gebeurt vooral omdat agents veel ingewikkeldere taken uitvoeren dan oude chatbots. Een eenvoudige vraag kost weinig rekenkracht. Een agent die zelfstandig een uitgebreid onderzoek doet, moet misschien honderden documenten lezen, meerdere systemen raadplegen en zijn eigen resultaten checken. In al die stappen worden tokens gebruikt, de kleine stukjes informatie die AI-systemen verwerken. Hoe meer een agent doet, hoe hoger de rekening kan worden.

In Silicon Valley is zelfs een opvallende trend ontstaan: tokenmaxxing. Medewerkers werden aangemoedigd om zoveel mogelijk AI te gebruiken, waarbij het gebruik van tokens bijna werd gezien als maatstaf voor productiviteit. Dat liep bij sommige bedrijven behoorlijk uit de hand. Uber had zijn hele AI-budget voor 2026 al in de eerste 4 maanden opgebruikt. Het bedrijf moedigde programmeurs aan om veel AI te gebruiken, maar ontdekte dat meer gebruik niet altijd betekende dat er ook evenveel waarde werd gecreëerd. Amazon heeft om diezelfde reden een interne ranglijst voor AI-tokengebruik gestopt. Het bericht van het bedrijf was duidelijk: “Gebruik AI niet alleen maar om AI te gebruiken.”

In Nederland krijgen we ook vergelijkbare vragen over de opbrengsten van AI-investeringen. Volgens een Europees onderzoek van Frends levert slechts 21% van de onderzochte Nederlandse AI-projecten meetbare resultaten op. Dit cijfer komt uit een enquête onder IT- en zakelijke besluitvormers, maar laat wel zien hoe lastig het is om de waarde van AI goed te meten.

Voor 2027 verwacht ik daarom een veel kritischer blik op AI-kosten. Bedrijven gaan niet alleen kijken naar hoeveel medewerkers AI gebruiken, maar vooral naar de kosten per succesvol afgeronde taak. Soms is een goedkoper model voldoende, soms is een duurder model de investering waard, en soms blijkt een mens nog steeds de beste oplossing. Ik zie dit al voorbijkomen bij organisaties waar ik mee werk. Licenties worden opgezegd als mensen ze niet gebruiken of worden zelfs gelimiteerd, zodat werknemers niet eindeloos tokens kunnen opbranden. Philips geeft elke medewerker bijvoorbeeld al een persoonlijk dashboard om het eigen AI-gebruik inzichtelijk te maken en kijkt ook heel scherp naar wat de verhouding tussen opbrengst en waarde oplevert.

Bron: Jack_the_Sparrow / Shutterstock.com

6. De AI-bubbel gaat barsten, maar dat hoeft geen slecht nieuws te zijn

Bij vrijwel iedere keynote die ik over AI geef, hoor ik de vraag: “Wanneer denk je dat de bubbel gaat barsten?”. Ik vind dat altijd een interessante discussie, omdat technologische revoluties vaak gepaard gaan met enorme verwachtingen en overinvesteringen. Denk aan de internetbubbel rond 2000, de enorme investeringen in telecomnetwerken of aan verschillende cryptobubbels. Achteraf bleken veel verwachtingen overdreven, maar de technologie zelf verdween niet. Sterker nog, een deel van de infrastructuur en bedrijven die tijdens zulke periodes ontstonden, werd later juist ontzettend belangrijk.

Ik vind bubbels wat dat betreft daarom niet per definitie slecht. Ze zorgen voor aandacht, enthousiasme en enorme hoeveelheden kapitaal. Daardoor groeien ontwikkelingen die anders misschien veel langer zouden duren. Vorig jaar voorspelde ik al dat de AI-bubbel zou kunnen barsten, maar daar zat ik voorlopig naast.

Echter verwacht ik nog steeds dat er een stevige correctie komt, mogelijk al in 2027. De investeringen zijn inmiddels zo groot dat niet alle bedrijven hun beloften kunnen waarmaken. Nu niet, volgend jaar niet, nooit niet. Het IMF waarschuwde in oktober 2026 voor de financiële risico’s van een mogelijke correctie in AI-aandelen, vooral door hoge waarderingen en toenemende schulden.

Interessant is dat de risico’s inmiddels verder reiken dan de technologiebedrijven zelf. De BIS berekende dat private kredietfondsen eind 2025 meer dan 500 miljard dollar hadden uitgeleend aan softwarebedrijven. Juist die bedrijven kunnen onder druk komen wanneer AI-agents traditionele software-abonnementen vervangen, de saasacopalypse.

