Your AI Is Scaling. Your Understanding Isn’t.Uw AI schaalt op. Uw begrip niet.

6 min read · By Jeroen Janssen6 min leestijd · Door Jeroen Janssen

Last updated: April 2, 2026Laatst bijgewerkt: 2 april 2026

There’s a number making the rounds in enterprise AI circles, and it should worry you more than it reassures you.Er circuleert een getal in enterprise-AI-kringen, en het zou u meer moeten verontrusten dan geruststellen.

OpenAI reports an eightfold increase in enterprise message volume year over year. Reasoning-token consumption per organization is up more than 300×. AI is no longer experimental. It is becoming part of the operational fabric of firms across every industry, function, and geography. The future is here, the slide deck says, and the usage numbers prove it.OpenAI meldt een verachtdubbeling van het berichtenvolume bij bedrijven op jaarbasis. Het verbruik van redeneertokens per organisatie is meer dan 300× gestegen. AI is niet langer experimenteel. Het wordt onderdeel van het operationele weefsel van bedrijven in elke branche, functie en regio. De toekomst is hier, zegt de presentatie, en de gebruikscijfers bewijzen het.

Except usage is not value. And volume is not control.Alleen is gebruik geen waarde. En volume geen controle.

What’s actually happening is something far more uncomfortable: organizations are scaling capability faster than they are scaling understanding. And the distance between those two curves is where the real risk lives. Invisible, growing, and almost never on the board agenda.Wat er werkelijk gebeurt is iets veel ongemakkelijkers: organisaties schalen hun vermogen sneller op dan hun begrip. En de afstand tussen die twee curves is waar het werkelijke risico leeft. Onzichtbaar, groeiend en vrijwel nooit op de bestuursagenda.

The Readiness IllusionDe gereedheids-illusie

Most organizations believe they’re AI-ready because they’ve checked the infrastructure boxes. Cloud architecture: done. Models: available. Data: abundant. Therefore, value should follow.De meeste organisaties geloven dat ze AI-gereed zijn omdat ze de infrastructuurvakjes hebben afgevinkt. Cloudarchitectuur: gereed. Modellen: beschikbaar. Data: in overvloed. Dus zou waarde moeten volgen.

It doesn’t.Dat doet het niet.

A comprehensive study on AI-ready data identifies six minimum conditions that must be met before AI creates value rather than noise: data must be diverse, timely, accurate, secure, discoverable, and machine-consumable. These are not best practices. They are prerequisites. Without them, AI systems don’t generate insight — they amplify whatever mess already exists.Een uitgebreide studie over AI-klare data identificeert zes minimumvoorwaarden waaraan moet worden voldaan voordat AI waarde creëert in plaats van ruis: data moeten divers, actueel, nauwkeurig, beveiligd, vindbaar en machineleesbaar zijn. Dit zijn geen aanbevelingen. Het zijn randvoorwaarden. Zonder vervulling genereren AI-systemen geen inzicht — ze versterken de bestaande wanorde.

But here’s what actually happens. AI initiatives launch while data foundations remain unresolved. Nobody calls a halt, because the initiative has momentum and a sponsor. The assumption is that data quality is a parallel workstream — something that will catch up. It never catches up. It runs behind, silently, until outputs degrade. And when outputs degrade, something far more dangerous happens than a bad dashboard number.Maar dit is wat er werkelijk gebeurt. AI-initiatieven worden gelanceerd terwijl de datafundamenten onopgelost blijven. Niemand roept halt, want het initiatief heeft momentum en een sponsor. De aanname is dat datakwaliteit een parallel werkspoor is — iets dat wel bijtrekt. Het trekt nooit bij. Het loopt stilletjes achter, totdat de output verslechtert. En wanneer de output verslechtert, gebeurt er iets veel gevaarlijkers dan een slecht dashboardcijfer.

People stop trusting the system. And when people stop trusting the system, they stop reporting problems. And when they stop reporting problems, you lose the ability to measure value at all.Mensen verliezen het vertrouwen in het systeem. En wanneer mensen het vertrouwen verliezen, stoppen ze met het melden van problemen. En wanneer ze stoppen met het melden van problemen, verliest u het vermogen om waarde überhaupt te meten.

This is not a technology failure. This is a sequencing failure. And it’s happening everywhere.Dit is geen technologisch falen. Dit is een volgordefout. En het gebeurt overal.

What 100 Trillion Tokens Actually Tell YouWat 100 biljoen tokens u werkelijk vertellen

If you want to understand how AI is really used — not how vendors say it’s used, not how strategies assume it’s used, but how it’s actually used — there is now an empirical answer.Als u wilt begrijpen hoe AI werkelijk wordt gebruikt — niet hoe leveranciers zeggen dat het wordt gebruikt, niet hoe strategieën veronderstellen dat het wordt gebruikt, maar hoe het daadwerkelijk wordt gebruikt — dan is er nu een empirisch antwoord.

