een paar dagen geleden, Ik lees een academisch artikel wat mij meteen deed denken aan mijn oude AbShaper (https://www.linkedin.com/pulse/o-efeito-abshaper-verdade-inconveniente-sobre-projetos-deivid-bitti-wyzufOnderzoekers van gerenommeerde universiteiten hebben iets ontdekt wat wij, die aan de frontlinie van AI-projecten staan, al vermoedden: er is een onzichtbare muur die ervoor zorgt dat Big Tech-bedrijven letterlijk kerncentrales bouwen in een poging om die muur te overwinnen.
De brutale wiskunde van de realiteit
Het onderzoek bracht cijfers aan het licht waar elke CFO slapeloze nachten van zou krijgen: om de prestaties van een LLM met slechts 10% te verbeteren, zou het nodig zijn om de computerkracht met XNUMX% te vergroten. 10 miljard keerJa, je leest het goed. Het is niet 10x of 100x. Het is 10.000.000.000x.
Het is alsof iemand tegen je zegt: "Kijk, om met de AbShaper 10% meer gedefinieerde buikspieren te krijgen, moet je niet 100, maar 10 miljard herhalingen doen." Op dat punt zou zelfs de meest optimistische koper de handdoek in de ring gooien.
De parallel met onze zakelijke realiteit
Na Flexa-wolk Na honderden opgeleverde projecten zie ik dit patroon zich herhalen op een minder dramatische, maar evenzeer onthullende manier:
- Project A: De klant investeerde R$ 500 in de verwachting van een rendement van 200%. Het werkelijke resultaat? 15% (nog steeds positief, maar verre van verwacht).
- Project B: We hebben de dataset vergroot van 100 GB naar 1 TB. Verbetering van de nauwkeurigheid? Van 82% naar 84%.
- Project C: We hebben de rekenkracht verdrievoudigd. Een kortere responstijd? 20%.
De les? Meer is niet altijd beterSoms is het gewoon duurder.
Het “GPT-4.5 lost alles op”-syndroom
Onlangs kwam er een klant naar me toe die zei: "David, als GPT-5 er is, zijn onze problemen voorbij, toch?" Ik moest hetzelfde moeilijke gesprek voeren als toen ik 16 was, over AbShaper.
GPT-4.5 kosten 30 vèze mais dan GPT-4 om te bedienen. De verbeteringen? Marginaal bij kwantitatieve taken. Het is alsof je een AbShaper Pro Max Titanium Edition koopt voor $ 3.000, terwijl het echte probleem is dat je geen sit-ups wilt doen.
De waarheden die we onder ogen moeten zien
1. Het probleem van valse correlaties
Het artikel onthulde iets fascinerends: hoe groter de dataset, hoe meer "statistische onzin" er wordt gegenereerd. Het is net als 10.000 sit-ups verkeerd doen: je krijgt geen sixpack, maar rugpijn.
In een recent project ontdekten we dat ons model had "geleerd" dat de verkoop toenam als het regende. Waarom? Omdat, toevallig, in de trainingsdata, regenachtige dagen samenvielen met de verkoop. Correlatie? Ja. Causaliteit? Nul.
2. De wet van de afnemende meeropbrengsten is meedogenloos
- Verdubbeling van de gegevens = 7-9% verbetering
- Dubbele verwerking = 5% verbetering
- Dubbele investering = de helft van de verwachte ROI
3. Energie is niet oneindig
Big Tech heropent letterlijk kerncentrales. Ondertussen werken onze hersenen op 20 watt – minder dan een ledlamp. Er klopt iets fundamenteel niet in deze vergelijking.
Wat echt werkt (spoiler: het is geen magie)
Na al deze projecten heb ik geïdentificeerd wat echt de doorslag geeft:
1. Specificiteit boven algemeenheid
In plaats van te proberen een "model dat alles oplost" te creëren, creëerden we een "model dat UW specifieke probleem oplost". Eén klant kon de servicetijd met 40% verkorten dankzij een model dat alleen was getraind met HUN tickets, en niet met alle kennis die op internet te vinden is.
2. Hybride intelligentie
Het beste project dat we samen hebben opgeleverd:
- AI voor eerste screening (90% nauwkeurigheid)
- Mensen voor complexe gevallen (10% van de gevallen)
- Continue feedbacklus
Resultaat? 99.5% uiteindelijke nauwkeurigheid met 70% minder kosten.
3. Gegevenskwaliteit > Gegevenskwantiteit
Een schone dataset van 1 GB presteert beter dan een rommelige dataset van 1 TB. Altijd. Zonder uitzondering.
Het moeilijke gesprek met de klant
Als er tegenwoordig een klant binnenkomt die enthousiast is over de ‘oneindige mogelijkheden van AI’, geef ik een presentatie die ik het ‘Reality Moment’ noem:
Slide 1: “Ja, AI is transformatief” Slide 2: “Nee, ze zal geen wonderen verrichten.” Slide 3: "Hier is het echte werk dat nodig is" Slide 4: "Hier zijn realistische resultaten" Slide 5: “Nog steeds geïnteresseerd?”
Verrassend genoeg zijn het juist de klanten die na het gesprek blijven hangen, die de beste resultaten behalen.
Het duurzame pad
De toekomst ligt niet in steeds grotere modellen, maar in:
- Diepgaand begrip van het probleem Voordat u een tool kiest, moet u de werkprocessen begrijpen, niet de technologieën
- Oplossingen op maat Een klein, goed geïnstrumenteerd model > generiek gigantisch model Focus op uw specifieke use case
- Realistische verwachtingen 10-20% ROI in het eerste jaar is GEWELDIG Continue verbetering > directe revolutie
- Slimme investering Investeer in datakwaliteit, niet in kwantiteit. Investeer in mensen die de business én de technologie begrijpen.
Conclusie: de AbShaper is er nog steeds
Mijn AbShaper staat nog steeds op zolder bij mijn moeder en herinnert me er dagelijks aan dat er niet zoiets bestaat als een gratis lunch. Onderzoekers hebben wiskundig bevestigd wat de ervaring ons al geleerd heeft: eindeloos klimmen is niet de oplossing.
Echte intelligentie – kunstmatig of anderszins – schuilt in het erkennen van grenzen en daarbinnen slimmer werken. We hebben geen kerncentrales nodig. We hebben helderheid nodig over wat we willen oplossen en de bereidheid om het harde werk te doen.
Hoe denkt u anders over uw AI-projecten? Bent u op zoek naar het volgende beste model of bouwt u de juiste oplossing voor uw specifieke probleem?
Doe zoals sommige van onze klanten doen, zoals Voith-groep , FEBRABAN , Dengo-chocolaatjes , ADCOS Groep , GE Gezondheidszorg en vele anderen, huur een AI-executive immersion in en ontdek hoe wij ideeën daadwerkelijk omzetten in projecten met echte en meetbare opbrengsten.
Febraban-zaak die werd uitgebracht in FEBRABAN-TECH .
Link naar artikel: https://arxiv.org/pdf/2507.19703
