Peter Thiels contrasterende speelboek voor vroege AI-investeringen

Waarom Thiels contrasterende aanpak belangrijk is voor AI

Peter Thiel staat vooral bekend als contrair investeerder en uitgesproken denker — iemand die bereid is publiekelijk ongelijk te lijken voordat hij gelijk blijkt (of gewoon langer ongelijk blijft dan de meeste mensen tolereerbaar vinden). Die intuïtie — consensus bevragen, over het hoofd geziene hefboompunten vinden en vroeg committeren — past opvallend goed bij hoe waarde rondom “AI” in de afgelopen twee decennia is opgebouwd.

Wat met “vroege AI-bets” bedoeld wordt

Dit artikel beweert niet dat Thiel "ChatGPT vóór ChatGPT" heeft gekozen. In plaats daarvan kijkt het naar AI-aanliggende inzetten die latere AI-golven mogelijk maakten of verdedigbaarder maakten: datainfrastructuur, analytics, automatisering, beveiliging en defensiegerichte software.

Denk aan: bedrijven en systemen die rommelige real-world informatie omzetten in beslissingen, voorspellingen en acties.

Wat je van dit stuk mag verwachten

Dit is een principes-eerst gids, geworteld in publiekelijk gedocumenteerde voorbeelden (bedrijfsverhalen, interviews, filings en breed gerapporteerde investeringen). Het doel is geen heldenverering of een geheim “Thiel-formule”. Het doel is een speelboek te ontleden dat je kunt toetsing — of je nu een operator bent die een AI-product bouwt of een investeerder die probeert te onderscheiden wat echt is versus wat hype.

De kernvragen die we zullen beantwoorden

Onderweg richten we ons op praktische vragen die ertoe doen wanneer AI-narratieven luid worden:

• Wat betekende “AI” eigenlijk toen veel van deze inzetten werden gedaan — en welk probleem losten ze eigenlijk op?
• Welke patronen duiken op in Thiel-stijl, AI-aanliggende investeringen (data-voordeel, distributie, gereguleerde kopers, missie-kritische workflows)?
• Hoe veranderen timing en “voertuigkeuze” (seed, late-stage, hedge-fondsachtige posities) het risicoprofiel?
• Waar liggen de ethische breuklijnen — vooral rond surveillance, defensie en macht — en hoe beïnvloeden die risico's uitkomsten?

Als je een manier zoekt om helder na te denken over vroege AI-investeringen zonder trends na te jagen, bieden contrasterende kaders zoals die van Thiel een nuttig startpunt.

Het contrasterende speelboek: wat het is (en niet is)

Contrair investeren betekent in eenvoudige termen: een idee ondersteunen dat de meeste slimme mensen niet willen steunen — omdat ze denken dat het fout, saai, politiek riskant of simpelweg te vroeg is.

De inzet is niet “ik ben anders.” Het is “ik heb gelijk over iets dat anderen missen, en de opbrengst is groot als ik gelijk heb.”

Contrair versus de hypecyclus

Tech beweegt in golven: luide hypeperiodes gevolgd door stillere periodes waarin echte producten worden gebouwd en adoptie compliceert. Een contrasterende zet vermijdt vaak het luidste deel van de cyclus. Niet omdat hype altijd fout is, maar omdat hype rendement comprimeert: prijzen stijgen, concurrentie stort binnen en het wordt moeilijker een voordeel te vinden.

Rustig laten compenseren is het tegenovergestelde: minder aandacht, minder copycats, meer tijd om te itereren. Veel belangrijke bedrijven lijken “onmodieus” vlak voordat ze onvermijdelijk worden.

“Geheime” inzichten en asymmetrische inzetten

Thiel wordt vaak geassocieerd met het idee van “geheimen” — waarheden die niet voor de hand liggen. In investeringsjargon is een geheim een these die (gedeeltelijk) tegen de realiteit kan worden getoetst: veranderende kosten, nieuwe mogelijkheden, regelgevingsverschuivingen, distributievoordelen of een datamoat.