The OpenRouter State of AI study analyzed more than 100 trillion tokens of real-world inference. That’s not a survey. That’s not a focus group. That’s the largest behavioral dataset on AI usage ever published.De OpenRouter State of AI-studie analyseerde meer dan 100 biljoen tokens aan werkelijk inferentiegebruik. Dat is geen enquête. Dat is geen focusgroep. Dat is de grootste gedragsdataset over AI-gebruik die ooit is gepubliceerd.

Three findings should change how you think about your AI portfolio.Drie bevindingen zouden moeten veranderen hoe u over uw AI-portfolio denkt.

First:Ten eerste: usage is wildly heterogeneous. AI is not being used primarily for the neat, contained productivity tasks that most business cases are built around. Creative work, coding, experimentation, agentic workflows — these dominate real-world usage in proportions that most enterprise strategies don’t anticipate, let alone plan for.het gebruik is enorm heterogeen. AI wordt niet primair gebruikt voor de nette, afgebakende productiviteitstaken waar de meeste businesscases op zijn gebouwd. Creatief werk, programmeren, experimenteren, agentische workflows — deze domineren het werkelijke gebruik in verhoudingen die de meeste enterprise-strategieën niet voorzien, laat staan inplannen.

Second:Ten tweede: there is no “best model.” Open-weight models now account for roughly a third of all token usage. Organizations switch between models constantly, depending on task, cost, and context. The ecosystem is fragmenting. If your strategy is locked to a single vendor or a single model family, you’re not being focused — you’re being fragile.er is geen „beste model.“ Open-weight-modellen zijn inmiddels goed voor ruwweg een derde van al het tokengebruik. Organisaties wisselen voortdurend van model, afhankelijk van taak, kosten en context. Het ecosysteem fragmenteert. Als uw strategie vastzit aan één leverancier of één modelfamilie, bent u niet gefocust — u bent fragiel.

ThirdTen derde — and this is the one that should keep strategists awake — early fit determines everything. The researchers call it the “Glass Slipper effect.” When an AI tool or workflow fits organizational reality early, adoption persists. When it doesn’t, usage decays rapidly — regardless of how technically superior the model is. Regardless of how much you spent. Regardless of the executive sponsor’s enthusiasm.— en dit is degene die strategen wakker zou moeten houden — vroege aansluiting bepaalt alles. De onderzoekers noemen het het „Glazen Muiltje-effect.“ Wanneer een AI-tool of workflow vroeg aansluit op de organisatiewerkelijkheid, beklijft de adoptie. Wanneer dat niet zo is, neemt het gebruik snel af — ongeacht hoe technisch superieur het model is. Ongeacht hoeveel u hebt uitgegeven. Ongeacht het enthousiasme van de bestuurlijke sponsor.

The implication is brutal in its simplicity: AI value does not come from model capability. It comes from fit. Fit with data. Fit with workflows. Fit with how people actually work.De implicatie is meedogenloos in haar eenvoud: AI-waarde komt niet voort uit modelcapaciteit. Het komt voort uit aansluiting. Aansluiting op data. Aansluiting op werkprocessen. Aansluiting op hoe mensen daadwerkelijk werken.

And fit is exactly what most AI strategies don’t test.En aansluiting is precies wat de meeste AI-strategieën niet toetsen.

The Governance CliffDe governanceklif

Here’s where it gets worse.Hier wordt het erger.

While enterprises are scaling deployment, the governance world is scaling expectations. And those two trajectories are on a collision course.Terwijl bedrijven hun inzet opschalen, schaalt de governancewereld de verwachtingen op. En die twee trajecten zijn op ramkoers.

The 2025 Responsible AI Impact Report documents a clear shift. Responsible AI is no longer a set of ethical principles pinned to a wall. It is becoming operational risk management. Standards, benchmarks, audits, red-teaming — these are moving from nice-to-have to must-demonstrate. Governance is transitioning from aspiration to evidence.Het 2025 Responsible AI Impact Report documenteert een duidelijke verschuiving. Verantwoorde AI is niet langer een verzameling ethische principes aan de muur. Het wordt operationeel risicobeheer. Standaarden, benchmarks, audits, red teaming — deze bewegen van wenselijk naar aantoonbaar verplicht. Governance verschuift van ambitie naar bewijs.

