Washington en Silicon Valley zijn verwikkeld in een nieuw meningsverschil over 'pacing' van kunstmatige intelligentie: het bewust vertragen van de ontwikkeling van grensmodellen tot veiligheidsmaatregelen, alignment en de maatschappij hun achterstand hebben ingehaald. Critici noemen pacing eenzame ontwapening in de concurrentie met China. Aanhangers zien het als de enige verantwoorde aanpak voor een technologie waarvan de makers zelf voor catastrofale risico's waarschuwen.

Beide kampen zijn echter ten prooi gevallen aan wat de 'Compute-to-GDP Fallacy' kan worden genoemd: de aanname dat elke incrementele verbetering in AI-prestaties onmiddellijk in macro-economische output omzet. Eerdere generieke technologieën—fundamentele innovaties zoals elektriciteit, de computer en het internet die elke sector doordringen—deden er decennia over om door de economie te sijpelen en meetbare productiviteitswinst te leveren. AI volgt een vergelijkbaar pad in versneld tempo, maar het publieke debat gaat er vaak van uit dat historische en economische patronen deze keer niet gelden.

In werkelijkheid loopt het Amerikaanse bedrijfsleven al jaren achter op de AI-grens. De commerciële fortuinen van frontier-laboratoria worden minder bepaald door ruwe capaciteit dan door vertrouwen en adoptie. Een periode van pacing zou de economie daarom relatief weinig kosten, omdat het centraleat op de verkeerde beperking is gericht.

Scepsis over pacing is niet ongegrond. Is het een echte veiligheidsmaatregel, of een marketingstrategie van frontier-laboratoria en cybersecuritybedrijven die hun cijfers vóór beursgangen willen opvrolijken? Zou vertraging de voorsprong van de VS aan China prijsgeven, of zou Peking met een eigen vorm van pacing reageren?

Het frontier-probleem

AI heeft een kritieke capaciteitsmijlpaal bereikt. Waarschuwingen voor catastrofale of existentiële risico's kunnen niet langer ronduit worden weggewuifd, ook al blijft de kans op korte termijn beperkt. Toch hebben frontier-laboratoria door zich vrijwel uitsluitend op grensmodellen te richten zowel hun communicatie als het vertrouwensvraagstuk verkeerd aangepakt.

Meer dan 100 recente gesprekken met CEO's, beleidsleiders en AI-wetenschappers, gevoerd voor het komende boek When Machines Act, overtuigden de auteurs ervan dat het pacingdebat het eerste-principes-denken uit het oog is verloren. Een cruciaal onderscheid is vervaagd: het geavanceerde onderzoek dat laboratoria achter gesloten deuren verrichten, is niet hetzelfde als de producten die ze aan het publiek vrijgeven.

De relevantere vraag is wellicht of laboratoria hun onderzoek überhaupt moeten vertragen, of dat ze hun producten gewoon beter moeten waarborgen als veilig voor gebruik.

Het alignment-probleem

Sinds de lancering van ChatGPT in 2022 hebben zakelijke leiders zich gemobiliseerd met een snelheid die zeldzaam is in de moderne handelsgeschiedenis. Maar de structuur van enterprise-technologie maakt brede economische absorptie inherent traag. Gefragmenteerde data-silo's, verouderde ERP-systemen, strenge compliance-eisen en slechte data-hygiëne staan allemaal in de weg.

Budgetschokken door ontspoord 'tokenmaxxing'—het routineren van taken via veel grotere modellen dan het werk vereist—hebben bovendien laten zien dat veel alledaagse bedrijfsprocessen veel simpelere modellen nodig hebben. Zeer weinig taken bij een gemiddeld Fortune 500-bedrijf vragen om een frontier-systeem. Pacing zal daarom de economische output niet wezenlijk schaden en de inkomsten van laboratoria niet afknijpen, omdat bedrijven tijd nodig hebben om de al beschikbare capaciteiten te verwerken.

Meer dan twee derde van de best presterende bedrijven wijst data aan als de belangrijkste barrière voor AI-implementatie, volgens McKinsey. Die obstakel blijft hardnekkig, ook nu de modellen snel vooruitgaan. Slechts 7% van de bedrijven noemt zijn data 'volledig gereed' voor AI, minder dan een kwart heeft een datastrategie, en 63% mist AI-geschikt datamanagement of weet niet of het dat heeft, volgens een rapport van Cloudera en Harvard Business Review Analytic Services en een bericht van Gartner.

De compute-tot-bbp-foutredenering

Zoals McKinsey Senior Partner Asutosh Padhi benadrukte in een optreden bij Fareed Zakaria, is technische beschikbaarheid fundamenteel iets anders dan economische transformatie. Generieke technologieën hebben historisch decennia nodig gehad om workflows te herorganiseren en brede productiviteitswinst te genereren.

