Waarom legacy-software floreert in het AI-tijdperk vandaag

Het verhaal was bijna te simpel om in twijfel te trekken: kunstmatige intelligentie stijgt, oude software daalt. Investeerders geloofden er razendsnel in. Toen begon de realiteit zich echter te mengen in het verhaal.

Brad Lightcap, COO van OpenAI, koopt het idee niet dat legacy-software bedrijven naar irrelevantie drijven. Integendeel: hij ziet achter de schermen het tegenovergestelde gebeuren. De bedrijven waarvan velen aannamen dat ze zouden achterlopen, bewegen met verrassende urgentie, herontwerpen hun producten en heroverwegen de manier waarop ze klanten bedienen in een AI-eerst wereld.

In een gesprek op de Uncapped-podcast weerlegde Lightcap de recente marktpandemie die miljarden van softwareaandelen deed verdampen. De aanname die die uitverkoop dreef was eenvoudig: als AI tools kan bouwen, waarom nog vertrouwen op traditionele softwareleveranciers? Volgens hem mist die redenering hoe agressief die leveranciers zich juist aanpassen.

"Ze bewegen net zo snel als startups," zei hij, en wees op diepe klantrelaties als een voordeel dat nieuwkomers simpelweg niet hebben.

Wat de markt verkeerd inschatte

De neergang, door sommigen bestempeld als een "software-apocalyps", kreeg vaart in februari nadat nieuwe AI-tools lieten zien dat ze juridische en administratieve taken konden automatiseren. Investeerders vreesden een domino-effect: als AI werkstromen kan vervangen, misschien kan het ook de software erachter vervangen.

Die angst sloeg hard toe. Bedrijven als Salesforce, Snowflake en Microsoft zagen hun aandelen dit jaar tussen de 24% en 30% dalen. De onderliggende zorg was dat ondernemingen leveranciers zouden overslaan en zelf aangepaste tools zouden bouwen op basis van AI-models.

Maar binnen diezelfde bedrijven ontvouwt zich een ander verhaal. Volgens Lightcap voegen ze niet alleen AI-functies toe; ze ontwerpen volledige gebruikersreizen opnieuw, verkennen nieuwe markten en integreren automatisering op fundamenteel niveau. Ze werken aan platformen, data-architecturen en governance-modellen die AI-oplossingen betrouwbaar, schaalbaar en compliant maken.

De echte verschuiving is niet vervanging. Het is heruitvinden.

AI verwijdert geen complexiteit. Het vergroot die

Dan Rogers, CEO van Asana, ziet hetzelfde patroon vanuit een ander perspectief. Zijn bedrijf behoorde tot de zwaarst getroffen tijdens de uitverkoop, maar hij stelt dat AI juist de behoefte aan gestructureerde software vergroot.

Waarom? Omdat coördinatie lastiger wordt, niet eenvoudiger.

Wanneer mensen en duizenden AI-agenten samenwerken, moet iemand of iets nog steeds taken organiseren, voortgang bijhouden en werkstromen managen. Die laag verdwijnt niet; zij groeit en wordt complexer. Dit omvat rolgebaseerde toegangscontrole, audit trails, foutafhandeling en prioritering van menselijke interventies.

"Het coördinatieprobleem groeit exponentieel," merkte Rogers op, en suggereerde dat AI platformen zoals Asana essentieel maken in plaats van overbodig.

Deze observatie snijdt tegen het populaire verhaal dat AI alles vereenvoudigt. In de praktijk introduceert AI vaak nieuwe lagen van complexiteit die betere systemen vereist, niet minder. Voorbeelden hiervan zijn:

• Het orkestreren van meerdere AI-modellen over verschillende taken en datastromen.
• Beheer van datakwaliteit en consistentie tussen legacy-systemen en nieuwe AI-componenten.
• Governance, compliance en privacyvereisten bij geautomatiseerde besluitvorming.

