05 aug 2025·6 min
Marc Andreessen over software, AI en wat hierna komt
Een praktische gids voor Marc Andreessen’s kernideeën over software en AI—wat ze betekenen voor producten, startups, werk, regelgeving en waar technologie mogelijk naartoe gaat.
Een praktische gids voor Marc Andreessen’s kernideeën over software en AI—wat ze betekenen voor producten, startups, werk, regelgeving en waar technologie mogelijk naartoe gaat.
Marc Andreessen is een Silicon Valley-ondernemer en investeerder die vooral bekend is als mede-ontwikkelaar van Netscape (een van de eerste veelgebruikte webbrowsers) en later als mede-oprichter van het durfkapitaalfonds Andreessen Horowitz. Mensen volgen zijn ideeën omdat hij meerdere technologiegolven van dichtbij heeft gezien—producten bouwen, bedrijven financieren en publiek debatteren over waar markten heen gaan.
Deze sectie is geen biografie en geen endorsement. Het punt is eenvoudiger: Andreessen’s ideeën zijn invloedrijke signalen. Oprichters, leidinggevenden en beleidsmakers reageren er vaak op—ofwel door zijn frame over te nemen, of door het te weerleggen. In beide gevallen beïnvloeden zijn theses wat er gebouwd, gefinancierd en gereguleerd wordt.
Lees dit artikel als een set praktische lenzen voor besluitvorming:
Als je productbeslissingen neemt, strategie vaststelt of budget toewijst, helpen deze lenzen je betere vragen te stellen: Wat wordt goedkoper? Wat wordt schaars? Welke nieuwe beperkingen verschijnen?
We beginnen met de oorspronkelijke "software eats the world"-thesis en waarom die nog steeds veel van de zakelijke veranderingen verklaart. Daarna bespreken we AI als een nieuwe platformverschuiving—wat het mogelijk maakt, wat het kapotmaakt en hoe het startup-dynamiek verandert.
Tot slot bekijken we de menselijke en institutionele nasleep: werk en banen, open versus gesloten AI-systemen, en de spanning tussen regelgeving, veiligheid en innovatie. Het doel is dat je helderder nadenkt—niet dat je slogans aanhangt—over wat hierna komt.
Marc Andreessen’s “software eats the world” is een eenvoudige bewering: steeds meer van de economie wordt bestuurd, verbeterd en verstoord door software. Niet alleen “apps”, maar code als de laag die beslissingen en coördinatie uitvoert—die bedrijven vertelt wat te doen: wie te bedienen, wat te vragen, hoe te leveren en hoe risico’s te beheren.
Dat software een industrie “eet” betekent niet dat de industrie volledig digitaal moet worden. Het betekent dat het meest waardevolle voordeel verschuift van fysieke activa (winkels, fabrieken, vloten) naar de systemen die ze aansturen (data, algoritmen, workflows en distributie via digitale kanalen).
In de praktijk verandert software producten in diensten, automatiseert het coördinatie en maakt het prestaties meetbaar—en daarmee optimaliseerbaar.
Een paar herkenbare gevallen laten het patroon zien:
Het moderne bedrijf draait op software, niet alleen voor “IT”, maar voor kernactiviteiten: CRM voor omzetbeheer, analytics om prioriteiten te bepalen, automatisering om doorlooptijden te verkorten en platforms om klanten te bereiken. Zelfs bedrijven met tastbare producten concurreren op hoe goed ze hun processen instrumenteren en van data leren.
Daarom kunnen softwarebedrijven uitbreiden naar nieuwe categorieën: als je de controlelaag bezit (workflow en data), wordt het makkelijker om aangrenzende producten toe te voegen.
De thesis is niet “iedereen verandert morgen in een softwarebedrijf”. Veel markten blijven verankerd in fysieke beperkingen—productiecapaciteit, toeleveringsketens, vastgoed, energie en menselijk werk.
En softwarevoordeel kan tijdelijk zijn: functies worden snel gekopieerd, platforms veranderen regels en klantvertrouwen kan sneller verloren gaan dan opgebouwd. Software verschuift macht—maar het elimineert geen fundamentele zaken zoals kostenstructuur, distributie en regelgeving.