Elektriciteit deed er 75 jaar over om de productiviteit in de hele economie te verhogen. Computers hadden 50 jaar nodig, terwijl het internet en mobiele apparaten er 25 deden. De AI-modellen zijn misschien klaar, maar de organisatorische herstructurering die grootschalig gebruik vereist, kost aanzienlijke tijd. In een enquête onder het zakelijke leven vond McKinsey dat slechts 6% van de bedrijven een 'significante' impact en bescheiden winstattributie rapporteerde. Het State of AI-rapport biedt aanvullende context over enterprise-adoptie.

Bedrijven concentreren zich op automatiseringstaken met hoge opbrengst en laag risico die modellen van één of twee generaties oud al aankunnen. Een zeer gerespecteerde voormalige Wall Street-CEO vertelde dat deze systemen jarenlang naast legacy-systemen draaien, zodat bedrijven kunnen bevestigen dat ze correct werken en dat er geen reguleringsrisico ongemerkt wordt opgenomen.

Het Amerikaanse bedrijfsleven bepaalt dus zelf het deploymenttempo, wat de frontier-laboratoria ook besluiten. Geen enkel bedrijf in welke sector dan ook hoort een product uit te brengen dat het gevaarlijk acht, en AI is daarop geen uitzondering.

Een vergelijkbaar patroon tekent zich af in de halfgeleidermarkt. Chips van oudere generaties, aanvankelijk opzijgezet in de race om de nieuwste accelerators, krijgen een tweede leven als werkpaarden voor praktische inferentietaken—het dagelijkse draaien van ingezette modellen in plaats van hun training—die het grootste deel van de bedrijfsvraag uitmaken.

Miro Dimitrov, oprichter en CEO van Growth Protocol, zei vorige week tijdens de Yale CEO Caucus dat neuro-symbolische architecturen de inferentiekosten in live klantimplementaties met circa 80 keer hadden verlaagd. De besparing kwam vooral doordat werklasten van extreem dure GPU's werden verplaatst naar standaard enterprise-CPU's.

Drie fasen van AI-adoptie

Zakelijke adoptie is het beste te begrijpen in drie fasen, telkens gedefinieerd door hoeveel werk een bedrijf verantwoord kan deleen. De voortgang wordt begrensd door data-gereedheid en het vertrouwen dat systemen hebben opgebouwd.

De eerste fase is assistentie. Deze bestaat uit kant-en-klare copilots op enterprise-platformen zoals Salesforce. Deze tools verbinden data tussen bestaande applicaties en helpen medewerkers sneller te werken zonder ingrijpende herstructurering. De terugverdientijd is kort en het risico beperkt, omdat een mens nog het grootste deel van het werk verricht.

De tweede fase is orchestratie. Hierbij gaat het om agentische workflows—AI-systemen die meerstaps-taken plannen en uitvoeren namens een medewerker—die aanzienlijke investeringen in eigendomsdata en in het verbinden van ver uiteenliggende data lakes vereisen, die nooit ontworpen waren om samen te werken. Een mens blijft in de lus om elke beslissende stap goed te keuren.

De derde fase is autonomie, waarin end-to-end agentische processen draaien op naadloos verbonden systemen terwijl mensen op afwijkingen toezien.

De potentiële opbrengst groeit per fase, maar ook de risico's en het vereiste vertrouwen. Daarom zit de gemiddelde Fortune 500-CEO nog in de assistentiefase, terwijl hij forse vroege investeringen doet om zich op orchestratie voor te bereiden. De fasen verlopen ook niet gelijkmatig door een organisatie. De meeste bedrijven beheren een portefeuille over meerdere fasen, waarbij orchestratie wordt getest in een paar vooruitstrevende afdelingen terwijl de rest van de organisatie wennet aan basisassistentie.

Alle drie de fasen hangen af van het vertrouwen van CEO's dat AI zich aan de regels van het medewerkershandboek houdt, de wet naleeft en een fundament van menselijke waarden en oordeel vermenging behoudt. Investeerders, mediacommentatoren en markten diagnosticeren daardoor verkeerd hoe bedrijfswaarde wordt gecreëerd wanneer zij vrezen dat pacing voor AI-alignment de voortgang van grensmodellen zal belemmeren.

Het debat wordt verder gecompliceerd door vage beloftes en waarschuwingen rond 'AGI', of algemene kunstmatige intelligentie—systemen die op de meeste cognitieve taken menselijk niveau zouden kunnen evenaren of overtreffen—en door de kansen en catastrofale risico's verbonden aan het bereiken van de 'singulariteit'. Alignment is op zich subjectief: elk laboratorium en elke persoon definieert de term anders. Het juiste antwoord op elke verwijzing naar alignment is een tegenvraag: alignment aan wát?

Als AI-technologie menselijke taken moeten automatiseren, horen ze dezelfde normen van waarden, oordeel en moreel gedrag te naleven als van een huidige of toekomstige medewerker mag worden verwacht. Als de meest geavanceerde grenmodellen die normen in tests niet halen, zijn ze niet rijp voor release. Dat beginsel strookt met de wetgeving die de Verenigde Staten al lang hanteren om consumenten te beschermen tegen gevaarlijke producten.