Voorbeeld: juridische en administratieve automatisering

Wanneer AI juridische documenten analyseert of administratieve processen automatiseert, ontstaan er aanvullende vereisten: controleerbaarheid van beslissingen, uitlegbaarheid (explainability), en het bijhouden van versies van zowel data als modellen. Organisaties ontdekken dat het daarom vaak verstandiger is om AI te integreren binnen bestaande ERP-, CRM- en HR-platformen in plaats van die systemen volledig te vervangen.

De grenzen van alles met AI bouwen

Er is ook een praktische vraag: zelfs als bedrijven in staat zijn om hun eigen tools met AI te bouwen, zouden ze dat moeten doen?

Anish Acharya van Andreessen Horowitz reageert sceptisch. Volgens hem levert het gebruik van geavanceerde AI-modellen om standaard bedrijfssoftware als salarisadministratie (payroll) of ERP-systemen na te bouwen beperkte baten op. De geschatte besparingen liggen wellicht rond de 10% en wegen vaak niet op tegen de kosten en risico's.

Dat brengt een groter punt naar voren. AI is een krachtige hulpbron, maar het is niet altijd efficiënt om die toe te passen op problemen die al bestaand en goed opgelost zijn door volwassen software. De totale eigendomskosten (TCO), integratieduur, beveiligings- en compliance-eisen, en onderhoud van gespecialiseerde AI-pijplijnen maken intern herbouwen vaak minder aantrekkelijk.

Economische en operationele overwegingen

Beslissingen over build vs. buy moeten rekening houden met meerdere factoren:

• TCO en ROI: initiële ontwikkelingskosten, langdurig onderhoud en personeelskosten voor AI-ops.
• Time-to-market: kant-en-klare oplossingen schieten sneller op en kosten minder interne resources.
• Beveiliging en privacy: bestaande leveranciers investeren vaak zwaar in compliance en SOC/ISO-certificeringen.
• Integratie en compatibiliteit: legacy-omgevingen vereisen vaak diepgaande connectors en data-mapping.
• Risicomanagement: modelzwaktes, bias en onverwachte outputs vragen om governance en menselijke supervisie.

"Waarom richten we dit niveau van innovatie op het herbouwen van bestaande systemen?" vroeg Acharya retorisch, waarbij hij hints gaf dat de echte kansen elders liggen, zoals nieuwe AI-native workflows of sector-specifieke intelligentie die huidige systemen niet adresseren.

Technische details die vertrouwen wekken

Om AI betrouwbaar en schaalbaar te maken binnen enterprises, investeren legacy-bedrijven in concrete technische lagen:

• Data-lakes en warehousing met gestandaardiseerde schema's en realtime streaming voor consistente input naar modellen.
• Model governance: versiebeheer, A/B-testing, en rollback-mechanismen.
• Monitoring en observability voor modelprestaties en drift-detectie.
• API-first architecturen waarmee AI-functionaliteit veilig kan pluggen op bestaande workflows.

Dergelijke investeringen verhogen de drempel voor bedrijven om volledig zelf oplossingen te bouwen en spreken het voordeel van bewezen platformen aan.

Een contrair wed aan het winnen

Jensen Huang, CEO van Nvidia, heeft eveneens het idee verworpen dat softwarebedrijven verdwijnen. De veronderstelling dat AI softwaretools volledig zal vervangen, houdt volgens hem geen stand bij nader onderzoek.

In plaats daarvan zal AI vertrouwen op die tools: het zal ze gebruiken, uitbreiden en erop aansluiten — niet wissen. Dit weerspiegelt een meer collaboratieve toekomst tussen AI-technologie en traditionele softwareplatformen, waar hardware-, model- en softwareleveranciers samen ecosystemen vormen die meerwaarde bieden.

Lightcap’s conclusie valt in dezelfde lijn, maar met een investeerdershoek: als je optimistisch bent over AI-startups, is het misschien ook logisch om optimistisch te blijven over legacy-softwarebedrijven. Niet ondanks AI, maar juist vanwege AI.