AI is het gemakkelijkst praktisch te begrijpen: het is een set getrainde modellen (vaak “foundation models”) ingebouwd in tools die content kunnen genereren, stappen in workflows automatiseren en beslissingen ondersteunen. In plaats van elke regel handmatig te coderen, beschrijf je het doel in natuurlijke taal en vult het model het ontbrekende werk in—opstellen, classificeren, samenvatten, plannen of antwoorden.
Een platformverschuiving gebeurt wanneer een nieuwe computelaag de standaard wordt voor hoe software wordt gebouwd en gebruikt—zoals pc’s, het web, mobiel en cloud. Veel mensen rekenen AI hiertoe omdat het de interface verandert (je kunt met software “praten”), de bouwblokken verandert (modellen worden capabilities die je inplugt) en de economie (nieuwe functies verschijnen zonder jaren data science).
Traditionele software is deterministisch: dezelfde input, dezelfde output. AI voegt toe:
Dit breidt “software” uit van schermen en knoppen naar werk dat meer lijkt op een capabele assistent ingebed in elk product.
Nuttig nu: opstellen en redigeren, customer support triage, kenniszoekopdrachten over interne docs, code-assistentie, vergader-samenvattingen en workflow-automatisering waarbij mensen outputs reviewen.
Nog hype-gevoelig: volledig autonome agents die teams vervangen, perfecte feitelijke nauwkeurigheid en één model dat veilig alles doet. De korte-termijn winnaars behandelen AI als een nieuwe laag in producten—krachtig, maar beheerd, meetbaar en begrensd.
AI verschuift productstrategie van het uitrollen van vaste features naar het uitrollen van capabilities die zich aanpassen aan rommelige, real-world inputs. De beste teams stellen niet langer “Welk nieuw scherm moeten we toevoegen?” maar: “Welk resultaat kunnen we betrouwbaar leveren, en welke waarborgen maken het veilig?”
De meeste AI-features zijn opgebouwd uit een klein set componenten:
Een productstrategie die één van deze negeert (vooral UX en datarechten) loopt meestal vast.
Een iets zwakker model binnen een product dat gebruikers al vertrouwen kan winnen, omdat distributie (bestaande workflows, integraties, defaults) adoptie-frictie verlaagt. En vertrouwen stapelt zich op: gebruikers accepteren af en toe imperfecties als het systeem transparant, consistent en respectvol met hun data omgaat.
Vertrouwen bouw je door voorspelbaar gedrag, bronnen waar mogelijk, “review before send”-patronen en een duidelijke grens tussen “assisteren” en “handelen”.
De meest voorkomende redenen dat AI-features niet blijven hangen:
Gebruik deze voordat je bouwt:
AI kantelt het startup-spel in twee richtingen tegelijk: het maakt bouwen veel sneller en verzwakt tegelijk het voordeel van “in staat zijn het te bouwen”. Als “software de wereld eet” beschreef hoe code een bedrijf kan schalen, suggereert AI dat teams ook kunnen schalen—omdat meer werk dat eerder headcount vergde, in tools en workflows gecomprimeerd kan worden.
Met AI-ondersteund coderen, design, research en support kan een lean team prototypes in dagen opleveren, snel messaging testen en itereren met echte klantfeedback in plaats van lange planningscycli. Het compounding-effect telt: snellere loops betekenen dat je eerder de juiste productvorm ontdekt en minder tijd verspeelt aan het perfectioneren van het verkeerde.
In de praktijk is dit waar "vibe-coding" platforms belangrijk beginnen te worden: voor veel interne tools en vroege producten is de bottleneck niet langer elke regel schrijven, maar een workflow snel en veilig in een bruikbare app omzetten.
AI verandert ook hoe “bouwen” eruitziet. Nieuwe rollen ontstaan:
Deze rollen zijn niet alleen technisch; ze gaan over het vertalen van rommelige real-world behoeften naar systemen die consistent gedrag vertonen.
Als iedereen features snel kan opleveren, verschuift differentiatie naar focus, snelheid en specificiteit.
Bouw voor een smalle klant met een urgent probleem. Beheer een workflow end-to-end. Leer sneller dan concurrenten. Jouw edge wordt domeininzicht, distributie en vertrouwen—niet een demo die gekopieerd kan worden.
