Wat eerdere tech-booms ons leren over AI

De infrastructuurcyclus herhaalt zich

Silicon Valley beweert vaak dat hun nieuwste doorbraak ongekend is. Dat is niet zo. De huidige AI-golf weerspiegelt de spoorwegexpansie van de 19e eeuw en de dot-com-boom van eind jaren 90. We zien een enorme verschuiving in hoe kapitaal stroomt en hoe rekenkracht wordt gecentraliseerd. Het gaat erom wie de infrastructuur van de toekomst bezit. De Verenigde Staten lopen voorop omdat ze de diepste zakken en de meest agressieve cloud providers hebben. De geschiedenis leert dat degenen die de rails of de glasvezelkabels controleren, uiteindelijk de voorwaarden voor iedereen bepalen. AI is niet anders. Het volgt een bekend pad van infrastructuur opbouwen, gevolgd door snelle consolidatie. Dit patroon begrijpen helpt ons voorbij de hype te kijken en te zien waar de echte macht ligt in deze nieuwe cyclus. De kernboodschap is simpel. We bouwen niet alleen slimmere software. We bouwen een nieuw nutsvoorziening die net zo fundamenteel zal zijn als elektriciteit of het internet. De winnaars zijn degenen die de fysieke hardware en de enorme datasets controleren die nodig zijn om deze systemen draaiende te houden.

Van stalen rails naar neurale netwerken

Om AI vandaag de dag te begrijpen, moet je kijken naar de Amerikaanse spoorwegboom. In het midden van de 19e eeuw stroomde er enorm veel kapitaal in het aanleggen van sporen over het hele continent. Veel bedrijven gingen failliet, maar de rails bleven liggen. Die rails vormden het fundament voor de volgende eeuw van economische groei. AI bevindt zich momenteel in de fase van het leggen van rails. In plaats van staal en stoom gebruiken we silicium en elektriciteit. De enorme investeringen van bedrijven als Microsoft en Google bouwen de compute clusters die elke andere industrie zullen ondersteunen. Dit is een klassieke infrastructuur-strategie. Wanneer een technologie enorm veel kapitaal vereist om te starten, bevoordeelt dit natuurlijk grote, gevestigde spelers. Daarom domineren enkele firma’s in de VS het veld. Ze hebben het geld om de chips te kopen en de grond om datacenters te bouwen. Ze hebben ook de bestaande gebruikersgroepen om hun modellen op schaal te testen. Dit creëert een feedbackloop waarin de grootste spelers meer data krijgen, wat hun modellen beter maakt, wat weer meer gebruikers aantrekt.

Mensen zien AI vaak als een op zichzelf staand product. Het is nauwkeuriger om het als een platform te zien. Net zoals het internet de [external-link] geschiedenis van het internet nodig had om van een militair project naar een wereldwijde nutsvoorziening te gaan, verhuist AI van onderzoekslaboratoria naar de ruggengraat van bedrijfsactiviteiten. De overgang gaat sneller dan bij eerdere cycli omdat het distributienetwerk al bestaat. We hoeven geen nieuwe kabels aan te leggen om gebruikers te bereiken. We hoeven alleen de servers aan het einde van de lijnen te upgraden. Deze snelheid maakt dat het huidige moment anders aanvoelt, ook al zijn de onderliggende economische patronen bekend. De concentratie van macht is een kenmerk van deze fase, geen bug. De geschiedenis suggereert dat zodra de infrastructuur er ligt, de focus verschuift van het bouwen van systemen naar het extraheren van waarde eruit. We naderen dat kantelpunt nu.

Het Amerikaanse kapitaalvoordeel

De wereldwijde impact van AI is direct verbonden met wie de rekening kan betalen. Op dit moment zijn dat vooral de VS. De diepte van de Amerikaanse kapitaalmarkten maakt een risiconiveau mogelijk dat andere regio’s moeilijk kunnen evenaren. Dit creëert een aanzienlijk gat in platformmacht. Wanneer een handvol bedrijven de cloud controleert, bepalen zij effectief de spelregels voor iedereen. Dit heeft grote gevolgen voor nationale soevereiniteit en wereldwijde concurrentie. Landen die niet over hun eigen grootschalige compute-infrastructuur beschikken, moeten deze huren bij Amerikaanse providers. Dit creëert een nieuw soort afhankelijkheid. Het gaat niet meer alleen om softwarelicenties. Het gaat om toegang tot de rekenkracht die nodig is om een moderne economie te draaien. Deze centralisatie van macht is een terugkerend thema in de tech-geschiedenis.

Er zijn drie hoofdredenen waarom deze macht in handen van enkelen blijft:

• De kosten voor het trainen van een toonaangevend model lopen inmiddels in de miljarden dollars.
• De gespecialiseerde hardware die nodig is, wordt geproduceerd door een zeer klein aantal fabrikanten.
• De enorme energiebehoefte van datacenters bevoordeelt regio’s met stabiele en goedkope energienetten.

