Wordt de AI-boom een zeepbel?

De kunstmatige-intelligentie-industrie heeft een vreemd punt bereikt.

De technologie verbetert snel. Meer mensen gebruiken AI op het werk, bedrijven experimenteren met automatisering en bijna elke week verschijnen er nieuwe modellen. Tegelijkertijd is de hoeveelheid geld die wordt geïnvesteerd moeilijk te bevatten geworden.

AI-bedrijven halen miljarden dollars op. Techgiganten bouwen datacenters die evenveel elektriciteit verbruiken als kleine steden. Private bedrijven die nog steeds verlies draaien, krijgen waarderingen die een paar jaar geleden nog absurd zouden hebben geleken.

Het is dan ook niet verrassend dat mensen zich afvragen of AI een financiële zeepbel is geworden.

Een recent argument dat online rondgaat, beweert dat de Amerikaanse AI-industrie al biljoenen dollars aan schulden heeft opgebouwd en elk jaar miljoenen kantoormedewerkers moet vervangen, alleen al om de rentebetalingen te kunnen dekken.

De bredere zorg verdient het om serieus genomen te worden. De berekening erachter niet.

Er kan sprake zijn van een AI-zeepbel, maar het is belangrijk om te begrijpen waar de echte risico’s liggen.

Een van de meest dramatische beweringen is dat er al tussen de $3 biljoen en $4 biljoen is geïnvesteerd in de Amerikaanse AI-industrie, grotendeels met geleend geld.

Er is weinig bewijs dat die interpretatie ondersteunt.

De Stanford AI Index schatte dat private AI-investeringen in de Verenigde Staten in 2025 ongeveer $285,9 miljard bedroegen. Dat is een uitzonderlijk bedrag, maar het komt niet in de buurt van $3 biljoen.

Het veel grotere getal lijkt te komen uit prognoses van wereldwijde uitgaven aan AI-infrastructuur over meerdere jaren.

Morgan Stanley schatte bijvoorbeeld dat er wereldwijd tegen 2028 bijna $3 biljoen in AI-infrastructuur geïnvesteerd zou kunnen worden. Het grootste deel van dat geld was nog niet uitgegeven toen de schatting werd gepubliceerd.

Een prognose van toekomstige investeringen is niet hetzelfde als bestaande schuld.

De schatting omvat bovendien meer dan alleen de bedrijven die AI-modellen ontwikkelen. Ze omvat datacenters, computerchips, elektriciteitsinfrastructuur, netwerkapparatuur, bouw en andere onderdelen van de AI-toeleveringsketen.

Het is daarom misleidend om het volledige bedrag te beschrijven als geld dat is geleend door bedrijven zoals OpenAI en Anthropic.

Het argument gaat meestal verder met een eenvoudige berekening.

Als de sector ongeveer $2,5 biljoen aan schuld heeft en 4% rente betaalt, zou ze ongeveer $100 miljard per jaar nodig hebben alleen al om de rente te dekken. Bij een winstmarge van 10% zou ze $1 biljoen aan omzet nodig hebben.

Daaruit volgt de bewering dat AI elk jaar ongeveer 10 miljoen kantoormedewerkers moet vervangen.

De rekensom klopt. De aannames niet.

Er is geen betrouwbaar bewijs dat AI-bedrijven gezamenlijk $2 biljoen of $3 biljoen aan uitstaande bedrijfsleningen hebben.

De berekening behandelt de AI-industrie bovendien alsof het één zwaar schuldenbelast bedrijf is zonder andere activiteiten of inkomstenbronnen.

Een groot deel van de huidige infrastructuur wordt gebouwd door Microsoft, Amazon, Alphabet, Meta en Oracle. Deze bedrijven genereren al aanzienlijke omzet uit clouddiensten, advertenties, software, retail, databases en abonnementen.

Microsoft hoeft niet elk nieuw datacenter uitsluitend te laten betalen door werknemers die hun baan verliezen aan Copilot. Amazon hoeft niet elke dollar die AWS genereert als aparte AI-omzet te classificeren voordat het zijn schuld kan aflossen.

Nog belangrijker: AI kan financiële waarde creëren zonder een baan te schrappen.

Een bedrijf kan AI gebruiken om klantvragen sneller te beantwoorden, met hetzelfde team meer software te produceren, fraude te detecteren, advertenties te verbeteren, content te vertalen of de tijd te verkorten die nodig is om documenten te analyseren.

De werknemer kan in het bedrijf blijven terwijl hij of zij meer werk verzet.

