Stelt u zich een CFO voor die de driemaandelijkse cloud uitgaven bekijkt. Het AI team presenteert een overtuigende grafiek: de inferentiekosten per token zijn 75% jaar-op-jaar gedaald. De modellen zijn sneller, de API's zijn goedkoper en de leverancier biedt volumekortingen aan. Alles wijst in de richting van besparingen. Dan komt de echte factuur, en het totaal is hoger dan vorig kwartaal.

Human Resources ondergaat een fundamentele verschuiving van een reactieve kostenpost naar een proactieve aanjager van waarde. Toch blijven veel organisaties verankerd in een minimalistische benadering van people analytics. Terwijl generatieve AI en autonome agents in de hele onderneming aan populariteit winnen, is het gebruik van data door HR nog steeds vaak beperkt tot het voorspellen van basisverloop.

Red Hat bouwde een bedrijf van $34 miljard op Linux. IBM kocht het. De deal bevestigde een hypothese die al vier decennia standhield: dat bedrijven die enorme waarde halen uit gedeelde code, uit eigenbelang de projecten zouden blijven financieren waarvan ze afhankelijk waren. Die hypothese staat nu onder druk. Niet omdat iemand besloten heeft om te stoppen met het financieren van open source. Omdat de industrie die het het meest financierde - SaaS - ontmanteld wordt door de industrie die er het meest van afhankelijk is - AI.

In een vorig artikel onderzocht ik hoe acht onafhankelijke onderzoeksteams tot hetzelfde inzicht kwamen: in plaats van geheugensystemen rond het model te bouwen, moet het model zelf getraind worden om het geheugen te beheren als een aangeleerde vaardigheid. Post-memory training - met behulp van versterkingsleren in de post-training fase - produceert agenten die beslissen wat ze moeten opslaan, verwijderen, consolideren en terughalen, allemaal geoptimaliseerd voor het voltooien van een taak.