Het openbare verhaal over AI is momenteel één van overvloed. Meer modellen, meer geld, elke kwartaal meer mogelijkheden. Het private verhaal, wat mensen elkaar toefluisteren in hoekjes op industrie-events, is rommelig. Infrastructuur zit onder druk. Talent zit geconcentreerd in een handvol postcodegebieden. De kloof tussen wat de modellen kunnen en wat organisaties werkelijk kunnen inzetten wordt steeds groter. Dit is geen reden om vaart te minderen. Maar het is wel een reden om eerlijk te zijn over waar het wringt, want de teams die dit duidelijk zien zijn de teams die op solid ground bouwen.
De compute layer is niet het knelpunt dat je denkt
Elk gesprek over AI-infrastructuur eindigt uiteindelijk bij compute. Maar het echte knelpunt is niet de ruwe GPU-beschikbaarheid. Het is de ondersteuningsstructuur eromheen. Stroomtoevoer, koeling en fysieke ruimte remmen datacentrumuitbreiding sterker af dan chipproductie. Het International Energy Agency projecteerde in zijn 2024 Electricity report dat datacentra hun wereldwijd elektriciteitsgebruik tegen 2026 kunnen verdubbelen. Dat is een civiel ingenieursprobleem, geen silicon probleem.
Voor teams die AI-producten bouwen, creëert dit een specifiek risico. Cloud-pricing is niet voorspelbaar aan de grenzen. Spot instances worden weggehaald. Gereserveerde capaciteit bij de toonaangevende providers loopt op in bepaalde regio's. Als je product afhankelijk is van lage-latency inference op schaal, erf je infrastructuur-onzekerheid die geen SLA volledig dekt. Het slimme zet is ontwerpen voor die onzekerheid in plaats van het weg te denken.
De modellen zijn klaar. Het grid is het niet. Die kloof is waar de meeste timelines mislukken.
Het talentvraagstuk is structureel, niet cyclisch
AI-werving is op een specifieke manier kapot. Bij de frontier commanderen een klein aantal onderzoekers en engineers buitengewone salarissen, vooral geconcentreerd in een handvol labs en grote techbedrijven. Daaronder is de markt overspoeld met mensen die een cursus hebben gedaan en hun LinkedIn-titel hebben gewijzigd. Het midden is dun.
Wat organisaties werkelijk nodig hebben. iemand die een capabel model kan nemen en het kan verbinden met een echte workflow, een echte data-omgeving, een echte gebruiker, is echt zeldzaam. Dit is geen pipelineprobleem dat zichzelf in twee jaar oplost. Het is een structurele mismatch tussen waar het academische trainingssysteem zijn nadruk legt en waar de economische waarde van AI-deployment werkelijk zit.
Voor een studio zoals wij is het de moeite waard dit recht door de neus weg te zeggen. Wij huren niet in op grond van credentials. We bouwen kleine teams rond mensen die dingen hebben opgeleverd, die een RAG-pipeline om twee uur 's ochtends hebben gedebuggd, die begrijpen dat het model zelden het probleem is. De integratie is het probleem. Die houding is ongewoon, en het kost tijd om het op te bouwen.
Deployment is waar ambitie de werkelijkheid ontmoet
Organisaties geven zwaar uit aan AI. Een 2024 McKinsey-onderzoek vond dat 65 procent van de respondenten rapporteerden dat hun organisaties regelmatig generatieve AI gebruiken, omhoog van 33 procent het jaar daarvoor. Wat dezelfde survey stilletjes in het persproces noemde, was dat minder dan een derde meetbare impact op winsten had gezien.
Die kloof is geen falen van de technologie. Het is een falen van deployment. De meeste AI-projecten stukken op dezelfde plekken. Data is rommelig dan iedereen in de kick-off admitteerde. Het interne proces dat het model zou moeten ondersteunen was nooit goed gedocumenteerd. De stakeholder die het project sponsorde verandert rol voor go-live. Dit zijn geen AI-problemen. Het zijn organisatorische problemen die AI aan het licht brengt en versterkt.
De teams die vooruitgang boeken hebben een gewoonte. Ze pakken een smal probleem, ze leveren iets op dat in productie werkt, en dan breiden ze uit. De teams die stageren zijn de teams die wilden de oceaan in fase één koken. Dit is geen controversiële observatie, maar het blijft het meest consistent genegeerde advies in de industrie.
Het model is zelden het probleem. De integratie is het probleem. Altijd.
Wat dit betekent als je nu aan het bouwen bent
De structurele spanning in de AI-economie betekent niet dat je moet wachten. Wachten is zelf al een risico. Maar bouwen zonder duidelijk zicht op de beperkingen is hoe je na zes maanden eindigt met een prototype dat niet naar productie kan.
Een paar dingen die het waard zijn te internaliseren. Ten eerste: je infrastructuur-aannames hebben een stresstest nodig. Als je product afhankelijk is van een specifiek model op een specifiek prijspunt, model dan wat gebeurt als dat prijspunt beweegt of het model wordt verouderd. Het is eerder gebeurd en gebeurt weer. Ten tweede: je integratie layer verdient meer design-aandacht dan je model-selectie. De meeste teams besteden het merendeel van hun evaluatietijd aan model benchmarks en bijna geen aan hoe de output aansluit op de systemen en mensen die het moet bedienen. Draai die ratio om. Ten derde: de organisaties die echte resultaten zien behandelen AI-deployment als een change management programma dat toevallig software bevat, niet een softwareprogramma dat uiteindelijk gedrag zal veranderen. Die framing shift is klein maar verandert elk daaropvolgend besluit.
De AI-economie valt niet uiteen. Delen ervan zitten onder ernstige druk. De teams die er het best uit gaan komen zijn de teams die bereid zijn die druk rechtstreeks te zien en eromheen te ontwerpen, in plaats van aan te nemen dat de infrastructuur, het talent en de organisatie allemaal op schema zullen samenwerken.
Nog één ding
Er is een versie van dit artikel die eindigt met een call to action over werken met ons. Dit is die versie niet. Als het bovenstaande aanslaat en je probeert uit te vogelen waar je eigen AI build-out vast zit, het meest bruikbare wat je kunt doen is een audit van de integratie layer doen voordat je de model layer auditeert. Haal iemand binnen die het eerder heeft gedaan, wie dat ook is. De problemen zijn bijna altijd hetzelfde. De context is altijd anders. Dat is waar het echte werk gebeurt.