De Jevons-paradox van AI: hoe goedkoper marketing wordt, hoe meer we ervan maken

We praten bij AI namelijk opvallend vaak over efficiëntie. Een marketeer die vroeger een halve dag nodig had voor een eerste versie van een artikel, maakt die nu misschien in een half uur. Afbeeldingen waarvoor we een fotograaf, designer of beeldbank nodig hadden, rollen binnen enkele minuten uit een AI-model. Hetzelfde geldt steeds vaker voor video, onderzoek, analyses, vertalingen, presentaties en advertentievarianten.

De logische conclusie is dan dat we straks minder tijd en misschien ook minder mensen nodig hebben voor marketing. Ik vermoed dat precies het tegenovergestelde gebeurt. Niet ondanks het feit dat AI marketing goedkoper maakt, maar juist omdat AI marketing goedkoper maakt.

Een economisch idee uit 1865

De Jevons-paradox is genoemd naar de Britse econoom William Stanley Jevons. In zijn boek The Coal Question uit 1865 beschreef hij iets opmerkelijks. Stoommachines werden efficiënter en hadden daardoor minder steenkool nodig om dezelfde hoeveelheid werk te verrichten.

Je zou verwachten dat het totale steenkoolverbruik daardoor zou dalen. Maar dat gebeurde niet.

Omdat stoomkracht dankzij die efficiëntie goedkoper en aantrekkelijker werd, werd zij op veel grotere schaal ingezet. Meer fabrieken, meer machines en meer toepassingen. Uiteindelijk nam het totale gebruik van steenkool daardoor juist toe. Efficiënter gebruik van een grondstof hoeft dus niet tot minder verbruik te leiden. Het kan de vraag juist vergroten.

Vervang steenkool door marketingproductie en het wordt ineens een stuk minder historisch.

Een LinkedIn-post kost bijna niets meer

Neem een relatief simpele LinkedIn-post.

Een paar jaar geleden moest iemand een onderwerp bedenken, informatie verzamelen, schrijven, herschrijven, een afbeelding regelen en uiteindelijk publiceren. Misschien lijkt dat niet veel werk, maar vermenigvuldig het eens met meerdere posts per week, verschillende kanalen en verschillende medewerkers.

Productie kostte capaciteit en capaciteit kostte geld. Daardoor zat er automatisch een rem op hoeveel je maakte maar AI haalt die rem er voor een belangrijk deel af.

En de kosten van AI zelf dalen ondertussen ook razendsnel. Stanford berekende in de AI Index 2025 dat de kosten om een model te gebruiken dat ongeveer op GPT-3.5-niveau presteert, tussen november 2022 en oktober 2024 met meer dan een factor 280 daalden: van ongeveer 20 dollar naar 7 dollarcent per miljoen tokens.

Dat is een gigantische verandering in nog geen twee jaar. Maar belangrijker is wat er daarna gebeurt. Lagere kosten maken niet alleen bestaande marketingactiviteiten goedkoper, ze maken ook activiteiten mogelijk die we vroeger vanwege tijd of kosten helemaal niet uitvoerden.

Daar begint Jevons.

Van vijf advertenties naar vijftig

Stel dat je voor een campagne vijf advertentievarianten maakt. Dat aantal vijf is waarschijnlijk niet ontstaan doordat uit wetenschappelijk onderzoek bleek dat vijf het ideale aantal advertenties is. Het ontstond omdat iemand ze moest bedenken, schrijven, vormgeven, controleren en produceren. Aan nummer zes hangt dus een prijs.

Maar wat gebeurt er wanneer de kosten van nummer zes vrijwel nul worden?

Dan maak je er tien, twintig of misschien wel vijftig.

Hetzelfde gebeurt met doelgroepvarianten, landingspagina’s, afbeeldingen, video’s, e-mails en content. We gaan dus niet automatisch hetzelfde marketingplan uitvoeren met minder mensen en minder kosten. We gaan waarschijnlijk veel grotere marketingplannen uitvoeren.

Voor iedere branche een eigen landingspagina. Voor iedere doelgroep een andere boodschap. Een videovariant voor elke fase van de funnel. Advertenties die voortdurend opnieuw worden gegenereerd. Content voor niches die vroeger simpelweg te klein waren om er een productiebudget aan te besteden.

