Dit moet je weten als je in SAAS en AI aandelen investeert

Even een langere artikel dan normaal om de diepte in te gaan omtrent AI, Data en Software.

Wie kunstmatige intelligentie gebruikt, betaalt niet alleen voor tokens, softwarelicenties en rekenkracht. Volgens Microsoft-topman Satya Nadella dreigt een bedrijf ook te betalen met iets wat veel moeilijker terug te verdienen is: de kennis die het bedrijf uniek maakt. De MOAT.

Dat is de kern van zijn gisteren gepubliceerde essay over de Reverse Information Paradox. Op het eerste gezicht gaat het stuk over databescherming. Maar wie iets beter leest, ziet dat Nadella een veel grotere vraag stelt: wie wordt er eigenlijk slimmer wanneer een onderneming AI gebruikt? De onderneming zelf, de aanbieder van het model, of allebei en wie bezit daarna de opgebouwde kennis? De oorspronkelijke post van Nadella, is daarmee vooral een analyse van toekomstige waarde en macht.

Dat is geen theoretische voetnoot. Het raakt aan de toekomstige machtsverdeling binnen de hele AI-keten. Aan de ene kant staan de makers van grote modellen, de hyperscalers en de softwareplatforms. Aan de andere kant staan de bedrijven die hun klanten, processen, fouten, uitzonderingen en dagelijkse beslissingen in die systemen stoppen. Nadella’s waarschuwing is dat de tweede groep mogelijk de belangrijkste grondstof levert, terwijl de eerste groep steeds meer van de economische waarde naar zich toe trekt.

Zijn oplossing klinkt eenvoudig: een onderneming moet een AI-model kunnen gebruiken zonder de kennis prijs te geven die haar bijzonder maakt. De praktische uitwerking is alleen een stuk ingewikkelder. Nadella heeft een sterk punt, maar hij vertelt ook een verhaal dat opvallend goed aansluit op de commerciële belangen van Microsoft.

Voor beleggers is juist die combinatie interessant. Dit is tegelijk een waarschuwing, een architectuurvisie en een verkooppraatje en waarschijnlijk een behoorlijk invloedrijk verkooppraatje.

Eerst de oorspronkelijke informatieparadox

Nadella bouwt voort op een beroemd probleem dat econoom Kenneth Arrow in 1962 beschreef. In een markt voor informatie weet een koper pas hoeveel informatie waard is nadat hij haar heeft gezien. Maar zodra de verkoper de informatie laat zien, heeft de koper haar feitelijk al ontvangen. De verkoper moet dus een deel van zijn product weggeven om te bewijzen dat het product waardevol is.

Een uitvinder kan bijvoorbeeld zeggen dat hij een revolutionaire productiemethode heeft. De potentiële koper wil eerst weten hoe die methode werkt. Maar als de uitvinder dat volledig uitlegt, kan de koper ermee aan de haal gaan zonder ervoor te betalen. Patenten, geheimhoudingscontracten, reputatie en auteursrechten lossen delen van dit probleem op, maar nooit volmaakt. Arrow wees er zelf al op hoe lastig het is om informatie volledig tot eigendom te maken. Informatie is immers gemakkelijk te kopiëren en wordt vaak al deels onthuld zodra zij wordt gebruikt. Zijn oorspronkelijke analyse is terug te lezen hier voor de nerds.

Nadella draait het probleem om.

In de AI economie is het niet alleen de verkoper van kennis die kwetsbaar is. Ook de koper loopt risico. Een bedrijf koopt toegang tot een intelligent model, maar moet vervolgens eigen kennis aan dat model geven om er werkelijk iets aan te hebben. Een algemeen model kent de taal, kan redeneren en heeft veel publieke informatie verwerkt. Het weet alleen nog niet hoe een specifieke onderneming werkt, welke uitzonderingen belangrijk zijn, welke fouten onacceptabel zijn en wat die onderneming precies onder een goed resultaat verstaat.

Daarom moet de klant context toevoegen. Eerst een document, dan een database, vervolgens een interne handleiding, daarna toegang tot softwaretools en uiteindelijk de correcties van ervaren medewerkers. Hoe beter het systeem moet worden, hoe dichter het bij de kern van de onderneming komt.

Zo ontstaat volgens Nadella de omgekeerde paradox: om de intelligentie te gebruiken die een bedrijf heeft gekocht, moet het bedrijf kennis onthullen die mogelijk nog waardevoller is dan het gekochte model.

Je betaalt twee keer maar niet op dezelfde manier.

De eerste betaling is zichtbaar. Dat zijn de abonnementen, API-kosten, cloudcapaciteit, consultants, integratiekosten en werknemers die het systeem moeten beheren. Die bedragen verschijnen vroeg of laat in de resultatenrekening.

De tweede betaling is sluipender. Een onderneming geeft niet noodzakelijk haar patent of volledige klantenbestand weg, maar laat stukje bij beetje zien hoe zij denkt. Welke vragen stelt zij? Welke informatie haalt zij als eerste op? Welke uitkomst keurt een senior medewerker af? Welke uitzondering weegt zwaarder dan de standaardregel? Wanneer wordt een aanvraag goedgekeurd, een machine stilgezet of een investering juist niet gedaan?

