Satya Nadella waarschuwt voor het weglekken van bedrijfskennis door AI

Nadella grijpt in zijn betoog terug naar de klassieke 'informatieparadox' van Nobelprijswinnaar en econoom Kenneth Arrow. Arrow stelde dat een verkoper van informatie zijn kennis eerst moet onthullen om de waarde ervan te bewijzen, maar dat de koper de informatie op dat moment in feite al gratis heeft verkregen. In het AI-tijdperk is dit probleem volgens Nadella omgedraaid: de koper loopt nu juist het risico zijn eigen unieke kennis weg te geven, puur om de ingekochte AI-modellen bruikbaar te maken.

"Je betaalt in wezen twee keer voor intelligentie", schrijft Nadella. "Eén keer met geld, en nog een keer met iets dat veel waardevoller is: de bedrijfseigen kennis die je moet onthullen om die AI nuttig te maken. Hoe beter je wilt dat het model presteert, hoe meer unieke kennis je erin moet stoppen."

Het lekken van 'intelligentie-uitstoot'

Dit risico gaat veel verder dan traditionele databeveiliging. AI-modellen leren namelijk continu van de interactie met gebruikers. Nadella noemt dit de 'intelligence exhaust' (intelligentie-uitstoot): de specifieke prompts die werknemers schrijven, de tools die AI-agents gebruiken en vooral de correcties die mensen aanbrengen wanneer een model ernaast zit.

Elke menselijke correctie wordt door het centrale AI-model gedistilleerd tot institutionele knowhow. Volgens de Microsoft-topman ontstaat er zo een scheve informatie-asymmetrie: de AI-leverancier leert via de data-uitstoot steeds meer over de specifieke werkwijze van het bedrijf, terwijl het bedrijf zelf nauwelijks inzicht krijgt in wat de leverancier precies absorbeert. Hierdoor convergeert de economische waarde uiteindelijk naar de eigenaren van de AI-infrastructuur, in plaats van naar de makers van de kennis.

Vijf strategische pijlers voor IT-beslissers

Om te voorkomen dat de unieke concurrentiepositie (de 'alpha') van een onderneming weglekt naar externe modelleveranciers, introduceert Nadella vijf concrete principes waar IT-beslissers en enterprises direct op moeten sturen:

• Control (Controle): Bedrijven moeten hun eigen 'private evals' (evaluatiemethoden) opzetten om te bepalen wat 'goed' is binnen hun organisatie. Ook moeten zij de volledige eigendom behouden over hun operationele geheugen, feedback en beslissingen, inclusief het recht om modeluitvoeringen te gebruiken voor het trainen van eigen modellen.
• Capability (Capaciteit): Het bouwen van eigen, afgeschermde leeromgevingen binnen de eigen cloudomgeving (tenant boundary). Hier kunnen modellen leren van echte workflows zonder dat de opgedane kennis de bedrijfsmuren verlaat.
• Choice (Keuze): De orchestratielaag moet strikt worden losgekoppeld van specifieke AI-modellen. Als een leverancier een specifiek model terugtrekt of de voorwaarden wijzigt, moet de opgebouwde 'ervaringsdeskundigheid' van het bedrijf behouden blijven en overdraagbaar zijn naar andere modellen.
• Cost (Kosten): Door deze ontkoppeling kunnen enterprises context, taken en modellen op de meest efficiënte en kosteneffectieve manier combineren, zonder in te leveren op kwaliteit.
• Compound (Rendement): Door deze vier elementen samen te brengen, creëert een bedrijf een eigen, continu verbeterende leercorclusie. Hierdoor renderen AI-investeringen binnen de eigen onderneming in plaats van daarbuiten.

"In het cloudtijdperk verzamelden bedrijven data. In het AI-tijdperk verzamelen ze het leren zelf", concludeert Nadella. Bedrijven moeten daarom eisen dat er een harde vertrouwensgrens komt waar geen enkele interactie-trace of leercorrectie zonder expliciete toestemming overheen gaat. "Een bedrijf moet een AI-model kunnen gebruiken zonder de kennis op te geven die de organisatie uniek maakt."