McKinsey becijferde al in 2023 dat generatieve AI voor marketing een productiviteitswaarde kan vertegenwoordigen van 5 tot 15 procent van de totale marketinguitgaven. Marketing en sales behoren samen met customer operations en software engineering bovendien tot de vier gebieden waarin volgens McKinsey ongeveer driekwart van de economische waarde van generatieve AI kan ontstaan.

Mijn verwachting is alleen dat een groot deel van die productiviteitswinst uiteindelijk niet als besparing op de marketingbegroting verschijnt. We gaan er simpelweg meer marketing voor kopen.

Dat is de Jevons-paradox.

En daar komt AI-slop om de hoek kijken

Onlangs schreef ik hier op Marketingfacts al over AI-slop versus AI-top.

Niet alles wat met AI wordt geproduceerd is troep. Net zoals niet alles wat door een mens wordt gemaakt automatisch goed is. Het verschil zit wat mij betreft vooral in hoe AI wordt ingezet, hoeveel menselijk oordeel eraan te pas komt en of er überhaupt een idee achter het eindproduct zit.

De Jevons-paradox voegt daar alleen nog iets aan toe. Misschien kijken we bij AI-slop te veel naar de technologie en te weinig naar de economie erachter.

AI-slop is namelijk bijna een voorspelbaar gevolg van het feit dat produceren steeds goedkoper wordt.

Toen een video €5.000 kostte, dacht je goed na voordat je hem liet maken. Wanneer diezelfde productie nauwelijks nog tijd en geld kost, wordt die afweging anders. Hetzelfde geldt voor artikelen, afbeeldingen, advertenties en social posts. Wanneer vijf varianten nauwelijks meer werk kosten dan één variant, ligt het voor de hand om er vijf te maken. Of vijftig.

Dat klinkt aantrekkelijk, totdat iedere organisatie precies hetzelfde gaat doen.

Middelmatigheid wordt schaalbaar

Daar zit voor mij de echte bedreiging. AI maakt slechte marketing niet nieuw. Er waren voor ChatGPT ook al slechte artikelen, waardeloze stockfoto’s, nietszeggende social posts en campagnes waarvan niemand begreep waarom ze bestonden.

AI heeft middelmatigheid dus niet uitgevonden. Het heeft middelmatigheid wel schaalbaar gemaakt.

Voorheen zat er ten minste nog een productiekostenrem op onzin. Nu wordt die rem steeds kleiner. De hoeveelheid menselijke tijd die nodig is om één contentitem te produceren daalt enorm, terwijl het totale aantal geproduceerde contentitems waarschijnlijk nog veel harder stijgt.

We gebruiken onze efficiëntiewinst dus niet automatisch om minder te produceren. We gebruiken hem vooral om de machine harder te laten draaien.

Maar daarmee verhuist de schaarste

En precies daar wordt het interessant voor marketeers.

Economie draait uiteindelijk om schaarste. Jarenlang was productie schaars. Een goede tekstschrijver had maar zoveel uren. Een videoproductie kostte geld. Designers hadden beperkte capaciteit. Onderzoek kostte dagen. Een campagne voor vijf verschillende doelgroepen was simpelweg veel meer werk dan één generieke campagne.

AI maakt een deel van die productie overvloedig. Maar daarmee verdwijnt schaarste niet. Hij verhuist.

Als iedereen binnen tien minuten een fatsoenlijk artikel kan produceren, is het vermogen om een artikel te produceren niet zo bijzonder meer. Een goede gedachte wordt juist waardevoller. Als iedereen prachtige afbeeldingen kan maken, wordt het bedienen van Photoshop of een AI-model minder onderscheidend, maar wordt smaak belangrijker. Als iedere organisatie honderden contentstukken kan produceren, wordt content zelf minder schaars en aandacht juist schaarser.

En als iedereen AI kan vragen om vijftig campagneconcepten te maken, verschuift de waarde van concepten produceren naar beoordelen welk concept überhaupt goed genoeg is om mee naar buiten te gaan.

De marketeer die het meeste produceert, wint niet

Dat betekent ook dat we opnieuw moeten nadenken over productiviteit.

Stel dat marketeer A zonder AI vier uitstekende artikelen per maand maakt en marketeer B er met AI veertig produceert. Wie is dan productiever?