AI-first startups zijn kwetsbaar. Afhankelijkheid van één modelvendor kan prijschokken, beleidsrisico’s of plotselinge kwaliteitsveranderingen veroorzaken. Veel AI-features zijn makkelijk te repliceren, wat producten richting commoditisatie en dunnere moats duwt.
Het antwoord is niet “vermijd AI.” Combineer AI-capaciteit met iets dat moeilijker te kopiëren is: eigen datapijplijnen met permissies, diepe integratie in workflows of een merk waar klanten op vertrouwen als outputs correct moeten zijn.
Andreessen’s optimistische invalshoek begint vaak met een eenvoudige observatie: nieuwe software verandert eerst wat mensen doen voordat het verandert of ze nodig zijn. Met AI is de korte-termijn impact in veel rollen taakniveau-herordening—meer tijd voor oordeel, klantcontext en besluitvorming, en minder tijd voor repetitief opstellen, zoeken en samenvatten.
De meeste banen zijn bundels van taken. AI vult de onderdelen in die taalkundig zwaar, patroon-gedreven of regel-gestuurd zijn.
Veelvoorkomende voorbeelden van “assistable” taken:
Het resultaat is vaak hogere throughput en kortere cyclustijden—zonder direct de rol zelf te elimineren.
Adoptie werkt het beste als het als procesontwerp wordt behandeld, niet als een losse tool-implatatie.
Sommige rollen en taken zullen krimpen, vooral waar werk al gestandaardiseerd is. Dat maakt omscholing een echte prioriteit: verplaats mensen naar hoog-contextwerk (klantrelaties, systeem-eigendom, kwaliteitscontrole) en investeer vroeg in training, voordat de druk te groot wordt.
Of AI “open” of “gesloten” moet zijn is uitgegroeid tot een proxy-debat over wie de toekomst bouwt—en onder welke voorwaarden. In de praktijk gaat het over toegang (wie krachtige modellen kan gebruiken), controle (wie ze kan aanpassen) en risico (wie verantwoordelijk is als er iets misgaat).
Gesloten AI betekent meestal proprietaire modellen en tooling: je gebruikt mogelijkheden via een API, met beperkte inzage in trainingsdata, modelweights of interne veiligheidsmethoden.
Open AI kan verschillende dingen betekenen: open weights, open-source code voor draaien of fine-tunen van modellen, of open tooling (frameworks, evals, serving stacks). Veel oplossingen zijn “gedeeltelijk open”, dus vraag precies wat wel en niet gedeeld wordt.
Gesloten opties winnen vaak op gemak en voorspelbare performance. Je krijgt beheerde infrastructuur, documentatie, uptime-garanties en frequente upgrades. De trade-off is afhankelijkheid: prijzen kunnen veranderen, voorwaarden kunnen strenger worden en je kunt limieten tegenkomen rond aanpassing, dataresidentie of latency.
Open opties schitteren als je flexibiliteit nodig hebt. Je eigen model draaien (of een gespecialiseerd open model) kan per-request kosten op schaal verlagen, diepere aanpassing mogelijk maken en meer controle over privacy en deployment geven. De trade-off is operationele lasten: hosting, monitoring, safety-testing en modelupdates worden jouw verantwoordelijkheid.
Veiligheid is genuanceerd aan beide kanten. Gesloten aanbieders hebben vaak sterkere guardrails out-of-the-box, maar je kunt niet altijd inspecteren hoe ze werken. Open modellen bieden transparantie en auditability, maar maken het ook makkelijker voor kwaadwillenden om mogelijkheden te hergebruiken.
Open weights en tooling verlagen de kosten van experimenteren. Teams kunnen snel prototypen, fine-tunen voor nichedomeinen en evaluatiemethoden delen—waardoor innovatie zich sneller verspreidt en differentiatie verschuift van “wie toegang heeft” naar “wie het beste product bouwt”. Dat kan druk zetten op gesloten aanbieders om prijs, beleidshelderheid en features te verbeteren.
Begin met je beperkingen:
Een praktische aanpak is hybride: prototype met een gesloten model en migreer selectieve workloads naar open/self-hosted zodra het product- en kostenprofiel duidelijk is.
AI heropent een bekend debat in tech: hoe regels stellen zonder vooruitgang te vertragen. De pro-innovatie blik (vaak geassocieerd met Andreessen-achtige optimisme) stelt dat zware, preventieve regulering incumbent spelers kan verankeren, compliancekosten voor startups verhoogt en experimentatie naar jurisdicties met minder beperkingen duwt.