Het is daarom onjuist om aan te nemen dat het enige mogelijke rendement op AI-investeringen voortkomt uit het vervangen van salarissen.

Het feit dat de virale schuldberekening fout is, betekent niet dat de AI-markt gezond is.

De echte cijfers zijn al groot genoeg om zorgen te baren.

OpenAI, Anthropic en andere modelontwikkelaars halen enorme hoeveelheden kapitaal op terwijl ze zwaar blijven investeren in training, onderzoek en rekeninfrastructuur.

Tegelijkertijd investeren Microsoft, Amazon, Alphabet en Meta elk kwartaal tientallen miljarden dollars in datacenters en bijbehorende apparatuur.

Deze investeringen zijn gebaseerd op één grote aanname: de vraag naar AI-diensten blijft snel genoeg groeien om de infrastructuur te rechtvaardigen die vandaag wordt gebouwd.

Dat kan gebeuren. Het is niet gegarandeerd.

Datacenters zijn duur om te bouwen en te exploiteren. Ze vereisen chips, elektriciteit, water, koelsystemen en toegang tot het stroomnet. De hardware erin kan verrassend snel verouderen.

Als modelefficiëntie sneller verbetert dan verwacht, hebben bedrijven mogelijk minder rekencapaciteit nodig dan de huidige prognoses suggereren. Als bedrijven besluiten dat AI-tools onvoldoende rendement opleveren, kan een deel van de nieuwe infrastructuur onderbenut blijven.

Hier begint het sterkste zeepbelargument.

Het probleem is niet dat de AI-industrie volgend jaar een specifiek aantal werknemers moet vervangen. Het probleem is dat bedrijven vandaag enorme bedragen uitgeven op basis van winsten die mogelijk pas over enkele jaren verschijnen.

Een andere veelgehoorde bewering is dat OpenAI en Anthropic geld verliezen telkens wanneer iemand een prompt naar een van hun modellen stuurt.

Dat is mogelijk bij bepaalde abonnementen of extreem intensieve gebruikers, maar het is niet aangetoond als algemene regel.

Er is een belangrijk verschil tussen geld verliezen op een individuele aanvraag en geld verliezen als bedrijf.

Een API-aanvraag kan worden verkocht voor meer dan de directe kosten van het draaien van het model. Het bedrijf kan nog steeds grote verliezen rapporteren na betaling van onderzoek, modeltraining, engineering-salarissen, sales, marketing en toekomstige infrastructuur.

Met andere woorden: een AI-dienst kan een positieve brutomarge hebben terwijl het bedrijf erachter diep verlieslatend blijft.

De nuttigere vraag is niet of elke aanvraag geld kost. Het is of de huidige omzet uiteindelijk de uitzonderlijke kosten kan dragen van het ontwikkelen en exploiteren van de volgende generaties modellen.

Voor veel frontier-AI-bedrijven is het antwoord daarop nog niet duidelijk.

De snelle verbetering van Chinese en open-weight-modellen kan voor Amerikaanse AI-bedrijven een nog groter probleem zijn dan hun operationele verliezen.

Een paar jaar geleden leek het mogelijk dat een klein aantal Amerikaanse bedrijven de meest capabele modellen zou controleren. Ze hadden toegang tot geavanceerde chips, grote datacenters en miljarden dollars aan financiering.

Dat voordeel telt nog steeds, maar de kloof is kleiner geworden.

Chinese ontwikkelaars hebben modellen uitgebracht die competitief presteren in programmeren, redeneren en agent-gebaseerde taken, vaak tegen veel lagere prijzen.

Veel van deze modellen kunnen ook worden gedownload en op private infrastructuur worden gedraaid. Ze worden vaak omschreven als open-source, hoewel open-weight meestal de nauwkeurigere term is. De modelgewichten kunnen beschikbaar zijn, terwijl de trainingsdata en het volledige ontwikkelproces privé blijven.

Hun groeiende populariteit creëert een serieus prijsprobleem voor bedrijven zoals OpenAI en Anthropic.

Als klanten vergelijkbare resultaten kunnen krijgen met een goedkoper model, kan de dure aanbieder niet simpelweg zijn prijzen verhogen wanneer hij meer omzet nodig heeft.

OpenRouter-data heeft een sterke stijging laten zien in het gebruik van Chinese modellen onder ontwikkelaars die het platform gebruiken. Dit betekent niet dat Chinese modellen al het grootste deel van de hele Amerikaanse markt beheersen. OpenRouter vertegenwoordigt slechts één deel van het AI-ecosysteem.

Het laat wel zien dat ontwikkelaars bereid zijn van model te wisselen wanneer het verschil in prijs of prestaties aantrekkelijk wordt.