Voor Nederland is dat trouwens extra relevant. De Nederlandsche Bank berekende dat Nederlandse pensioenfondsen eind juli 2025 ruim 150 miljard in aandelen van technologiebedrijven hadden belegd. Dat is niet allemaal AI, maar het laat zien hoe sterk onze pensioenvermogens met de technologiesector verweven zijn. Ik verwacht dus dat de AI-bubbel uiteindelijk echt wel gaat barsten. Maar dat betekent niet dat AI mislukt. Waarschijnlijk verdwijnen vooral bedrijven en verdienmodellen die de enorme verwachtingen niet kunnen waarmaken, terwijl de technologie, de infrastructuur eronder, zelf verder groeit.

7. AI vindt sneller beveiligingsproblemen dan we kunnen oplossen

Begin 2026 nam Daniel Stenberg (de ontwikkelaar van de bekende softwaretool curl) een opvallende beslissing. Hij stopte met zijn bugbountyprogramma (leuk scrabble woord!), waarmee beveiligingsonderzoekers geld konden verdienen door kwetsbaarheden te melden. Een belangrijke reden was de enorme hoeveelheid slechte meldingen, waaronder rapporten die met AI waren gemaakt. Zijn team was steeds meer tijd kwijt aan het beoordelen van problemen die vaak helemaal geen echte kwetsbaarheden bleken te zijn. AI slop tot he max!

Dit voorbeeld laat voor mij een nieuw cybersecurityprobleem zien. AI maakt het gemakkelijker om beveiligingsfouten te zoeken, maar iemand moet nog steeds vaststellen of een melding klopt en hoe het probleem kan worden opgelost. Tegelijk kunnen AI-agents zelf nieuwe risico’s veroorzaken. Een aanvaller kan bijvoorbeeld kwaadaardige instructies verstoppen in een document dat een agent moet lezen. Als de agent die instructies opvolgt, kan hij onbedoeld gegevens delen of bestanden aanpassen.

We hebben daarnaast de vele hacks gezien die AI heeft veroorzaakt. De agent swarms die inbraken op platformen als hugging face, maar ook de Australische overheid hackten. De technologie creert daarmee ook op dit vlak een gekke spagaat. Aan de ene kant zorgt het voor heel veel meer hacks. Het aantal cyberrisico’s is alleen deze zomer al verzesvoudigd. Aan de andere kant hebben we modellen zoals Mythos die juist bedrijven helpen om bugs op te sporen en te verhelpen.

Voor 2027 verwacht ik daarom meer aandacht voor herstelcapaciteit. Softwarebedrijven hebben weinig aan systemen die duizenden kwetsbaarheden ontdekken wanneer hun ontwikkelaars nauwelijks tijd hebben om ze veilig te repareren.

8. Het internet dat AI groot maakte, begint in 2027 zijn deuren te sluiten

De grote AI-modellen zijn natuurlijk mede zo krachtig geworden dankzij de enorme hoeveelheid informatie op het openbare internet. Artikelen, websites, programmeerfora en wetenschappelijke publicaties vormden een belangrijke voedingsbodem voor GPT, Claude etc.

Maar de makers van die informatie beginnen zich steeds vaker af te vragen wat ze daarvoor terugkrijgen. Jarenlang verdienden uitgevers geld doordat mensen via zoekmachines op hun websites terechtkwamen. Een AI-assistent kan informatie uit verschillende artikelen samenvoegen tot één antwoord, waardoor de gebruiker de oorspronkelijke websites niet meer hoeft te bezoeken. De discussie rondom de AI-antwoorden in Google is hierin het meest tastbare voorbeeld.

Cloudflare experimenteert daarom met betaalde toegang voor AI-crawlers. Website-eigenaren kunnen daarmee mogelijk geld vragen wanneer AI-bedrijven hun informatie willen gebruiken. Voor uitgevers is dat een interessante ontwikkeling, maar naar mijn idee ook voor marketeers. Als consumenten steeds vaker rechtstreeks advies vragen aan AI-assistenten, dan wordt het belangrijk welke merken en bronnen daarin worden genoemd.

Tegelijkertijd kan oorspronkelijke kennis juist waardevoller worden. Een AI-model kan duizenden artikelen samenvatten, maar iemand moet nog steeds nieuwe feiten ontdekken, onderzoek doen en echte ervaringen verzamelen. Dat biedt kansen voor journalisten, experts en bedrijven die meer te vertellen hebben dan wat overal al te lezen staat.

9. Robots leren straks in werelden die niet bestaan

Een van de ontwikkelingen waar ik zelf het meest enthousiast van word, is de combinatie van AI, robotica en VR. Met zogenaamde world models kunnen onderzoekers digitale omgevingen bouwen waarin AI leert hoe de fysieke wereld werkt. Een robot kan bijvoorbeeld duizenden keren oefenen met het oppakken van voorwerpen of het ontwijken van obstakels, zonder dat er in de echte wereld iets kapotgaat.

AI-grootheden als Fei Fei Li en Yann LeCun zijn het afgelopen jaar ook al ‘all-in’ gegaan met een eigen bedrijf in world models. Ook Google laat met Project Genie zien hoe AI interactieve werelden kan maken. Deze technologie biedt interessante mogelijkheden om toekomstige humanoids en zelfrijdende auto’s te trainen en te testen.