Op een spreadsheet is dat eenvoudig te beantwoorden. In de markt veel minder. Als die veertig artikelen nauwelijks gelezen worden, niets aan de positionering toevoegen, door niemand onthouden worden en dezelfde generieke taal bevatten als de content van honderd concurrenten, hebben we geen productiviteitswinst geboekt. We hebben vooral ruis efficiënter geproduceerd.

En dat is misschien wel de grootste valkuil van generatieve AI in marketing. De technologie geeft ons een enorme productiviteitswinst, terwijl wij productiviteit nog steeds graag meten in output: meer artikelen, meer video’s, meer posts, meer campagnes en meer varianten.

Terwijl het echte resultaat ergens anders zit.

De verkeerde AI-vraag

Daarom vind ik de vraag die in veel organisaties wordt gesteld inmiddels te beperkt: hoe kunnen we met AI sneller doen wat we nu doen?

Natuurlijk moet je die vraag beantwoorden. Als ik een analyse in twintig minuten kan doen waar ik vroeger vier uur over deed, ga ik niet uit nostalgie vier uur zitten analyseren. Maar de interessantere vraag is wat we dankzij AI kunnen doen wat hiervoor economisch niet haalbaar was.

Daar zit de echte winst.

Misschien kon je vroeger maar één generieke campagne voor Europa maken en kun je nu dezelfde campagne relevant maken voor zes verschillende landen. Misschien kon sales onmogelijk voor iedere prospect uitgebreid onderzoek doen, maar kan dat straks wel. Misschien kon een technisch bedrijf geen content produceren over tientallen extreem specialistische onderwerpen omdat de doelgroep per onderwerp te klein was. Of misschien konden we advertenties alleen op campagneniveau optimaliseren en kunnen we straks honderden inhoudelijke varianten testen.

Dat is fundamenteel iets anders dan dezelfde nieuwsbrief 40 procent sneller schrijven.

Van maker naar regisseur

Daarmee verandert uiteindelijk ook de waarde en de rol van de marketeer.

Wanneer productie duur is, heeft iemand die goed kan produceren grote waarde. Wanneer productie goedkoop wordt, verschuift die waarde naar probleembegrip, strategie, creativiteit, vakkennis, smaak en het vermogen om middelmatigheid te herkennen. Het wordt belangrijker om AI-output te kunnen beoordelen, te begrijpen wat een doelgroep daadwerkelijk relevant vindt en vooral om goede keuzes te maken uit een bijna onbeperkte hoeveelheid mogelijkheden.

De marketeer van de komende jaren wordt daardoor steeds minder iemand die ieder afzonderlijk onderdeel zelf maakt. Hij of zij wordt meer de regisseur van een productieapparaat dat steeds krachtiger wordt. Dat apparaat kan onderzoek doen, teksten schrijven, beelden maken, varianten genereren, vertalen, analyseren en optimaliseren, maar bepaalt niet vanzelf wat de moeite waard is.

Daar zit uiteindelijk de echte beperking. Niet langer in wat technisch mogelijk is, maar in ons vermogen om te bepalen wat relevant, onderscheidend en goed genoeg is om de wereld in te sturen.

De paradox van overvloed

De Jevons-paradox helpt om te begrijpen waarom AI waarschijnlijk niet simpelweg leidt tot betere marketing. Wanneer marketingproductie goedkoper wordt, zal de vraag ernaar juist toenemen. We krijgen daardoor meer content, meer personalisatie, meer advertenties, meer video’s, meer campagnes en meer communicatie.

En onvermijdelijk ook meer AI-slop.

Maar juist door die overvloed worden aandacht, originaliteit, expertise, smaak en menselijk oordeel waardevoller. Als iedereen over vrijwel onbeperkte productiecapaciteit beschikt, zit het onderscheid niet meer in hoeveel je kunt maken, maar in de keuzes die je maakt.

Daarom denk ik dat de beste marketeers niet degenen worden die AI gebruiken om simpelweg zoveel mogelijk te produceren. Die mogelijkheid krijgt uiteindelijk iedereen. De echte waarde komt te liggen bij marketeers die met al die nieuwe capaciteit dingen kunnen doen die eerder onmogelijk of onbetaalbaar waren, zonder in de val te trappen dat alles wat gemaakt kán worden ook gemaakt móét worden.

Misschien is dat uiteindelijk wel de belangrijkste marketingvaardigheid in een wereld van overvloed: niet meer leren produceren, maar beter leren kiezen.