Wanneer een geheim geloofwaardig is, creëert het een asymmetrische inzet: het verlies is beperkt tot de investering, terwijl de upside veelvoudig kan zijn als de wereld in jouw richting beweegt. Dit is vooral relevant voor AI-aanliggende inzetten, waar timing en second-order effecten (datatoegang, workflow-lock-in, compute-economie) net zo belangrijk zijn als ruwe modelkwaliteit.

Wat contrair zijn niet is

Contrair zijn betekent niet reflexmatig het tegengestelde doen van de consensus. Het is geen persoonlijkheidskenmerk of merkstrategie. En het is geen risicozucht om de risico's.

Een nuttige regel: contrair telt alleen als je kunt uitleggen waarom de massa iets wegwuift — en waarom die afwijzing structureel lang genoeg blijft om een voordeel op te bouwen. Anders ben je niet contrair; je bent gewoon vroeg, luidruchtig of fout.

Thesis-eerst investeren: ideeën vaak gekoppeld aan Thiel

Thesis-eerst investeren begint met een duidelijke, toetsbare overtuiging over hoe de wereld zal veranderen — en zoekt daarna pas naar bedrijven die daarin passen.

De benadering die vaak met Peter Thiel wordt geassocieerd is niet "veel kleine, veilige inzetten doen." Het is meer: vind enkele kansen waarbij je heel groot gelijk kunt hebben, omdat uitkomsten in tech vaak een power-law volgen.

Enkele ideeën die vaak aan Thiels denken worden gekoppeld

Heb een onderscheidende visie. Als je these klinkt als consensus (“AI wordt groot”), helpt dat niet om winnaars te kiezen. Een nuttige these heeft randen: welke AI-capaciteiten zijn belangrijk, welke sectoren nemen het eerst aan, en waarom incumbents zullen worstelen.

Verwacht power-law rendementen. Venture-uitkomsten worden vaak gedomineerd door een klein aantal outliers. Dat duwt investeerders tot concentratie van tijd en overtuiging, terwijl ze eerlijk blijven over hoeveel thesen fout zullen blijken.

Zoek geheimen, niet signalen. Trend-volgen wordt gedreven door signalen (financieringsrondes, hype, categorielabels). Thesis-eerst probeert “geheimen” te identificeren: ondergewaardeerde klantpijn, over het hoofd geziene datavoordelen, of een distributie-wedge die anderen negeren.

Waarom thesis beter kan zijn dan trendvolgen in AI

AI-markten bewegen snel en “AI” wordt elk cyclisch hernoemd. Een sterke these helpt je te voorkomen dat je verhalen koopt en in plaats daarvan duurzame factoren te beoordelen: wie bezit waardevolle data, wie kan in echte workflows leveren, en wie kan prestaties en marges behouden naarmate modellen commoditiseren.

Praktische vragen om een these te testen

• Wat geloven we dat de meeste slimme investeerders oneens mee zijn?
• Wat moet waar zijn om dit bedrijf een outlier te maken (niet alleen “goed”)?
• Wat is de niet-voor-de-hand-liggende moat: datarechten, distributie, workflow-lock-in of regelgevende positie?
• Als foundation models goedkoper en beter worden, wordt dit bedrijf dan sterker of juist juist verdrukt?
• Welk bewijs zou ons van gedachten doen veranderen in 6–12 maanden?

Opmerking: Bij het toeschrijven van specifieke beweringen aan Thiel, citeer primaire bronnen (bijv. Zero to One, opgenomen interviews en publieke lezingen) in plaats van tweederangs samenvattingen.

Wat “AI” betekende toen deze inzetten werden gedaan

Als mensen terugkijken op vroege “AI”-investeringen is het gemakkelijk moderne termen te projecteren — LLM’s, foundation models, GPU-clusters — op een heel andere tijd. Destijds werden veel van de meest waardevolle "AI-achtige" inzetten niet eens als AI op de markt gezet.

