ABN AMRO stelt in een nieuwe analyse dat generatieve AI kenniswerk en verdienmodellen onder druk zet, maar dat een echte doorbraak nog uitblijft. De bank ziet in Nederland en Europa vooral kleine productiviteitswinsten en veel proefprojecten. Remmende factoren zijn datakwaliteit, juridische risico’s, en kosten voor rekenkracht. De publicatie verscheen deze week in Amsterdam en raakt ook aan de Europese AI-verordening en de gevolgen voor overheid en bedrijfsleven.
Doorbraak blijft voorlopig uit
ABN AMRO ziet dat bedrijven veel experimenteren met generatieve systemen zoals GPT-4, Gemini en Claude. De resultaten zijn vaak nuttig, maar beperkt tot taken als samenvatten, opstellen van conceptteksten en het zoeken in documentatie. In complexere processen leveren de modellen nog te veel fouten en ontbreekt betrouwbare integratie in bestaande IT. Daardoor blijft de structurele productiviteitswinst kleiner dan gehoopt.
Organisaties wijzen op problemen met datakwaliteit en beveiliging. AI-systemen zijn zo goed als de data die ze krijgen, en die zijn vaak versnipperd of onvolledig. Ook is bewijslast nodig: wie beslist op basis van een model, moet kunnen uitleggen hoe een uitkomst tot stand kwam. Dat is lastig bij grote taalmodellen, die probabilistisch werken.
Daarnaast spelen kosten en beschikbaarheid van rekenkracht. Bedrijven betalen voor clouddiensten en tokens, terwijl de baten nog onzeker zijn. Hierdoor blijven veel toepassingen hangen in pilots en proof-of-concepts. De stap naar brede uitrol volgt pas als kwaliteit en kosten voorspelbaar worden.
Kenniswerk onder prijsdruk
Routinewerk in marketing, klantenservice, HR en softwareontwikkeling wordt sneller en goedkoper met co-pilots. Voorbeelden zijn Microsoft 365 Copilot, GitHub Copilot en Gemini voor Workspace. Medewerkers besteden meer tijd aan controle en minder aan eerste versies. Dat zet tarieven en middenfuncties onder druk, terwijl vraag naar toezicht en domeinkennis stijgt.
Volledige vervanging van banen is niet aan de orde, stelt de analyse. AI is sterk in tekst en code, maar mist context, verantwoordelijkheid en juridische geldigheid. Organisaties richten zich daarom op “mens-in-de-lus”: de medewerker blijft eindverantwoordelijk. Dat vraagt training, duidelijke werkafspraken en logging.
Met name in juridische en complianceprocessen gelden hoge eisen aan juistheid en herleidbaarheid. Documentreview en contractanalyse kunnen sneller met modellen als Llama of Mistral, maar altijd met controle. Fouten of bias leiden anders tot reputatieschade en kosten. Daardoor schuift de rol van specialisten op naar kwaliteitsborging.
Verdienmodellen verschuiven naar platforms
Waarde verschuift richting grote platforms die infrastructuur en modellen leveren, zoals Microsoft Azure OpenAI Service, Google Cloud Vertex AI en AWS Bedrock. Abonnementen en gebruikskosten komen bovenop bestaande licenties. Dat kan marges van dienstverleners en softwarebedrijven knellen.
Advies- en IT-firma’s stappen over op resultaatgericht prijzen in plaats van uurtje-factuurtje. Eigen modellen trainen is vaak te duur; organisaties kiezen daarom voor Retrieval Augmented Generation (RAG). Daarbij zoekt een systeem eerst in eigen, afgeschermde documenten en gebruikt dan een taalmodel voor het antwoord.
Leveranciersafhankelijkheid is een risico. Bedrijven overwegen open-modellen zoals Llama 3 of Mistral om kosten te beheersen en data lokaal te houden. Portabiliteit, versleuteling en exitstrategieën worden onderdeel van inkoop en architectuur.
Productiviteit blijft achter
Veel organisaties starten te breed en zonder duidelijke meetpunten. Zonder schone data, werkprocessen en governance blijft de winst beperkt. Succesvolle teams kiezen één taak, meten tijdwinst en foutreductie, en schalen daarna op. Dat voorkomt “pilotitis”.
De echte kosten zitten niet alleen in licenties, maar ook in integratie, beveiliging en toezicht. Denk aan promptbeveiliging, inhoudsfilters, monitoring en hertraining. Ook moeten organisaties afspraken maken over auteursrecht en bronvermelding bij gegenereerde output.
Meten van kwaliteit is essentieel. Tijdwinst telt pas als de uitkomst klopt, uitlegbaar is en juridisch houdbaar blijft. Bij twijfel blijft de menselijke route nodig, waardoor de netto winst kleiner kan uitvallen dan de ruwe tijdsbesparing.
AI-verordening stuurt implementatie
De Europese AI-verordening werkt met risicoklassen. Hoog-risico-toepassingen moeten aan strenge eisen voldoen, zoals risicobeheer, datagovernance en logboeken. Voor generieke modellen komen aparte verplichtingen. Deze regels worden op het moment van schrijven gefaseerd ingevoerd.
Ook de AVG blijft leidend. Dataminimalisatie, doelbinding en een rechtsgrond zijn vereist bij het trainen en gebruiken van modellen met persoonsgegevens. Encryptie, pseudonimisering en duidelijke bewaartermijnen zijn cruciaal, zeker in sectoren als finance en zorg.
Financiële instellingen krijgen daarnaast te maken met operationele weerbaarheid en modelrisico-toezicht. Auditbaarheid en uitlegbaarheid worden randvoorwaarden voor inzet in krediet, compliance en klantprocessen. Zonder die basis is grootschalige inzet niet verantwoord.
Hallucinatie: wanneer een AI-systeem een overtuigend antwoord geeft dat feitelijk onjuist is.
Nederlandse kansen en voorwaarden
Nederlandse bedrijven en overheden kunnen voordeel halen uit taalmodellen met domeinkennis en goede Nederlandstalige data. Toepassingen liggen in klantcontact, documentbeheer en besluitondersteuning. Dat vraagt strikte datagovernance en training van medewerkers.
Keuzes over hosting spelen een rol: publiek cloud, eigen datacentrum of Europese aanbieders. Open-modellen bieden flexibiliteit, maar vragen meer interne expertise. Commerciële modellen leveren snelheid, maar vergroten afhankelijkheid en kosten.
De analyse schetst een nuchtere route: begin klein, koppel AI aan bewezen processen, borg privacy en uitlegbaarheid, en schaal pas op na aantoonbare baten. Zo ontstaat ruimte voor productiviteitswinst zonder onnodige risico’s. De grote doorbraak komt dan wellicht later, maar wel duurzamer.
