Vorige week deed de CEO van Commonwealth Bank of Australia een uitspraak die ik eigenlijk al een tijdje zie aankomen: AI-kosten worden moeilijker voorspelbaar naarmate bedrijven er complexere taken mee proberen te automatiseren. Redenerende modellen, agents die tools gebruiken, langere contexten... het doet de tokenrekening exploderen. Dat treft vooral organisaties die AI budgetteren als een softwarelicentie.
Maar het tweede punt dat hij maakte vond ik minstens even interessant. Hij noemde het work slop ("werkrommel"), zijnde AI-output die er professioneel uitziet, maar weinig echte waarde toevoegt: samenvattingen die niemand leest, nodeloze analyses die geen beslissingen sturen, slides die al bestonden, ... Je kunt ze exponentieel vermeerderen als je wil, het kost geld, maar het brengt niets bij.
Veel organisaties meten AI-adoptie nog als gebruik: aantal gebruikers, aantal prompts, aantal gegenereerde documenten, ... Maar gebruik is geen waarde en meer output is niet gelijkwaardig aan betere output.
Ik denk dat de volgende fase van AI-governance daar over moet gaan. Privacy, compliance en security, dat zijn ondertussen de evidenties, maar ook: welke taken zijn het eigenlijk waard om te automatiseren? Wie bewaakt de kwaliteit van wat er uitkomt? Wanneer is menselijke review geen luxe, maar een vereiste? En wanneer stoppen we gewoon met een use case die niets oplevert?
Behandel AI niet als een onbeperkte productiviteitslaag, maar behandel het als een operationeel systeem met budgetten, kwaliteitscriteria en ownership. De grootste AI-besparing is misschien niet méér automatiseren, maar minder nutteloze output produceren.
