When AI gets smarter, do companies use less of it? New research from the University of Chicago and Cursor suggests the opposite — and the implications for the economics of AI investment are profound.

A preprint by Suproteem Sarkar and Luke Melas-Kyriazi documents what they call a Jevons-like effect in AI demand. Studying firms on the Cursor coding platform following the release of Claude Opus 4.5 and GPT-5.2 in late 2025 — widely recognized as step-change improvements in model capability — they find that workers sent 44% more agent messages per week in the months that followed. Efficiency gains did not reduce consumption. They supercharged it.

This pattern echoes a well-established phenomenon from energy economics. When steam engines became more coal-efficient in the nineteenth century, total coal consumption rose sharply, because cheaper power unlocked entirely new categories of application — railways, textile mills, steamships. The same logic appears to be playing out in AI. Lower effective cost per task does not shrink the market; it expands the frontier of tasks worth attempting.

What makes this research particularly instructive for executives and investors is the granularity of the findings. The usage surge was not uniform. Smaller, newer, and privately held firms responded more aggressively than their larger, more established counterparts — a signal that organizational flexibility is itself a competitive asset in an AI-accelerating environment. Firms capable of restructuring workflows quickly capture disproportionate value from capability improvements.

The nature of the tasks being delegated to AI also evolved. The initial post-release surge concentrated on lower-complexity messages, suggesting workers first reached for familiar applications. Over subsequent months, however, usage migrated toward higher-complexity tasks — architecture decisions, deployment work, cross-system coordination — domains where human bottlenecks have historically been most expensive.

For model providers and infrastructure investors, this dynamic materially changes the return calculus. With global AI infrastructure spending projected to approach one trillion dollars by 2028, the central question has been whether downstream usage would justify that capital. This evidence suggests it will, provided capability improvements continue. Latent demand appears deep, and organizational adaptation appears faster than most forecasts have assumed.

The more consequential risk may not be oversupply of AI capability, but undersupply of organizational readiness to absorb it.

Source: Raw/trigger-returns-to-intelligence.md

Wanneer AI slimmer wordt, gebruiken bedrijven er dan minder van? Nieuw onderzoek van de Universiteit van Chicago en Cursor suggereert het tegenovergestelde — en de implicaties voor de economie van AI-investeringen zijn ingrijpend.

Een preprint van Suproteem Sarkar en Luke Melas-Kyriazi documenteert wat zij een Jevons-achtig effect in AI-vraag noemen. Door bedrijven op het Cursor-codeerplatform te bestuderen na de release van Claude Opus 4.5 en GPT-5.2 eind 2025 — breed erkend als stapsgewijze verbeteringen in modelcapaciteit — stellen zij vast dat werknemers in de daaropvolgende maanden 44% meer agent-berichten per week stuurden. Efficiëntiewinsten verminderden het verbruik niet. Ze versnelden het explosief.

Dit patroon echoot een goed onderbouwd fenomeen uit de energieconomie. Toen stoommachines in de negentiende eeuw efficiënter werden in steenkolenverbruik, steeg het totale steenkolenverbruik sterk, omdat goedkopere energie volledig nieuwe toepassingscategorieën ontsloot — spoorwegen, textielfabrieken, stoomschepen. Dezelfde logica lijkt zich af te spelen in AI. Lagere effectieve kosten per taak krimpen de markt niet; ze breiden de grens uit van taken die het proberen waard zijn.

Wat dit onderzoek bijzonder leerzaam maakt voor leidinggevenden en beleggers is de granulariteit van de bevindingen. De gebruikstoename was niet uniform. Kleinere, nieuwere en particuliere bedrijven reageerden agressiever dan hun grotere, meer gevestigde tegenhangers — een signaal dat organisatorische flexibiliteit op zichzelf een concurrentievoordeel is in een AI-versnellende omgeving. Bedrijven die werkprocessen snel kunnen herstructureren, vangen onevenredige waarde uit capaciteitsverbeteringen.

De aard van de taken die aan AI worden gedelegeerd, evolueerde ook. De initiële gebruikstoename na de release concentreerde zich op berichten van lagere complexiteit, wat suggereert dat werknemers eerst bekende toepassingen aangrepen. In de daaropvolgende maanden verschoof het gebruik echter naar taken van hogere complexiteit — architectuurbeslissingen, implementatiewerk, coördinatie over systemen heen — domeinen waar menselijke knelpunten historisch gezien het duurst zijn geweest.

Voor modelaanbieders en infrastructuurbeleggers verandert deze dynamiek de rendementcalculus materieel. Met wereldwijde AI-infrastructuuruitgaven die naar verwachting tegen 2028 de biljoen dollar naderen, was de centrale vraag of het downstream gebruik dat kapitaal zou rechtvaardigen. Dit bewijs suggereert dat dit het geval zal zijn, mits capaciteitsverbeteringen doorgaan. De latente vraag lijkt diep, en organisatorische aanpassing lijkt sneller te verlopen dan de meeste prognoses hebben aangenomen.

Het meest ingrijpende risico is mogelijk niet een overaanbod van AI-capaciteit, maar een onderaanbod van organisatorische bereidheid om die te absorberen.

Bron: Raw/trigger-returns-to-intelligence.md