In de jaren 30 van de vorige eeuw kwam het Deutscher Musik Verband in verzet tegen de opkomst van de geluidsfilm. Die zou een aanslag op de kunst zijn, zorgen voor vervlakking en de ondergang betekenen voor de beroepsgroep van bioscoopmusici. ‘Als je niet begrijpt wat er speelt, begin je morgen een videotheek’ hoorde ik laatst.
Sommige businessmodellen verdwijnen, eenvoudigweg omdat er iets nieuws komt dat het bestaande overbodig maakt. Sommige businessmodellen komen niet eens aan de beurt, omdat de onderliggende technologie niet doorbreekt – iets wat je kunt zien als je de Gartner Hype Cycle van 15 jaar geleden bekijkt. Tel de Wet van Moore en het netwerk effect bij elkaar op en je kunt niet anders concluderen dan dat de adaptieve organisatie er aan komt. Dat is een onderneming die zich richt op het produceren en leveren van gepersonaliseerde producten en diensten.
Trendwatchers, goeroes en futurologen houden vast aan twee basisprincipes van het moderne technologietijdperk: de Wet van Moore en het netwerkeffect. Kort samengevat: computers worden iedere twee jaar sneller en goedkoper, waardoor allerlei complexe taken gemakkelijker geautomatiseerd kunnen worden; het feit dat zo ongeveer alles online met elkaar is verbonden (het netwerkeffect) zorgt voor een enorme impact. Simpel gezegd: een fax is nutteloos, twee faxen vormen een minuscuul maar nuttig netwerkje, maar faxen op alle plekken van de wereld zorgen voor een haalbaar en schaalbaar toepassingsmodel. In de digitale wereld spreekt met in dit verband over exponentiële technologie.
Data als grondstof voor lerende systemen
De kern van een netwerk is het uitwisselen van data. Naast organisaties en individuen zijn straks ook machines en andere objecten massaproducenten van data. Door de sterk gegroeide rekencapaciteit van computers is data de grondstof geworden voor machine learning. Deze systemen kunnen patronen herleiden en herkennen uit grote hoeveelheden voorbeelden, uitspraken doen over de waarschijnlijkheid dat een inschatting correct is en leren van foute inschattingen. Als je een lerend systeem maar voldoende informatie geeft, kan het zelfs leren om mensen na te bootsen – een computer wordt niet empathisch, maar kan wel empathisch-lijkende responsen geven.
Lerende systemen vormen de basis voor een nieuwe generatie producten, diensten en complete organisaties volgens het Spotify-model. Of beter gezegd: voor ‘voorspellende’ en ‘adaptieve’ organisaties. Hoewel organisaties al decennia lang gebruik maken van data onder het mom van ‘meten is weten’, is het gebruik van data om actief en realtime te kunnen anticiperen relatief nieuw. Een goed voorbeeld van een organisatie die predictieve trekjes krijgt, is de moderne luchtvaartonderneming. Op basis van realtime informatie uit sensoren – een interne datastroom – weet het bedrijf welke onderdelen van een vliegtuig preventief onderhoud nodig hebben of moeten worden vervangen. Ook liftfabrikant KONE maakt op deze manier gebruik van data.
Onze data als basis voor onze voeding
Ook de consument is al in verregaande mate ‘connected’ en kan daarmee gezien worden als een onderdeel van het internet of things. Onze smartphone bevat ruwweg tien sensoren die informatie verschaffen over bijvoorbeeld beslissingen, persoonlijke eigenschappen en locatie. Voeg daar wearables en insidables (sensoren die op en in het lichaam kunnen worden aangebracht) aan toe en je hebt informatie over zowel gedrag als lichaamsfuncties. Die combinatie van lerende systemen en grote hoeveelheden data over ons gedrag en ons lichaam is het vertrekpunt van Jun Wang, een Chinese wetenschapper. Wang vertelde in juli 2015 aan Nature over zijn droom om adaptieve voeding te ontwikkelen. Zijn idee: het opzetten van een AI-systeem dat aangedreven wordt door informatie uit individuele DNA-profielen, gecombineerd met fysieke eigenschappen en informatie over leefpatroon. Wang is geen beginner op het gebied van DNA-sequencing: als CEO van het bedrijf BGI realiseerde hij dat het gnoom van de Reuzenpanda volledig in kaart werd gebracht.
Het doel van Wang is niet gering: mensen realtime informatie verschaffen over voeding en leefstijl die optimaal is afgestemd op hun situatie – die van moment tot moment verschilt. Ofwel: het systeem van Wang vertelt je ’s ochtends wat de status van je gezondheid is en wat je moet doen om er voor te zorgen dat je niet ziek wordt – over een dag, een week of een half jaar. Zijn plan gaat zo ver dat hij mensen toegang wil geven tot voeding op maat: dus precies die stoffen bevattend (van vitamines tot en met bacteriën) die je lijf gezond houden.
Leven om niet ziek te worden
Wat hij nodig heeft zijn systemen met grote rekenkracht, die algoritmes laten draaien die zoeken naar de relatie tussen genen, leefwijze en omgevingsfactoren. Die optelsom moet zijn kunstmatige intelligentie-oplossing in staat stellen te voorspellen hoe het menselijk lichaam uiteindelijk fysiek functioneert. Daarnaast wil hij de DNA-gegevens en gegevens over fysieke processen zoals stofwisseling, vetafbraak en eiwitopbouw van miljoenen individuen verzamelen. Door beide gegevenssets te combineren wil hij de relatie inzichtelijk maken tussen erfelijke eigenschappen en fysieke kenmerken. Hieruit wil hij onder meer volledig op het individu gerichte voedingsadviezen kunnen afleiden, die mensen proactief in staat stellen gezond(er) te leven en te anticiperen op aandoeningen. Naast een terabyte aan data per individu (dus een datacenter met voldoende rekenkracht) heeft hij ook 1,6 miljard dollar nodig.
Willen mensen van dag tot dag weten wat ze exact moeten doen (eten, bewegen) om niet ziek te worden? Wang is niet de enige die heil ziet in slimme voedingsadviezen: het is maar een klein stapje van ‘evidence based’ naar ‘datadriven’ gezondheidszorg en voedingsadvies. Een ding staat vast: als het project van Wang slaagt, staat een belangrijk deel van de economie – voedingsmiddelenindustrie, gezondheidszorg en van zorg- en levensverzekering – op zijn kop.