Het Machine Age Fund van a16z en de werkelijke kosten van agentic AI

De AI-infrastructuur gaat een nieuwe fase in. Het Machine Age Fund van a16z maakt de fysieke kosten van agentic AI onmiskenbaar. Voor organisaties is de belangrijkste economische vraag echter niet alleen hoe zij aan meer rekenkracht komen, maar vooral hoeveel operationeel werk überhaupt AI nodig heeft.

Op 28 augustus 2026 kondigde Andreessen Horowitz het Machine Age Fund van 1,1 miljard dollar aan, gericht op de fysieke infrastructuur achter AI: chips, geheugen, netwerken, opslag, datacenters, robotica en apparaten. De kern: naarmate AI verschuift van chat naar redeneren, programmeren en ander kenniswerk, nemen zowel de hoeveelheid werk als het tokengebruik explosief toe.

Lees de aankondiging van het Machine Age Fund

Dat is een aanbodzijde-thesis. Meer nuttige AI creëert vraag naar meer tokens, berekening, geheugen, netwerken en stroom.

DataInbox behandelt dezelfde ontwikkeling vanuit de vraagkant.

De goedkoopste AI-operatie is degene die geen AI nodig heeft

Een agent-dichte architectuur vraagt een model om bronnen te lezen, de laatste situatie te reconstrueren, regels te interpreteren en te beslissen wat er moet gebeuren elke keer dat er werk aankomt. Het model kan mogelijk al dat alles doen. Capaciteit maakt het niet de juiste architectuur.

Veel bedrijfsactiviteiten zijn deterministisch:

• Een status verandert.
• Een inkomend event wordt geverifieerd tegen een schema.
• Twee identificatoren worden gekoppeld of samengevoegd.
• Een beleidsvoorwaarde wordt gecontroleerd.
• Een bericht wordt gerouteerd.
• Een toegestane staatsovergang wordt toegepast.
• Een wijziging wordt opgeslagen als een diff.
• Een huidige projectie wordt bijgewerkt.

Deze bewerkingen hebben geen open-ended redenering nodig. Door elk ervan om te zetten in een agentoproep worden tokens, latentie, variabiliteit en infrastructuurvereisten toegevoegd zonder intelligentie toe te voegen.

Plaats intelligentie waar intelligentie nodig is

De scherpere verdeling van de arbeid is:

LLM's voor intelligentie. DataInbox voor operationele status en uitvoering.

Gebruik een LLM wanneer de taak taalbegrip, ambiguïteitsoplossing, synthese, oordeel of generatie vereist. Gebruik DataInbox om de bedrijfssignaal te ontvangen, deze te valideren, de actuele status te behouden, expliciete regels toe te passen, bevoegdheden op te lossen en de kleinste nuttige projectie aan het model te leveren.

De weringsvolgorde wordt:

1. Bedrijfssignaal arriveert.
2. DataInbox valideert en verwerkt deterministische wijzigingen.
3. De Inbox brengt de actuele status, historie, regels en bevoegdheden samen.
4. AI wordt alleen aangeroepen wanneer redenering vereist is.
5. Het model ontvangt de toegestane context voor deze taak, niet onbeperkt toegang tot elke bron.
6. Het voorgestelde resultaat wordt teruggestuurd naar de inbox voor validatie, uitvoering en bewijs.

Dit maakt AI niet minder belangrijk. Het beschermt dure intelligentiediensten tegen werk dat gewone berekening betrouwbaarder kan uitvoeren.

Drie architecturen, één zakelijke opdracht

Deze onderscheiding moet worden gemeten in plaats van slechts beweerd te worden. Een nuttige benchmark geeft drie architecturen dezelfde zakelijke opdracht:

1. Agent-dicht: een agent leest bronnen, reconstructeert de context en besluit opnieuw voor elk event.
2. RAG plus agent: herhaling verkleint de zoekruimte, terwijl het model het opgehaalde materiaal nog steeds interpreteert en de operationele status reconstruceert.
3. DataInbox plus agent: events, status, regels en bevoegdheden worden deterministisch verwerkt; het model ontvangt alleen een taakspecifieke projectie wanneer redenering nodig is.

De benchmark zou meer moeten rapporteren dan de tokenprijs:

• Modeloproepen per 10.000 bedrijfssignalen.
• Invoer- en uitvoertekens.
• End-to-end latentie.
• Deterministische bewerkingen zijn voltooid zonder een model.
• Percentage van operaties dat echt AI vereiste.
• Kosten per 10.000 bedrijfssignalen.
• Reproductibiliteit, compliance van beleid en traceerbare bewijs.

De centrale metriek is niet alleen hoe goedkoop een modeloproep loopt. Het is welk percentage van de bedrijfsactiviteiten überhaupt een modeloproep nodig had.

RAG helpt, maar het ophalen is geen operationele status

Herhalen kan de hoeveelheid bronmateriaal die in een prompt wordt geplaatst verminderen. Het bepaalt niet automatisch wat nu waar is, welke regel van toepassing is, of een actie toegestaan is of of twee records hetzelfde bedrijfsobject beschrijven.

Als het model die antwoorden opnieuw moet afleiden voor elke verzoek, koopt de organisatie herhaaldelijk een probabilistische reconstructie van zijn eigen operatie.

DataInbox houdt die antwoorden bijgevoegd aan de bedrijfssignaal en zijn actuele status. De AI ontvangt een beheerste projectie in plaats van een stapel brontoegang.

De economische zaak wordt sterker naarmate AI meer werk doet

De thesis van de Machine Age is dat steeds capabelere AI een veel grotere fysieke infrastructuurbasis zal vereisen. Onze architecturale aanname is dat bedrijven een even doordachte manier nodig hebben om de vraag te beheersen.

DataInbox belooft niet dat elke AI-oproep kan verdwijnen. Het maakt de grens meetbaar:

• Deterministisch werk blijft deterministisch.
• De huidige bedrijfsstatus wordt één keer behouden in plaats van herhaaldelijk opnieuw opgebouwd.
• De context wordt geselecteerd voor de taak in plaats van in bulk gekopieerd.
• AI is gereserveerd voor de stappen waar intelligentie waarde creëert.

Daarom is een bedrijfsinformatie- en uitvoeringslaag geen optionele optimalisatie wanneer een bedrijfs-AI activeert. Het is wat voorkomt dat elk event, zoekopdracht, regel en toestandsverandering een ander modelwerkbelasting wordt.

De goedkoopste token is geen token met korting.

Het is het token dat de operatie nooit nodig had.

Ontdek het AI Economie Dashboard