This is being driven by two forces simultaneously. Regulatorily, the EU AI Act now requires that risks are classified, evidence is retained, controls are demonstrable, and post-deployment monitoring is continuous. This is not future regulation. This is current law.Dit wordt aangedreven door twee krachten tegelijk. Regulatoir vereist de EU AI Act nu dat risico’s worden geclassificeerd, bewijs wordt bewaard, controles aantoonbaar zijn en monitoring na inzet doorlopend plaatsvindt. Dit is geen toekomstige regelgeving. Dit is geldend recht.

Technically, the shift to agentic AI introduces failure modes that didn’t exist before. When AI systems act autonomously — making decisions, triggering workflows, interacting with other systems — the risk surface expands faster than any governance framework designed for supervised tools can handle. Data poisoning, for instance, scales unexpectedly well. A small number of compromised inputs can subvert an entire model. And once the system is acting on its own, you need real-time failure detection. Not quarterly reviews. Not annual audits. Real-time.Technisch gezien introduceert de verschuiving naar agentische AI faalmodi die eerder niet bestonden. Wanneer AI-systemen autonoom handelen — besluiten nemen, workflows triggeren, interacteren met andere systemen — groeit het risicooppervlak sneller dan enig governanceraamwerk ontworpen voor gecontroleerde hulpmiddelen aankan. Datavergiftiging schaalt bijvoorbeeld onverwacht goed. Een klein aantal gecompromitteerde invoeren kan een heel model ondermijnen. En zodra het systeem zelfstandig handelt, heeft u realtime faaldetectie nodig. Geen kwartaalreviews. Geen jaarlijkse audits. Realtime.

The direction is unmistakable. Organizations will not just be asked whether they use AI. They will be asked whether they can prove they are in control of it.De richting is onmiskenbaar. Aan organisaties zal niet alleen worden gevraagd of ze AI gebruiken. Er zal worden gevraagd of ze kunnen bewijzen dat ze het onder controle hebben.

And most can’t. Not yet. Not honestly.En de meesten kunnen dat niet. Nog niet. Niet eerlijk.

The Dip Nobody Talks AboutDe dip waar niemand over praat

There’s a pattern underneath all of this that explains why so many AI initiatives feel simultaneously promising and broken.Er zit een patroon onder dit alles dat verklaart waarom zoveel AI-initiatieven tegelijkertijd veelbelovend en kapot aanvoelen.

Every serious technology implementation follows a J-curve. Productivity dips before it rises. Processes need redesign. People need to learn. Informal coordination — the kind that actually makes organizations work — breaks before it stabilizes. This is well-documented empirically.Elke serieuze technologie-implementatie volgt een J-curve. Productiviteit daalt voordat die stijgt. Processen moeten worden herontworpen. Mensen moeten leren. Informele coördinatie — het soort dat organisaties daadwerkelijk laat functioneren — breekt voordat het stabiliseert. Dit is empirisch goed gedocumenteerd.

AI makes this J-curve worse. For three specific reasons.AI maakt deze J-curve erger. Om drie specifieke redenen.

1. Because outputs are probabilistic, failure is ambiguous. You can’t always tell whether the system got it wrong, the human got it wrong, or the process got it wrong. So nobody flags it.Omdat output probabilistisch is, is falen ambigu. U kunt niet altijd vaststellen of het systeem het fout had, de mens het fout had of het proces het fout had. Dus meldt niemand het.
2. Because models improve rapidly, hope consistently outpaces evidence. The next version will be better — so why raise concerns about this one?Omdat modellen snel verbeteren, loopt hoop consequent voor op bewijs. De volgende versie wordt beter — dus waarom zorgen uiten over deze?
3. Because investments are visible and politically loaded, stopping feels like career risk. The pilot continues. The numbers get smoothed. The board sees progress. Operations feels friction. And the gap between the two grows — silently, steadily — until something breaks publicly.Omdat investeringen zichtbaar en politiek beladen zijn, voelt stoppen als carrièrerisico. De pilot gaat door. De cijfers worden gladgestreken. Het bestuur ziet vooruitgang. De operatie voelt wrijving. En de kloof tussen beide groeit — stil, gestaag — totdat er iets publiekelijk breekt.

At that point, organizations are no longer managing AI. They are betting on it. And the J-curve, which should have been explained to the board on day one, becomes the autopsy finding.Op dat punt beheren organisaties AI niet meer. Ze gokken erop. En de J-curve, die op dag één aan het bestuur had moeten worden uitgelegd, wordt de bevinding bij de autopsie.

What This Actually RequiresWat dit werkelijk vereist

Strip away the frameworks and the jargon, and what emerges from every serious source on enterprise AI is the same conclusion.Verwijder de raamwerken en het jargon, en wat uit elke serieuze bron over enterprise-AI naar voren komt is dezelfde conclusie.