Voor “AI” populair was: expert systems tot predictive analytics

In eerdere cycli betekende “AI” vaak expert systems: regels-gebaseerde software bedoeld om specialistische besluitvorming te imiteren (“als X, dan Y”). Deze systemen konden indrukwekkend zijn in smalle domeinen, maar waren breekbaar — moeilijk te updaten, duur in onderhoud en beperkt wanneer de werkelijkheid niet overeenkwam met het regelboek.

Naarmate data goedkoper en overvloediger werd, verschoof de framing naar data mining, machine learning en predictive analytics. De kernbelofte was niet mensachtige intelligentie; het waren meetbare verbeteringen in uitkomsten: betere fraudedetectie, slimmer targeten, vroegere risico-waarschuwingen, minder operationele fouten.

Waarom vroege “AI”-bedrijven vaak data/analytics werden genoemd

Lang werd iets “AI” noemen de geloofwaardigheid bij kopers schaden. Ondernemingen associeerden “AI” vaak met hype, academische demo’s of science-projecten die production constraints niet zouden overleven.

Dus positioneerden bedrijven zich met taal die procurement-teams vertrouwen: analytics, decision support, risk scoring, automatisering of dataplatforms. De onderliggende technieken konden machine learning bevatten, maar de salespitch benadrukte betrouwbaarheid, auditability en ROI.

Dit is belangrijk voor het interpreteren van Thiel-aanliggende inzetten: veel waren in functie effectief “AI” — data naar beslissingen vertalen — zonder het label te gebruiken.

Infrastructuur als een “AI-inzet” (ook zonder modellen)

Sommige van de meest duurzame voordelen in AI komen van fundamenten die niet direct “AI-producten” lijken:

• Data: exclusieve, hoogwaardige datasets; duurzame pipelines; feedbackloops
• Compute: toegang tot schaalbare infrastructuur en operationele knowhow om deze te draaien
• Distributie: ingebedde workflows, enterprise-relaties of platforms die aandacht controleren

Als een bedrijf deze inputs bezat, kon het meerdere AI-golven meepakken naarmate technieken verbeterden.

Vermijd anachronismen bij het lezen van oude inzetten

Een nuttige regel: beoordeel een “AI”-investering op wat het toen kon doen — onzekerheid verminderen, beslissingen verbeteren en leren schalen van real-world data — niet op of het op modern generatieve AI leek. Die framing maakt de voorbeelden duidelijker en eerlijker.

Patronen om op te letten in Thiel-stijl AI-aanliggende inzetten

Thiel-gekoppelde inzetten lijken vaak niet op “AI-bedrijven” in eerste instantie. Het patroon gaat minder om buzzwords en meer om het bouwen van oneerlijke voordelen die AI (of geavanceerde automatisering) buitengewoon krachtig maken zodra het wordt toegepast.

1) Datavoordeel dat componeert

Een terugkerend signaal is bevoorrechte toegang tot hoog-signaal data: data die moeilijk te verzamelen, duur om te labelen of juridisch lastig te verkrijgen is. In de praktijk kan dit operationele enterprise-data zijn, unieke netwerktelemetrie in security of gespecialiseerde datasets in gereguleerde omgevingen.

Het punt is niet “big data.” Het is data die beslissingen verbetert en waardevoller wordt naarmate het systeem draait — feedbackloops die concurrenten niet makkelijk kunnen kopiëren.

2) Proprietary technologie, niet alleen verpakking

Zoek naar teams die investeerden in kerncapabilities: infrastructuur, workflow-integratie of verdedigbare technische IP. In AI-aanliggende gebieden kan dat betekenen: nieuwe datapijplijnen, modeldeployments in beperkte omgevingen, verificatielagen of integraties die het product in missie-kritische operaties verankeren.

Wanneer het product diep ingebed is, worden switching costs en distributie een moat — vaak duurzamer dan een enkel modelvoordeel.

3) Moeilijke problemen met echte consequenties

Een ander patroon is kiezen voor domeinen waar falen duur is: security, defensie, compliance-zware enterprise software en kritieke infrastructuur. Deze markten belonen betrouwbaarheid, vertrouwen en langlopende contracten — voorwaarden die grote, contrasterende investeringen kunnen dragen.