Strategieën die legacy-leveranciers gebruiken

Legacy-softwarebedrijven reageren met meerdere tactieken die hun relevantie beschermen en versterken:

• Integratie van AI-functies: in-product assistenten, automatische inzichten en workflow-automatisering.
• Open platformen en partner-ecosystemen: marketplaces voor third-party AI-modellen en connectors.
• Data- en privacy-first benaderingen: veilige on-prem of hybride implementaties voor gevoelige sectoren.
• M&A-activiteit: het overnemen van gespecialiseerde AI-startups om expertise en technologie snel te absorberen.
• Focus op klantenrelaties: langdurige contracten, branchekennis en opschalingservaring die startups vaak missen.

Deze strategieën versterken het concurrentievoordeel van gevestigde leveranciers en maken hen efficiënter in het leveren van betrouwbare AI-integraties voor grootschalige bedrijven.

De race: AI versus software? Nee — AI én software

De wedstrijd is niet AI tegen software. Het is iedereen die op volle snelheid rent en probeert uit te vinden hoe software eruitziet wanneer intelligentie vanaf het begin ingebouwd is. Dat betekent technische productherontwerpen, nieuwe verkoopmodellen, en diepere aandacht voor governance en compliance.

Enkele belangrijke implicaties voor bedrijven en investeerders:

• Investeer in datagovernance en integratiecapaciteit — dit wordt een strategisch concurrentievoordeel.
• Let op leveranciers die AI-native features naadloos koppelen aan bestaande workflow- en security-standaarden.
• Beoordeel build-versus-buy beslissingen met realistische TCO-analyses en risico-inschattingen voor AI-ops.
• Verwacht consolidatie en partnerships: hardware-, cloud- en softwarespelers zullen verder samenwerken.

In dit scenario ontstaan er nieuwe leiders: niet per se alleen de snelste AI-startups, maar ook die softwarebedrijven die AI op betrouwbare, schaalbare en compliant wijze integreren in bedrijfsprocessen.

Concrete voorbeelden en praktijkcases

Neem een bedrijf dat financiële rapportage en compliance beheert. Het kan prachtige AI-modellen bouwen die anomalieën detecteren, maar als die modellen niet geïntegreerd zijn met bestaande ERP-data, audittrail-systemen en menselijke controles, blijft waarde beperkt. Bedrijven die AI integreren in bestaande workflows zien hogere adoptie, minder operationeel risico en snellere schaalbaarheid.

Een andere praktijkcase is klantenservice: AI-chatbots kunnen eenvoudige vragen afhandelen, maar enterprise-klanten vereisen naadloze overdracht naar menselijke agenten, contextrijk klantdossier en integratie met CRM. Legacy CRM-leveranciers die AI inbouwen binnen die bestaande flows leveren daardoor veel grotere waarde.

Belangrijkste lessen voor leiders en investeerders

Samenvattend ontstaan er enkele heldere lessen uit deze periode van hype, correctie en herpositionering:

• Herwaardering van legacy: gevestigde softwarebedrijven transformeren snel en moeten niet automatisch worden afgeschreven.
• Complexiteit vraagt systemen: AI creëert nieuwe orkestratiebehoeften waarvoor gestructureerde software onmisbaar blijft.
• Build met beleid: niet elk probleem moet met intern ontwikkelde AI worden opgelost; economisch en operationeel pragmatisme wint.
• Ecosystemen tellen: integratie, data-toegang en partnerschappen bepalen wie profiteert van AI-opportuniteiten.
• Langetermijnwaarde: vertrouwen, compliance en schaalbaarheid zijn beslissend voor enterprise-adoptie.

De conclusie is duidelijk: de race is niet tussen AI en traditionele software, maar tussen teams die AI begrijpen en die AI betrouwbaar en schaalbaar kunnen toepassen binnen bestaande en nieuwe softwareplatformen.

Wie zowel de technologische mogelijkheden van kunstmatige intelligentie als de operationele realiteit van grote organisaties begrijpt, heeft de beste kans om duurzame waarde te creëren in de komende jaren.