The Bandwidth Gap.
Een volledige Nederlandse webpaper over de aandacht-bottleneck in AI-native werk.
Frontier AI-capaciteit groeit veel sneller dan menselijke bewuste verwerkingscapaciteit. De bottleneck in AI-augmented werk verschuift daardoor van modelkwaliteit naar operator-aandacht. Deze paper positioneert dat gat als een meetbaar engineeringprobleem: hoe beschermen we besluitkwaliteit wanneer de outputstroom sneller groeit dan menselijke evaluatiebandbreedte?
De kernstelling heeft drie lagen: (1) exponentiele capabilitygroei, (2) stabiele menselijke deliberatieve throughput, en (3) stijgende supervisielast in multi-agent workflows. Zeno benoemt de kosten hiervan als cognitive debt en babysitting tax, en stelt cognitive primitives voor als artefactklasse die aandacht filtert, prioriteert en commitmenteert in plaats van extra ruis toevoegt.
These in een zin
AI groeit exponentieel. Menselijke aandacht niet.
De geschiedenis van computing draaide lang om schaars machinevermogen. In het huidige tijdvak verschuift schaarste naar menselijke aandacht. Waar modellen sneller en goedkoper worden, blijft de snelheid van bewuste menselijke evaluatie vrijwel stabiel. Dat maakt attention economics centraal in AI-productontwerp.
Twee curves
De eerste curve is AI-capability: steil, exponentieel en door schaalwetten gedreven. De tweede curve is menselijke deliberatieve capaciteit: traag en grotendeels constant. De afstand tussen beide curves bepaalt de operationele realiteit van teams die met AI-agents werken.
Empirische ankers komen uit compute-trends, cost-curves, task-horizon-metingen en literatuur over working memory, interruptiekosten en attention residue. Het gecombineerde beeld: er is meer output dan operators betrouwbaar kunnen evalueren zonder ondersteunende cognitieve infrastructuur.
Specifiek voor agenthorizon laat de huidige literatuur een verdubbelingsritme van ongeveer zeven maanden zien in de periode 2019-2025, met signalen van verdere versnelling in recentere metingen. Dat maakt supervisie-architectuur een moving target: processen die vorig jaar werkten, kunnen nu onderdimensioneerd zijn.
Voor menselijke deliberatieve throughput blijft de orde van grootte stabiel rond circa tien bits per seconde in bewuste verwerking. Dit is de bepalende beperking voor beoordeling, prioritering en commitbeslissingen in AI-gedreven workflows.
Naast throughput speelt interruptiedruk een grote rol: in hedendaags kenniswerk worden honderden onderbrekingen per dag gerapporteerd. Daardoor opereren teams vaak in chronische partial recovery, wat de effectieve besliskwaliteit verder onder druk zet.
De uitdaging is geen outputgeneratie, maar outputselectie.Filteren en prioriteren worden kernfuncties.
De inner brain
Een nuttige split in recente literatuur onderscheidt snelle perifere verwerking van tragere deliberatieve verwerking. De meeste AI-tools optimaliseren de periferie: meer tekst, meer voorstellen, meer drafts. Maar de bottleneck zit in het deel dat moet kiezen, verwerpen, combineren en besluiten.
Daarom is de vraag niet hoeveel output een model kan produceren, maar hoeveel besliswaardige signalen een operator per tijdseenheid kan verwerken zonder kwaliteitsverlies. Dat vereist tools die beslisbelasting verlagen in plaats van verhogen.
Productiviteit versus metacognitie
In repository-level experttaken liet een gerandomiseerde studie een gemeten 19% vertraging zien onder AI-assistentie, ondanks subjectief ervaren snelheidswinst.
Een deel van de AI-productiviteitsliteratuur laat sterke winsten zien in korte, in-frontier taken en bij minder ervaren gebruikers. Tegelijk tonen studies op complexere expertcontexten dat snelheidwinst niet vanzelfsprekend is en soms zelfs negatief kan uitvallen. Het kritieke patroon: subjectieve snelheidservaring kan afwijken van gemeten outputkwaliteit of doorlooptijd.
Die discrepantie wijst op een metacognitisch risico. Teams kunnen denken dat ze sneller gaan terwijl verborgen correctiekosten oplopen. Zeno noemt dit cognitive debt: uitgestelde kwaliteits- en supervisiekosten door oververtrouwen in plausibele output.
Babysitting tax
In multi-agent workflows ontstaat een extra kostenlaag: de cognitieve prijs van supervisie. Elke extra agent kan theoretisch capaciteit toevoegen, maar verhoogt ook monitoring, verificatie en interventiedruk. Boven een bepaalde drempel daalt netto throughput door supervisie-overhead.
Die drempel is vaak onzichtbaar in vendor-metrics, die vooral agentvolume rapporteren. Een centrale onderzoeksvraag is daarom de babysitting tax-functie: hoeveel menselijke aandacht kost elke extra eenheid geautomatiseerde output in een concreet domein?
Een zestigjarige lineage
De kernintuïtie is niet nieuw. Van Bush, Licklider en Engelbart tot CLT en distributed cognition loopt een consistente lijn: menselijke denkkracht op schaal vraagt expliciet ontworpen cognitieve artefacten. De huidige AI-golf maakt die lijn operationeel urgent, niet theoretisch nieuw.
Zeno's bijdrage is daarom niet een nieuwe filosofie, maar een uitvoerbare methode: productontwikkeling met ingebedde loadmeting, falsifieerbare hypotheses en publiceerbare uitkomsten.
Cognitive primitives
Een cognitive primitive is een herbruikbaar artefact dat primair ontworpen is voor de deliberatieve bottleneck van de operator. Het doel is drieledig: filteren wat niet beslisrelevant is, prioriteren wat eerst aandacht verdient en committeren wat besloten is met rationale.
Dit verschilt van generieke chatinterfaces. Waar chat vaak extra evaluatielast produceert, moet een primitive evaluatielast afbouwen en de operator alleen met hoog-signaalbeslissingen confronteren.
Cognitive sovereignty
Cognitive sovereignty betekent dat de operator betekenisvol auteurschap houdt over aandacht, oordeel en beslissingen in een AI-verzadigde omgeving. Het is geen anti-AI positie, maar een ontwerpprincipe voor de relatie tussen mens en systeem.
De strategische differentiator verschuift daarmee van maximale modelcapaciteit naar maximale operatorhefboom per aandachtseenheid.
Onderzoeksagenda
De agenda focust op meetbaarheid en reproduceerbaarheid: loadnormering voor multi-agent supervisie, interventiestudies rond aandachtstraining, en open methoden voor vergelijking van supervisionele interfaces. Richtinggevend is dat claims altijd traceerbaar zijn naar expliciete meetconstructen en datasets.
Onderzoekspaden worden gepubliceerd zodra methodologisch voldoende onderbouwd, inclusief negatieve of niet-significante uitkomsten.
Uitnodiging
Zeno werkt vanuit Eindhoven en positioneert Brainport als startpunt voor samenwerkingen met productteams, operators en academische partners. Wie in AI-productie merkt dat outputvolume stijgt maar besluitkwaliteit onder druk komt, is precies de doelgroep van dit programma.
Voor samenwerking of onderzoeksoverleg: admin@zeno.center.
Over Zeno
Zeno Center is een research- en productlab in Eindhoven dat cognitieve primitives bouwt voor AI-augmented werk. Het team combineert operationele AI-ervaring, engineering en cognitieve onderzoeksmethoden, met een expliciete focus op evidence traceability en praktische toepasbaarheid.