Het artikel “The AI Bubble and What It Means for Workplace Learning” beschrijft hoe huidige investeringen in AI gebaseerd zijn op een veronderstelling die mogelijk niet houdbaar is. De auteur behandelt de vraag wat er gebeurt als AI-technologie een commodity wordt en wat de gevolgen zullen zijn voor werkplek leren. Helaas focust de bijdrage zich sterk op het bestuderen van content.
Een commodity is een gestandaardiseerd, breed beschikbaar product of dienst waarin aanbieders nauwelijks nog van elkaar te onderscheiden zijn en waar de waarde verschuift van het bezit naar de toepassing ervan.
De kern van de analyse is dat veel AI-investeringen uitgaan van een winner-takes-all scenario: de organisatie met het krachtigste model krijgt een onoverbrugbare voorsprong. Deze aanname kent precedenten in consumententechnologie, maar volgens auteur werkt dit met ‘AI anders. Moderne AI-systemen worden ontwikkeld met publiekelijk beschikbaar onderzoek en gedeelde methoden. Doorbraken worden snel verspreid en technische expertise beweegt vrij tussen organisaties.
Prestatievoorsprong blijkt daardoor zelden duurzaam. Wat vandaag als grote stap vooruit lijkt, wordt vaak binnen enkele maanden elders gerepliceerd. Daarnaast neemt gevoeligheid voor kosten toe. Nieuwe modellen van verschillende aanbieders bereiken vergelijkbare prestaties tegen sterk gedaalde ontwikkel- en operationele kosten. In sommige gevallen liggen de gerapporteerde trainingskosten een factor lager dan bij de eerste marktleiders.
Het patroon lijkt op eerdere technologiecycli. Tijdens de dotcom-periode werden providers op het gebied van internetinfrastructuur gewaardeerd alsof controle over toegang gelijkstond aan controle over de toekomst. De meeste van die bedrijven verdwenen of werden overgenomen toen toegang goedkoop en alomtegenwoordig werd. De blijvende waarde ontstond bij organisaties die internet gebruikten om diensten en werkprocessen opnieuw vorm te geven.
AI volgt volgens de auteur mogelijk dezelfde weg. Zodra modellen uitwisselbaar worden, verschuift de differentiatie van wie intelligentie levert naar hoe die intelligentie wordt toegepast. Wanneer markten volledig beseffen dat AI-modellen geen hoge marges kunnen vasthouden, is een correctie waarschijnlijk.
Dit heeft ook gevolgen voor leren, opleiden en onderwijs (waaronder werkplek leren). Het ontwikkelen van leermateriaal was historisch gezien traag en duur. Complexe programma’s vereisten grote teams en hoge budgetten. Nu AI infrastructuur wordt, verminderen die beperkingen. Geautomatiseerde contentgeneratie en snelle aanpassing worden op grote schaal toepasbaar. De waarde daarbij zit niet in de AI zelf, maar in hoe leerinhoud wordt ontworpen en ingezet. Sommige aanbieders hanteren daarom een model-agnostische aanpak: ze gebruiken AI om leerinhoud te produceren en beheren, in plaats van AI als eindproduct te positioneren.
Concurrentievoordeel verschuift van technische capaciteit naar didactische effectiviteit. Succesvolle organisaties integreren volgens de auteur AI in samenhangende leerstrategieën en begrijpen waar automatisering waarde toevoegt en waar menselijke expertise essentieel blijft. AI ondersteunt het ontwerpen van leren.
De ‘commoditisering’ vermindert vendor lock-in. Organisaties kunnen tussen aanbieders wisselen en nieuwe modellen adopteren. AI wordt behandeld als utiliteit in plaats van product. De relevante vraag is niet wie de beste AI heeft, maar hoe je het toepast voor effectieve leerervaringen.
Mijn bronnen over (generatieve) artificiële intelligentie
Deze pagina bevat al mijn bijdragen over (generatieve) artificiële intelligentie, zoals ChatGPT.
Geef een reactie