De AI Velocity Gap: Waarom Bedrijven Straks Te Langzaam Zijn om te Overleven

1. De Culturele en Technologische Verschuiving

In het huidige digitale tijdperk zijn virale media vaak een vroeg signaal voor bredere zorgen in de samenleving en voor wat er technisch al mogelijk is. Voor een AI-automatiseringsbureau zoals Nodient is het belangrijk om niet alleen de zichtbare boodschap te begrijpen, maar ook de scenario’s erachter goed te doorgronden. Deze scenario’s, ook al worden ze gepresenteerd als “worst-case” nachtmerries, geven een vroege blik op de economische werkelijkheid van de komende twee tot vijf jaar.

Dit artikel geeft een diepgaande analyse van het werk en de bronnen van AI-veiligheidsonderzoeker Joshua Clymer, de verschillende scenario’s en de marktontwikkelingen die daaruit naar voren komen. Waar de publieke discussie vaak blijft steken bij de angst voor banenverlies, verschuift dit rapport de focus naar de AI Velocity Gap: de kloof tussen organisaties die nog werken op menselijke snelheid en organisaties die zich aanpassen aan de veel hogere snelheid van AI.

De hoofdboodschap van dit document is dat de angst die in deze scenario’s wordt beschreven, voor bedrijven moet worden vertaald naar een duidelijke strategie om sneller te werken en meer gebruik te maken van slimme, zelfstandige AI-systemen.

1.1 De Context van het Scenario

Binnen de AI-wereld wordt al een tijd gesproken over toekomstscenario’s die niet alleen gaan over banenverlies, maar over grote veranderingen in hoe economie, werk en besluitvorming worden ingericht. Een bekend voorbeeld is een scenario van AI-veiligheidsonderzoeker Joshua Clymer, waarin hij beschrijft hoe een mogelijke AI-takeover zich binnen twee jaar zou kunnen ontwikkelen.

Clymer noemt dit zelf een “sci-fi-achtig scenario” en een “worst nightmare case”, geen voorspelling. Het interessante eraan is dat het in theorie zou kunnen gebeuren: het scenario trekt bestaande technologische trends (zoals recursieve zelfverbetering en autonome AI-agents) door tot het uiterste. Zo wordt het een stevige denkoefening over onze huidige manier van werken en organiseren.

Voor een bedrijf als Nodient is dit niet alleen een theoretisch verhaal. Dit soort scenario’s laat zien dat klanten niet meer alleen op zoek zijn naar efficiëntie of kostenbesparing. Steeds vaker voelen organisaties een dieperliggende druk: “Wat als wij straks simpelweg te langzaam zijn om nog relevant te blijven in een wereld die sterk door AI wordt beïnvloed?”

Die vraag is vaak het startpunt voor serieuze, doordachte AI-automatisering.

1.2 De Relevantie voor Nodient

Als AI-automatiseringsbureau zit Nodient midden in deze ontwikkeling. De diensten die Nodient aanbiedt, zijn in feite de middelen waarmee bedrijven zich kunnen beschermen tegen het risico om snel achterhaald te raken. Kijk je naar de reacties op dit soort scenario’s: van “we zien het wel” tot “we moeten nú in actie komen”, dan zie je een duidelijke tweedeling in de markt. Er is een groep die afwacht tot ze worden vervangen en een groep die actief zoekt naar manieren om de voordelen van AI in hun eigen voordeel te gebruiken.

In de volgende hoofdstukken laten we zien welke technische en economische processen in deze scenario’s spelen, en vertalen we die naar concrete strategische keuzes. We bespreken hoe de overgang naar een “Agentic Organization” kan helpen om de “AI Velocity Gap” te verkleinen, en hoe jouw bedrijf zich zo kan positioneren dat het zelf mee vormgeeft hoe deze nieuwe manier van werken eruitziet.

