Stel je voor dat een marketingmanager niet drie maar dertig campagnes per kwartaal draait, dat een data-analist niet twee maar twintig rapporten per week aflevert, en dat een ontwikkelaar niet honderd maar duizend regels kwalitatieve code per dag schrijft.
Dat klinkt als sciencefiction, maar het is de dagelijkse realiteit van wat we de 10x organisatie noemen: een bedrijf waarin individuele medewerkers, ondersteund door teams van AI-agents, de output en impact leveren die voorheen alleen haalbaar was voor complete afdelingen.
De verschuiving is fundamenteel. Het gaat niet om harder werken, maar om slimmer orkestreren. De kenniswerker van morgen is geen uitvoerder meer, het is een dirigent van intelligente systemen.
Sam Altman, CEO van OpenAI, voorspelde eerder dit jaar dat we binnenkort het eerste eenpersoonsbedrijf met een miljardenwaardering zullen zien. Een uitspraak die twee jaar geleden als grootheidswaanzin zou zijn afgedaan, maar die nu, tegen de achtergrond van wat AI-agents al kunnen, eerder een kwestie van tijd lijkt dan van mogelijkheid.
Lees ook: Van code schrijven naar AI-agents aansturen: de nieuwe rol van IT
Waarom het urenmodel niet meer werkt
Decennialang hebben organisaties productiviteit gemeten in uren. De 40-urige werkweek, geboren in de industriële revolutie, is hardnekkig blijven hangen als standaard voor kenniswerk.
Maar dat model wordt fundamenteel gebroken zodra AI onderdeel wordt van het werkproces. Wanneer een medewerker in vier uur met behulp van AI-agents een complete marktanalyse aflevert die voorheen twee weken kostte, is het absurd om die persoon af te rekenen op de vier uur. De waarde zit in de analyse, niet in de klokuren.
Voor leiders is dit een ongemakkelijke waarheid, omdat het hele besturingssysteem van de meeste organisaties, van uurtarieven en functieschalen tot aanwezigheidsbeleid en werkroosters, is gebouwd op de aanname dat tijd en output lineair samenhangen. Die aanname klopt niet meer.
Onderzoek van PwC laat zien dat productiviteitsgroei bijna is verviervoudigd in sectoren die het meest zijn blootgesteld aan AI sinds 2022. Werknemers met geavanceerde AI-vaardigheden verdienen gemiddeld 56 procent meer dan collega’s in dezelfde rollen zonder die vaardigheden. De markt prijst impact al in, ook als de meeste organisaties hun beloningsstructuren nog niet hebben aangepast.
De nieuwe productiviteitsformule luidt dan ook niet langer ‘output gedeeld door gewerkte uren’, maar eerder: impact is het product van menselijke creativiteit plus AI-capaciteit, vermenigvuldigd met orkestratievaardigheid.
Dat heeft verstrekkende gevolgen. Als output niet meer gekoppeld wordt aan uren, vervalt de logica van uurtarieven, vaste werktijden en aanwezigheidsplicht. Wat overblijft is een zuiverdere, en voor veel leiders spannendere, vraag: welke waarde creëer je werkelijk?
Tokenbudgetten: de brandstof van de 10x medewerker
Het wordt pas echt interessant voor wie nadenkt over de toekomst van werk en compensatie. Als AI-agents het zware analytische en creatieve werk doen en die agents draaien op taalmodellen die per token worden afgerekend, dan wordt het tokenbudget een cruciale organisatie-resource. Net zo belangrijk als het salaris, en misschien wel belangrijker dan de laptop die je je medewerkers geeft.
Een tokenbudget is de hoeveelheid rekenkracht die een medewerker tot zijn beschikking heeft om AI-modellen in te zetten. Zie het als een maandelijks tegoed waarmee je jouw persoonlijke team van AI-agents aanstuurt. Hoe groter je budget, hoe meer agents je kunt laten draaien, hoe complexere taken je kunt aanpakken en hoe meer impact je kunt genereren.
De kosten zijn reëel en schalen snel op: een proof-of-concept die vijftig dollar aan API-gebruik kost, kan bij volledige productie-uitrol oplopen tot honderdduizenden euro’s per maand. Een middelgroot product met duizend dagelijkse gebruikers verbruikt al snel vijf tot tien miljoen tokens per maand.
De meest vooruitstrevende organisaties experimenteren al met tokenbudgetten als onderdeel van het compensatiepakket. Het idee is simpel maar revolutionair.