Dat maakt het moeilijker voor één aanbieder om een blijvend monopolie op te bouwen.

Dezelfde concurrentiedruk komt van modellen die op lokale computers en private servers kunnen draaien.

Lokale modellen bieden duidelijke voordelen. Data kan binnen het bedrijf blijven, het systeem kan werken zonder internetverbinding en gebruikers zijn niet afhankelijk van de prijzen of het beleid van een externe aanbieder.

Voor veelvoorkomende taken kan een kleiner lokaal model goed genoeg zijn.

Dat kan het aantal mensen verminderen dat bereid is te betalen voor premium AI-abonnementen.

Toch is lokale AI niet automatisch in elke situatie goedkoper. Een bedrijf moet hardware aanschaffen, betalen voor elektriciteit, het systeem onderhouden, updates installeren en de beveiliging monitoren.

Kleinere modellen kunnen ook meer correcties vereisen of minder betrouwbaar presteren bij complex werk.

De meest waarschijnlijke uitkomst is een gemengde markt.

Routinetaken kunnen worden afgehandeld door lokale of goedkope modellen. Moeilijke problemen kunnen worden doorgestuurd naar capabelere cloudsystemen. Traditionele software blijft voorspelbare processen afhandelen, terwijl mensen verantwoordelijk blijven voor beslissingen waarbij fouten duur zijn.

Dit zou een grote AI-markt creëren, maar niet per se een met extreem hoge marges voor de bedrijven die de onderliggende modellen bouwen.

De belangrijkste vraag is of AI genoeg productiviteit creëert om het geld dat wordt uitgegeven te rechtvaardigen.

Het bewijs tot nu toe is gemengd.

Een studie onder meer dan 5.000 medewerkers in klantenservice vond dat toegang tot een generatieve AI-assistent de productiviteit gemiddeld met ongeveer 14% verhoogde.

De grootste voordelen werden gezien bij minder ervaren werknemers. AI hielp hen toegang te krijgen tot kennis en technieken die meer ervaren collega’s in de loop der tijd hadden geleerd.

Dat is een betekenisvol resultaat.

Ander onderzoek was minder bemoedigend.

In een studie uitgevoerd door METR voltooiden ervaren open-sourceontwikkelaars bepaalde taken langzamer wanneer ze AI-tools gebruikten. De ontwikkelaars dachten dat de tools hen hielpen, maar de gemeten resultaten lieten zien dat ze er langer over deden.

Het verschil kan komen door het type werk dat wordt uitgevoerd.

AI is vaak nuttig wanneer een taak draait om opstellen, samenvatten of het toepassen van bekende patronen. Het kan minder nuttig worden wanneer een expert in een complex systeem werkt en suggesties zorgvuldig moet controleren die bijna correct zijn.

De tijd die wordt bespaard bij het schrijven van code kan gemakkelijk verloren gaan bij het vinden van een subtiele fout.

Dit helpt verklaren waarom AI-demonstraties spectaculair kunnen lijken terwijl echte bedrijfsimplementaties langzamer verlopen.

Een demonstratie laat meestal het beste resultaat zien onder gecontroleerde omstandigheden. Een productiesysteem moet omgaan met onvolledige informatie, ongebruikelijke klanten, privacyregels, beveiligingsrisico’s en juridische aansprakelijkheid.

Een tool die 95% van de tijd correct is, kan indrukwekkend zijn in een video en onacceptabel in een bank.

Een enquête uit 2026 van Sinch vond dat 74% van de ondervraagde organisaties minstens één AI-agent voor klantcommunicatie had teruggetrokken of uitgeschakeld nadat die was gelanceerd.

Dat getal klinkt rampzalig, maar het heeft context nodig.

Het betekent niet dat 74% van alle AI-agents faalde of dat de meeste bedrijven AI hebben opgegeven. Het betekent dat veel organisaties problemen ontdekten in minstens één implementatie en besloten die te stoppen, te herontwerpen of te vervangen.

De bevinding is nog steeds belangrijk.

Klantenservice zou een van de makkelijkste gebieden zijn om te automatiseren. Gesprekken zijn vaak repetitief, bedrijven beschikken al over grote databases met antwoorden en de kosten van menselijke ondersteuning zijn aanzienlijk.

Toch stellen echte klanten niet altijd voorspelbare vragen. Ze kunnen onvolledige informatie geven, beleid verkeerd begrijpen of situaties meemaken die niet in de trainingvoorbeelden voorkomen.