Neem een hypothetisch beleggingshuis dat AI inzet voor aandelenonderzoek. Het jaarverslag van een onderneming is niet de echte voorsprong; dat kan iedere concurrent downloaden. De interessante kennis zit in de correcties van de analisten. Waarom wordt een kostenpost als eenmalig gezien? Wanneer is omzetgroei van hoge kwaliteit en wanneer vooral het gevolg van prijsverhogingen? Welke formulering van het management klinkt geloofwaardig en welke verhult iets? Welke risico’s zijn al in de koers verwerkt?

Wanneer een ervaren analist een AI-rapport verbetert, ontstaat meer dan een nette nieuwe tekst. Er ontstaat een gelabeld voorbeeld van hoe deze organisatie onderscheid maakt tussen een oppervlakkig antwoord en een goede analyse. Honderden of duizenden van zulke correcties vormen samen een digitale versie van de beleggingscultuur van het huis.

Precies daar zit Nadella’s punt. De meest waardevolle bedrijfskennis staat lang niet altijd in één geheim bestand met het woord vertrouwelijk erop. Zij zit vaak verspreid over beslissingen, uitzonderingen, feedback en routines. AI maakt het voor het eerst mogelijk om die impliciete kennis systematisch vast te leggen. Maar wie die leerervaringen bewaart en mag hergebruiken, kan uiteindelijk ook de waarde ervan opeisen.

Niet de data, maar het leerproces wordt het nieuwe kroonjuweel

Tijdens het cloudtijdperk draaide beveiliging vooral om de vraag waar data stonden en wie erbij kon. Zijn de bestanden versleuteld? In welke regio worden ze verwerkt? Welke werknemer heeft toegang? Kan een leverancier de gegevens inzien?

Die vragen blijven belangrijk. Nadella zegt alleen dat ze niet langer voldoende zijn. In het AI-tijdperk moet een bedrijf ook beschermen hoe het leert.

Hij gebruikt daarvoor het woord exhaust: het digitale uitlaatspoor dat ontstaat tijdens het gebruik van AI. Dat spoor bestaat onder meer uit:

- prompts, die verraden welke vragen en prioriteiten belangrijk zijn;

- tool calls, die laten zien welke systemen, databronnen en handelingen bij een taak horen;

- traces, oftewel het logboek van tussenstappen, keuzes en acties van een AI-agent;

- correcties, die aangeven waar het algemene model tekortschiet en hoe een expert het probleem oplost;

- evals, de tests en beoordelingsregels waarmee een onderneming definieert wat “goed” betekent;

- memory, waarin eerdere gesprekken, beslissingen en context worden onthouden;

- aangepaste modelgewichten, waarin patronen uit fine-tuning of andere vormen van training worden vastgelegd.

Niet elk onderdeel is op zichzelf een handelsgeheim. Samen kunnen ze wel een zeer nauwkeurige kaart vormen van de werkwijze van een bedrijf.

Vooral correcties zijn waardevol. Een ruwe prompt zegt wat iemand wil. Een correctie vertelt wat een algemeen model verkeerd begreep, welke grens het miste en welk oordeel de onderneming daartegenover zet. In machine-learningtermen is dat een trainingssignaal van hoge kwaliteit. Een concurrent kan veel publieke data kopen, maar niet gemakkelijk jaren aan goed beoordeelde uitzonderingsgevallen nabouwen.

De cruciale verschuiving is daarom deze: vroeger was de dataset het bezit; straks is het samenhangende leerproces het bezit. Een harde schijf vol documenten is statisch. Een systeem dat iedere nieuwe casus omzet in een betere toekomstige beslissing is dynamisch en kan, althans in theorie, steeds waardevoller worden.

Waarom Nadella Hayek erbij haalt

Nadella verwijst ook naar Friedrich Hayek en diens idee van de “kennis van tijd, plaats en omstandigheden”. Hayek betoogde in 1945 dat veel economisch relevante kennis lokaal, versnipperd en praktisch van aard is. Geen centrale planner kan alle details kennen die individuele mensen in hun eigen situatie wel kennen. De originele tekst, [*The Use of Knowledge in Society*](https://www.aeaweb.org/aer/top20/35.4.519-530.pdf), gaat in essentie over de waarde van verspreide kennis en de mechanismen waarmee die kennis wordt benut.

Binnen een bedrijf bestaat hetzelfde verschijnsel. De servicemedewerker kent een terugkerende klacht die nooit in het handboek is beland. De inkoper weet welke leverancier bij haast toch betrouwbaar levert. De kredietspecialist ziet aan een combinatie van kleine signalen dat een dossier niet klopt. De analist weet dat één ogenschijnlijk onschuldige zin tijdens een earnings call veelzeggender is dan drie pagina’s begeleidende tekst.

