Bridging Distant Ideas: the Impact of AI on R&D and Recombinant Innovation

Dit artikel presenteert een model waarin kunstmatige intelligentie (AI) de reikwijdte van innovatie beïnvloedt door toegang tot ver verwijderde kennis te vergemakkelijken, maar tegelijkertijd de concurrentie versterkt en bij volledige automatisering kan leiden tot een terugkeer naar incrementele, minder originele innovaties.

De kern

Stel je voor dat kennis een gigantisch, onontdekt eilandengedeelte is. Elke wetenschappelijke ontdekking is een eilandje. Sommige eilandjes liggen dicht bij elkaar (zoals 'wiskunde' en 'statistiek'), andere liggen ver uit elkaar (zoals 'biologie' en 'kunst').

Deze studie, geschreven door Emanuele Bazzichi, Massimo Riccaboni en Fulvio Castellacci, onderzoekt wat er gebeurt als we Kunstmatige Intelligentie (AI) als een superkrachtige brugbouwer inzetten om deze eilandjes met elkaar te verbinden.

Hier is de kern van hun verhaal, vertaald naar alledaags taal:

1. Het grote dilemma: Veilig of Groot?

Wetenschappers en bedrijven moeten een keuze maken:

• De veilige route: Verbind twee eilandjes die dicht bij elkaar liggen. Dit is makkelijk, gaat snel en levert een klein, nuttig verbetering op (bijvoorbeeld: een iets snellere batterij). Dit noemen ze incrementele innovatie.
• De avontuurlijke route: Verbind twee eilandjes die kilometers uit elkaar liggen. Dit is heel moeilijk, riskant en kan mislukken. Maar als het lukt, is het een enorme doorbraak die de wereld verandert (bijvoorbeeld: het combineren van geneeskunde en kunstmatige intelligentie om kanker te genezen). Dit noemen ze radicale innovatie.

2. Wat doet AI? (De dubbelzijdige zwaard)

AI is als een magische brugbouwer. Het heeft twee effecten:

Het goede nieuws (De brugbouwer):
AI kan moeilijke verbindingen makkelijker maken. Het helpt onderzoekers om informatie uit heel andere vakgebieden te vinden en te begrijpen. Zonder AI zou een bioloog misschien nooit op het idee komen om een oplossing te zoeken in de natuurkunde. AI maakt de "dure" en "riskante" lange bruggen dus makkelijker en goedkoper te bouwen.

Het slechte nieuws (De concurrentie):
Maar AI is niet alleen voor jou. Je concurrenten hebben het ook.
Als AI het makkelijker maakt om een grote doorbraak te vinden, proberen iedereen het. Hierdoor komen er veel meer nieuwe uitvindingen op de markt, veel sneller.
Dit heeft een vervelend effect: De "Monopolie-tijd" wordt korter.
Stel je voor dat je een uitvinding doet en daar 10 jaar lang alleen geld mee verdient. Als AI zorgt dat er elke maand een nieuwe, betere uitvinding komt, verdien je maar 1 jaar. Omdat de beloning voor een grote, riskante doorbraak nu zo kort is, durven bedrijven het misschien niet meer aan om die lange, moeilijke bruggen te bouwen. Ze kiezen liever voor de veilige, korte bruggen.

3. De drie belangrijkste lessen

De auteurs komen tot drie verrassende conclusies:

1. Meer slimme AI = Meer avontuur (tot een punt)
Als AI slimmer wordt (beter in het vinden van informatie), zullen bedrijven eerst meer durven. Ze bouwen meer lange bruggen. Maar als de concurrentie door AI te hard oploopt, kan het zijn dat ze weer terugvallen op de veilige, korte routes. Het hangt ervan af of de "hulp" van AI zwaarder weegt dan de "stress" van de concurrentie.

2. De "Te veel van het goede"-valkuil (De niet-lineaire curve)
Dit is het meest interessante punt. Als je AI langzaam meer inzet in je onderzoek:

• Eerst: Het helpt enorm. Je vindt creatieve, nieuwe combinaties.
• Later: Als je te veel vertrouwt op AI en te weinig op mensen, gebeurt er iets raars. AI is getraind op bestaande data. Het neigt daarom naar gebieden waar al veel data is (de "straatlantaarn-effect": je zoekt onder de lantaarn omdat het daar helder is, niet omdat je daar het antwoord zoekt).
• Het gevolg: Als je te veel AI gebruikt, gaan alle bedrijven precies hetzelfde doen. Ze vinden dezelfde ideeën en dupliceren elkaars werk. De creativiteit verdwijnt. Bedrijven gaan dan weer terug naar de veilige, kleine verbeteringen, omdat ze bang zijn dat hun "grote idee" door AI al door 100 anderen is bedacht.

