Iedereen heeft het over AI. LinkedIn staat vol. Leveranciers beloven AI-oplossingen. Het voelt als hype. Het is ook hype.
Maar tegelijkertijd wordt het zwaar onderschat. Niet omdat de technologie beter is dan je denkt. Maar omdat bijna iedereen het verkeerd gebruikt.
Ik heb de afgelopen 3 jaar enorm veel geleerd. ChatGPT, Claude en Gemini dagelijks gebruikt. Agents uitgeprobeerd via tools zoals N8N. MCP connectors in mijn eigen agentic-ChatGPT gebouwd met LibreChat. Plus diverse open-sourceprojecten getest, zoals NocoDB (die een standaard MCP connector maken).
En wat ik zie?
Het probleem zit niet in enthousiasme. Ook niet in de mogelijkheden. Dat is er genoeg.
Het probleem zit in hoe het wordt ingezet.
Laat met het uitleggen:
De bubbel gaat waarschijnlijk barsten
Steeds meer mensen lopen tegen de beperkingen aan. LLMs (Large Language Models, de software achter zo’n AI-interface) hallucineren. Ze maken fouten. Ze begrijpen context niet altijd. Dus de vraag komt: is dit niet gewoon hype?
En ik denk, ja: Ik vermoed dat de spreekwoordelijke zeepbel gaat klappen. Maar niet zoals we het kennen, maar wel een beetje zoals het internet in 2000.
Grote bedrijven gaan waarschijnlijk miljarden afschrijven op gefaalde projecten. Veel startups gaan failliet. Een terugtrekking komt eraan. Maar kijk wat er gebeurde na de dot-com-crash: Het web verdween niet.
Het werd groter en fundamenteler. De verwachtingen werden bijgesteld, maar de revolutie ging door.
Hetzelfde gaat gebeuren met AI. De correctie komt waarschijnlijk; bedrijven schrijven af, maar de technologie blijft. En we leren sneller deze keer, omdat genoeg mensen de vorige crash meemaakten.
En laat me eerlijk zijn: sinds deze week werk ik ook met Gemini 3 PRO van Google. En het laat weer zien dat er nog véél meer mogelijk is. De menselijke intelligentie en mogelijkheid tot dingen te onthouden wordt in rap tempo ingehaald.
De modellen worden steeds krachtiger, beter gereedschap. Maar het punt blijft staan: je komt er vrij weinig mee als je niet de infrastructuur op orde brengt.
En dat is precies de paradox. De modellen worden beter en beter. Maar zonder de juiste achterkant blijf je gewoon in playtime mode hangen. Waarmee ik bedoel: het is leuk, maar nog niet revolutionair.
Laat het met uitleggen:
Playtime is niet de revolutie
De verwachtingen gaan over wat het allemaal kan. De LLMs, de modellen, de mogelijkheden. Maar de meeste bedrijven zitten in uitprobeermodus. Ze gebruiken het om bestaande taken te helpen. ChatGPT voor e-mails naar klanten. Misschien al copilot voor Excel tools, wat code. Samenvattingen maken. Misschien online research en antwoorden krijgen.
Hoewel nuttig, is dat is niet de revolutie. Dat is uitproberen.
De revolutie is hele processen van de grond af opnieuw uitvinden. AI-first denken. Niet "hoe helpt dit mijn bestaande proces" maar "als ik dit proces vandaag zou ontwerpen met deze technologie, hoe zou het eruitzien?"
Voor metaalbedrijven betekent uitproberen: het gebruiken om offertes sneller te maken. E-mails schrijven. Data uit rapporten samenvatten.
En ja, dat scheelt tijd. Maar het is geen transformatie. De revolutie is processen herontwerpen die voorheen onmogelijk waren. Niet omdat het je oude werkwijze verbetert, maar omdat het nieuwe manieren van werken mogelijk maakt.
En bijna niemand doet dat nog. Daarom wordt het zo onderschat.
ChatGPT is maar een fractie van wat mogelijk is
Veel mensen denken dat ze het begrijpen omdat ze ChatGPT gebruiken. Maar dat is maar een fractie van wat mogelijk is. Om te begrijpen wat is raad ik aan eens deze (Engelse) video’s te kijken: Hier een goede uitleg over AI van Andrej Karpathy, als je echt wilt begrijpen hoe ze gebouwd zijn.
Ik begin zelf nu pas door te krijgen wat agents echt kunnen. Niet chatbots waar je vragen aan stelt. Maar systemen die toegang hebben tot je applicaties, data ophalen en vergelijken, acties uitvoeren, met andere agents communiceren, leren van resultaten.