Dat is Nadella’s “particular intelligence”: kennis die specifiek is voor een organisatie, een moment en een context. AI kan die kennis schaalbaar maken. Het kan van het oordeel van één ervaren medewerker een vermogen maken dat duizenden keren kan worden toegepast. Maar als de leerlaag buiten de onderneming ligt, kan dezelfde technologie die kennis ook centraliseren bij de aanbieder van de infrastructuur.

Daarom is zijn essay uiteindelijk geen pleidooi tegen AI. Het is een pleidooi voor wat je learning sovereignty zou kunnen noemen: de onderneming moet soeverein blijven over het systeem waarin haar eigen ervaring wordt omgezet in betere intelligentie.

Human capital en token capital: mensen worden niet vervangen, maar vermenigvuldigd

Nadella spreekt over het samenspel tussen human capital en token capital. Met human capital bedoelt hij de kennis, ervaring, relaties, creativiteit, smaak en patroonherkenning van mensen. Token capital is niet simpelweg een tegoed aan gekochte AI-tokens en al helemaal geen cryptomunt. Het is de herbruikbare AI-capaciteit die een onderneming zelf opbouwt: haar geheugen, evals, gespecialiseerde instructies, agentworkflows, feedbackdata en eventueel aangepaste modellen.

In een eerder essay over het AI-ecosysteem beschreef Nadella die twee vormen van kapitaal als een gezamenlijke leerkring. Mensen stellen doelen, herkennen uitzonderingen en beoordelen of een uitkomst werkelijk bruikbaar is. Het digitale systeem legt die lessen vast en kan ze vervolgens op veel grotere schaal toepassen. De volgende medewerker begint daardoor niet opnieuw bij nul.

Dat is een belangrijk verschil met het simplistische verhaal dat AI vooral banen automatiseert. Nadella kijkt naar het bedrijf als geheel. Een afzonderlijke taak kan verdwijnen, maar de onderneming mag haar leerproces niet uitbesteden. Wie alleen arbeid vervangt, behaalt een eenmalige kostenbesparing. Wie menselijke expertise omzet in een herbruikbaar systeem, bouwt een productief bezit op.

De ‘trust boundary’ is meer dan een digitaal hek

Nadella noemt de oplossing een echte trust boundary. In gewoon Nederlands: een harde vertrouwensgrens waarbinnen data, feedback, geheugen, tests en aangepaste modellen zich mogen ontwikkelen, zonder dat die informatie ongemerkt naar buiten stroomt.

Zo’n grens is niet alleen technisch. Zij bestaat uit minimaal vier lagen.

Ten eerste is er de technische grens: gescheiden klantomgevingen, toegangsbeheer, encryptie, logging en duidelijke regels over opslag en verwerking. Ten tweede is er de contractuele grens: wie bezit de invoer, uitvoer, traces, evals, feedback en daarvan afgeleide modellen? Ten derde is er de operationele grens: wie mag AI-agenten gereedschappen laten gebruiken, wie controleert hun handelingen en wie kan achteraf reconstrueren wat er gebeurde? Ten slotte is er de portabiliteitsgrens: kan het bedrijf zijn opgebouwde geheugen, tests en leerdata meenemen wanneer het van leverancier of model wisselt?

Juist dat laatste wordt vaak vergeten. Een leverancier kan beloven klantdata niet te gebruiken voor het trainen van zijn basismodel en de klant toch stevig opsluiten. Als alle memory, agentlogica, evaluaties en aangepaste workflows alleen binnen het platform van die leverancier functioneren, is de kennis misschien niet gestolen, maar wel moeilijk verplaatsbaar. Economisch kan dat bijna hetzelfde effect hebben: de klant verliest onderhandelingsmacht.

Dit verklaart ook waarom Nadella zegt dat de omgekeerde paradox een equivalent van het patent nodig heeft. Hij bedoelt waarschijnlijk niet dat er morgen één nieuw intellectueel-eigendomsrecht moet komen. De praktische tegenhanger zal eerder een bundel zijn van contractuele gebruiksrechten, technische isolatie, auditmogelijkheden, toestemming voor ieder extern hergebruik en het recht om geheugen, evals, traces en aangepaste modellen mee te nemen. De patentvergelijking is dus nuttig als denkkader, maar onvolledig als juridische oplossing.

De vijf C’s van Nadella uitgelegd

Nadella vat zijn oplossing samen in vijf begrippen: Control, Capability, Choice, Cost en Compound. Dat klinkt een beetje als een managementmodel dat zo op een PowerPoint-dia kan, maar de onderliggende gedachte is degelijk.

1. Control: bepaal zelf wat goed is

Met Control bedoelt Nadella dat een onderneming haar eigen evals, geheugen, feedback, beslissingen en context moet bezitten.

Een eval is feitelijk een toets voor een AI-systeem. Een bank kan bijvoorbeeld honderd historische kredietdossiers gebruiken om te testen of een model risico’s correct identificeert. Een softwarebedrijf kan controleren of gegenereerde code door zijn interne veiligheidseisen komt. Een beleggingshuis kan meten of een model incidentele baten correct onderscheidt van structurele winstgroei.

