In 2012 gaven we om de software die we gebruikten. Vandaag de dag geven we om hoe we het gebruiken. Het verschil is de traject. In het afgelopen decennium was het adopteren van software de prioriteit. Overstappen van on-premise naar de cloud of het digitaliseren van een handmatig werkproces beloofde productiviteitswinst. Adoptie was de finishlijn. Tegenwoordig is software alomtegenwoordig. Elke verkoper gebruikt een CRM en elke ingenieur gebruikt een IDE. Het voordeel komt niet langer van het hebben van de tool, maar van het specifieke pad en de manier waarop die tool wordt gebruikt om een resultaat te bereiken: een traject door software. Een verkoper creëert een lead, verrijkt de lead, voegt op een bepaalde manier informatie over de prospect toe. Dat is een soort traject. Een Q&A-sessie met AI is een ander traject: hoe voer ik een onderzoeksproject uit met AI over post-kwantumversleuteling? Wat zijn de leidende algoritmen? Welke bedrijven implementeren ze? Wat is de tijdlijn voor kwantumcomputers om de huidige versleuteling te breken? Wie zijn de experts met wie ik moet praten? Het volgen van een gebruiker die door de dag werkt als een flipperbal die rond een machine stuitert, is enorm strategisch. Ten eerste vereist automatisering trajecten. Om werk te automatiseren, moet je eerst het pad van dat werk begrijpen. In het verleden huurden we consultants in om processen handmatig in kaart te brengen. Nu kunnen AI-agenten deze trajecten in real-time bekijken, opnemen en begrijpen. AI leert door te observeren. Ten tweede vereist optimalisatie herhaling. Trajecten bieden de dataset voor verbetering. Door duizenden keren door een workflow te analyseren, identificeert AI succespatronen, mislukkingen en inefficiënties. Ten derde worden trajecten de nieuwe gracht. Hoe hoger de resolutie van de gegevens, hoe meer gedifferentieerd het AI-product wordt, wat de vendor lock-in vergroot. Ten vierde profiteert het bedrijfsleiderschap van het begrijpen van de trajecten van werknemers. We denken dat we op een bepaalde manier samenwerken, meestal met enkele aspiratiedoelen. Het is iets anders om de workflows in het veld echt te begrijpen. Ten vijfde zijn trajecten de basis voor het optimaliseren van AI-modellen door middel van versterkend leren of fine-tuning. Kleinere gespecialiseerde modellen die zijn getraind op waardevolle paden vervangen enorme generalisten. Lagere inferentiekosten en hogere nauwkeurigheid leiden tot verhoogde marges. De strategische aard van trajecten roept de vraag op of ondernemingen de rechten op hun trajectgegevens zullen onderhandelen bij de aankoop van AI-software, zowel om cruciale gegevens vast te leggen als om lock-in te voorkomen. Hoe die machtsdynamiek zich ontvouwt, zal de prijsstelling voor software in het algemeen bepalen. De bedrijven die deze trajecten beheersen, zullen de toekomst van werk definiëren.