4) “Saaie” categorieën die AI-hefbomen verbergen

Spreadsheets, inkoop, identity, audits, incident response — dat klinkt onromantisch, maar het zijn vol herhaalde beslissingen en gestructureerde workflows. Dat is precies waar AI een sprong in efficiëntie kan maken, vooral als het gepaard gaat met proprietary data en strakke integratie.

Praktische publicatienoot

Als je specifieke dealvoorwaarden, data of fondsdeelname citeert, verifieer met primaire bronnen (SEC-filings, officiële persberichten, directe quotes of betrouwbare verslaggeving). Vermijd implicaties van betrokkenheid of intentie waar die niet publiekelijk zijn gedocumenteerd.

Voertuigen en timing: hoe grote inzetten worden geplaatst

Founders Fund heeft de reputatie geconcentreerde, overtuigingsgedreven inzetten te plaatsen — vaak in categorieën die onmodieus of vroeg lijken. Die reputatie gaat niet alleen over houding; het gaat over hoe een venture-fonds is gestructureerd om een these uit te drukken.

Een VC-fonds verzamelt kapitaal met een gedefinieerde strategie en zet het vervolgens in bij veel bedrijven met de verwachting dat een klein aantal outliers het grootste deel van het fonds teruggeeft.

Thesis-executie: van memo naar geld

Een thesis-gedreven fonds begint niet met “Wie verzamelt er nu?” Het begint met een wereldbeeld (“wat zal waar zijn over 5–10 jaar?”) en zoekt dan teams die naar die toekomst bouwen.

In de praktijk ziet uitvoering er meestal zo uit:

• De wedge definiëren (een specifiek probleem waar software en data componeert)
• Een team vinden met een geloofwaardige route naar distributie (wie daadwerkelijk kan leveren en verkopen)
• Een cheque schrijven die ertoe doet als de these klopt

Omdat uitkomsten een power-law volgen, doet portfolio-constructie ertoe: je kunt vaak fout zitten en toch winnen als een paar investeringen categoriedefinerend worden. Daarom reserveren fondsen soms betekenisvolle follow-on kapitaal — dubbelen is vaak waar rendementen worden gemaakt.

Stadia en timing: seed tot groei in AI

Timing is vooral gevoelig in AI-aanliggende markten omdat infrastructuur, datavolgbaarheid en adoptiecycli zelden synchroon lopen.

• Seed/Series A: je onderbouwt vaak een technisch inzicht plus een distributieplan. Product kan incompleet zijn, maar leersnelheid is de asset.
• Series B/C: bewijs verschuift naar herhaalbare verkopen en echt gebruik. Voor AI-producten beslissen hier unit-economics, betrouwbaarheid en compliance vaak wie wint.
• Groei: de vraag is of het bedrijf het default platform wordt — of slechts een dure feature.

Een contrasterende zet kan “vroeg” zijn in kalender­tijd, maar toch “op tijd” zijn ten opzichte van enabling conditions (compute, datapijplijnen, koperbereidheid, regelgeving).

De verkeerde timing is hoe veelbelovende AI-bedrijven eeuwigdurende R&D-projecten worden.

Publieke verificatie doet ertoe

Bij het bespreken van specifieke Founders Fund- of Peter Thiel-gekoppelde holdings: behandel claims als citaten—gebruik publiek verifieerbare bronnen (persberichten, regelgevende filings, betrouwbare verslaggeving) in plaats van geruchten of tweederangs samenvattingen. Dat houdt de analyse eerlijk en de lessen overdraagbaar buiten het mythos van een enkel fonds.

Case studies (gebruik publiek verifieerbare voorbeelden)

Deze mini-case studies beperken zich bewust tot wat je in openbare documenten kunt verifiëren (bedrijfsfilings, officiële aankondigingen en on-the-record interviews). Het doel is patronen leren — niet privé-intenties raden.