Publieke benchmarks vertellen of een model gemiddeld goed kan rekenen, programmeren of redeneren. Private evals vertellen of het model goed genoeg is voor precies deze onderneming. Daarmee leggen ze niet alleen kwaliteit vast, maar ook prioriteiten en risicotolerantie. Wie de eval bezit, bezit in belangrijke mate de definitie van goed werk.

Voor beleggers is dat een nuttige scheidslijn. Een onderneming die alleen enthousiast vertelt welk beroemd model zij gebruikt, heeft nog geen eigen AI-voorsprong. Een onderneming die kan uitleggen hoe zij prestaties op haar eigen processen meet, fouten omzet in nieuwe tests en de uitkomsten door de tijd verbetert, is een stap verder.

2. Capability: bouw een eigen leeromgeving

Capability betekent niet dat iedere verzekeraar, winkelketen of industriële onderneming voor miljarden een eigen frontiermodel moet trainen. Dat zou voor bijna iedereen economische waanzin zijn.

Het betekent wel dat een bedrijf binnen zijn eigen gecontroleerde omgeving moet kunnen leren van werkelijk werk. Dat kan met retrieval, waarbij het model relevante interne informatie ophaalt. Het kan met een goed beheerde promptbibliotheek, een eigen geheugenlaag, fine-tuning van een kleiner model, simulaties, reinforcement learning of simpelweg een proces waarin menselijke correcties worden opgeslagen en opnieuw getest.

De essentie is dat de leverancier intelligentie mag leveren, maar dat de onderneming zelf het curriculum beheert. Zij bepaalt welke ervaringen worden onthouden, welke fouten zwaar wegen en welke verbeteringen in productie mogen worden gebruikt.

3. Choice: maak het basismodel vervangbaar

Met Choice komt Nadella bij een van de belangrijkste strategische punten. De orchestration layer, de laag die context toevoegt, modellen aanroept, tools bedient, beveiligingsregels toepast, geheugen beheert en resultaten controleert, moet losstaan van één specifiek model.

Zijn test is eenvoudig: als het model dat vandaag wordt gebruikt morgen verdwijnt, kan de onderneming dan blijven functioneren met een ander model?

Nadella maakt daarbij een aardig onderscheid tussen de generalist en de company veteran. Het basismodel is de generalist: slim, breed inzetbaar en afkomstig van buiten. De company veteran is de bedrijfskennis die weet hoe het hier werkelijk werkt. De generalist moet vervangbaar zijn; de veteraan moet bij de onderneming blijven.

Dat is een aantrekkelijk ideaal. Modelleiderschap wisselt snel, prijzen veranderen, diensten kunnen tijdelijk niet beschikbaar zijn en geopolitiek kan toegang beperken. Wie volledig afhankelijk is van één model, maakt van een leverancier een kritiek operationeel risico.

4. Cost: gebruik geen Formule 1-auto voor de boodschappen

Zodra de orchestration layer verschillende modellen kan aansturen, kan een bedrijf per taak de beste combinatie van kwaliteit en prijs kiezen. Een eenvoudig classificatieprobleem hoeft niet naar het duurste frontiermodel. Een ingewikkelde juridische analyse of programmeertaak misschien wel. Sommige opdrachten kunnen lokaal door een klein model worden uitgevoerd; andere vragen veel context en gespecialiseerde rekenkracht.

Dat kan de kosten per taak verlagen. Ook caching, kortere context, betere retrieval en het vermijden van herhaald werk helpen. De vraag verschuift van “welk model is het beste?” naar “welk model is goed genoeg voor deze stap in dit proces?”

Voor beleggers is dat dubbel. Efficiëntere AI kan de marge van klanten verbeteren en het gebruik uitbreiden. Tegelijk zet slimme routering druk op de prijzen en het volume dat naar de duurste modellen gaat. De winnaar hoeft dus niet automatisch de aanbieder met het intelligentste model te zijn; het kan ook het platform zijn dat taken het efficiëntst over modellen verdeelt.

5. Compound: laat iedere taak de volgende taak verbeteren

De eerste vier C’s moeten samen leiden tot Compound: een gesloten leerkring waarin ieder gebruiksmoment toekomstige prestaties kan verbeteren.

Nadella noemt dit een hill-climbing machine. Het beeld is dat een systeem een uitkomst produceert, wordt beoordeeld, een kleine verbetering doorvoert en daarna opnieuw wordt getest. Stap voor stap klimt het naar een beter resultaat. Menselijk oordeel en digitale intelligentie versterken elkaar.

Dit is misschien wel de meest beleggersachtige gedachte in het hele stuk. Nadella behandelt kennis als kapitaal. Gewone software wordt aangeschaft en afgeschreven. Een goed leerproces kan juist meer waard worden naarmate het vaker wordt gebruikt. De rendementen van eerdere ervaringen vloeien terug in het systeem en verhogen de productiviteit van toekomstige ervaringen.

