Weer een nieuw AI-model. Wat verandert er echt voor jouw bedrijf?
Elke paar maanden is er een nieuw taalmodel dat alles zou veranderen. Voor de meeste MKB-bedrijven verandert er op de dag zelf helemaal niets. Toch is er iets dat wel schuift, en dat is het opmerken waard.
Er is weer een nieuwe versie van Claude uit, en zoals altijd rolt er binnen een dag een golf aan berichten over je tijdlijn. Sneller, slimmer, beter in redeneren, beter in code. De grafieken staan strak, de benchmarks stijgen. En dan is de vraag die er in een gewoon bedrijf toe doet: en nu?
Het eerlijke antwoord is meestal: vandaag niets. Als je gisteren geen proces had waar een taalmodel iets nuttigs deed, heb je dat vandaag ook niet. Een beter model verandert de kwaliteit van iets dat al draait. Het verzint geen toepassing voor je.
Benchmarks meten iets anders dan jouw werk
Modelvergelijkingen draaien om taken die je kunt nakijken: wiskundeopgaven, programmeerpuzzels, examenvragen. Dat is logisch, want je hebt een objectieve score nodig. Maar het werk in een MKB-bedrijf ziet er niet zo uit. Daar gaat het om een mail van een klant die half in de bijlage staat, een leveranciersbon met een afwijkende omschrijving, een offerte die net even anders is dan de vorige.
Bij dat soort werk zit de moeilijkheid zelden in de intelligentie van het model. Die zit in de context: weet het systeem welke prijsafspraak voor deze klant geldt, welke levertijd realistisch is, wie akkoord moet geven. Dat staat in jouw systemen, niet in het model. Een sterker model dat dezelfde blinde vlek heeft, maakt dezelfde fout, alleen overtuigender geformuleerd.
Een beter model lost geen probleem op dat je nog niet scherp hebt. Het maakt een oplossing die al werkt alleen betrouwbaarder.
Wat er wel verschuift
Er is wel iets dat elke ronde meebeweegt, en dat is de grens van wat je zonder toezicht durft weg te geven. Twee jaar geleden liet je een model een concepttekst schrijven die iemand daarna helemaal narekende. Nu zie je dat bedrijven een model een factuur laten uitlezen en de uitkomst alleen nog laten controleren bij twijfelgevallen. Niet omdat het model foutloos is, maar omdat het foutenpatroon voorspelbaarder is geworden.
Dat is de vraag die na een update de moeite waard is. Niet: wat kan dit model nu allemaal. Maar: welke stap in ons proces controleren we nog handmatig, puur uit voorzichtigheid, en is die voorzichtigheid nog terecht? Dat is een vraag die je met je eigen data kunt beantwoorden. Neem honderd echte gevallen van vorige maand, laat het model ze doen, en tel de afwijkingen.
Die test kost een middag en zegt meer over jouw situatie dan elke benchmark. Bovendien is de uitkomst herbruikbaar: als over een halfjaar het volgende model verschijnt, draai je dezelfde honderd gevallen opnieuw en zie je meteen of het echt beter is geworden voor jouw werk.
Kosten bewegen ook mee
Wat in de hype-berichten meestal ontbreekt: de prijs per verwerkte tekst daalt structureel. Toepassingen die vorig jaar te duur waren om op elk binnenkomend bericht los te laten, zijn dat nu niet meer. Dat is minder spectaculair dan een nieuwe redeneervaardigheid, maar het is vaak de reden dat iets ineens wel uit kan.
Tegelijk geldt: een model dat tien keer goedkoper is, is nog steeds duur als je het op werk zet dat niemand nodig heeft. De rekensom begint bij de tijd die je terugwint, niet bij de prijs per duizend woorden.
Rustig blijven is een strategie
De bedrijven die het meest uit AI halen, zijn zelden de bedrijven die het snelst op elke update springen. Het zijn de bedrijven die weten waar hun tijd verdwijnt, die een paar processen scherp genoeg hebben beschreven om ze te kunnen testen, en die daardoor bij elke nieuwe versie in een middag kunnen bepalen of het iets voor ze doet.
Een modelupdate is dan geen nieuws meer, maar onderhoud. Dat klinkt saai. Het is ook precies waarom het werkt.
Benieuwd wat dit in jouw proces oplevert?
We kijken vrijblijvend een halfuur met je mee naar waar de meeste tijd blijft hangen.
Plan een gesprek