Het Vermogen-Systeem-Product Model

Elke grote technologische verschuiving gooit dezelfde vraag opnieuw op tafel: waar moet je als organisatie in investeren? Waar leg je je focus? Wat is het meest bepalend voor succes?

Die vraag stelde zich bij de opkomst van het internet. Bij de cloud. Bij mobiel. Maar AI is van een andere orde. Niet een volgende verschuiving in een reeks — maar een breuk. De snelheid, de breedte en de diepte waarmee AI bestaande rollen, processen en businessmodellen raakt, overtreft wat we eerder zagen. De foutmarge voor verkeerde keuzes is kleiner. De kosten van aarzelen zijn hoger. En de vraag waar je in investeert is daarmee urgenter dan ooit.

Wat opvalt is dat organisaties bij elke verschuiving opnieuw dezelfde fout maken: ze investeren in wat zichtbaar is. De nieuwe tool. Het nieuwe platform. De nieuwe output. En ze vergeten te vragen wat die tool, dat platform, die output eigenlijk mogelijk maakt.

AI maakt die fout niet alleen herhaalbaar — het maakt hem duurder en sneller zichtbaar. Want de snelheid waarmee je de verkeerde laag kunt volstoppen met investeringen is nog nooit zo hoog geweest. En de organisaties die nu de verkeerde keuze maken, lopen een achterstand op die steeds moeilijker in te halen is.

Als ik eerlijk ben over wat ik in de afgelopen decennia heb geleerd, dan komt het neer op één overtuiging die door al die verschuivingen heen nooit is veranderd: de kwaliteit van de mensen die je selecteert en ontwikkelt, bepaalt alles wat er daarna komt.

Niet de tools. Niet de methodieken. Niet de structuur.

De mensen.

Dat voelde lang als een persoonlijke overtuiging — iets wat je opbouwt door vallen en opstaan, door de juiste mensen te zien floreren en de verkeerde te zien stranden. AI-disruptie heeft die overtuiging niet verzwakt. Ze heeft haar urgenter gemaakt.

Wat ik miste, was een model. Een manier om die intuïtie te articuleren — niet alleen als gevoel, maar als raamwerk dat ik zelf kan gebruiken om scherper te denken, en dat anderen kunnen begrijpen en toetsen.

Dit is dat raamwerk. Ik noem het het Vermogen-Systeem-Product Model.

Twee denkers gaven mij externe bevestiging — onafhankelijk van elkaar, vanuit totaal verschillende contexten.

De redenering: terugdenken naar de fundamentele waarheid

De eerste bevestiging kwam van Elon Musk — niet zozeer zijn uitspraken, maar zijn methode. Musk past consequent first-principles thinking toe: redeneer niet vanuit aannames of analogieën, maar breek een probleem af tot de meest fundamentele waarheden en bouw van daaruit opnieuw op.

Het verschil in de praktijk: als je een raket wilt bouwen, kun je redeneren vanuit de marktprijs van raketten — en concluderen dat het te duur is. Of je redeneert vanuit de grondstofprijzen van wat een raket is gemaakt — en ontdek je dat je het voor een fractie kunt bouwen. Hetzelfde probleem, totaal andere conclusie. Het verschil zit niet in de informatie, maar in het vertrekpunt van de redenering.

Die methode past hij ook toe op productie:

"The factory is the machine that builds the machine. That is at least two orders of magnitude harder than the vehicle itself."

De fabriek is fundamenteler en waardevoller dan het product dat eruit komt. Maar zijn methode riep meteen een vervolgvraag op: als je first principles doortrekt — wat maakt de fabriek zelf dan mogelijk?

De tweede bevestiging kwam van Peter Senge. In The Fifth Discipline (1990) toont hij aan dat organisaties alleen duurzaam leren als individuen twee capaciteiten bezitten: personal mastery — het vermogen om de eigen mentale modellen continu te verbeteren — en systems thinking — het vermogen om het geheel te zien in plaats van alleen de onderdelen. Zonder die individuele capaciteit verandert een organisatie wel van vorm, maar niet van kwaliteit.

Senge en Musk redeneren vanuit verschillende werelden. Ze landen op dezelfde plek: de mens is niet een radertje in het systeem. De mens is de reden dat het systeem werkt.

De drie lagen

Het model bestaat uit drie lagen. De logica volgt first-principles: redeneer terug naar de meest fundamentele waarheid.