Case 1: Palantir (data-analyse als een AI-aanliggende wedge)

Publiek te citeren/confirmëren: timing van vroege financieringsrondes (waar openbaar), Thiels rol als medeoprichter/vroege backer, en hoe Palantir zijn business in openbare materialen beschreef (bijv. Palantir’s S-1 en latere beleggerscommunicatie).

• Aanpak: instituties hadden groeiende datavolumes maar worstelden met het integreren, beheren en operationaliseren ervan voor beslissingen.
• Wedge: mission-critical software-workflows leveren (vaak bij overheid/gereguleerde enterprises) waar switching costs echt worden.
• Datamoat (praktisch): niet “alle data bezitten,” maar het systeem worden dat uiteenlopende datasets normaliseert en koppelt onder strikte permissies — waardoor het product waardevoller wordt na verloop van tijd.
• Distributie: lange, relationship-gedreven salescycli; geloofwaardigheid uit hoogwaardige inzet; expansie van initiële teams naar bredere organisaties.
• Risico’s: concentratie in gevoelige klanten, inkoopcycli, politieke/regulerende aandacht en services-zware rollouts die schaalbaarheid kunnen beperken.

Case 2: Anduril (defensie-autonomie en software-gedefinieerde hardware)

Publiek te citeren/confirmëren: Founders Fund’s deelname (waar publiek aangekondigd), timing van ronden en Anduril’s geclaimde productfocus in persberichten en contractaankondigingen.

• Aanpak: legacy defensie-aankoop en platforms bewegen te traag om opkomende veiligheidsbehoeften bij te houden.
• Wedge: een inzetbaar product leveren (bv. surveillance/edge-systemen) dat snel kan worden uitgerold en in software kan worden geїtereerd.
• Datamoat: operationele data uit echte inzetten voedt modelverbetering, betrouwbaarheid en edge-case dekking.
• Distributie: overheidscontracten plus uitbreiding via prestaties in pilots; geloofwaardigheid componeert wanneer systemen onder constraints werken.
• Risico’s: ethische controverse, exportcontroles, afhankelijkheid van procurement en risico op publieke backlash.

Verantwoord gebruik van deze voorbeelden

Wanneer je “Thiel-stijl” inzetten schrijft of analyseert, gebruik citaten voor elke feitelijke claim (data, rollen, rondes, klantclaims). Vermijd stellingen als “ze investeerden omdat …” tenzij direct gequoteerd uit verifieerbare bronnen.

Risicobeheer achter contrasterende AI-inzetten

Contrasterende AI-aanliggende inzetten falen zelden omdat het idee duidelijk fout is — ze falen omdat de tijdlijn langer is, het bewijs rumoeriger en de wereld daaromheen verandert.

Dat managen betekent vroeg ambiguïteit accepteren, en tegelijk vangrails bouwen die voorkomen dat één overtuiging onherstelbaar fout wordt.

Geduld zonder passiviteit

Een these-eerst inzet lijkt vaak jaren “vroeg”. Dat vereist geduld (wachten op data, distributie of regelgeving om bij te benen) en tolerantie voor rommelige signalen — gedeeltelijke product-market fit, verschuivende modelmogelijkheden en onduidelijke unit-economics.

De truc is geduldig blijven zonder passief te zijn: stel mijlpalen die de these testen, geen vanity metrics.

Praktische risicocontroles die bij venture-stijl inzetten passen

Positiegrootte: schaal de eerste cheque zodat je kunt overleven als je fout zit. Als de inzet afhangt van meerdere onbekenden (modelkwaliteit en regelgevende goedkeuring en enterprise-adoptie), moet je initiële blootstelling dat reflecteren.

Follow-on-strategie: reserveer kapitaal voor het scenario waarin de these is gede-risiko'd (bv. herhaalde uitrol, renewals, meetbare ROI). Zie follow-ons als “verdiend”, niet automatisch.

Stop-loss via governance: startups hebben geen stop-loss orders, maar ze hebben governance-hefbomen — bestuurszetels, audit- en informatierights, goedkeuringen voor sleutelrollen en de mogelijkheid een pivot of verkoop te pushen wanneer de these faalt. Definieer “these-breuk” condities vooraf.

