Cicero introduceert het concept “semantische schuld” – de onduidelijke taal en inconsistente frameworks die organisaties in de loop der tijd hebben opgebouwd. Hij observeert dat “veel organisaties, vooral de grotere, verward lijken wanneer gevraagd wordt naar hun klantsegmenten en de problemen die hun producten oplossen.” Dit probleem wordt pijnlijk zichtbaar wanneer organisaties AI proberen te implementeren, aangezien AI-systemen geneigd zijn te hallucineren bij gebrek aan duidelijke context.

De oplossing ligt volgens Cicero in het modulair opbouwen van “capability modules” – duidelijk gedefinieerde organisatorische capaciteiten met standaardinterfaces. Hij vergelijkt dit met de standaardisatie van zeecontainers die de wereldhandel revolutioneerde. Net zoals containers modulaire handel mogelijk maakten, zouden AI-gedreven capability modules organisaties in staat stellen zich snel te herconfigureren.

Cicero illustreert dit met Hayden Miyamoto’s “Master Prompt Method”, waarbij een uitgebreide bedrijfscontext wordt opgeslagen die de AI bij elke taak raadpleegt. Miyamoto stelt dat dit de kwaliteit met 40 procent verbetert en dat taken die voorheen twee weken duurden, binnen een uur kunnen worden afgerond. Zo genereert de AI bij werving automatisch functieomschrijvingen, screeningcriteria en interviewvragen die een HR-directeur normaal gesproken “het grootste deel van een week” zouden kosten.

De financiële implicaties zijn volgens Cicero ingrijpend. Wanneer een team van vijf personen met goede prompts de coördinatiecapaciteit van een afdeling van 500 mensen kan evenaren, worden traditionele schaalvoordelen irrelevant. Organisaties zouden dan worden gewaardeerd op hun “semantische coherentie” en “composability quotient”, in plaats van op personeelsomvang of omzet per werknemer.

Kritische kanttekeningen

Het artikel bevat waardevolle inzichten, maar kent naar mijn mening ook enkele tekortkomingen. Kernbegrippen zoals capability modules en ontologische coherentie blijven vaag gedefinieerd, wat de praktische toepassing bemoeilijkt. De sprong van succesvolle prompt engineering naar een volledige organisatorische revolutie is zeker inspirerend maar nog onvoldoende onderbouwd.

Cicero overschat bovendien de mogelijkheden van AI door te suggereren dat AI-agents binnenkort zelfstandig multidimensionale contractonderhandelingen kunnen voeren. Hij verwijst naar Google’s Project Mariner, maar dit systeem is nog ver verwijderd van grootschalige toepassing binnen organisaties. Daarnaast blijkt uit onderzoek dat AI-hallucinaties inherent zijn aan de technologie, en niet uitsluitend voortkomen uit gebrekkige context.

Het artikel leunt sterk op anekdotisch bewijs, zonder systematische validatie. De bewering van een 40 procent kwaliteitsverbetering dankzij Master Prompts mist methodologische onderbouwing. Historische precedenten – zoals ERP, internet en mobiele technologie – toonden eerder al aan dat disruptieve claims over organisatorische revolutie vaak te optimistisch zijn. De realiteit bleek doorgaans eerder evolutionair dan revolutionair.

Conclusies en aanbevelingen

De kracht van Cicero’s analyse ligt wat mij betreft vooral in het onder de aandacht brengen van semantische schuld – organisaties hebben daadwerkelijk baat bij helder gedefinieerde processen en capaciteiten. AI stelt hogere eisen aan precisie en consistentie, en dwingt organisaties hun interne onduidelijkheden onder ogen te zien.

Dit betekent dat investeren in procesdocumentatie, standaardisatie van workflows en duidelijke afbakening van capabilities van grote waarde is. Organisaties kunnen de geschetste inzichten benutten om hun processen te verbeteren, maar moeten tegelijkertijd waken voor overdreven verwachtingen op de korte termijn over de mogelijkheden van AI en de snelheid van organisatorische transformatie.

Op de langere termijn zal deze ontwikkeling mijns inziens echter onmiskenbaar een cruciale rol spelen in het succes van zowel commerciële als publieke organisaties.