De hier beschreven vergadering heeft nooit plaatsgevonden en de aanwezigen zijn fictieve voorbeelden. Hun beslissing illustreert het gedrag dat Torsten Slok op 24 oktober beschreef. Een verkoopingenieur van een AI-platform bezoekt een regionale levensmiddelendistributeur om het financiële team te tonen wat het nieuwste model met facturen en gesprekstranscripties kan doen. Het team bekijkt de hele demonstratie. Het gebruikt al een goedkoper model van een jaar oud binnen een goedkoper abonnement. Daarmee is de wachtrij op de meeste dagen voor de lunch verwerkt. Wanneer de ingenieur de prijs van de upgrade noemt, legt de financieel directeur haar pen neer. Het team houdt hetzelfde aantal abonnementen.

Slok is hoofdeconoom van Apollo. In zijn Daily Spark-notitie van die zaterdag trok hij een stellige conclusie: “Ondanks enorme investeringen en wijdverbreide hype rond kunstmatige intelligentie heeft de technologie het Amerikaanse bedrijfsleven buiten de technologiesector geen enkel financieel voordeel opgeleverd.” Hij baseerde die conclusie op grafieken die twee groepen bedrijven vergelijken. De ene groep bestaat uit de Magnificent Seven, de grote technologiebedrijven die de modellen bouwen en verkopen. De andere omvat de overige bedrijven, die Slok de S&P 493 noemt.

De grafieken vergelijken twee delen van de markt

De eerste twee grafieken volgen omzet per werknemer en winstmarges. Volgens Sloks lezing stijgen beide maatstaven voor de Mag 7 en blijven ze voor de S&P 493 gelijk. Hij gebruikt gegevens van Bloomberg en Macrobond die voor inflatie zijn gecorrigeerd naar het vierde kwartaal van 2019. De derde grafiek vormt de belangrijkste basis voor zijn bredere bewering. Ze toont de totale factorproductiviteit, het deel van de productiegroei dat overblijft nadat arbeid en kapitaal zijn verrekend, en laat geen versnelling zien. Zoals Slok schrijft: “Er zijn nog steeds geen tekenen dat AI de productiviteitsgroei stimuleert.”

Apollo maakt die productiviteitsreeks niet zelf. De Federal Reserve Bank of San Francisco houdt haar bij met een methode die John Fernald in een werkdocument uit 2014 beschreef. De maatstaf corrigeert de totale factorproductiviteit voor veranderingen in de intensiteit waarmee bedrijven hun werknemers en apparatuur gedurende de economische cyclus inzetten. Door die schommelingen weg te nemen geeft de correctie een betere schatting van echte technologische verandering. Dat maakt de reeks bruikbaar om een breed toepasbare technologie te beoordelen. Tot nu toe laat ze geen versnelling zien.

Slok verbindt die uitkomsten met het uitgavenpatroon van bedrijven. Zonder verbetering van hun financiële resultaten, schrijft hij, “trekt het doorsnee Amerikaanse bedrijfsleven zich terug en begint het uitgaven aan tokens niet als groeibron te zien, maar als kostenpost die op de marges drukt”. De beslissing van de fictieve levensmiddelendistributeur om niet te upgraden illustreert dat argument. Volgens Slok hebben doorsneebedrijven het nieuwste model niet nodig en willen ze er niet voor betalen.

Breed gebruik heeft nog geen zichtbare opbrengst opgeleverd

Het ontbreken van zichtbare opbrengsten valt des te meer op doordat de tools breed worden gebruikt. Econoom Ara Kharazian van het economisch onderzoekslab van Ramp houdt de Ramp AI Index bij, een maandelijkse maatstaf voor AI-gebruik bij bedrijven. De septembermeting kwam uit op 55,9 procent van de Amerikaanse bedrijven. Meer dan de helft betaalt voor AI, maar in deze maatstaven is het financiële voordeel nog niet zichtbaar.

Slok uit een tweede zorg over de bedrijven die het meest uitgeven. In een aanvullende notitie van twee dagen eerder citeerde hij Ramp-gegevens waaruit blijkt dat 80 procent van de hoogste 1 procent van AI-besteders door durfkapitaal wordt gefinancierd, tegenover slechts 13 procent bij de mediane besteder. De grootste kopers van rekencapaciteit betalen met kapitaal van investeerders in plaats van met hun eigen inkomsten. Hij betoogde dat een trage opbrengst het rendement op durfkapitaal onder druk zou zetten. Als investeerders vervolgens minder financiering verstrekken, zou ook de vraag naar rekencapaciteit afnemen. Waarnemers hebben vergelijkbare circulaire afhankelijkheden vastgesteld in deals tussen chipmakers, cloudaanbieders en modellabs. Sloks cijfers suggereren dat die afhankelijkheden zich ook uitstrekken tot de bedrijven die betalen om de modellen te gebruiken.

Bevindingen over werkgelegenheid en aandelenkoersen

Andere bevindingen van deze maand sloten aan bij Sloks analyse, al kwamen ze uit verschillende bronnen en maten ze verschillende dingen.

De eerste betreft werkgelegenheid. Het Digital Economy Lab van Stanford onderhoudt openbare dashboards die de effecten van AI op werkgelegenheid volgen. Ze verschenen in juni en worden maandelijks bijgewerkt. In een artikel van 21 oktober meldde de universiteit dalende werkgelegenheid onder 22- tot 25-jarigen in beroepen die sterk aan AI zijn blootgesteld, waaronder softwareontwikkeling en klantenservice. De recente daling bedroeg 4,4 procent. De dashboards kwamen voort uit een artikel van Erik Brynjolfsson, Bharat Chandar en Ruyu Chen, die deze jonge werknemers omschreven als kanaries in de kolenmijn.