Deze ontwikkeling kan ook wetenschappelijk onderzoek versnellen. AI-systemen kunnen hypotheses bedenken, waarna geautomatiseerde laboratoria experimenten uitvoeren en de resultaten teruggeven aan het model. Je zag zoiets al rondom het corona vaccin, wat zo versneld op de markt kwam.

Voor de ontwikkeling van nieuwe medicijnen, materialen en batterijen kan dat in mijn optiek echt megaveel betekenen. De stap van een veelbelovende simulatie naar een betrouwbaar resultaat in de echte wereld blijft echter nog groot.

10. Nederland belandt midden in de geopolitieke AI-strijd

AI is inmiddels veel meer dan een wedstrijd tussen technologiebedrijven. De VS en China strijden om geavanceerde chips, rekenkracht en de controle over belangrijke technologie. Nederland speelt hierin een opvallende rol, dankzij bedrijven zoals ASML. Zonder de machines van ASML is de productie van de meest geavanceerde chips bijzonder moeilijk. Dat maakt dit Nederlandse bedrijf tot een belangrijke speler in de internationale machtsstrijd.

Tegelijk probeert Europa juist minder afhankelijk te worden van Amerikaanse cloudbedrijven en AI-modellen. Maar een datacenter dat fysiek in Europa staat, betekent nog niet automatisch dat Europa ook de controle heeft over de technologie.

Wie bezit de infrastructuur? Welke wetgeving geldt voor de leverancier? Wat gebeurt er wanneer een buitenlandse overheid beperkingen oplegt? Voor banken, ziekenhuizen en overheden worden die vragen steeds belangrijker. Zij kunnen niet zomaar zonder de digitale systemen waarop hun werkzaamheden draaien. Ik zie te veel organisaties die al hun core processen bouwen op Amerikaanse modellen, zonder na te denken over dit soevereiniteitsvraagstuk.

Ik verwacht dat digitale onafhankelijkheid in 2027 een veel concreter onderwerp wordt. Niet elke organisatie hoeft alles zelf te bouwen, maar bedrijven zullen beter moeten begrijpen van welke leveranciers ze afhankelijk zijn en welke alternatieven ze hebben.

11. We krijgen meer tijd dankzij AI, maar worden alleen maar drukker

AI zou ons toch zeeën van tijd gaan opleveren? Minder administratie, minder saaie klusjes en eindelijk tijd voor het werk dat we écht leuk vinden. Alleen zie ik ook iets geks gebeuren: hoe meer werk AI van ons overneemt, hoe drukker we het krijgen. Ik hoor steeds meer professionals hierover klagen.

Onderzoekers van UC Berkeley volgden 8 maanden lang medewerkers van een technologiebedrijf. Wat bleek? AI zorgde niet automatisch voor meer vrije tijd. Medewerkers pakten juist meer taken op, werkten sneller en gingen vaker buiten werktijd door. De tijd die ze bespaarden, vulden ze vrijwel onmiddellijk met nieuw werk.

Er ontstaat zelfs een nieuwe term: brain fry. Onderzoekers van Boston Consulting Group ontdekten bij een onderzoek onder 1488 Amerikaanse werknemers dat 14% van de AI-gebruikers mentale vermoeidheid ervaart door intensief gebruik van of toezicht op AI. Vooral het voortdurend controleren van verschillende AI-systemen vraagt veel concentratie.

Ik herken dat ergens ook bij mezelf. Met mijn tientallen agents kan ik inmiddels ontzettend veel werk verzetten. Maar betekent dat ook dat ik eerder mijn laptop dichtklap? Nou, niet bepaald! Er dienen zich juist voortdurend nieuwe ideeën, projecten en mogelijkheden aan, en zo kom je dus in die eindeloze loop.

Voor 2027 verwacht ik daarom dat we veel kritischer gaan kijken naar wat productiviteit eigenlijk betekent. Als een medewerker dankzij AI twee keer zoveel werk kan verzetten, verwachten we dan ook twee keer zoveel van die medewerker? Misschien wordt de grootste uitdaging van AI straks niet om nóg meer gedaan te krijgen, maar om eindelijk eens te bepalen wanneer het genoeg is. 🙂

De belangrijkste AI-doorbraak is misschien niet de meest spectaculaire

De belangrijkste AI-doorbraak van 2027 kan best eens iets zijn dat op een technologiebeurs nauwelijks applaus krijgt. Een betrouwbaar controlesysteem, een nieuwe manier om medewerkers op te leiden of een digitale identiteit waarmee AI-agents veilig kunnen samenwerken. Niet zo spectaculair als een robot die een salto maakt, maar waarschijnlijk een stuk belangrijker voor de wereld waarin we straks met al die slimme technologie moeten leven.