Een AI-agent kan ook beloftes doen die het bedrijf niet kan nakomen, privé-informatie prijsgeven of een al gefrustreerde klant herhaaldelijk verkeerd begrijpen.

Deze mislukkingen bewijzen niet dat klantenservice nooit geautomatiseerd zal worden. Ze laten zien dat betrouwbare automatisering meer testen, toezicht en menselijke betrokkenheid vereist dan veel bedrijven hadden verwacht.

AI-bedrijven hebben overheden ook gevraagd om investeringen in energie, halfgeleiderproductie en datacenterinfrastructuur te ondersteunen.

Dit is door sommige critici omschreven als een verzoek om een reddingsoperatie.

Die omschrijving is te simpel.

Overheden gebruiken regelmatig fiscale stimulansen, leninggaranties, inkoopcontracten en infrastructuurprogramma’s om sectoren te ondersteunen die zij strategisch belangrijk vinden.

De halfgeleiderindustrie, hernieuwbare energie, luchtvaart en transport hebben allemaal geprofiteerd van vergelijkbaar beleid.

De relevantere vraag is wie het risico draagt.

Als private investeerders de winst ontvangen wanneer de vraag sterk is, moeten belastingbetalers dan een deel van het verlies dragen als de infrastructuur onrendabel wordt?

AI kan strategisch belangrijk genoeg zijn om publieke investeringen te rechtvaardigen. Dat betekent niet dat elk privaat project tegen mislukking beschermd moet worden.

Verzoeken om overheidssteun zijn geen bewijs dat de AI-industrie op instorten staat. Ze suggereren wel dat de geplande uitbreiding te groot kan zijn om comfortabel te financieren met alleen privaat kapitaal.

De meest bruikbare vergelijking is waarschijnlijk de internetboom van de jaren 90.

Investeerders hadden gelijk dat het internet het bedrijfsleven en de samenleving zou transformeren. Ze hadden vaak ongelijk over hoe snel winsten zouden verschijnen, welke bedrijven zouden overleven en hoeveel die bedrijven waard waren.

Het resultaat was een financiële zeepbel rond een werkelijk revolutionaire technologie.

AI zou een vergelijkbaar pad kunnen volgen.

De technologie kan de productiviteit verbeteren, nieuwe producten creëren en onderdeel worden van het dagelijkse werk. Tegelijkertijd kunnen veel AI-bedrijven dramatisch overgewaardeerd zijn. Sommige aanbieders kunnen verdwijnen. Modelprijzen kunnen dalen. Datacenters kunnen onder de bouwkosten worden verkocht. Investeerders kunnen ontdekken dat de grootste winsten worden binnengehaald door bedrijven die tijdens de boom niet als de voor de hand liggende winnaars werden gezien.

Een instorting van waarderingen zou niet bewijzen dat AI heeft gefaald.

Het zou laten zien dat investeerders te veel hebben betaald voor verwachte winsten die nog niet waren gearriveerd.

Delen van de markt vertonen vrijwel zeker zeepbelachtig gedrag.

Waarderingen zijn extreem hoog. Uitgaven aan infrastructuur groeien sneller dan bewezen vraag. Bedrijven leggen kapitaal vast op basis van optimistische prognoses over adoptie, productiviteit en toekomstige prijzen.

De concurrentie wordt ook intenser. Chinese modellen, open-weight-alternatieven en lokale systemen maken AI goedkoper, wat goed is voor gebruikers maar mogelijk slecht voor de winstmarges van modelontwikkelaars.

Tegelijkertijd wordt het argument dat de sector al meerdere biljoenen dollars heeft geleend en elk jaar 10 miljoen werknemers moet vervangen niet ondersteund door het beschikbare bewijs.

De sterkere onderbouwing is minder dramatisch.

AI-bedrijven en hun partners geven vandaag uitzonderlijke bedragen uit. Om die investeringen te rechtvaardigen, zullen ze veel hogere omzet, veel bredere adoptie en veel duidelijkere productiviteitswinsten nodig hebben dan we momenteel kunnen waarnemen.

Dat kunnen ze bereiken.

Ze kunnen ook ontdekken dat AI de wereld verandert terwijl het teleurstellende rendementen oplevert voor veel van de investeerders die het hebben gefinancierd.

Die twee uitkomsten spreken elkaar niet tegen.

Het internet transformeerde bijna elke sector. Dat weerhield investeerders er niet van om miljarden te verliezen tijdens de dotcom-crash.

AI hoeft geen fraude te zijn om een AI-zeepbel te laten barsten. Het hoeft alleen geprijsd te zijn alsof er niets mis kan gaan.