Maar compounding werkt ook de verkeerde kant op. Slechte feedback, gemakzuchtige medewerkers, verkeerde meetcriteria of bevooroordeelde historische beslissingen kunnen eveneens worden vermenigvuldigd. Een machine die heel efficiënt de verkeerde heuvel beklimt, blijft een probleem. Eigendom van de leerkring garandeert dus controle, niet automatisch waarheid of kwaliteit.

De strategische bijsluiter: dit verhaal komt niet van een neutrale filosoof

Nadella’s redenering is inhoudelijk serieus, maar sluit bijna perfect aan op de positie die Microsoft in de AI-markt wil innemen.

Als het basismodel de belangrijkste en moeilijkst vervangbare laag blijft, ligt veel macht bij bedrijven als OpenAI, Anthropic en andere frontierlabs. Als modellen daarentegen steeds beter uitwisselbaar worden en de duurzame waarde in beveiliging, bedrijfsdata, identiteit, orkestratie en applicaties komt te liggen, verschuift de macht richting platforms zoals Microsoft.

Microsoft Foundry brengt modellen, agents en tools samen met onder meer toegangsbeheer, monitoring, tracing en evaluaties. Microsoft beschrijft zelf dat modellen binnen de agentdienst kunnen worden verwisseld zonder de agentcode volledig te veranderen. Dat is vrijwel de productversie van Nadella’s vijf C’s.

De strategische boodschap aan ondernemingen is daarmee ongeveer: maak jezelf niet afhankelijk van één model, maar bouw je onafhankelijke leerlaag wel op ons platform. Dat is geen onbelangrijk detail. Wie zijn modelafhankelijkheid vermindert maar vervolgens alle identiteit, data, tools, observability en agentlogica diep in één cloudplatform verankert, heeft de ene vorm van lock-in mogelijk ingeruild voor een andere.

Tegelijk is het logisch dat Microsoft deze kant op duwt. In het derde kwartaal van boekjaar 2026 meldde het concern dat zijn AI-activiteiten een annual revenue run rate van meer dan 37 miljard dollar hadden bereikt, 123 procent hoger dan een jaar eerder. Azure groeide met 40 procent en Microsoft 365 Copilot telde inmiddels meer dan 20 miljoen betaalde seats. Daar staan uitzonderlijk grote investeringen tegenover: alleen al in dat kwartaal bedroegen de kapitaaluitgaven 31,9 miljard dollar, terwijl Microsoft voor kalenderjaar 2026 circa 190 miljard dollar aan capex verwachtte. AI-infrastructuur drukte bovendien op de brutomarge. Microsoft heeft dus een zeer concreet belang bij een wereld waarin steeds meer bedrijfsprocessen via zijn infrastructuur lopen.

De post doet voor Microsoft drie dingen tegelijk. Hij stelt zakelijke klanten gerust over eigendom en controle. Hij maakt de individuele modelaanbieder minder onaantastbaar. En hij presenteert de cloud- en orchestrationlaag als de plek waar langdurige waarde wordt opgebouwd.

Dat maakt Nadella’s analyse niet onwaar. Een routekaart kan zowel correct zijn als leiden naar de winkel van degene die hem uitdeelt.

De verwijzing naar Alex Karp is evenmin toevallig

Nadella citeert Palantir-topman Alex Karp, die zegt dat technische klanten controle willen over hun compute, modellen, datastack en “alpha”. Met alpha bedoelt hij hier de eigen voorsprong van een organisatie: de combinatie van data, processen en oordeel waarmee zij betere beslissingen neemt dan anderen.

De overeenkomst tussen hun verhalen is duidelijk. Palantir verkoopt al jaren het idee dat software niet los moet staan van de werkelijke organisatie, maar moet worden verbonden met data, bevoegdheden, processen en beslissingen. Nadella trekt die gedachte door naar het modeltijdperk: een algemeen model is pas waardevol wanneer het binnen een gecontroleerde bedrijfsmatige context kan handelen en leren.

Voor beleggers is dat een relevante bevestiging van de categorie waarin Palantir actief is. Het is alleen geen automatische bevestiging van iedere waardering of ieder groeiscenario. Een sterke strategische positie en een aantrekkelijke aandelenprijs zijn twee verschillende vragen. Nadella geeft een argument voor het belang van controleplatforms; hij geeft geen gratis koersdoel af.

Waar Nadella mij overtuigt

Het sterkste deel van de post is dat hij het begrip data moat actualiseert. Jarenlang werd over data gesproken alsof het bezit van een grote database vanzelf een duurzaam concurrentievoordeel opleverde. Dat is te simpel. Data kunnen verouderd, rommelig, publiek verkrijgbaar of zonder uitkomstlabel vrijwel nutteloos zijn.

De echte voorsprong ontstaat wanneer een onderneming kan vastleggen welke actie op basis van die data werd genomen, wat daarna gebeurde en hoe een expert de volgende beslissing verbeterde. Niet de voorraad data, maar de snelheid en kwaliteit van de feedbackkring bepalen dan het leervermogen.

Ook zijn nadruk op private evals is terecht. Algemene modellen worden vaak vergeleken op gestandaardiseerde benchmarks, terwijl ondernemingen geld verdienen met heel specifieke taken. Een model kan briljant scoren op programmeren en toch onbruikbaar zijn in een gereguleerd verzekeringsproces. Het kan prachtig schrijven en tegelijkertijd consequent de financiële nuance missen die voor een bepaalde analist doorslaggevend is. De onderneming moet daarom haar eigen examen ontwerpen.

Verder heeft Nadella gelijk dat keuzevrijheid economische waarde heeft. De beste verhouding tussen kwaliteit, snelheid en prijs zal niet voor elke taak hetzelfde zijn en evenmin jarenlang bij dezelfde leverancier blijven. Een architectuur die modellen kan vervangen, geeft een bedrijf onderhandelingsmacht en verkleint operationeel risico.

Tot slot raakt hij een politiek-economisch punt. Als enkele modelbouwers niet alleen de algemene intelligentie leveren, maar ook alle gespecialiseerde kennis uit ieder aangesloten bedrijf mogen absorberen, kan een buitengewoon sterke concentratie van macht ontstaan. Bedrijven zouden dan betalen om hun eigen processen te laten commoditiseren. Een AI-economie waarin klanten zelf waarde blijven opbouwen is waarschijnlijk niet alleen aantrekkelijker voor die klanten, maar maatschappelijk ook stabieler.

Waar zijn verhaal te gemakkelijk wordt

Het belangrijkste technische bezwaar is dat een model niet automatisch van iedere prompt of correctie leert. Tijdens normale inference verwerkt een model context om een antwoord te produceren, maar daarmee veranderen de modelgewichten nog niet. Er is een aparte stap nodig om interacties op te slaan, te selecteren en te gebruiken voor fine-tuning, training, retrieval of aanpassing van de applicatie.

Dat onderscheid is belangrijk. “Het model heeft mijn document gezien” is niet hetzelfde als “de leverancier heeft zijn basismodel met mijn document getraind”. Nadella formuleert bewust breed wanneer hij zegt dat iedere correctie wordt gedistilleerd tot institutionele kennis. Iedere correctie kan een waardevol leersignaal worden, maar alleen wanneer iemand die vastlegt en gebruikt.

Microsoft zegt voor zijn zakelijke Azure-modeldiensten expliciet dat modellen stateless zijn en dat prompts en antwoorden niet worden gebruikt om de basismodellen te trainen of te verbeteren. Ook voor Microsoft 365 Copilot stelt het concern dat prompts, antwoorden en via Microsoft Graph geraadpleegde data niet voor training van foundationmodellen worden gebruikt.

Dat haalt Nadella’s bredere punt niet onderuit, maar verandert wel de formulering. De reverse information paradox is geen natuurwet die bij iedere AI-aanvraag optreedt. Het is een risico dat ontstaat door de combinatie van techniek, contractvoorwaarden, logging, hergebruik en afhankelijkheid. Beleggers en ondernemingen moeten dus niet alleen vragen óf een leverancier data verwerkt, maar waarvoor, hoelang, met welke rechten en hoe goed de opgebouwde leerlaag kan worden geëxporteerd.

Een tweede bezwaar is dat werkelijk modelonafhankelijk werken moeilijker is dan het klinkt. Modellen reageren verschillend op instructies, hanteren andere veiligheidsgrenzen, gebruiken tools op een andere manier en maken andere soorten fouten. Een prompt die uitstekend werkt bij model A kan bij model B een slechter antwoord geven. Na iedere wissel moeten evals opnieuw worden uitgevoerd, integraties worden aangepast en risico’s worden beoordeeld.

De orchestration layer vermindert dus lock-in, maar verwijdert haar niet. Sterker nog: de orchestration layer kan zelf de nieuwe bron van lock-in worden.

Een derde zwakke plek is de veronderstelling dat iedere onderneming voldoende schaal en expertise heeft om een eigen leeromgeving te bouwen. Grote banken, farmaceuten, industriële groepen en technologiebedrijven kunnen gespecialiseerde teams aanstellen. Een middelgrote onderneming wil vooral dat de software veilig werkt en betaalbaar blijft. Voor haar kan een goed beheerde externe dienst rationeler zijn dan een halfbakken eigen AI-infrastructuur.

Nadella’s toekomstbeeld kan daardoor ironisch genoeg juist de grootste ondernemingen bevoordelen. Zij hebben de meeste unieke data, de meeste correcties, de beste experts en het budget om alles binnen een private grens te organiseren. De technologie democratiseert toegang tot algemene intelligentie, maar kan de waarde van schaal in gespecialiseerde leerdata vergroten.

De ongemakkelijke discussie over distillation

Een opvallende passage gaat over distillation. Daarbij worden de antwoorden van een sterk model gebruikt om een ander, vaak kleiner model te trainen. Een onderneming kan zo kennis uit haar eigen werkzaamheden omzetten in een goedkoper of gespecialiseerder systeem. Maar dezelfde techniek kan ook worden gebruikt om op grote schaal de capaciteiten van een concurrent na te bootsen.