De zorg is niet “geen regels”, maar regels die te vroeg worden geschreven—voordat we weten welke toepassingen echt schadelijk zijn en welke alleen onwennig voelen.
De meeste beleidsdiscussies concentreren zich rond een paar risicozones:
Een werkbaar midden is risicogebaseerde regulering: lichtere eisen voor laag-risico gebruik (marketing drafts), strengere toezicht voor hoog-risico domeinen (gezondheid, financiën, kritieke infrastructuur). Koppel dat aan duidelijke aansprakelijkheid: definieer wie verantwoordelijk is bij AI-gebruik—vendor, deployer of beiden—and eis auditabele controls (testen, incidentrapportage, menselijke reviewdrempels).
Bouw vroeg “compliance-ready” productgewoonten: documenteer datasources, voer red-team evaluaties uit, log modelversies en prompts voor gevoelige workflows en behoud een kill switch voor schadelijk gedrag.
Belangrijker nog: scheid exploratie van deployment. Moedig snel prototypen aan in sandbox-omgevingen en gate productie-releases met checklists, monitoring en eigenaarschap. Dat houdt momentum terwijl veiligheid en regelgeving een ontwerpeis worden—geen noodreactie.
Marc Andreessen heeft meerdere platformtransities van dichtbij meegemaakt (web, cloud-era software en nu AI als nieuwe laag). Zelfs als je het niet eens bent met zijn conclusies, heeft zijn manier van framen vaak invloed op wat oprichters bouwen, waar investeerders in investeren en welke onderwerpen beleidsmakers oppikken—dus het is nuttig als een "signaal" om op te reageren met scherpere vragen en een betere strategie.
Het betekent dat het concurrentievoordeel in veel sectoren verschuift van het bezitten van fysieke middelen naar het bezitten van de control layer: data, software-workflows, distributie via digitale kanalen en het vermogen om prestaties te meten en te optimaliseren.
Een retailer kan fysiek blijven, maar prijsstelling, voorraadbeheer, logistiek en klantacquisitie worden steeds meer softwareproblemen.
Nee. Het artikel stelt dat software de manier waarop bedrijven opereren en concurreren hervormt, maar de basisprincipes blijven bestaan.
Fysieke beperkingen blijven belangrijk (productie, energie, toeleveringsketens, arbeid), en softwarevoordelen kunnen tijdelijk zijn wanneer:
Een platformshift is wanneer een nieuwe computelaag de standaard wordt voor hoe software wordt gebouwd en gebruikt (zoals web, mobiel, cloud). AI verandert:
Nettoresultaat: teams kunnen “capabilities” leveren in plaats van vastgestelde schermen en regels.
Nuttig vandaag zijn doorgaans toepassingen met een mens-in-de-lus waar snelheid en bereik belangrijk zijn, maar fouten beheersbaar. Voorbeelden:
Patroon: AI , mensen (zeker in het begin).
Omdat AI-functionaliteit steeds meer gecommoditiseerd raakt: veel teams kunnen snel vergelijkbare demo’s opleveren. Duurzaam voordeel komt vaak voort uit:
Als je concurrentievoordeel slechts “we hebben een chatbot toegevoegd” is, ga er dan van uit dat functiepariteit snel volgt.
Begin met een eenvoudige checklist voor je bouwt:
Veelvoorkomende blokkades vallen in vier categorieën:
Werkende mitigatie: scope beperken, menselijke review vereisen, fouten loggen en itereren aan een “gold set” van echte voorbeelden.
Closed AI is meestal toegankelijk via een API met beperkte zichtbaarheid in weights/trainingdata; het is handig, beheerd en vaak voorspelbaarder. Open AI kan open weights, open-source tooling of beide betekenen; het biedt flexibiliteit en controle, maar brengt operationele lasten met zich mee.
Een praktische aanpak is vaak hybride:
Behandel het als procesontwerp, niet als een vrije gereedschapsdump:
Als licht startpunt: voer een 4-weekse pilot uit op één workflow met veel volume en beoordeel voordat je opschaalt. Voor meer playbooks: zie /blog; voor kosten/gebruik: zie /pricing.