Wat is de meest fundamentele waarheid van een product? Een product — software, een rapport, een dienst, een analyse — is de uitkomst van een proces. Het is zichtbaar, meetbaar en vervangbaar. Wie alleen in het product investeert, investeert in de uitkomst en niet in de oorzaak.

Wat is de meest fundamentele waarheid van een systeem? Een systeem — een pipeline, een werkwijze, een geautomatiseerde workflow, een AI-architectuur — is de machine die het product maakt. Het is minstens een orde van magnitude moeilijker te bouwen dan het product zelf, en de eigenlijke bron van schaalbaar voordeel. Wie het systeem beheerst, beheerst de output.

Wat is de meest fundamentele waarheid van dat systeem? Het systeem wordt bedacht, gebouwd, beoordeeld en verbeterd door mensen. Niet door willekeurige mensen, maar door mensen die in staat zijn complexe systemen te doordenken, te itereren en te verbeteren. Zonder die mensen functioneert het beste systeem op den duur niet meer. Het veroudert, het drijft af, het produceert de verkeerde dingen op de meest efficiënte manier.

Laag 1 — Vermogen (het fundament)

De mensen. Dit is de enige laag waar mensen zitten — en dat is een bewuste keuze in het model, niet een versimpeling.

Mensen bouwen systemen, maar zij zijn geen onderdeel van het systeem. Een architect die een gebouw ontwerpt, zit niet in het gebouw. Hij staat erbuiten — en vanuit die positie ontwerpt, beoordeelt en verbetert hij. Zodra de architect ophoudt met ontwerpen en alleen nog uitvoert, verdwijnt zijn eigenlijke waarde. Hetzelfde geldt voor de professional die AI-systemen aanstuurt: zijn waarde zit niet in het uitvoeren, maar in het richten, beoordelen en bijsturen van wat het systeem produceert. De orkestrator die het AI-orkest laat klinken, staat buiten het orkest — niet erin.

Wat maakt iemand effectief op Laag 1? Het vermogen om systemisch te denken, uitkomsten scherp te formuleren, context te interpreteren en verantwoordelijkheid te nemen voor het resultaat. Niet alleen wat iemand nu kan — maar wat iemand kan worden.

Investeren in Laag 1 is ook investeren in wendbaarheid — en dat is precies wat AI-disruptie vereist. Een organisatie waarvan de mensen systemisch denken en outcome-gericht werken, past zich aan als de wereld verandert — omdat zij de aannames achter hun systemen en producten kunnen heroverwegen. Een organisatie die primair investeert in Laag 2 of Laag 3 bouwt oplossingen voor de problemen van gisteren. Haar systemen en producten zijn bevroren antwoorden op vragen die misschien al niet meer gesteld worden. Vermogen is de enige laag die van nature meeschaalt met verandering. Senge formuleerde dit al in 1990: de enige duurzame bron van concurrentievoordeel is het vermogen van een organisatie om sneller te leren dan haar concurrenten — en dat vermogen zit in mensen, niet in systemen of producten.⁵

In de AI-context van 2026 is dit de laag die het meest wordt onderschat. De beschikbaarheid van AI-tools is geen bottleneck. Die zijn goedkoop, snel en breed toegankelijk. De bottleneck is het menselijk vermogen om die tools te richten, te sturen, te beoordelen en bij te sturen. Wie die vraag overslaat en direct naar tools grijpt, bouwt op drijfzand.

Laag 2 — Systeem (de fabriek)

De pipelines, workflows, agent-architecturen en automatiseringssystemen die het product produceren. Dit is Musk's originele tweede laag: fundamenteler en moeilijker dan het product, en de eigenlijke bron van structureel voordeel.

Wie de juiste systemen bouwt — herhaalbare processen, goede feedback-loops, doordachte AI-integraties — produceert consistent betere output dan wie steeds opnieuw ad hoc werkt. Het systeem is de multiplier op het vermogen.

Laag 2 bestaat niet zonder Laag 1. Zonder voldoende menselijk vermogen wordt het systeem slecht ontworpen, niet geïtereerd en uiteindelijk verlaten. De fabriek werkt alleen omdat er mensen zijn die haar begrijpen en blijven verbeteren — maar die mensen staan buiten de fabriek. Ze staan in Laag 1.

Laag 3 — Product (de uitkomst)

De zichtbare output: de software, het rapport, de dienst, de analyse. Dit is de laag waar de meeste investeringsdiscussies over gaan — en daarmee de laag die het meest overschat wordt.