Niet-financieel risico: het deel dat mensen verrast

AI-aanliggende producten kunnen verlies accumuleren buiten de P&L:

• Regulering: licenties, exportcontroles, datalokalisatie, sectorspecifieke regels (gezondheidszorg, financiën, defensie).
• Privacy: toestemming, retentie, provenance van trainingsdata, impact bij breaches.
• Defensie en dual-use: hoe het product kan worden hergebruikt; klant-screening en contractclausules zijn belangrijk.
• Reputatie: publieke perceptie, werknemersprotesten, klantverlies door controverse.

Downside-checklist voor AI-aanliggende producten

• Wat gebeurt er als het model fout zit — wie wordt geschaad en wie is aansprakelijk?
• Kan het product veilig worden beperkt (menselijke review, rate limits, auditlogs)?
• Welke data wordt verzameld en kun je aantonen dat je het mag gebruiken?
• Welke regelgever kan je het snelst stoppen en waarop zouden ze bezwaar maken?
• Is er een geloofwaardige “off-ramp” (pivot, smaller gebruikscase, ordelijke afbouw)?

Kritiek, ethiek en publieke controle

Contrasterende inzetten trekken vaak controle aan omdat ze krachtige, gevoelige markten targeten — defensie, inlichtingendiensten, politiewerk, grenscontrole en grote dataplatforms.

Verschillende bedrijven geassocieerd met Peter Thiel of Founders Fund zijn onderwerp van terugkerende kritiek in reguliere verslaggeving, inclusief privacy- en surveillancezorgen, politieke controverse en vragen over verantwoordelijkheid wanneer software hoge inzetbeslissingen beïnvloedt.

Veelvoorkomende kritieken (zonder intentie te raden)

Publiek verifieerbare thema’s komen vaak terug:

• Privacy en surveillance: het werk van Palantir met overheidsinstanties is jarenlang gerapporteerd en bediscussieerd, met critici die waarschuwen dat geavanceerde analytics bevoegdheden kunnen aanscherpen zonder strakke controle.
• Macht en politiek: Thiels politieke activiteiten en publieke uitspraken hebben media-aandacht en kritiek gekregen, wat reputatierisico kan meebrengen voor gelieerde bedrijven en partners.
• Defensietechnologie-controle: startups voor defensie of politiewerk (waaronder fondsgesponsorde firma’s) krijgen verhoogde vragen over escalatie, burgerlijke schade en inkooptransparantie.

Hoe ethische vragen naar voren komen in AI-investeringen

AI voegt specifieke risico’s toe bovenop reguliere software:

• Data-provenance en toestemming (Is data legaal en ethisch verzameld en gelicentieerd?)
• Bias en ongelijke impact (Vallen fouten disproportioneel op bepaalde groepen?)
• Inzetcontext (Adviseert, beslist of automatiseert het systeem — en wie kan het overrulen?)
• Auditability (Kunnen outputs worden verklaard, getest en aangevochten?)

Vragen om te stellen voordat je investeert of bouwt

• Welke datasources voeden het systeem en welk bewijs is er voor wettelijk en ethisch gebruik?
• Wie is de eindgebruiker en welke safeguards voorkomen misbruik (toegangscontrole, logging, menselijke review)?
• Welke schade is op schaal plausibel en hoe gaat het bedrijf die meten en rapporteren?
• Is er een onafhankelijke route voor audits, red-teaming of extern onderzoek?
• Als dit morgen op de voorpagina zou staan, wat zou het moeilijkst zijn om te verdedigen — concreet?

Wat founders kunnen leren bij het bouwen van AI-bedrijven

Een Thiel-stijl contrasterend bedrijf wint niet door slimmer te klinken over AI. Het wint door gelijk te hebben over een specifiek probleem dat anderen afdoen, en dat inzicht om te zetten in een product dat levert, verspreidt en componeert.

Zet een contrasterende these om in productstrategie

Begin met een wedge: een smalle, pijnlijke workflow waar AI een duidelijke sprong creëert (bespaarde tijd, minder fouten, extra omzet). De wedge moet klein genoeg zijn om snel te adopteren, maar verbonden met een groter systeem waarin je kunt uitbreiden.