Je basissalaris compenseert de menselijke expertise, de creativiteit en het oordeelsvermogen die je meebrengt.
Je tokenbudget bepaalt je vermogen om AI-agents in te zetten, afgestemd op je rol en verantwoordelijkheid.
En daarbovenop komt een impact-bonus: resultaatafhankelijke beloning op basis van daadwerkelijk gecreëerde waarde.
Een senior strateeg krijgt in dit model een groter tokenbudget dan een junior medewerker. Niet omdat die meer uren werkt, maar omdat die in staat is complexere agentteams te orkestreren en meer waarde te genereren uit dezelfde technologie.
Lees ook: Benioff’s ‘Agentic Enterprise’ haalt AI (eindelijk) uit de proeftuin-fase
Het modelselectievraagstuk: niet alle tokens zijn gelijk
Voor leiders die deze transitie overwegen is het cruciaal om te begrijpen dat niet alle AI-tokens gelijk zijn. Een token bij een frontiermodel zoals Claude Opus of GPT-4.5 kost een veelvoud van een token bij een kleiner, sneller model.
De kunst is om het juiste model voor de juiste taak in te zetten. Dit is waar strategisch leiderschap het verschil maakt.
Frontiermodellen zijn briljant voor complexe redenering, strategische analyse en het orkestreren van andere agents, maar ze zijn overkill voor routinematige classificatietaken of simpele data-extractie.
Mid-tiermodellen zijn de werkpaarden voor standaard kenniswerk, content-creatie en data-analyse.
Kleine taalmodellen blinken uit in routinetaken, classificatie en toepassingen waar snelheid en volume belangrijker zijn dan diepgang.
Het zogenaamde Plan-and-Execute patroon, waarbij een frontiermodel de strategie bepaalt en goedkopere modellen de uitvoering doen, kan de kosten met negentig procent reduceren - vergeleken met het duurste model.
Voor een CFO betekent dit dat tokenoptimalisatie een directe impact heeft op de marge. Voor een COO betekent het dat dezelfde investering in AI-capaciteit tien keer meer output kan genereren als de orkestratie goed is ingericht. En voor een CEO betekent het dat de organisaties die dit het snelst doorhebben, een concurrentievoordeel opbouwen dat exponentieel groeit.
De vier kernvaardigheden van de kenniswerker van morgen
Als tokenbudgetten de brandstof zijn, dan zijn orkestratievaardigheden het stuur. De kenniswerker van morgen heeft een fundamenteel ander competentieprofiel nodig dan wat we vandaag in de meeste functieprofielen terugvinden.
1. Model-evaluatie
Het vermogen om te beoordelen welk AI-model het beste past bij welke taak. Dit klinkt technisch, maar het is in essentie een strategische vaardigheid. Het gaat niet om het begrijpen van neurale netwerkarchitecturen, maar om het systematisch kunnen evalueren van kwaliteit, snelheid en kosten. In 2026 bestaan er meer dan twintig orkestratieframeworks voor LLM’s en evaluatiesuites. De kenniswerker hoeft geen ML-engineer te zijn, maar moet wel het landschap begrijpen en weloverwogen keuzes kunnen maken.
2. Agent-orkestratie
Het kloppend hart van de 10x organisatie. Het gaat om het vermogen om meerdere AI-agents te coördineren, taken te verdelen, kwaliteit te bewaken en resultaten samen te voegen tot coherent werk.
Denk aan een projectmanager die niet meer een team van vijftien mensen aanstuurt, maar een team van vijftien gespecialiseerde agents. Eén agent doet marktonderzoek, een ander schrijft content, een derde analyseert data, en een vierde bouwt presentaties.
De mens definieert de strategie, stelt kwaliteitscriteria, en grijpt in waar nodig.
3. Prompt engineering en context management
De manier waarop je een opdracht formuleert voor een AI-agent bepaalt in hoge mate de kwaliteit van het resultaat. Maar minstens zo belangrijk is contextmanagement: het vermogen om relevante informatie op het juiste moment aan het juiste model te leveren.
Dit is het verschil tussen een agent die een generiek antwoord geeft en een agent die een antwoord geeft dat perfect aansluit bij jouw specifieke situatie, klant of markt.