Daar zit een echt belangenconflict. Modelbouwers investeren enorme bedragen in onderzoek, rekenkracht en veiligheid. Het is begrijpelijk dat zij niet willen dat een concurrent miljoenen antwoorden opvraagt en daarmee tegen een fractie van de kosten een kopie maakt. Anthropic beschreef in februari 2026 bijvoorbeeld hoe drie andere AI-labs volgens het bedrijf via miljoenen uitwisselingen capaciteiten van Claude probeerden te distilleren. Anthropic noemt distillation op zichzelf legitiem, maar beschouwt industriële imitatie via misleidende accounts als misbruik.

Aan de andere kant heeft een gewone zakelijke klant een redelijk argument dat de lessen uit zijn eigen taken, data en feedback niet exclusief aan de modelleverancier mogen toevallen. Het trainen van een intern model op eigen klantenservicecorrecties is iets anders dan het systematisch klonen van de algemene redeneercapaciteit van een frontiermodel.

Hieraan koppelt Nadella een bewust prikkelende vergelijking. Modelbouwers verdedigen het trainen op grote hoeveelheden publiek beschikbare informatie vaak met een beroep op fair use of vergelijkbare uitzonderingen, maar leggen hun eigen klanten vervolgens beperkingen op bij het hergebruiken van modeloutput. Volgens Nadella stroomt het leren dan maar één kant op: publieke en zakelijke kennis mag richting de modelbouwer bewegen, terwijl de klant de ontvangen output niet vrij mag benutten om zelf te leren.

Dat klinkt als een duidelijke dubbele standaard, maar ook hier is de werkelijkheid minder netjes. Of het trainen op publiek beschikbare, mogelijk auteursrechtelijk beschermde data juridisch onder fair use valt, is niet overal en niet voor iedere toepassing definitief beslist. Bovendien stellen modelbouwers dat pretraining op een breed cultureel corpus iets anders is dan het gericht opvragen van miljoenen antwoorden om een concurrerend product te repliceren. Nadella formuleert dus niet alleen een feitelijke observatie; hij kiest een normatieve positie over hoe rechten in de AI-keten verdeeld zouden moeten worden.

Nadella kiest duidelijk de kant van de zakelijke klant, maar trekt de grens niet precies. Welke modeloutput behoort tot de eigen leerkring van de klant en wanneer wordt hergebruik feitelijk het kopiëren van de leverancier? Daar zullen contracten, techniek en uiteindelijk waarschijnlijk rechtspraak nog veel werk aan hebben.

Er zit bovendien enige spanning in Microsofts eigen positie. De algemene Microsoft Services Agreement voor consumentendiensten verbiedt het gebruik van AI-diensten of data daaruit om AI-technologie te creëren, trainen of verbeteren. Azure valt onder aparte zakelijke voorwaarden en biedt andere waarborgen, dus het is geen zuivere gotcha. Toch onderstreept het verschil precies waarom klanten niet op slogans mogen vertrouwen: rechten hangen af van het concrete product, contract en abonnement.

De Europese dimensie: controle wordt ook een compliancevraag

Voor Europese ondernemingen is Nadella’s trust boundary niet alleen een concurrentievoordeel. Bij bepaalde hoog-risicotoepassingen legt de AI Act ook verplichtingen bij de organisatie die het systeem inzet. Die moet onder meer het gebruik monitoren, menselijk toezicht organiseren en zorgen dat aangeleverde inputdata relevant en voldoende representatief zijn. “De leverancier heeft het model gebouwd” is dan geen volledige ontsnappingsroute voor de verantwoordelijkheid van de gebruiker.

Dat vergroot de waarde van auditlogs, private evals, traceerbaarheid en controle over modelwissels. Een onderneming moet niet alleen weten dat een systeem gemiddeld goed presteert; zij moet in relevante gevallen kunnen aantonen hoe het binnen haar eigen context is getest, bewaakt en bijgestuurd.

Voor beleggers betekent dit dat governance niet alleen een kostenpost is. Goede governance kan een toegangsbewijs worden tot gereguleerde markten waar een losse chatbot nooit geaccepteerd zal worden.

Welke bedrijven kunnen hiervan profiteren?

De meest directe potentiële winnaar is Microsoft zelf. Wanneer ondernemingen meer waarde hechten aan een beveiligde, modelonafhankelijke leerlaag, worden cloudinfrastructuur, identiteit, data-integratie, ontwikkeltools en bedrijfssoftware belangrijker. Microsoft kan omzet verdienen aan het model, maar ook wanneer een ander model via zijn platform wordt gebruikt.

Daar staat een duidelijke keerzijde tegenover. Echte keuzevrijheid geeft klanten meer prijsdrukmiddelen. Als modellen, rekenkracht en orchestration steeds meer uitwisselbaar worden, kunnen marges dalen. De enorme kapitaaluitgaven moeten bovendien voldoende extra omzet en cashflow opleveren. Nadella’s visie helpt de strategische logica van die investeringen uit te leggen, maar garandeert het rendement niet.