Differentieer op waar het model in de workflow zit, niet alleen op modelkeuze. Als iedereen vergelijkbare foundation models kan kopen, is je voordeel meestal: proprietary proceskennis, strakkere feedbackloops en betere integratie met hoe werk echt gebeurt.

Distributie is onderdeel van de these. Als je inzicht niet voor de hand ligt, ga er dan van uit dat klanten je niet zullen zoeken. Bouw rond kanalen die je kunt bezitten: ingebedde partnerships, bottom-up adoptie in een rol, of een “vervang een spreadsheet”-instappunt dat team-voor-team verspreidt.

Een praktische implicatie: teams die snel kunnen itereren op workflow + evaluatie lopen vaak voor op teams die alleen een “beter” model kiezen. Tools die buildcycli comprimeren — vooral rond full-stack prototypes — helpen contrasterende wedges sneller te valideren. Bijvoorbeeld, Koder.ai is een vibe-coding platform waarmee je web, backend en mobiele apps kunt bouwen via chat (React front-end, Go + PostgreSQL back-end, Flutter voor mobiel), wat nuttig kan zijn wanneer je workflow-integratie en ROI wilt valideren voordat je je aan een langere engineering-roadmap commit.

Vertel het niet-voor-de-hand-liggende verhaal zonder hype

Leg het “geheim” in gewone taal uit: wat iedereen gelooft, waarom dat fout is en wat je anders doet. Vermijd “we gebruiken AI om …” en leid met uitkomsten.

Investeerders reageren op specificiteit:

• Welke beslissing wordt verbeterd, op welk punt in de workflow, met welke meetbare impact?
• Welke beperkingen maken jullie aanpak nu werkbaar (datatoegang, regelgeving, unit-economics, gedragsverandering)?

Bouw verdedigbaarheid die componeert

Streef naar voordelen die verbeteren met gebruik: unieke datarechten (of data die je legaal kunt genereren), workflow-lock-in (het product wordt het systeem van record) en prestatievoordelen gekoppeld aan domeinspecifieke evaluatie.

Pitchdeck en metrics: do’s en don’ts

Do: toon een voor/na-workflow, je evaluatiemethode en adoptatiebewijs (retentie, expansie, time-to-value).

Don’t: leid met modelarchitectuur, vage TAM of cherry-picked demo’s.

Do: volg betrouwbaarheidsmetrics (foutpercentage, menselijke override-rate, latency) naast bedrijfsmatige metrics.

Don’t: verberg faalmodi — erken ze en toon hoe je ze beheert.

Een praktisch framework voor investeerders en operators

Contrair betekent niet “tegen de sport in oneens zijn.” Het betekent een duidelijk toekomstbeeld innemen en vervolgens het werk doen om te bewijzen dat je gelijk hebt (of ongelijk) voordat de markt consensus vormt.

De 5-delige checklist: These → Voordeel → Timing → Verdedigbaarheid → Risico

1) These (wat je gelooft): Schrijf één zin die de meeste slimme mensen vandaag fout zou vinden.

Voorbeeld: "AI-waarde zal naar bedrijven gaan die proprietaire distributie controleren, niet alleen modelkwaliteit."

2) Voordeel (waarom jij specifiek): Wat zie je dat anderen missen — toegang, domeinkennis, klantnabijheid, datarechten, regelgevingsinzicht of een netwerk?

Als je voordeel is “ik lees dezelfde Twitter-threads,” heb je er geen.

3) Timing (waarom nu): Contrasterende inzetten falen het vaakst op timing. Identificeer de enabling change (kostencurve, regelgeving, workflowverschuiving, kopersgedrag) en het adoptiepad (wie koopt eerst, wie volgt).

4) Verdedigbaarheid (waarom je later wint): In AI is “we gebruiken AI” geen moat. Zoek duurzame voordelen: proprietaire data die je mag gebruiken, distributie, switching costs, ingebedde workflows of een compenserende feedbackloop (gebruik verbetert product op een manier die concurrenten niet kunnen kopiëren).

