AI claimt de fysieke economie

Inleiding

Veel bedrijven praten nog over AI alsof het vooral een slimmere softwarelaag is.

Een copiloot voor teksten. Een assistent voor analyses. Een handige tool voor teams die sneller willen werken.

Dat beeld wordt in de zomer van 2026 te klein.

De interessantere ontwikkeling is dat AI steeds zichtbaarder opschuift van schermwerk naar de fysieke economie: fabrieken, energievoorziening, datacenters, supply chains en operationele infrastructuur. Niet alleen de modellen worden slimmer, maar ook de eisen aan stroom, productiecapaciteit, industriële integratie en ketenregie worden groter.

Precies daarom is het Axios-artikel van 26 juni 2026 zo relevant voor ondernemers en bestuurders. Op basis van Goldman Sachs laat het zien dat de volgende AI-golf zich niet beperkt tot digitale toepassingen, maar nadrukkelijk richting fysieke sectoren beweegt. De zakelijke les daarachter is groot: wie AI nog steeds behandelt als alleen een softwarekeuze, stuurt te smal.

De volgende AI-fase heet capaciteit

De eerste AI-fase draaide vooral om experiment en gebruik.

Welke tool werkt het best? Welke medewerker wint tijd? Waar kunnen we sneller schrijven, samenvatten of zoeken?

De volgende fase draait minder om losse prompts en meer om capaciteit.

Zodra AI serieuzer wordt ingezet, ontstaan andere vragen:

• is er voldoende rekenkracht beschikbaar;
• blijft energie betaalbaar en leverbaar;
• hoe robuust is de toeleveringsketen;
• welke processen kunnen in een fysieke operatie veilig worden gekoppeld;
• en wie beheert de uitzonderingen als AI inwerkt op planning, productie of logistiek.

Dat klinkt als een probleem voor hyperscalers, maar het effect loopt breder door. Ook bedrijven die zelf geen datacenter bouwen, worden afhankelijk van leveranciers, platforms en infrastructuur die steeds meer schaarse fysieke input vragen. AI wordt daarmee niet alleen een softwarekostenpost, maar ook een indirecte vraag naar stroom, chips, netcapaciteit en industriële betrouwbaarheid.

Waarom dit verder gaat dan Big Tech

De verschuiving is niet alleen theoretisch.

AP News beschreef op 16 juni 2026 hoe Nvidia samen met Coherent een investering van 2 miljard dollar koppelt aan een uitbreiding van productiecapaciteit in Sherman, Texas. Volgens AP moet die uitbreiding ongeveer 1.000 banen opleveren, waarvan circa 550 in geavanceerde productie, engineering en technische functies. Het verhaal is belangrijker dan het ene project: AI-vraag creëert niet alleen dataverkeer, maar ook fabrieksvloeren, materiaalstromen en industriële werkgelegenheid.

Daarmee verandert ook de managementvertaling. AI is niet meer uitsluitend iets dat kenniswerk versnelt, maar steeds vaker iets dat inwerkt op machines, componenten, vermogensvraag en locatiekeuzes. Het digitale systeem krijgt een fysieke schaduw.

Voor directies is dat een fundamenteel verschil. Een chatbot kun je testen met een klein budget. Een AI-gedreven operatie trekt vroeg of laat aan andere knoppen: energie, onderhoud, netwerkcapaciteit, leverancierstoegang, compliance, veiligheid en investeringsritme.

De verborgen bottleneck is vaak niet het model

In veel AI-discussies gaat de meeste aandacht naar modelkwaliteit.

Maar zakelijk gezien verschuift de bottleneck vaak naar iets anders: de omgeving waarin AI moet draaien.

AP News liet op 11 juli 2026 zien hoe de explosieve energievraag van AI-datacenters inmiddels zo groot is geworden dat nieuwe gascentrales, netuitbreidingen en strengere politieke discussies over schone stroom in een stroomversnelling komen. Daarbij noemde AP voorbeelden van staten die hyperscale datacenters aan schone-energie-eisen koppelen en voorbeelden van Google-projecten waarbij extra geothermie, wind, zon en batterijcapaciteit aan het net worden toegevoegd.

Dat lijkt ver weg van een gemiddelde ondernemer of bestuurder. Toch zit er een directe les in: zodra AI-ketens opschalen, wordt leverbaarheid minstens zo belangrijk als intelligentie. Bedrijven kunnen een uitstekende AI-toepassing ontwerpen, maar alsnog vastlopen op kosten, latency, integratie, beschikbaarheid of infrastructuurbeperkingen bij leveranciers.

De beste AI-strategie wint dus niet alleen op slimheid, maar ook op uitvoerbaarheid.

AI schuift op van opex naar capex-denken

Die fysieke verschuiving zie je ook economisch terug.