Ook platforms voor bedrijfsdata, governance, cybersecurity, observability en agentbeheer zitten logisch in de gunstige hoek. Naarmate AI meer handelingen uitvoert, groeit de behoefte om te bepalen welke identiteit wat mag zien, welke tool mag gebruiken en welke beslissing achteraf kan worden gecontroleerd. De winnaars zullen alleen meer moeten leveren dan een aantrekkelijk dashboard. Zij moeten aantoonbaar de leerkring beschermen, integreren in werkelijk werk en meetbare waarde creëren.

Palantir past inhoudelijk duidelijk binnen dit verhaal, mede doordat Nadella Karp rechtstreeks citeert. De beleggersles blijft echter dezelfde: een goed narratief moet terugkomen in klantgroei, contractwaarde, marges en vrije kasstroom. Strategische relevantie is geen vrijstelling van waarderingsdiscipline.

Aanbieders van open-weight en kleinere gespecialiseerde modellen kunnen eveneens profiteren. Als ondernemingen keuze, lokale inzet en eigen aanpassing belangrijk vinden, wordt een model dat iets minder algemeen intelligent is maar wel controleerbaar, betaalbaar en zelfstandig inzetbaar aantrekkelijker.

Voor pure frontiermodelbouwers is het beeld gemengd. Hun beste modellen blijven schaars en kunnen voor moeilijke taken een duidelijke premie verdienen. Tegelijk dreigen prijsdruk, strengere no-trainingvoorwaarden en eisen rond output- en fine-tuningrechten hun macht te beperken. Zij zullen waarschijnlijk verschillende serviceniveaus aanbieden: goedkoop gebruik met beperktere rechten en duurdere zakelijke contracten met meer controle en aanpassingsmogelijkheden.

Voor traditionele softwarebedrijven ontstaat een scherpe tweedeling. Een dunne applicatie die weinig meer doet dan een prompt naar een extern model sturen, heeft nauwelijks een verdedigbare positie. Een softwarebedrijf dat diep in een workflow zit, uitkomsten ziet, menselijke correcties opvangt en op basis daarvan aantoonbaar verbetert, kan juist een sterkere moat bouwen dan vóór AI.

Voor chipbedrijven zoals Nvidia is de richting eveneens niet volledig eenzijdig. Meer private leeromgevingen, fine-tuning en agentgebruik kunnen de totale vraag naar rekenkracht vergroten. Tegelijk kunnen kleinere modellen, caching en intelligente routering het aantal benodigde rekeneenheden per taak sterk verlagen. De uiteindelijke uitkomst hangt af van de bekende volumereactie: wordt AI zoveel goedkoper en nuttiger dat het totale gebruik sneller stijgt dan de kosten per taak dalen?

De belangrijkste les voor gewone ondernemingen

 Een bedrijf bezit niet automatisch een AI-moat omdat het veel data heeft of een contract met een bekende modelleverancier heeft gesloten. Een duurzame voorsprong vraagt om een keten:

eigen context → werkelijk gebruik → menselijke of meetbare feedback → private evals → aantoonbare verbetering → hergebruik in de volgende taak.

Als één schakel ontbreekt, compounding stopt. Zonder gebruik komt geen feedback. Zonder uitkomstmeting weet niemand welke correctie goed was. Zonder opslag verdwijnt de les. Zonder portabiliteit bouwt de onderneming mogelijk vooral het platform van een ander op.

Het management moet werknemers bovendien een reden geven om goed te corrigeren. Wanneer medewerkers AI-output alleen snel accepteren om een productiviteitsdoel te halen, krijgt het systeem veel activiteit maar weinig intelligentie. De kwaliteit van de menselijke feedback bepaalt uiteindelijk de kwaliteit van het tokenkapitaal waar Nadella over spreekt.

Daarmee wordt menselijk kapitaal niet minder belangrijk. Het verandert van rol. De expert produceert niet alleen zelf het antwoord, maar helpt ook definiëren wat een goed antwoord is, herkent uitzonderingen en bewaakt de relatie met de werkelijkheid. Algemene kennis wordt goedkoper; goed oordeel, smaak, verantwoordelijkheid en domeinervaring worden relatief schaarser.

Eindconclusie: het model is gehuurd, het leervermogen moet van jezelf zijn

De belangrijkste zin uit Nadella’s essay is niet dat ondernemingen hun data moeten beschermen. Dat wisten ze al. De echte boodschap is dat het gebruik van intelligentie zelf nieuwe intelligentie produceert.

Een prompt, een correctie en een uitkomst lijken afzonderlijk onbeduidend. Over miljoenen taken kunnen ze samen het digitale geheugen en oordeel van een onderneming vormen. Wie dat proces bezit, kan productiviteit laten renderen als kapitaal. Wie het achteloos uitbesteedt, kan ontdekken dat hij niet alleen een AI-dienst heeft gekocht, maar tegelijk de leerervaring heeft geleverd waarmee de concurrent beter wordt.

Dat is de Reverse Information Paradox in één zin: huur gerust de intelligentie, maar geef niet ongemerkt de MOAT van je onderneming weg.