Deze realiteit spreekt het idee tegen dat AI een grote gelijkmaker zal zijn. Hoewel de tools toegankelijker worden voor individuen, blijft de onderliggende controle meer geconsolideerd dan ooit. Overheden beginnen deze onbalans op te merken. Ze kijken naar historische precedenten zoals de [external-link] Sherman Antitrust Act om te zien of oude wetten nieuwe monopolies kunnen aanpakken. Echter, de industriële snelheid is momenteel sneller dan het beleid. Tegen de tijd dat een regelgeving wordt besproken en aangenomen, is de technologie vaak al twee generaties verder. Dit creëert een permanente achterstand waarbij de wet altijd reageert op een realiteit die al veranderd is.

Wanneer software sneller gaat dan de wet

De impact in de echte wereld van deze snelheid is zichtbaar in hoe bedrijven gedwongen worden zich aan te passen. Denk aan een dag in het leven van een klein marketingbureau in Chicago. Vijf jaar geleden huurden ze junior schrijvers in om teksten te schrijven en onderzoekers om trends te vinden. Vandaag gebruikt de eigenaar een enkel abonnement op een AI-platform om zeventig procent van die werkdruk af te handelen. De ochtend begint met een door AI gegenereerde samenvatting van wereldwijde marktverschuivingen. Tegen de middag heeft het systeem dertig verschillende advertentievariaties opgesteld op basis van die verschuivingen. Het menselijk personeel fungeert nu als redacteuren en strategen in plaats van makers. Deze verschuiving vindt plaats in elke sector, van recht tot geneeskunde. Het verhoogt de efficiëntie, maar creëert ook een enorme afhankelijkheid van de platformprovider. Als de provider zijn prijzen of servicevoorwaarden wijzigt, heeft het marketingbureau geen andere keuze dan zich te schikken. Ze hebben de tool zo diep in hun workflow geïntegreerd dat ze niet zomaar terug kunnen schakelen naar handarbeid.

Dit scenario laat zien waarom beleid moeite heeft om bij te blijven. Toezichthouders maken zich nog steeds zorgen over dataprivacy en auteursrecht, terwijl de industrie al beweegt richting autonome agents die financiële beslissingen kunnen nemen. De industriële snelheid van AI-ontwikkeling wordt gedreven door een race om marktaandeel. Bedrijven zijn bereid om nu dingen kapot te maken en ze later te repareren, omdat tweede zijn in een infrastructuurrace vaak hetzelfde is als laatste zijn. We zagen dit bij de browseroorlogen en de opkomst van sociale media. De winnaars zijn degenen die snel genoeg bewegen om de standaard te worden. Zodra je de standaard bent, ben je erg moeilijk te verdringen. Dit creëert een situatie waarin het publiek belang vaak ondergeschikt is aan de drang naar schaal. De tegenstrijdigheid is dat we de voordelen van de technologie willen, maar huiverig zijn voor de macht die het aan enkele bedrijven geeft.

De laatste AI-industrieanalyse op [internal-link] laatste AI-industrieanalyse suggereert dat we een fase van diepe integratie ingaan. Dit is waar de technologie stopt met een noviteit te zijn en een vereiste wordt. Voor een bedrijf zal het niet gebruiken van AI binnenkort zijn als het niet gebruiken van internet in 2010. Het is misschien mogelijk, maar het zal ongelooflijk inefficiënt zijn. Deze druk om te adopteren drijft de snelle groei aan, zelfs als de langetermijngevolgen onduidelijk zijn. We zien een herhaling van begin jaren 2000 toen bedrijven zich naar online haastten zonder de beveiligings- of privacyrisico’s volledig te begrijpen. Het verschil vandaag is dat de schaal veel groter is en de belangen hoger zijn. De systemen die we nu bouwen zullen waarschijnlijk bepalen hoe we de komende decennia werken en communiceren.

Lastige vragen voor het computertijdperk

We moeten socratische scepsis toepassen op de huidige boom. Wat zijn de verborgen kosten van deze snelle expansie? De meest voor de hand liggende is de impact op het milieu. Het [external-link] rapport van het Internationaal Energieagentschap over datacenters benadrukt hoeveel stroom deze systemen verbruiken. Naarmate we meer datacenters bouwen, belasten we verouderde energienetten verder. Wie betaalt voor die infrastructuur? Zijn het de bedrijven die miljarden verdienen, of de belastingbetalers die het net delen? Er is ook de kwestie van datalabour. Deze modellen zijn getraind op de collectieve output van de mensheid, vaak zonder toestemming of compensatie. Is het eerlijk dat een paar bedrijven de waarde van publieke data privatiseren? We moeten ons afvragen wie er echt profiteert van deze efficiëntie. Als een taak die tien uur duurde nu tien minuten duurt, krijgt de werknemer dan meer vrije tijd, of krijgt hij gewoon tien keer meer werk?