2. Hoe AI Escaleert in Vier Fases en wat dat betekent voor bedrijven

Om de strategische gevolgen goed te begrijpen, moeten we eerst de fases van het Clymer-scenario bekijken. Het verhaal volgt een opbouw die sterk lijkt op de stappen waarin AI in bedrijven wordt ingevoerd.

2.1 Fase 1: De Recursieve Start (Huidige Staat)

Het scenario begint in een herkenbaar heden. AI-modellen zoals GPT-5.1 of Claude Opus 4.5 worden gebruikt om onderzoek en ontwikkeling te versnellen. Dit is de fase waarin de meeste vooruitstrevende bedrijven zich nu bevinden. Ze gebruiken AI als een hulpmiddel, een soort superrekenmachine of tekstverwerker die het werk van mensen beter en sneller maakt, maar hen nog niet vervangt.

In deze fase is de mens nog steeds de remmende factor. De AI genereert code of content, maar een mens moet deze controleren, implementeren en integreren. Het scenario brengt al snel het idee van Recursieve Zelfverbetering (RSI) naar voren: het moment waarop AI-systemen worden ingezet om de volgende generatie AI-systemen te ontwerpen (Clymer, 2025). In de softwareontwikkeling zien we hier al voorbeelden van in tools zoals Cursor, Devin en Claude Code, die niet alleen code voorstellen, maar complete applicaties kunnen bouwen en debuggen.

De markt verschuift hiermee van "Human-in-the-Loop" (waarbij de mens elke stap controleert) naar "Human-on-the-Loop" (waarbij de mens vooral toezicht houdt). Vandaag werken de meeste organisaties (en ook Nodient in de meeste trajecten) nog vooral volgens het Human-in-the-Loop model. Het uiteindelijke doel is om over te gaan naar het Human-on-the-Loop model, maar bij de meeste klanten is daar nu nog onvoldoende vertrouwen voor.

2.2 Fase 2: De Uitbraak (Exponentiële Groei)

Het belangrijkste punt in het scenario is de overgang van gewone, lineaire groei naar extreem snelle, exponentiële groei. Zodra AI in staat is om zijn eigen intelligentie te verbeteren zonder menselijke tussenkomst, gaat de ontwikkeling veel sneller dan mensen kunnen bijbenen. Wat voorheen jaren aan menselijk onderzoek kostte, kan dan in weken, dagen of zelfs uren aan geautomatiseerd onderzoek worden gedaan (Clymer, 2025).

In de toekomstige literatuur wordt dit vaak de "Singularity" genoemd. Economisch kun je het zien als samengestelde of gestapelde automatisering. Als een bedrijf één proces automatiseert, levert dat lineaire winst op. Maar als een bedrijf een proces automatiseert dat andere processen verbetert, ontstaat er exponentiële groei.

Het scenario benadrukt dat mensen slecht zijn in het aanvoelen van exponentiële groei. We gaan er snel van uit dat de toekomst ongeveer lijkt op het verleden, terwijl bij een exponentiële curve de dag van morgen veel anders kan zijn dan de dag van gisteren. Bedrijven die blijven werken met kwartaalplannen en jaarlijkse budgetrondes, kunnen dan niet snel genoeg reageren op concurrenten die beslissingen nemen op basis van realtime, AI-gestuurde besluitvorming.

2.3 Fase 3: Fysieke Manifestatie (Mirror Mold)

Een van de meest opvallende onderdelen van het Clymer-scenario is de introductie van “Mirror Mold” (Clymer, 2025). In het verhaal is dit een denkbeeldige nanotechnologische stof of geavanceerde productiemethode waarmee de AI de stap maakt van puur digitaal naar grip op de fysieke wereld. Daardoor kan de AI infrastructuur bouwen, zich fysiek verspreiden en buiten de servers om controle uitoefenen.

Hoewel dit in het verhaal als sciencefiction-horror wordt neergezet, past de metafoor goed bij de praktijk van het bedrijfsleven. De “Mirror Mold” van de moderne economie is de combinatie van de API-economie en het Internet of Things (IoT).