5) Risico (wat faalt): Noem de top drie faalmodi — technisch, go-to-market, juridisch/ethisch — en wat je doet als elk gebeurt.

Blijf geïnformeerd zonder trends te volgen

Stel een “signal diet” in: volg een klein aantal practicioners, track klantbudgetten en kijk naar unit-economics (latency, kost per taak, churn). Behandel hype-metrics (virale demo’s, sprongen in modelbenchmarks) als inputs — geen beslissingen.

Test je contrasterende visie

Voer een red team uit: vraag iemand met prikkel om tegen te spreken om je these aan te vallen.

Doe customer discovery met “ontkraftende” interviews (mensen die waarschijnlijk nee zeggen).

Commit van tevoren aan bewijs dat je van gedachte doet veranderen.

Eenvoudige investeringsmemo prompts

• Wat geloven we dat de meeste mensen niet doen?
• Wie is de klant en welke pijn wordt beter opgelost?
• Wat moet waar zijn voor dit te werken (en hoe testen we dat in 30 dagen)?
• Waarom is dit over 2 jaar moeilijk te kopiëren?
• Wat is de eenvoudigste reden dat dit faalt — en wat is Plan B?

Belangrijkste conclusies en vervolgstappen

Contrair investeren — in de versie vaak aan Peter Thiel gekoppeld — betekent niet “tegen de massa wedden” als karaktertrek. Het betekent een duidelijke visie hebben over hoe de wereld verandert, gerichte inzetten plaatsen die dat beeld uitdrukken en bereid zijn een tijd ongelijk te lijken.

Principes om mee te nemen

Ten eerste is contrair denken alleen nuttig als het gepaard gaat met een specifieke, toetsbare bewering. “Iedereen gelooft X, maar X is fout omdat …” is het begin. Het werk is uit te leggen wat waar moet zijn voor je inzet te winnen — klanten, distributie, regelgeving, timing en unit-economics.

Ten tweede verslaat thesis-eerst trendvolgen. Een these moet bepalen wat je negeert evenveel als wat je nastreeft. Dat is vooral relevant in AI, waar nieuwe demo’s de illusie van onvermijdelijkheid kunnen wekken.

Ten derde hangen veel “AI”-uitkomsten af van onromantische fundamenten: datarechten en toegang, infrastructuur, implementatieroutes en de rommelige realiteit van modellen tot betrouwbare producten maken. Als je het data-/infrastructuurvoordeel niet in gewone taal kunt uitleggen, is je “AI-inzet” misschien slechts marketing.

Ten vierde is risicobewustzijn geen optie. Contrasterende inzetten falen vaak op onvoor de hand liggende manieren: reputatieschade, regelgevende verschuivingen, modelbrittleness, security-incidenten en incentives die na opschaling afdwalen. Plan daar vroeg voor, niet pas na groei.

Bewijs en bescheidenheid: minimale standaard voor AI-voorspellingen

Behandel voorspellingen als hypotheses. Definieer welk bewijs je van gedachten doet veranderen en stel checkpoints in (bijv. 30/90/180 dagen) waarin je voortgang beoordeelt zonder romantische verhaalvorming. Vroeg zijn is niet hetzelfde als gelijk hebben — en één keer gelijk hebben is geen bewijs dat je het opnieuw zult zijn.

Volgende leesmateriaal

Als je dieper wilt gaan kun je verder lezen op:

• Blog (meer frameworks en case-study-analyses)
• Pricing (als je tools of diensten evalueert om onderzoek en due diligence te operationaliseren)

Eén takeaway die je deze week kunt toepassen

Schrijf een één-pagina “contrary memo” voor één AI-idee dat je overweegt:

• De consensusvisie waar je het niet mee eens bent
• Je these in één zin
• Drie observeerbare signalen die het valideren
• Drie faalmodi (technisch, go-to-market en extern)

Als je het niet concreet kunt maken, forceer de inzet dan niet — verscherp eerst de these.