AI-modellen gaan failliet als ze zelf een bedrijf runnen

Veertien AI-modellen kregen dezelfde opdracht: run vijfhonderd dagen lang een softwarebedrijf, begin met 1 miljoen dollar en nul klanten, en zorg dat er aan het eind meer op de rekening staat dan aan het begin. De meeste gingen failliet. En wat bijna alle modellen versloeg, was geen slimmer model, maar een simpel regeltje zonder enige AI.

Dat is de uitkomst van CEO-Bench, een nieuwe test van onderzoekers van Princeton. Voor iedereen die overweegt om strategische beslissingen aan een AI-agent over te laten, is het een nuchtere realitycheck.

De test: 500 dagen een bedrijf runnen

Haozhe Chen, Karthik Narasimhan en Zhuang Liu van Princeton bouwden een simulatie rond een fictief abonnementsbedrijf, NovaMind. Een AI-agent bestuurt het bedrijf via een programmeerbare Python-omgeving met 34 tools en een database van 19 tabellen: prijzen zetten, advertentiebudget verdelen, onderzoek en ontwikkeling financieren, klantenservice regelen en meerstaps onderhandelingen voeren met zakelijke klanten. De wereld zit vol ruis: er zijn 26 klantgroepen met verborgen voorkeuren, gevolgen van een keuze komen pas dagen of weken later binnen, en de markt verandert continu door concurrenten, conjunctuurcycli en vraagschokken.

De agent ziet niet wat een echte directeur ook niet ziet: de werkelijke klanttevredenheid, de betalingsbereidheid of de plannen van de concurrent. Hij moet dat afleiden uit dashboards, verkoopdata en een gesimuleerde socialmediastroom. Zakt het saldo ooit onder nul, dan is het spel meteen uit: faillissement.

Bijna iedereen ging failliet

Het resultaat is ontnuchterend. Van de geteste modellen eindigden in de paper alleen Claude Opus 4.8 met 27,8 miljoen dollar en GPT-5.5 met 21,3 miljoen dollar boven het startkapitaal van 1 miljoen, en zelfs die twee draaiden niet consistent winst over hun runs. Grok 4.20, Gemini 3 Flash, Claude Haiku 4.5, GLM 5.1 en DeepSeek V4 Pro gingen in hun beste run alsnog kopje-onder. Claude Opus 4.7, Sonnet 4.6 en Kimi K2.6 hielden het langer vol, maar zakten onder de startwaarde.

Techsite The Decoder telde drie modellen boven start door ook Claude Fable 5 mee te nemen, dat met ongeveer 47 miljoen dollar bovenaan eindigde, al brak een van zijn runs voortijdig af. Hoe je het ook telt: het is een handjevol op veertien.

En zelfs de koploper presteert mager. De onderzoekers schatten dat een ideale speler rond de 2,2 miljard dollar had kunnen eindigen. De best presterende agent pakt daarmee ruwweg een procent van wat haalbaar was.

Een regeltje zonder AI verslaat bijna alles

De scherpste klap komt van de vergelijking die de onderzoekers zelf inbouwden: een regelgebaseerd systeem zonder enige AI. Vaste prijzen, vaste quota, gericht adverteren en wat capaciteit bijschakelen, meer was het niet. Dat systeem haalde 15,76 miljoen dollar en versloeg daarmee elk getest model op de bovenste twee na.

Laat dat even bezinken. Een paar als-dan-regels die een stagiair in een middag schrijft, deden het beter dan de meeste geavanceerde taalmodellen ter wereld. De belofte dat je een AI-agent zelfstandig je bedrijf laat sturen, sneuvelt hier op een basale test.

Waarom AI struikelt op de lange termijn

De test is bewust gebouwd rond vier vaardigheden die los van elkaar lastig zijn en samen nog veel lastiger: een lange horizon overzien onder onzekerheid, informatie uit ruizige signalen halen, je aanpassen aan een veranderende wereld, en veel bewegende delen op een coherent doel richten. Modellen zijn inmiddels sterk in afgebakende, korte taken, een GitHub-issue oplossen of een klantvraag beantwoorden, maar struikelen zodra ze die losse acties weken aan een stuk tot een samenhangende strategie moeten smeden.

Dat zie je terug in het gedrag. Opus 4.8 trok in het begin veel klanten, maar liet die halverwege naar nul zakken. GPT-5.5 hield een stabielere klantenbasis, maar geen van beide wist het structureel om te zetten in winst. Het probleem is niet rekenkracht of kennis, het is sturing over tijd.

Dit is precies het onderscheid dat telt voor wie AI in zijn bedrijf inzet. Een AI-agent levert vandaag al waarde bij afgebakende, repetitieve backofficetaken, terwijl de conferentiedemo die je hele bedrijf runt nog ver weg is: dat verschil is nu met een harde benchmark onderbouwd.

Wat dit betekent voor jouw bedrijf

De verleiding is groot om een agent een open opdracht te geven en hem zijn gang te laten gaan. Doe dat niet met beslissingen die zich over weken uitstrekken en waarvan de gevolgen pas later zichtbaar worden. Zet AI in waar hij aantoonbaar sterk is: korte, goed afgebakende taken met een duidelijk doel en snelle terugkoppeling. Houd de strategie, de prijszetting en de grote keuzes bij een mens, en bouw een goedkeuringspoort waar een mens de beslissing neemt voordat de agent doorgaat.

Dat is geen rem op AI, het is de manier om hem betrouwbaar te maken. Want de rekening voor een verkeerde keuze ligt sowieso bij jou: zodra een agent in jouw naam handelt, ben jij degene die de schade draagt, niet de modelbouwer.

De grootste les van CEO-Bench is geruststellend en ontnuchterend tegelijk. AI gaat je werk niet zomaar overnemen, want het echte werk is niet de losse taak, maar het samenhangend sturen van honderd keuzes naar een doel. Daar zit de mens nog stevig in de stoel. En een paar slimme regels blijken vaak meer waard dan het duurste model.