Voormalig FTC-voorzitter Lina Khan maakte een vergelijkbaar punt op X: "There is an extensive set of laws that govern dangerous and defective products… releasing unvetted AI models or agents can violate consumer protection laws. Shipping flawed AI tools without implementing adequate measures to detect and stop rogue or defective AI agents can be an 'unfair or deceptive' act or practice under the FTC Act (and analogous state laws)." Het bericht is te vinden op https://x.com/linamkhan/status/2099204390548639960.

Die wetten maken bedrijven aansprakelijk voor schade aan consumenten, werknemers, investeerders, patiënten en concurrenten, en aan de markten en financiële systemen waarvan zij allemaal afhankelijk zijn.

Amerika, China, snelheid en vertrouwen

Ongeacht waar men staat in het debat over China's distillatie van AI-modellen—de techniek om kleinere modellen te trainen die de output van grotere grenssystemen reproduceren—heeft China inmiddels systemen die concurreren met de op de markt beschikbare grensmodellen. De Chinese Communistische Partij heeft bovendien aangegeven de aandacht te verschuiven naar AI door de hele economie te verspreiden in plaats van de grens verder op te stuwen.

Frontier-laboratoria doen daarom mee aan twee races: één richting 'AGI' of 'superintelligentie', en één om de bestedingsportemonnee van klanten. Hun meest gevestigde klanten, vooral Fortune 500-ondernemingen, kunnen bevestigen dat het terugwinnen van een klant na een aankoopbeslissing uiterst moeilijk is. China begrijpt die dynamiek, die bijdroeg aan zijn overwinning in de wereldwijde telecommunicatierace—een race die de Verenigde Staten grotendeels verloren.

De Chinese Communistische Partij heeft ook diepe zorgen over alignment. Pekings binnenlandse versie benadrukt staatscontrole, partijorthodoxie en consistentie met officiële verhalen. Westerse alignment richt zich meer op fiduciaire betrouwbaarheid, consumentenveiligheid en productaansprakelijkheid. Onder die ideologische kloof ligt dezelfde commerciële realiteit: onvoorspelbare, 'hallucinerende' agents die zich niet aan organisatorische regels houden, geen gezond oordeel tonen of institutionele vangrails negeren, kunnen niet worden vertrouwd met missiekritieke workflows of duurzame economische groei bewerkstelligen.

De regering-Trump moet kansen blijven nastreven om met president Xi samen te werken en te coördineren, zodat AI geen massavernietiging of ramp veroorzaakt, opzettelijk of per ongeluk. Of Trump het onderwerp zal aankaarten is een andere vraag.

Op de CEO Caucus zeiden 93 van circa 100 ondervraagde CEO's niet te geloven dat de president gelijk had om waarschuwingen over AI-gevaren een 'hoax' te noemen. Bijna 90% vond dat de president tijdens het staatsbezoek de noodzaak vanamenlijke AI-veiligheidsrichtlijnen met China moet benadrukken, terwijl bijna drie kwart niet verwachtte dat hij dat zou doen. Volgens Axios zouden voorbereidende besprekingen tussen minister van Financiën Bessent en zijn Chinese tegenhanger die circa 75 zakenleiders spoedig ten onrechte kunnen bewijzen.

Een pacing-interval zou geen passieve vakantie of economisch staakt-het-vuren zijn, maar een actieve periode van defensieve versterking. Washington en Peking hebben tijd nodig om kritieke infrastructuur te versterken tegen exploits door autonome agents voordat de volgende generatie grenscapaciteiten wordt ontsloten.

Menselijke alignment is maar de helft van de klus. In zo'n periode moet de directe prioriteit zijn het versterken van de instituties die de samenleving dragen. Financiële, zorg- en onderwijssystemen zouden op kwetsbaarheden getest moeten worden door de meest geavanceerde modellen, zoals Anthropic demonstreerde met de beperkte inzet van Mythos onder Project Glasswing. Die modellen doorbraken verdedigingen met indrukwekkend ingenieurswerk, maar hun exploits slaagden alleen vanwege systemische zwaktes in de digitale infrastructuur van bedrijven.

Frontier-laboratoria menen wellicht dat ze één race richting superintelligentie lopen. De race die hun commerciële fortuin echter bepaalt, is de tragere wedstrijd om het vertrouwen te winnen van ondernemingen, toezichthouders en burgers die met wat ze bouwen moeten leven. Snelheid haalt krantenkoppen, maar vertrouwen wint klanten.

Die race is een marathon, geen sprint. De eerste helft van een langeafstandsrace is voor tempobewaking, de tweede helft voor inhalen. In elke technologische revolutie, van de spoorweg tot het internet, gingen de grootste fortuinen naar wie begreep dat een grens weinig waard is totdat de kolonisten arriveren.

De meningen in Fortune.com-commentaren zijn uitsluitend die van de auteurs en weerspiegelen niet noodzakelijk de meningen en overtuigingen van Fortune. Het rapport is bijgewerkt met aanvullende opmerkingen van co-auteur David Siegel. Dit verhaal verscheen oorspronkelijk op Fortune.com: https://fortune.com/2026/09/22/ai-pacing-debate-how-fast-slow-wrong-debate-frontier