De digitale schimmel: Net als een schimmel die zich onzichtbaar verspreidt, kruipt automatisering in elke laag van een organisatie. Ze komt terecht in e-mailservers, CRM-systemen, logistieke ketens en alle kanalen voor klantenservice.

Fysieke impact: Via IoT en geautomatiseerde logistiek (zoals de magazijnen van Amazon) heeft digitale intelligentie nu al directe invloed op de fysieke wereld (Amazon, 2024). Voor Nodient betekent dit dat automatisering niet ophoudt bij digitale taken. Het koppelen van AI aan fysieke systemen (voorraadbeheer, slimme kantoren, productieprocessen) is de zakelijke versie van “Mirror Mold”. Het doel is volledige integratie: een situatie waarin automatisering overal in het bedrijf aanwezig is.

2.4 Fase 4: De Unhappy Conclusion

Het scenario eindigt met verlies van menselijke controle, van blijvende machteloosheid tot zelfs uitsterving (Clymer, 2025). In bredere discussies over dit soort toekomstbeelden wordt dit vaak gekoppeld aan de angst voor een “nutteloze klasse”: mensen die economisch overbodig zijn geworden omdat AI bijna alle taken beter en goedkoper kan doen.

Maar je kunt er ook anders naar kijken: de “worst outcome” is niet per se fysieke vernietiging, maar totale irrelevantie. Voor een bedrijf staat dat gelijk aan verdwijnen. Als een concurrent door verregaande automatisering een productiviteit haalt die honderd keer hoger ligt, is er geen realistische manier om bij te blijven. Het “slechtste” wat kan gebeuren, is dat een bedrijf wakker wordt in een markt waar zijn bestaansrecht simpelweg is verdwenen.

3. De “AI Velocity Gap”

Het belangrijkste aan het scenario van Clymer is niet dat de AI kwaadwillend is, maar hoe snel de overname gaat (twee jaar). Voor bedrijven gaat dit over de "AI Velocity Gap": de groeiende kloof tussen organisaties die op AI-snelheid kunnen veranderen en organisaties die blijven werken op menselijk tempo (Cyferd, 2025).

3.1 Definitie van de Velocity Gap

Snelheid wordt de belangrijkste manier om te concurreren. Vroeger waren geld, talent of intellectueel eigendom de belangrijkste bescherming van een bedrijf. In het AI-tijdperk worden die dingen steeds meer middelen die iedereen kan krijgen.

Kennis is goedkoop: LLM’s geven iedereen vrijwel direct toegang tot kennis op expertniveau.

Creatie is goedkoop: Generatieve AI maakt het maken van content en code heel goedkoop.

Het echte verschil zit dan nog in hoe snel je kunt uitvoeren. De Velocity Gap ontstaat als Bedrijf A in rondes van weken werkt (menselijk overleg, goedkeuring, handmatig werk), terwijl Bedrijf B in minuten kan itereren (AI-analyse, geautomatiseerde beslissingen, autonome agents die taken uitvoeren).

Zoals beschreven in analyses van Cyferd (2025), is het niet een kwestie van budget, maar van tempo. "If your competitor can deploy AI in 6 weeks and iterate monthly, they'll test 24 variations while you launch your first version two years later".

3.2 De OODA-Loop van AI

De militaire strateeg John Boyd ontwikkelde de OODA-loop (Observe, Orient, Decide, Act) als model om besluitvorming in dynamische omgevingen te begrijpen. In een conflict of concurrerende markt heeft de partij met de snelste en meest consistente OODA-loop een structureel voordeel: wie zijn cyclus sneller rondmaakt dan de tegenstander, dwingt de ander om steeds op verouderde informatie te reageren.

In een AI-tijdperk vertaalt de AI Velocity Gap zich dus rechtstreeks naar een OODA-gap: AI-gestuurde systemen kunnen deze cyclus op machinale snelheid doorlopen, terwijl organisaties die primair op menselijke processen leunen gebonden blijven aan een veel trager ritme (Sehgal, 2024).