AI value is not constrained by model capability. It is constrained by the organization’s ability to hold strategy, data, people, and governance in alignment under uncertainty.AI-waarde wordt niet beperkt door modelcapaciteit. Het wordt beperkt door het vermogen van de organisatie om strategie, data, mensen en governance in samenhang te houden onder onzekerheid.

That alignment requires three things that most organizations talk about but very few operationalize.Die samenhang vereist drie zaken waar de meeste organisaties over praten maar die slechts weinigen operationaliseren.

1. Evidence discipline.Bewijsdiscipline. A clear, enforced distinction between what is known, what is assumed, and what is hoped for. Portfolio approaches help — but only if investments are gated by demonstrated learning, not by activity. A pilot that consumes resources and produces no falsifiable evidence is not an investment. It’s a subsidy for assumptions.Een helder, gehandhaafd onderscheid tussen wat bekend is, wat wordt aangenomen en waar op wordt gehoopt. Portfoliobenaderingen helpen — maar alleen als investeringen worden begrensd door aangetoond leereffect, niet door activiteit. Een pilot die middelen verbruikt en geen falsifieerbaar bewijs oplevert is geen investering. Het is een subsidie voor aannames.
2. Socio-technical measurement.Sociotechnische meting. Value metrics alone tell you nothing if the people using the system have stopped trusting it. Adoption patterns and trust dynamics need explicit, continuous tracking. When people stop escalating issues, performance degradation becomes invisible. You’re flying blind and the instruments say everything’s fine.Waardemetrieken alleen zeggen niets als de mensen die het systeem gebruiken het niet meer vertrouwen. Adoptiepatronen en vertrouwensdynamiek vereisen expliciete, doorlopende monitoring. Wanneer mensen stoppen met het escaleren van problemen, wordt prestatieverval onzichtbaar. U vliegt blind en de instrumenten zeggen dat alles in orde is.
3. Adversarial scrutiny.Vijandige toetsing. Not as obstruction. Not as a one-off audit. As hygiene. Assumptions must be challenged before they are operationalized at scale. Failure modes must be explored deliberately, not discovered accidentally. This is standard in aviation, medicine, and nuclear energy. AI is rapidly becoming the next domain where this standard applies. Most organizations haven’t realized that yet.Niet als obstructie. Niet als eenmalige audit. Als hygiëne. Aannames moeten worden uitgedaagd voordat ze op schaal worden geoperationaliseerd. Faalmodi moeten doelbewust worden verkend, niet per ongeluk ontdekt. Dit is standaard in de luchtvaart, de geneeskunde en de kernenergie. AI wordt snel het volgende domein waar deze standaard geldt. De meeste organisaties hebben dat nog niet beseft.

Why Strategic Red TeamingWaarom Strategic Red Teaming

This is precisely the work that Strategic Red Teaming does. Not in theory — in practice.Dit is precies het werk dat Strategic Red Teaming doet. Niet in theorie — in de praktijk.

What you just read is, in essence, what we do: confront every assumption, every initiative, every promise with reality before reality does it for you. Systematically. From every angle that matters: the CFO who demands proof, the COO who feels the friction, the CHRO who sees trust quietly eroding, the regulator who will ask the questions you’d rather have answers to today.Wat u zojuist heeft gelezen is in essentie wat wij doen: elke aanname, elk initiatief, elke belofte confronteren met de werkelijkheid voordat de werkelijkheid dat voor u doet. Systematisch. Vanuit elke invalshoek die ertoe doet: de CFO die bewijs eist, de COO die de wrijving voelt, de CHRO die vertrouwen stilletjes ziet eroderen, de toezichthouder die de vragen zal stellen waar u vandaag liever al antwoorden op heeft.

Apparens delivers that confrontation at a depth that is not standard in the market. Tens of thousands of scenarios. Hundreds of hypotheses. A diagnostic that doesn’t stop at the surface layer, but drills down to where the real vulnerabilities live — the ones no dashboard reveals and no internal team dares to name out loud.Apparens levert die confrontatie op een diepte die niet standaard is in de markt. Tienduizenden scenario’s. Honderden hypotheses. Een diagnose die niet stopt bij de oppervlaktelaag, maar doorboort tot waar de werkelijke kwetsbaarheden leven — degene die geen dashboard onthult en geen intern team hardop durft te benoemen.

The result is not a report that disappears into a drawer. It’s a decision document. Invest, stop, or adjust — with your eyes wide open.Het resultaat is geen rapport dat in een la verdwijnt. Het is een besluitdocument. Investeren, stoppen of bijsturen — met open ogen.