4. Kwaliteitsbewaking en risicomanagement
AI-agents maken fouten. Ze hallucineren. Ze interpreteren opdrachten verkeerd. Ze produceren soms output die er overtuigend uitziet maar inhoudelijk niet klopt. De menselijke kenniswerker is de kwaliteitslaag die ervoor zorgt dat output betrouwbaar, accuraat en bruikbaar is.
Dit vereist domeinkennis, kritisch denkvermogen en het vermogen om AI-output systematisch te valideren. Een vaardigheid die, ironisch genoeg, belangrijker wordt naarmate AI beter wordt.
Wat we al zien in de praktijk
Het meest sprekende voorbeeld van de 10x organisatie is Cursor, een AI-native code-editor. Het bedrijf groeide van nul naar honderd miljoen dollar aan jaarlijkse terugkerende omzet in slechts twaalf maanden. Dat is het snelste groeipad ooit voor een SaaS-bedrijf. En dat met een team van minder dan zestig mensen, zonder noemenswaardig marketingbudget.
Cursor is gebouwd rond het principe dat AI geen add-on is, maar de kern van het product én de organisatie. Elke medewerker fungeert als een 10x werker, ondersteund door AI-systemen die het werk van vele collega’s vervangen.
Gartner voorspelt dat tegen 2026 twintig procent van de organisaties AI zal gebruiken om hun structuur te vervlakken, waarbij meer dan de helft van de huidige middenmanagementposities verdwijnt. Tegelijkertijd verwacht IDC dat AI-copilots in bijna tachtig procent van alle werkapplicaties zullen worden ingevoerd.
Maar er is een belangrijke nuance die leiders niet mogen negeren: meer dan veertig procent van de huidige agentic-AI-projecten dreigt tegen 2027 te worden geannuleerd vanwege onverwachte kosten, complexiteit of risico’s. Het verschil tussen slagen en falen zit niet in de technologie maar in de bereidheid om de organisatie fundamenteel te herontwerpen in plaats van AI als laag bovenop bestaande processen te plakken.
Vijf principes voor leiders die de 10x transitie willen maken
1. Laat uren los als productiviteitsmaat
Meet impact, niet aanwezigheid. Herdefinieer productiviteitsmetrics rond output en waardecreatie. Dit is makkelijker gezegd dan gedaan, want het vraagt om een nieuw soort performance management dat veel leiders nog niet gewend zijn. Toch is het de enige manier om de volle potentie van mens-AI-samenwerking te ontsluiten.
2. Investeer in tokenbudgetten
Maak AI-rekencapaciteit een expliciet onderdeel van het compensatiepakket. Geef medewerkers de middelen om hun agentteams te laten draaien, en maak ze verantwoordelijk voor het effectief inzetten van die middelen. Dit creëert een natuurlijke prikkel om slim te orkestreren in plaats van brute kracht te gebruiken.
3. Train op orkestratievaardigheden
Model-evaluatie, prompt engineering en agentmanagement worden kerncompetenties. Investeer hierin zoals je investeert in leiderschapsontwikkeling. Niet als eenmalige training, maar als doorlopend programma dat meegroeit met de technologie.
4. Herontwerp de organisatie
Plak AI niet als laag bovenop bestaande processen. Stel nieuwe rollen, structuren en workflows op en focus daarbij op mens-agentsamenwerking. De organisaties die het meeste succes boeken zijn de organisaties die durven te beginnen met een leeg vel papier en zich afvragen: als we deze organisatie vandaag opnieuw zouden oprichten met alle beschikbare AI-technologie, hoe zou het er dan uitzien?
5. Begin, nu maar slim
De organisaties die nu experimenteren met agent-orkestratie hebben een voorsprong die steeds moeilijker in te halen wordt. Maar doe het met een duidelijke kosten- en kwaliteitsstrategie. Begin met één team, één proces, één use case die meetbaar waarde oplevert en schaal van daaruit op.
De kern van de zaak
De 10x organisatie is geen utopie en geen buzzword. Het is een organisatiemodel dat nu al werkt, bij bedrijven als Cursor en bij teams die dagelijks de principes van mens-agentsamenwerking in de praktijk brengen.
De kern is eenvoudig maar transformatief: geef getalenteerde mensen de juiste AI-middelen en orkestratievaardigheden, en zij leveren het werk van hele teams.
De vraag is niet of deze transformatie komt. De vraag is of jouw organisatie er klaar voor is.
Ontvang elke week het beste van BusinessWise in je mailbox. Schrijf je hier nu gratis in:
