Inzet van AI: realisme vs optimisme

Karpathy vs McKinsey

Op 17 juni 2025 vertelde beroemd AI-wetenschapper Andrej Karpathy tijdens zijn keynote op de AI Startup School in San Francisco over zijn Software 3.0 concept. Eén van de belangrijkste openbaringen van Karpathy is dat hij zich in het kamp van de realisten schaart, de groep die de waarde van AI ziet, maar die zich vooral zorgen maakt hoe die waarde te realiseren is.

Daarmee stelt hij zich lijnrecht tegenover management consultancy bedrijf McKinsey die in het rapport Seizing the Agentic AI Advantage benadrukt dat AI zonder meer waarde heeft, maar dat het voor bedrijven vooral een kwestie is om die rijpe, oogstklare voordelen te verzilveren. McKinsey vertegenwoordigt het optimistische kamp. Je zou zelfs kunnen zeggen dat het bedrijf uitschiet in de richting van hype.

YouTube Blogger Nate Jones legt de verschillende visies van Karpathy en McKinsey naast elkaar en geeft aan waarom hij denkt dat Karpathy gelijk heeft en McKinsey niet. Met de opgedane ervaring bij 42, kan ik niet anders dan me aansluiten bij de onderbouwde mening van Jones.

Waarom Karpathy gelijk heeft

Eigenlijk zegt McKinsey het zelf al in de inleiding van hun rapport – 8 van de 10 bedrijven zet Generative AI in, maar evenzoveel rapporteren geen merkbaar effect op hun marges. McKinsey ziet de oorzaken in de eerste plaats als organisatorisch van aard en ziet de oplossing in meer gas geven in de adoptie van AI agents ("Agentic Mesh"), alsof de technologie niet meer de beperking is, maar dat het vooral gaat om de wil en de inzet van de mens om de technologie te adopteren. De organisatie moet om, aldus McKinsey, onder de bezielende leiding van de CEO.

Karpathy's visie is een stuk minder sexy en glorieus, maar gegrond in de realiteit van de techneut. Zoals iedereen weet die serieus met AI aan de slag is gegaan, is de tooling zelden out-of-the-box inzetbaar, maar vereist het controle, zoals:

• sterk beperkte autonomie voor de AI
• menselijk overzicht (HITL, oftewel Human in the Loop)
• korte leiband op AI-processen, door:
  • beperkte opdracht
  • gestructureerde output
  • gebruik formele talen
  • agent routering
• zelf-verificatie tegen meegeleverde data
• uitgangspunt is falen – vaststellen en opnieuw proberen
• infra/data inrichten op omgang met AI

Ieder van deze punten klopt als een bus en gezamenlijk maken ze het mogelijk om de waarde van AI te realiseren. Alleen krijg je geen van deze maatregelen – en dat is mogelijk een tegenvaller voor menig lezer – gratis in een kadodoos met een strik erom. De processen moeten worden uitgedacht en ingericht.

De relevantie van de realistische visie

De utopische visie van de inzet van AI is een mooi verhaal, maar voor de meeste bedrijven niet meer dan dat. Een mooi verhaal. Daarin meegaan leidt tot investeringen waarbij je om de haverklap geconfronteerd wordt met praktische teleurstellingen die een aanpassing in de aanpak vereisen. Wellicht zelfs aan het einde een hoop teleurgestelde deelnemers en een project dat een zachte dood sterft en zonder publiek begraven wordt op het kerkhof der teleurstellingen.

De andere route is om de roze bril af te zetten en naar het probleem te kijken vanuit het perspectief van de techneut – het bedrijf weet wat het wil en laat het proces om daar te komen uitwerken conform de visie van Karpathy. De inschatting van de baten, de kosten en de duur van het traject zijn realistischer en de kansrijkheid op succes is groter.

De realistische visie in de praktijk

Het probleem schuilt hem niet in de inzet van bedrijfsbrede tooling (horizontals, aldus McKinsey), zoals chatbots en Copilot. De adoptie daarvan is relatief eenvoudig en betekent veelal dat medewerkers zelf hun werkprocessen aanpassen aan de nieuwe mogelijkheden.

Het gaat primair om de functie-specifieke tooling (verticals, aldus McKinsey). Een proces moet in zijn geheel onder de loep genomen worden, zodat je een beeld krijgt van het geheel. Per schakel in het proces zul je moeten bepalen waar AI mogelijk inzetbaar is en of dat de moeite is. Voor dat onderdeel zet je een Proof-of-Concept op om te bewijzen of inzet van AI haalbaar is. Als je besluit door te gaan met dat onderdeel, dan bouw je structuur op zoals Karpathy aangeeft, en in eenvoudige termen, ga je op zoek naar de rol van mens, machine en "aap" (de AI) in het onderdeel. Als het proces klaar is, rol je het uit binnen de organisatie.