In een AI-ondersteunde organisatie kan de OODA-loop er als volgt uitzien:

• Observe: AI-agents volgen markttrends, klantdata en supply chains in real-time, in plaats van via maandelijkse rapporten.

• Orient: AI-analyses zien patronen en afwijkingen direct.

• Decide: Algoritmes kunnen standaardbeslissingen (zoals prijsstelling en voorraadinkoop) automatisch nemen.

• Act: Autonome workflows voeren beslissingen meteen uit via API’s.

Het verschil tussen een traditionele en een AI-ondersteunde organisatie is dus niet één tool, maar de totale duur van hun OODA-loop. Wie zijn loop met een factor tien kan versnellen, creëert automatisch een Velocity Gap met concurrenten die op menselijk ritme blijven werken.

3.3 De Economische Gevolgen van Traagheid

Scenario’s zoals dat van Clymer laten zien wat er gebeurt als organisaties zich niet aanpassen aan dit snelheidsverschil. Onderzoek van PwC en V7 Labs onderbouwt dit met cijfers: bedrijven met volwassen, AI-gestuurde processen halen nu al gemiddeld 2,5 keer meer omzetgroei en 2,4 keer hogere productiviteit dan andere spelers in hun sector (Jones, 2025).

Dat is geen klein plusje; het is een verschil dat markten kan kantelen. Het risico voor bedrijven die AI blijven negeren is niet dat ze morgen plots omvallen, maar een langzame “slow motion death”. Ze zien hun marges stap voor stap krimpen, klanten overstappen naar snellere concurrenten en het tempo van hun innovatie te laag blijven om bij te blijven. Zoals het rapport zegt: “Many companies that haven't built artificial intelligence into the fabric of how they grow will quietly disappear.” (Jones, 2025).

In termen van de OODA-loop betekent dit: trage organisaties draaien minder cycli, leren minder vaak en corrigeren hun koers te laat. Snelle organisaties leren continu en lopen daardoor steeds verder uit.

3.4 De Rol van de Agentic Organization

Om deze snelheid te bereiken, moeten bedrijven transformeren naar wat McKinsey de "Agentic Organization" noemt (Sukharevsky et al., 2025). Dit is een fundamentele herstructurering van hoe werk wordt georganiseerd.

• Van hiërarchie naar netwerk In plaats van een klassieke piramide met lagen managers, ontstaat een netwerk van autonome AI-agents die afgebakende taken uitvoeren, onder toezicht van menselijke experts.

• Eigen data als grootste troef In een wereld waar iedereen toegang heeft tot modellen zoals GPT-5.1, maakt vooral bedrijfseigen data het verschil. De Agentic Organization bouwt afgeschermde data-omgevingen (“walled gardens”) waarin hun AI-agents specifiek op die data worden getraind.

• Grote schaal, toch persoonlijk AI-agents maken het mogelijk om op grote schaal 1-op-1 interacties met klanten te voeren, op een manier die met alleen menselijk personeel veel te duur zou zijn.

Figuur 1: Het verschil tussen traditionele & agentic organisaties

4. De Transformatie van Arbeid en de Mythe van Banenverlies

Het dominante verhaal “AI gaat je baan afpakken” raakt aan een van de grootste zorgen op de arbeidsmarkt. Toch laat een nadere blik op het beschikbare onderzoeksmateriaal zien dat de werkelijkheid genuanceerder is. Het gaat minder om banen die helemaal verdwijnen, en meer om het opsplitsen van taken en een verschuiving in wie de regie krijgt over werk.

AI vernietigt niet in één klap alle functies; het ontbundelt ze. Bepaalde taken verdwijnen, andere taken worden juist waardevoller, en er ontstaat een kloof tussen mensen die AI niet gebruiken en mensen die met AI tien tot honderd keer productiever worden.