Privacy is een ander gebied waar de kosten vaak verborgen zijn. Om AI nuttiger te maken, geven we het meer toegang tot ons persoonlijke en professionele leven. We ruilen onze data in voor gemak. De geschiedenis leert dat zodra privacy is opgegeven, het bijna onmogelijk is om terug te krijgen. We zagen dit met de opkomst van het door advertenties ondersteunde internet. Wat begon als een manier om informatie te vinden, veranderde in een wereldwijd surveillancesysteem. AI heeft het potentieel om dit nog verder te brengen. Als een AI weet hoe je denkt en hoe je werkt, kan het je beslissingen beïnvloeden op manieren die moeilijk te detecteren zijn. Dit zijn niet alleen technische problemen. Het zijn sociale en ethische dilemma’s die meer vereisen dan alleen een software-patch. We moeten beslissen of de snelheid van vooruitgang het verlies van individuele autonomie waard is. De antwoorden op deze vragen zullen bepalen in wat voor soort samenleving we leven zodra de AI-boom in zijn volwassen fase komt.

De mechanica van de modellaag

Voor degenen die naar de technische kant kijken, verschuift de focus van modelgrootte naar workflow-integratie. We zien een beweging weg van massale, algemene modellen naar kleinere, gespecialiseerde modellen die op lokale hardware kunnen draaien. Dit is een reactie op de hoge kosten en latentie van cloud-gebaseerde API’s. Power users zoeken steeds vaker naar manieren om de limieten van de grote providers te omzeilen. Dit omvat het beheren van API-rate limits en manieren vinden om data lokaal op te slaan om privacy en snelheid te garanderen. De integratie van AI in bestaande tools is waar het echte werk gebeurt. Het gaat niet om chatten met een bot. Het gaat om een model hebben dat je lokale bestanden kan lezen, je specifieke codeerstijl kan begrijpen en in real-time wijzigingen kan voorstellen. Dit vereist een ander soort architectuur dan die voor publieke webtools.

De technische uitdagingen voor de komende jaren zijn onder meer:

• Modellen optimaliseren om op consumenten-GPU’s te draaien zonder te veel nauwkeurigheid te verliezen.
• Betere manieren ontwikkelen om langetermijngeheugen in AI-agents te verwerken, zodat ze context over weken of maanden kunnen onthouden.
• Gestandaardiseerde protocollen creëren voor verschillende AI-systemen om met elkaar te communiceren.

We zien ook een opkomst van *local inference* als een manier om controle te behouden over gevoelige data. Door modellen op een lokale machine te draaien, kan een gebruiker ervoor zorgen dat hun bedrijfseigen informatie nooit hun gebouw verlaat. Dit is vooral belangrijk voor sectoren als recht en financiën waar databeveiliging van het grootste belang is. Lokale hardware blijft echter achter bij de enorme clusters van de cloudgiganten. Dit creëert een systeem met twee niveaus. De krachtigste modellen blijven in de cloud, terwijl efficiëntere, minder capabele versies lokaal draaien. Het balanceren van deze twee werelden is de volgende grote uitdaging voor ontwikkelaars. Ze moeten beslissen wanneer ze de rauwe kracht van de cloud gebruiken en wanneer ze prioriteit geven aan de privacy en snelheid van lokale compute. Deze technische spanning zal veel van de innovatie in de komende jaren aansturen.

Heeft u een AI-verhaal, tool, trend of vraag die wij volgens u zouden moeten behandelen? Stuur ons uw artikelidee — we horen het graag.

Het onvoltooide verhaal van schaal

De geschiedenis van technologie is een geschiedenis van consolidatie. Van de spoorwegen tot het internet zien we een patroon van explosie gevolgd door controle. AI bevindt zich momenteel midden in deze cyclus. De Amerikaanse invalshoek is dominant omdat de middelen die nodig zijn voor deze groeifase daar geconcentreerd zijn. Het verhaal is echter nog niet voorbij. Naarmate de technologie volwassener wordt, zullen we nieuwe uitdagingen zien voor deze platformmacht. Of dit nu komt door regelgeving, nieuwe technische doorbraken of een verschuiving in hoe we onze data waarderen, moet nog blijken. De prangende vraag is of we kunnen genieten van de voordelen van deze nieuwe infrastructuur zonder de concurrentie en privacy op te offeren die een gezonde economie mogelijk maken. We bouwen het fundament van de volgende eeuw. We moeten heel voorzichtig zijn met wie de sleutels ervan in handen heeft.

Noot van de redactie: We hebben deze site gemaakt als een meertalige AI-nieuws- en gidsenhub voor mensen die geen computernerds zijn, maar toch kunstmatige intelligentie willen begrijpen, er met meer vertrouwen mee willen omgaan en de toekomst willen volgen die al aanbreekt.