Een product is vervangbaar. Een concurrent kan het kopiëren. Een AI-tool kan het genereren. Wie zijn concurrentievoordeel opbouwt op de producten die hij maakt, zonder het systeem en het vermogen daaronder te versterken, speelt een imitatiespel — en imitatiegames worden steeds sneller gewonnen door wie de betere fabriek heeft, of door AI zelf.

De tegenhypothese: wat als goede systemen middelmatig vermogen compenseren?

Er is een serieuze tegenwerpingen die dit model moet kunnen doorstaan.

"Met goede AI-systemen en de juiste tools worden ook middelmatige mensen zeer productief. De kwaliteit van het systeem compenseert de kwaliteit van het individu."

Deze stelling is niet volledig onjuist. Goede systemen verlagen de drempel. Een goed geconfigureerde AI-omgeving maakt een gemiddelde medewerker productiever dan hij zonder AI zou zijn.

Maar de stelling heeft een structureel gat. Wie bepaalt welke tools goed zijn? Wie configureert de systemen? Wie beoordeelt of de output klopt? Wie stelt de kaders waarbinnen de AI opereert? Wie neemt de verantwoordelijkheid voor het resultaat?

Op elk van die vragen is het antwoord: de mens met voldoende Laag 1-vermogen.

Goede systemen verlagen de drempel voor eenvoudige, herhaalbare taken. Voor complexe, ambigue, contextgevoelige taken — de taken die in een kennisintensieve omgeving de meeste waarde bepalen — is het menselijk vermogen nog steeds de bottleneck én de hefboom.

Drie onafhankelijke tradities die hetzelfde zeggen

Het model staat niet alleen op persoonlijke ervaring of op Musk als illustratie. Drie intellectuele tradities komen onafhankelijk van elkaar tot dezelfde conclusie.

Toyota Production System. Taiichi Ohno, grondlegger van het TPS, formuleerde twee gelijkwaardige pijlers: continue verbetering van het systeem én respect voor de mensen die dat systeem verbeteren. Het systeem verbetert alleen als de mensen die het onderhouden het begrijpen en mogen veranderen — en die mensen opereren als ontwerpers en beheerders, buiten het systeem zelf.¹

W. Edwards Deming. Deming's centrale observatie: 94% van de problemen zit in het systeem — maar 100% van het systeem is ontworpen door mensen.² Wie het systeem wil verbeteren, moet investeren in het denkvermogen van de mensen die het ontwerpen. Management dat alleen output meet zonder dat onderliggende vermogen te ontwikkelen, lost het verkeerde probleem op.

Peter Senge. In The Fifth Discipline toont Senge aan dat organisaties pas duurzaam leren als individuen personal mastery en systems thinking bezitten.³ Zonder die individuele capaciteit verandert een organisatie wel van structuur, maar niet van kwaliteit. De lerende organisatie is gebouwd op de lerende mens.

Alle drie tradities redeneren vanuit verschillende uitgangspunten en periodes. Ze landen op dezelfde architectuur: het menselijk vermogen is de laag die het systeem mogelijk maakt, en het systeem is de laag die het product mogelijk maakt.

De economische dimensie: token-efficiëntie als nieuwe maatstaf

Er is een dimensie die dit model de komende jaren concreter en urgenter maakt: de economie van AI-gebruik.

Elke interactie met een AI-systeem kost tokens. Tokens kosten geld. En de kwaliteit van de menselijke orkestrator bepaalt direct hoeveel tokens er nodig zijn om een gewenste uitkomst te bereiken.

Stel je twee professionals voor die dezelfde taak uitvoeren met hetzelfde AI-systeem. De eerste denkt vaag, instrueert onscherp en itereert vijf keer om tot een bruikbaar resultaat te komen. De tweede formuleert het probleem helder, geeft de relevante context selectief mee en bereikt hetzelfde resultaat in één ronde. De tokenkosten van de eerste zijn een veelvoud van die van de tweede — voor identieke output.

Dit is geen marginaal verschil. Rapporten uit de sector tonen aan dat intelligente orkestratie kostenreducties van 40 tot 90% mogelijk maakt zonder kwaliteitsverlies.⁴ De consequentie is direct: middelmatig vermogen op Laag 1 produceert niet alleen middelmatige output — het produceert die output tegen onnodige kosten.

Token-efficiëntie wordt de nieuwe productiviteitsmaatstaf, en het is een maatstaf die volledig gedreven wordt door Laag 1. De economische logica van AI versterkt het model in plaats van het te ondermijnen. Investeren in Laag 1 is niet alleen strategisch juist — het is financieel rationeel.

De grens van het model: eerlijkheid over houdbaarheid

Een goed model erkent zijn eigen grenzen.

Het Vermogen-Systeem-Product Model beschrijft een structuur, geen permanente waarheid. De verhouding tussen de lagen zal de komende jaren verschuiven onder invloed van één beweging: AI neemt geleidelijk taken over die nu nog menselijk vermogen vereisen.

Dit begint zichtbaar te worden rondom Laag 2. Het bouwen en onderhouden van systemen — taken die nu substantiële Laag 1-capaciteiten vereisen — worden steeds meer door AI zelf uitgevoerd. AI-systemen beginnen zichzelf te optimaliseren binnen gestelde kaders. Dat is geen verschuiving van mensen uit Laag 2 — mensen zaten nooit ín Laag 2. Het is een verschuiving in de hoeveelheid Laag 1-vermogen die nodig is om Laag 2 te laten functioneren. Die hoeveelheid daalt. Maar de kwaliteit die overblijft moet hoger zijn: het gaat dan om de capaciteit om de kaders te stellen waarbinnen AI-systemen opereren, niet meer om het uitvoerende bouwwerk zelf.

Op langere termijn zal AI ook dieper in Laag 1 doordringen: probleemanalyse, systeemontwerp, strategische afstemming. Op welk punt het model herzien moet worden, is nu nog niet te zeggen.

Op welke laag investeert jouw organisatie?

Modellen zijn pas nuttig als ze iets zichtbaar maken dat je anders over het hoofd ziet. Daarom één concrete vraag ter afsluiting: kijk naar de investeringen en focus van jouw organisatie van de afgelopen twaalf maanden. Welk patroon zie je?

Organisaties die primair in Laag 3 investeren kopen nieuwe tools, implementeren nieuwe platforms, jagen op de nieuwste AI-applicaties. Ze meten succes in features en output. Ze wisselen tools snel als iets beters beschikbaar is — en starten steeds opnieuw.

Organisaties die primair in Laag 2 investeren bouwen en optimaliseren processen, automatiseren workflows, investeren in technische infrastructuur. Ze meten succes in efficiëntie en schaalbaarheid. Ze bouwen goede fabrieken — maar voor producten die soms al achterhaald zijn tegen de tijd dat de fabriek staat.

Organisaties die primair in Laag 1 investeren selecteren bewust op cognitief vermogen en leerpotentieel, investeren structureel in de ontwikkeling van mensen, meten succes in uitkomsten en aanpassingsvermogen. Ze bouwen langzamer zichtbaar — maar het fundament dat ze leggen draagt alle volgende lagen.

De meeste organisaties herkennen zichzelf in de eerste twee. Dat is begrijpelijk — Laag 2 en Laag 3 zijn zichtbaar, meetbaar en direct te verantwoorden. Maar wie nooit bij Laag 1 begint, bouwt altijd op geleend fundament.

En in een disruptie van deze omvang — waarbij de snelheid van verandering elke vorige technologische verschuiving overtreft — is geleend fundament geen strategie meer. Het is uitstel.

De vraag is niet óf je in mensen investeert. De vraag is of je het bewust genoeg doet, diep genoeg gaat, en vroeg genoeg begint.

Bronnen en inspiratie

1. Taiichi Ohno, Toyota Production System: Beyond Large-Scale Production (1978)
2. W. Edwards Deming, Out of the Crisis (1982)
3. Peter Senge, The Fifth Discipline: The Art and Practice of the Learning Organization (1990)
4. Alphanome AI & brancheanalyses AI-kostenbeheer (2025) — meerdere rapporten over orkestratie-efficiëntie en tokenreductie
5. Peter Senge, The Fifth Discipline (1990) — "The only sustainable competitive advantage is an organization's ability to learn faster than the competition"
6. Elon Musk, Tesla aandeelhoudersvergadering (2016) — geciteerd in Walter Isaacson, Elon Musk (2023)
7. Ethan Mollick, Co-Intelligence: Living and Working with AI (2024)
8. McKinsey Global Institute, "Agents, robots, and us: Skill partnerships in the age of AI" (november 2025)

Dit artikel is georkestreerd samen met Claude (Anthropic), visualisaties door NotebookLM.