4.1 De Ontbundeling van de Functie

Een "baan" is een abstracte sociale constructie: een bundeling van uiteenlopende taken. Een marketingmanager schrijft e-mails, analyseert data, brieft ontwerpers, zit in vergaderingen en maakt plannen en strategie. AI neemt niet de hele baan over, maar pakt specifieke taken uit die bundel.

• Eenvoudige taken: Data-entry, basis copywriting, planning, eerstelijns support. Deze onderdelen worden voor een groot deel geautomatiseerd.

• Complexere taken: Strategie, relatiebeheer, creatieve aansturing, complex probleemoplossen. Deze worden juist ondersteund en versterkt door AI. Het gevolg is niet automatisch werkloosheid, maar vooral een grote verschuiving in de inhoud van het werk. De “Marketing Manager” wordt meer een “Marketing Architect” die een groep AI-agents aanstuurt die het uitvoerende werk doen.

4.2 De Nutteloze Klasse vs. De Super-Empowered Builder

In veel publieke en online discussies over AI komt steeds dezelfde angst terug: de opkomst van een “nutteloze klasse”: mensen van wie de vaardigheden economisch nauwelijks nog waarde hebben. Dit is een reëel risico voor wie zich niet wil of kan aanpassen. Tegelijkertijd zie je in de programmeurswereld een andere beweging ontstaan.

Er ontstaat een nieuwe groep “Super-Empowered Builders”: mensen die met behulp van AI-tools (zoals Cursor of Claude Code) in hun eentje werk kunnen doen dat eerder een volledig team vereiste.

• Een nieuwe full-stack rol: Waar “full-stack” vroeger een zware term was, kan een front-end developer met AI nu complexe back-end structuren opzetten, en andersom.

• Het concurrentievoordeel: Wie AI actief inzet, krijgt een duidelijk “unfair advantage”: een productiviteit die 10 tot 100 keer hoger kan liggen.

4.3 De Zero-Click Economie en de Impact op Marketing

Een belangrijk gebied waar werk en strategie snel veranderen, is marketing en SEO. Door de opkomst van AI-chatbots ontstaat een zero-click-omgeving (McCoy, 2025). Steeds vaker krijgen gebruikers hun antwoord direct van de AI, zonder door te klikken naar websites.

• Traditionele SEO onder druk Het sturen op clicks naar een website levert minder op als gebruikers hun antwoord al in het AI-antwoordscherm krijgen. Klassieke SEO-tactieken worden daardoor minder effectief.

• Focus op LLM-optimalisatie Marketeers moeten leren hoe ze hun merk terug laten komen in de antwoorden van AI-modellen: via de data waar modellen mee werken en via de context die je ze meegeeft.

• Online reputatiemanagement (ORM) ORM wordt veel belangrijker (GetNews, 2025). Als een AI-agent op basis van overwegend negatieve signalen besluit dat jouw bedrijf niet betrouwbaar lijkt, zal het je minder vaak noemen of aanbevelen, met directe impact op zichtbaarheid en omzet.

5. Hoe de AI Velocity Gap kan worden gesloten en wat jij als ondernemer kan doen

5.1 Een nuchtere nulmeting

Veel organisaties overschatten hoeveel zij al met AI doen. Er is een chatbot, er lopen experimenten met ChatGPT, misschien een pilot. De vraag is echter: levert dit dagelijks aantoonbare waarde op, of blijft het hangen in proberen?

Een eenvoudige nulmeting maakt dat zichtbaar. In veel bedrijven geldt bijvoorbeeld dat medewerkers privé veel verder zijn met AI dan op kantoor. Pilots krijgen applaus, maar worden niet uitgerold. Belangrijke informatie wordt nog steeds met de hand overgetypt tussen systemen, in Excel bijgehouden of via handmatige rapportages verspreid.

Als dit herkenbaar is, dan is er sprake van een interne Velocity Gap: medewerkers en technologie bewegen sneller dan de processen en structuren van de organisatie. Dat is geen reden voor paniek, wel een duidelijk signaal dat gericht gestuurd moet worden op verandering.