Ook prijsdruk verdient aandacht. Een FEDS Note van 22 mei 2026 bespreekt hoe stijgende prijzen van flashgeheugen samenhangen met de AI-boom en doorwerken in de gemeten inflatie voor software en accessoires. De auteurs wijzen tegelijk op meetproblemen en mogelijke kwaliteitsverbetering van software. Dat is dus geen bewijs dat iedere AI-investering netto inflatoir is, maar wel een reden om hardware- en softwarekosten afzonderlijk te volgen.

Voor ondernemers en bestuurders is niet elk macrocijfer even belangrijk. De betekenis erachter wel.

AI verschuift van een wereld waarin bedrijven vooral seats en SaaS kochten naar een wereld waarin ook fysieke schaarste meespeelt. Wie AI grootschaliger inzet, krijgt eerder te maken met vragen als:

1. Hoe afhankelijk worden we van een beperkt aantal infrastructuurleveranciers?
2. Welke prijsdruk schuift door vanuit chips, stroom en platformbundels?
3. Kunnen wij blijven rekenen op capaciteit in piekperioden?
4. Welke processen worden kritisch genoeg om redundantie of fallback te eisen?

Dat is een andere bestuursdiscussie dan een klassieke softwareselectie.

In de industrie telt betrouwbaarheid zwaarder dan demo-waarde

De arXiv-roadmap over smart manufacturing van 5 april 2026 is op dit punt nuttig, juist omdat die minder hype-gedreven is. De auteurs beschrijven dat AI in industriële omgevingen weliswaar snel aan belang wint, maar tegelijk botst op bekende harde problemen: complexe industriële data, koppeling met heterogene sensoren en besturingssystemen, en de noodzaak van betrouwbare, uitlegbare en veilige werking in omgevingen waar fouten duur zijn.

Dat is een nuchtere correctie op veel AI-marketing.

Ook in kantoorwerk kan een fout antwoord grote financiële of juridische gevolgen hebben. In productie, logistiek en energie komen daar risico's bij zoals stilstand, kwaliteitsverlies, fysieke onveiligheid en verstoring in de keten. Daardoor wordt het verschil tussen een indrukwekkende demo en een bestuurbare implementatie veel groter.

Bedrijven die dit goed begrijpen, stellen daarom niet eerst de vraag welke AI het meest spectaculair is. Zij vragen eerst waar een proces stabieler, sneller of voorspelbaarder moet worden en welke data, controlepunten en verantwoordelijkheden daarvoor nodig zijn.

Wat ondernemers en directies nu praktisch moeten doen

Uit deze bronnen volgen vijf bruikbare lessen.

1. Behandel AI niet alleen als software, maar ook als operationele afhankelijkheid. Kijk voorbij de interface en beoordeel welke infrastructuur, leveranciers en fysieke randvoorwaarden achter de oplossing schuilgaan.

2. Kies use cases waar proceswaarde groter is dan demo-waarde. Begin bij planning, onderhoud, logistiek, kwaliteitscontrole of resourceverbruik als daar aantoonbare frictie zit.

3. Onderzoek de fysieke bottlenecks vroeg. Denk aan latency, datakwaliteit, energie-intensiteit, leverancierstoegang, netwerkkoppelingen en fallback-scenario's.

4. Maak kostenmodellen die verder gaan dan licenties. Neem ook prijsdruk uit verbruik, integratie, platformbundels, hardware, implementatie en afhankelijkheden mee.

5. Leg menselijke en technische beheersing vast. Juist in processen die machines, voorraden, klanten of financiële stromen raken, moet duidelijk zijn wie mag ingrijpen, stoppen of overrulen.

AI wordt een kwestie van industriële volwassenheid

Dat is uiteindelijk de kern.

De volgende AI-voorsprong ontstaat waarschijnlijk niet alleen bij bedrijven die de slimste modellen inkopen, maar bij bedrijven die digitale intelligentie kunnen verbinden met fysieke uitvoering.

Wie dat goed doet, gebruikt AI niet als losse laag bovenop het bedrijf, maar als onderdeel van een bredere operationele architectuur. Dan wordt AI gekoppeld aan energie, supply chain, productie, betrouwbaarheid en investeringsdiscipline.

Daarmee verandert ook de strategische vraag.

Niet langer alleen: "welke AI-tool past bij ons team?"

Maar steeds vaker: "welke fysieke en operationele werkelijkheid moeten wij kunnen dragen als AI een kernonderdeel van onze waardecreatie wordt?"

Bedrijven die die vraag nu serieus nemen, bouwen niet alleen een slimmere digitale voorkant. Zij bouwen een organisatie die AI ook echt kan dragen wanneer het werk zwaarder, groter en bedrijfskritischer wordt.