Dit gaat veel verder dan "schrijf een email voor me" of "vat dit rapport samen". Dit gaat over systemen die zelfstandig werk verzetten. Die beslissingen nemen. Die reageren op veranderingen in je productie. Die met je ERP en MES praten en daar dingen mee doen.
Maar hier komt het probleem: dat kan alleen als je de juiste infrastructuur hebt. En daar heeft vrijwel niemand het over.
Waarom leveranciers het verkeerd doen
Ondertussen proberen alle softwarebedrijven het in hun verouderde systemen te proppen. ERP-leveranciers. Boekhoud-apps. Zelfs in je kantoor software systemen zoals MS Office ontkom je er niet meer aan: "Onze software heeft nu AI!"
Maar ik denk dat dit niet gaat werken. Ze nemen architectuur gebouwd voor knoppen en formulieren en plakken er een laag bovenop. Maar zo werkt het niet.
Je hebt toegang tot data nodig, acties moeten kunnen worden uitgevoerd, verschillende systemen moeten met elkaar kunnen praten. Een ERP gebouwd in 2010 kan dat niet bieden zonder volledig herbouwen.
Dus wat krijg je?
Een chatinterface waar je vragen aan kunt stellen over data in het systeem. "Hoeveel orders hebben we deze maand?" "Wat is de status van order 12345?" Fancy, maar niet transformerend. Alle bedrijven die een ChatGPT-wrapper hebben gemaakt, hun eigen chatbot hebben nagemaakt of in hun app hebben gestopt? Ik weet niet of die het gaan redden. Er zal in ieder geval veel afgeschreven worden.
En ik denk dat daarom ook een hoop softwarecategorieën gaan verdwijnen, waaronder de traditionele ERP. Je wilt het niet in software forceren als het er niet voor ontworpen is. Je wilt software die het kan gebruiken. Dat verschil is enorm.
Daarom denk ik ook dat diverse open source projecten, zoals NocoDB, United Manufacturing Hub (UMH) en zelfs platformen zoals Odoo hier enorme stappen gaan maken.
Luke van Enkhuizen
Waar we nu staan in de hype cyclus
Er is een mooi framework dat beschrijft waar we nu zitten. De Gartner Hype Cycle. We zitten nu op de piek van verwachtingen. Iedereen verwacht wonderen. Volgende fase: de dal van teleurstelling. Projecten mislukken, "het was toch hype." Maar daarna komt de fase van leren. We ontdekken wat wel werkt. En dan wordt het normaal. Wie het niet heeft, loopt achter.
De correctie die komt is de overgang van piek naar dal. Pijnlijk, maar nodig. En wie nu leert, is klaar voor de fase erna.
Bij al deze grootste plannen van bedrijven, moest ik denken aan de Amerikaanse futurist Roy Amara en zijn bekende wet over het voorspellen van de impact van technologie.
Vrij vertaald: we hebben de neiging om de korte-termijn effecten van technologie te overschatten en de lange-termijn effecten te onderschatten.
Nu denken mensen dat het alles oplost. Meteen. Dat is de hype. Als het dat niet doet: teleurstelling. Maar over vijf, tien jaar onderschatten we volledig hoe fundamenteel anders dingen werken.
Deze keer is het echt anders. Niet omdat het magisch is. Maar omdat het menselijke competenties aanvult of vervangt. Cognitief werk dat voorheen alleen mensen konden. Patronen herkennen. Beslissingen nemen op complexe input. Leren van feedback.
Er zijn nu al bedrijven die processen implementeren die onmogelijk waren voor GenAI. Niet veel, maar genoeg om te bewijzen dat het werkt.
Het is (nog) geen toverstaf
De beperkingen gaan niet over de technologie zelf. Het is dat er geen toverstaf is. LLMs vereisen infrastructuur, datakwaliteit en leren hoe je ze gebruikt. En dat is precies waar het misgaat. Bijna iedereen kijkt naar de modellen. Naar ChatGPT, Claude, Gemini. Maar nagenoeg niemand kijkt naar wat erachter moet zitten.
Negen van de tien bedrijven is hier niet mee bezig. Of weet er niets van. Het enige wat we doen, is ChatGPT gebruiken. En dat is maar het begin. Een handige chatbot. Maar het komt niet in de buurt van de potentie die dit heeft in de industrie.
Er zijn in mijn zicht, drie kerndingen die de metaalindustrie moet leren om überhaupt iets te kunnen. De meeste bedrijven zijn er niet mee begonnen. De meeste mensen hebben er nog nooit van gehoord.
En dat is precies waar ik nog verder over ga schrijven in het artikel volgende week. Dus stay tuned.
Mijn vraag aan jou is: hoe gebruik jij AI al in je werk?