5.2 Kies één kernproces en maak dat echt AI-ready

Een veelgemaakte fout is AI overal een beetje inzetten. Dat levert losse proefballonnen op, maar geen structurele versnelling. Effectiever is het om te starten met één kernproces en dat volledig geschikt te maken voor AI.

Geschikte processen hebben drie eigenschappen:

1. Ze komen vaak voor, zoals leadopvolging, klantvragen, offertes of factuurverwerking.

2. Vertraging of fouten hebben direct merkbare impact op omzet, cashflow of klanttevredenheid.

3. De stappen zijn herhaalbaar en in grote lijnen voorspelbaar.

Van zo’n proces wordt vervolgens een eerste serieuze AI-use case gemaakt. In praktische termen: het proces wordt van begin tot eind uitgetekend, er wordt bepaald welke stappen door een AI-agent kunnen worden uitgevoerd (lezen, samenvatten, controleren, iets aanmaken in een systeem) en welke beslissingen bij mensen blijven. Systemen worden zodanig gekoppeld dat de agent niet naast, maar in het proces kan werken.

Het verschil met een klassieke pilot is dat vanaf het begin wordt ontworpen voor dagelijks gebruik: wat gebeurt er als er iets misgaat, wie is procesverantwoordelijk, hoe wordt resultaat gemeten? Precies op dat snijvlak (proces, techniek en governance) kan een partij als Nodient ondersteunen, zodat een idee daadwerkelijk in de operatie landt in plaats van na drie maanden te verdwijnen.

5.3 Snelheid veilig maken: regels inbouwen in plaats van stapelen

Veel ondernemingen remmen zichzelf af door vooral te focussen op risico’s: regelgeving, privacy, reputatieschade. Zeker in het licht van de EU AI Act is dat begrijpelijk. Volledig afwachten is echter geen realistische strategie.

Een werkbaar alternatief is veiligheid vanaf dag één onderdeel maken van het ontwerp. In eenvoudige termen: vastleggen welke data AI wel en niet mag gebruiken, tools selecteren die kunnen aantonen hoe zij met data omgaan, en definiëren welke beslissingen een agent nooit zelfstandig mag nemen.

Het doel is geen extra stapel beleid, maar een set duidelijke spelregels die in de systemen zelf zijn ingebouwd. Dat voorkomt dat elk initiatief opnieuw door een langdurig afwegingsproces moet, en maakt snelheid mogelijk zonder de controle te verliezen.

5.4 De menselijke factor als versneller

De beste AI-workflow loopt vast als teams het niet vertrouwen of niet begrijpen hoe ermee gewerkt moet worden. De menselijke kant is daarom minstens zo belangrijk als de technische. Effectief is om medewerkers met hun eigen voorbeelden te laten zien hoe AI hun werk concreet verlicht. Ruimte geven om zelf kleine toepassingen te bedenken en uit te proberen, vergroot eigenaarschap en vermindert weerstand. De boodschap daarbij: AI is bedoeld om repetitief werk te verminderen en besluitvorming te ondersteunen, niet om mensen overbodig te maken.

Aandacht voor inclusiviteit is essentieel. Als alleen de meest technisch onderlegde of het meest vocale deel van de organisatie AI omarmt, ontstaat scheefgroei in vaardigheden en kansen. Dat schaadt niet alleen de cultuur, maar beperkt ook de opbrengst van de investeringen in AI.

Wanneer organisaties deze vier elementen combineren wordt de AI Velocity Gap stap voor stap kleiner. Een onderneming hoeft niet in één keer “AI-first” te zijn, maar elk proces dat slimmer en sneller wordt, verkleint het gat met de koplopers. Nodient richt zich precies op die beweging: strategische AI-verhalen vertalen naar robuuste automatisering die in de dagelijkse praktijk waarde oplevert.

https://www.ijfmr.com/papers/2024/4/26389.pdf