3. Als AI alles doet, stopt de vooruitgang
In het uiterste geval, waar AI 100% van het werk doet en mensen helemaal niet meer betrokken zijn, voorspelt het model dat de innovatie stopt. Waarom? Omdat AI alleen kan combineren wat er al is. Zonder menselijke "geest" die soms irrationele, gekke sprongen maakt, blijft AI hangen in de bekende patronen. De "afstand" tussen ideeën wordt dan 0. Er worden geen nieuwe bruggen meer gebouwd, alleen maar kopieën van oude wegen.

De conclusie in het kort

AI is een fantastisch gereedschap om de wereld van ideeën te verbinden, maar het is geen wondermiddel dat je zomaar volledig kunt overnemen.

• Te weinig AI: Je mist kansen om ver weg te kijken.
• Te veel AI: Je raakt vast in een kringetje van dezelfde ideeën en verliest de menselijke creativiteit.
• De gouden middenweg: De beste resultaten haal je als AI de mens helpt om ver weg te kijken, maar de mens de regie houdt om te zorgen dat de ideeën echt nieuw en origineel blijven.

De auteurs waarschuwen beleidsmakers: zorg dat we AI gebruiken om de "dure" bruggen te bouwen, maar pas op dat we niet zo afhankelijk worden dat we stoppen met het bouwen van nieuwe wegen.

Technische samenvatting

Titel: Het verbinden van verre ideeën: De impact van AI op O&O en recombinatieve innovatie

1. Het Probleem en de Context

Innovatie ontstaat vaak door het combineren (recombinatie) van bestaande kennis uit verschillende domeinen. Een centrale vraag in de huidige economische literatuur is hoe kunstmatige intelligentie (AI) de richting van innovatie beïnvloedt: leidt AI tot meer radicale innovaties (verre combinaties van ideeën) of juist tot incrementele innovaties (dichtbijzijnde combinaties)?

Bestaande modellen (zoals die van Gans, 2025) kijken voornamelijk naar de productiviteit van individuele onderzoekers of bedrijven, maar missen vaak de competitieve dynamiek en het concept van creatieve vernietiging (Schumpeteriaanse vernieuwing). Als AI één bedrijf helpt om ambitieuzere combinaties te maken, helpt het ook zijn concurrenten, wat de duur van monopolieposities verkort. Het paper onderzoekt hoe deze spanning tussen individuele productiviteitswinst en verhoogde concurrentie de keuze voor de "recombinatie-afstand" beïnvloedt. Daarnaast wordt gekeken naar de risico's van overmatige AI-afhankelijkheid, zoals het "straatlantaarn-effect" (focus op bekende gebieden) en het "stappen-op-tenen-effect" (duplicatie van onderzoek).

2. Methodologie en Modelopzet

De auteurs ontwikkelen een theoretisch model dat recombinatieve innovatie integreert in een Schumpeteriaans kwaliteitsladder-framework (Aghion & Howitt).

• Kennisruimte: Kennis wordt voorgesteld als een graafstructuur ($G = (I, D)$) waarbij knopen ideeën vertegenwoordigen en de afstand ($d_{ij}$) de cognitieve dissimilariteit tussen domeinen aangeeft.
  • Verre combinaties: Risicovoller, maar leiden bij succes tot radicale, hoogwaardige innovaties.
  • Dichte combinaties: Makkelijker te realiseren, maar leveren slechts incrementele verbeteringen op.
• O&O Productiefunctie: Innovatie wordt gemodelleerd als een Poisson-proces met een aankomsttarief dat negatief correleert met de afstand. O&O bestaat uit taken die door mensen ($l$) of AI ($a$) kunnen worden uitgevoerd.
  • De "AI-power" ($\lambda_{AI}$) wordt gedefinieerd als een functie van AI-productiviteit ($m$) en het aandeel geautomatiseerde taken ($\alpha$).
  • Cruciaal is de parameter $\kappa$, die de complementariteit tussen mens en AI regelt. Tot een bepaald punt ($\alpha \leq \kappa$) versterkt meer AI de kracht, maar daarna nemen negatieve effecten (verlies van originaliteit, duplicatie) toe, wat leidt tot een niet-monotoon verband.
• Competitieve Dynamiek: Succesvolle innovaties geven een tijdelijk monopolie. De duur van dit monopolie wordt echter verkort door de aggregate aankomst van nieuwe innovaties van concurrenten (creatieve vernietiging). AI verhoogt dit totale aankomsttarief, wat de verwachte winst van radicale innovaties kan drukken.
• GPT-effect: Een succesvolle verre combinatie creëert nieuwe "korte paden" in de kennisruimte, wat de kans op toekomstige innovaties vergroot (een positief extern effect).