De Federal Reserve rapporteerde verwante bevindingen van werkgevers. Het Beige Book van oktober vermeldde dat “vijf districten meldden dat sommige bedrijven hun personeelsbestand hadden verkleind via natuurlijk verloop, aanwervingen hadden uitgesteld of minder nieuwe banen verwachtten nadat zij hun productiviteit hadden verhoogd door in AI te investeren”. Dit was de eerste editie waarin de terugkerende zin over AI in het onderzoek een vermindering van het personeel beschreef in plaats van de invoering van tools.

Binnen bedrijven die wel opbrengsten melden, is de verandering sterker. In een rapport van 16 oktober constateerden Anthropic-economen Nathan Wilmers, Regina Catipon, Maxim Massenkoff en Peter McCrory dat het aandeel beginnende technische medewerkers onder de nieuwe aanwervingen bij het bedrijf “nog sneller daalde, van 27 naar 9 procent”, en dat de agents in augustus “6 keer zoveel uren werkten als hun menselijke begeleiders”. Dit illustreert hoe voordelen zich kunnen concentreren in een technologiebedrijf, waarbij een deel van de gevolgen bestaat uit banen die nooit worden gecreëerd.

Aandelenkoersen bieden een andere vergelijking. Op 23 oktober berekende Jared Blikre van Yahoo Finance de veranderingen sinds de recordslotstand van de S&P 500 op 6 oktober. Hij stelde vast dat “de bedrijven die AI-datacenters bouwen en uitrusten een mediane daling van 23 procent laten zien”, terwijl “de Big Tech-bedrijven die de cheques uitschrijven slechts 5 procent lager staan”. De aandelenkoersen van leveranciers daalden vier keer zoveel als die van hun klanten, hoewel de leveranciers recordorderboeken hadden. Beleggers leken erop te rekenen dat de uitgaven zouden vertragen voordat de opbrengsten zichtbaar werden.

Of de opbrengst nog komt, blijft onzeker

Slok laat open of dit verschil kleiner zal worden. Modellen worden goedkoper en gaan meer op elkaar lijken, maar hij vraagt of doorsneebedrijven die goedkopere intelligentie kunnen gebruiken om omzet en winstmarges te verhogen. Zijn antwoord is voorzichtig. “AI is misschien een geweldige rekenmachine”, schrijft hij, “maar in het bedrijfsleven draait intelligentie vooral om oordeelsvermogen.” Oordeelsvorming hangt af van de context en van de persoon die oordeelt. Een model, voegt hij toe, “begrijpt geen verantwoordelijkheid, vertrouwen, cultuur, ongeschreven regels, ethische afwegingen of eerlijkheid”. Die factoren beïnvloeden allemaal of een klant blijft en of een overeenkomst wordt gesloten.

Dat is Sloks argument, geen gemeten resultaat. De grafieken tonen dat de maatstaven voor de S&P 493 gelijk blijven; ze bewijzen niet dat AI ze nooit kan verbeteren. Ze tonen alleen dat er nog geen verbetering zichtbaar is. Eén productiviteitsmaatstaf die voor benutting is gecorrigeerd kan echte winsten missen die tijd nodig hebben om zich op te bouwen. Ook telt een adoptiecijfer abonnementen, niet hoe intensief mensen die gebruiken.

Terug op het kantoor van de fictieve levensmiddelendistributeur maakt het financiële team zijn gebruikelijke berekening. Het model van een jaar oud is goed genoeg. Het nieuwere model kost meer dan de waarde van het werk dat het zou besparen, en het team moet de kwartaalrekening hoe dan ook afronden. Intussen blijft de omzet per werknemer binnen de Mag 7 in Sloks grafiek stijgen. Dat verschil is de kern van de zaak. Dezelfde maatstaven in de komende kwartalen zullen helpen uitwijzen of andere bedrijven wachten op een vertraagde opbrengst, of dat die opbrengst blijft uitblijven.

Referenties

  • Blikre, J. (2026). The AI sell-off is crushing stocks of companies leading the data center build-out. Yahoo Finance. finance.yahoo.com
  • Brynjolfsson, E., Chandar, B., & Chen, R. (2026). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab. digitaleconomy.stanford.edu
  • Federal Reserve System (2026). Beige Book, October 2026: National Summary. federalreserve.gov
  • Fernald, J. (2014). A Quarterly, Utilization-Adjusted Series on Total Factor Productivity. Federal Reserve Bank of San Francisco. frbsf.org
  • Hadhazy, A. (2026). Tracking AI’s Real-Time Footprint on the Labor Market. Stanford HAI. hai.stanford.edu
  • Kharazian, A. (2026). Ramp AI Index. Ramp Economics Lab. ramp.com
  • Slok, T. (2026). Circularity in AI Shows Up in Token Spending Too. Apollo, The Daily Spark. apollo.com
  • Slok, T. (2026). No Signs of AI Payoff Outside the Tech Sector. Apollo, The Daily Spark. apollo.com
  • Wilmers, N., Catipon, R., Massenkoff, M., & McCrory, P. (2026). How employment is changing at Anthropic. Anthropic. anthropic.com