3. Belangrijkste Resultaten

Het paper presenteert drie hoofdresultaten, afgeleid uit de vergelijkingen voor de optimale afstand ($d^*$) en het aantal bedrijven ($N$):

1. Ambigue impact van AI-productiviteit ($m$):

   • Een toename in de productiviteit van AI heeft twee tegenstrijdige effecten:
     • Direct effect: Het maakt verre combinaties makkelijker en waarschijnlijker (positief voor $d^*$).
     • Indirect effect: Het verlaagt kosten, trekt meer concurrenten aan en verkort de monopolieduur, wat de prikkel voor risicovolle, verre combinaties vermindert (negatief voor $d^*$).
   • Het netto-effect is onduidelijk en hangt af van welke kracht domineert. Bij matige AI-vaardigheden wint het directe effect vaak; bij zeer hoge productiviteit kan de concurrentiedruk overheersen.

2. Niet-monotoon effect van het aandeel geautomatiseerde taken ($\alpha$):

   • Dit is het meest opvallende resultaat. De relatie tussen het gebruik van AI en de keuze voor radicale innovatie is niet-lineair:
     • Lage automatisering: Meer AI-gebruik verhoogt de "AI-power" en stimuleert bedrijven om verder te reiken (radicalere innovaties).
     • Hoog automatisering (boven de drempel $\kappa$): De mens-AI complementariteit erodeert. Door het "straatlantaarn-effect" en "stappen-op-tenen-effect" concentreert onderzoek zich op bekende, data-rijke gebieden. De effectiviteit van AI daalt, en bedrijven schakelen terug naar incrementele innovaties (korte afstanden).

3. Het geval van volledige automatisering:

   • In de limiet waarbij volledig geautomatiseerd onderzoek plaatsvindt (geen menselijke onderzoekers meer), stort de optimale recombinatie-afstand in naar nul.
   • Dit suggereert dat volledig door AI-gedreven onderzoek de creatieve diversiteit verliest die nodig is voor kenniscreatie, wat uiteindelijk de groei van de kennisvoorraad stopt.

4. Bijdragen aan de Literatuur

• Integratie van Competitieve Dynamiek: In tegenstelling tot eerdere modellen (zoals Gans 2025a,b) die AI als een geïsoleerde productiviteitsverhoging zien, integreert dit model de Schumpeteriaanse creatieve vernietiging. Het toont aan dat AI niet alleen de eigen capaciteit van een firma verhoogt, maar ook de snelheid waarmee monopolieposities worden veroverd door concurrenten, wat leidt tot complexere vergelijkingen.
• Niet-monotoonheid en Complementariteit: Het paper introduceert een mechanisme waarbij overmatige automatisering leidt tot een verlies van originaliteit (streetlight/stepping-on-toes effects), wat resulteert in een omgekeerde U-vormige relatie tussen AI-adoptie en innovatienieuwheid. Dit onderscheidt zich van eerdere modellen die alleen drempelwaarden op basis van AI-capaciteiten beschouwen.
• Kennisruimte als Graaf: Het gebruik van een graafstructuur voor de kennisruimte (in plaats van een simpele lijn) biedt een conceptueel kader voor het "GPT-effect", waarbij radicale innovaties nieuwe paden openen voor toekomstige incrementele innovaties.

5. Betekenis en Beleidsimplicaties

De bevindingen hebben belangrijke gevolgen voor innovatiebeleid en het beheer van AI:

• Optimalisatie van Automatisering: Er bestaat een "optimale" mate van AI-integratie in O&O. Te weinig AI mist kansen voor bruggen tussen domeinen; te veel AI leidt tot duplicatie en een terugkeer naar incrementele innovatie. Beleid moet de risico's van over-automatisering monitoren.
• Intellectueel Eigendom: Omdat de duur van monopolieposities cruciaal is voor de prikkel om verre combinaties aan te durven, suggereren de simulaties dat sterkere en langere octrooibescherming (in een AI-tijdperk) nodig kan zijn om radicale innovaties te stimuleren. Snelle creatieve vernietiging door AI zou anders leiden tot een focus op korte-termijn, veilige innovaties.
• Rol van Menselijke Oordeelsvorming: De resultaten bevestigen empirische bevindingen dat de waarde van AI afhangt van het menselijk oordeel. Menselijke onderzoekers zijn essentieel om de "creativiteit" en originaliteit te behouden die volledig geautomatiseerde systemen dreigen te verliezen.

Kortom, het paper waarschuwt dat AI een krachtig hulpmiddel is, maar dat een ongecontroleerde, volledige automatisering van O&O paradoxaal genoeg kan leiden tot een stagnatie in de creatie van nieuwe, radicale kennis.