De echte bedreiging is niet het ontbreken van een Europees frontiermodel. Het is het AI-harnas dat we nooit hebben gebouwd.
De AI-soevereiniteit van Europa is momenteel een veelbesproken onderwerp. Het publieke debat richt zich daarbij vooral op de nieuwste frontiermodellen: de krachtigste en meest geavanceerde algemene AI-modellen van dit moment. Amerika beschikt over de meest geavanceerde modellen, China volgt op de voet en Europa lijkt vooralsnog aangewezen op spelers als Mistral, in de hoop de achterstand ooit nog in te halen. De conclusie is vaak dezelfde: we dreigen de boot te missen en hebben daarom eigen frontiermodellen nodig.
Maar hier ligt de ongemakkelijke waarheid: het kernprobleem voor de Europese AI-soevereiniteit is niet onze afhankelijkheid van de Amerikaanse frontiermodellen van OpenAI, Anthropic en Google. Het probleem is dat Europese organisaties, inclusief die van jou, onvoldoende werk maken van het bouwen én bezitten van hun eigen AI-harnas. Maar dat harnas is cruciaal om de ruwe denkkracht van generalistische AI-modellen om te zetten in een specialist die jouw organisatie écht begrijpt en verder helpt.
Het harnas speelt een sleutelrol bij het veilig toegang geven tot je systemen en data. Het zorgt ervoor dat het model zich houdt aan jouw regels en manier van werken. Zo zet je het model aan het werk voor jou, je collega’s en je klanten, terwijl jij de controle behoudt over de beslissingen die ertoe doen. Het is de operationele laag die het model met de business verbindt. Het maakt AI bruikbaar, veilig en betrouwbaar, maar zorgt er uiteindelijk ook voor dat de generalist zelf vervangbaar wordt. Vandaag gebruik je een Amerikaans frontiermodel, en morgen misschien een Europees of opensourcemodel, zodra dat goed genoeg is.
Wonen in het huis van iemand anders
Het verschil tussen het model en het harnas eromheen is fundamenteel, maar wordt nog altijd onderschat. Een gehuurd Amerikaans model is een afhankelijkheid die je kunt beëindigen: je vervangt het zodra een beter alternatief aan jouw eisen voldoet, zoals je de meubels vervangt in je eigen huis. Het gebruik van een extern harnas, denk aan Microsoft Copilot of Claude Cowork, creëert daarentegen een afhankelijkheid van een heel andere orde. Dan zijn niet alleen de meubels, maar is ook het huis van iemand anders. Je workflows, integraties, permissies en toegang tot data maken allemaal deel uit van het product van een andere partij. Daarmee ligt ook de weg naar buiten in hun handen. Dat vormt een veel grotere bedreiging voor AI-soevereiniteit dan de afhankelijkheid van welk afzonderlijk model dan ook.
Dus als je één ding uit dit stuk meeneemt, laat het dan dit zijn: Europese organisaties moeten serieus werk maken van hun eigen AI-harnas. Alleen dan hebben we een kans om AI op onze eigen voorwaarden te adopteren. En we moeten daar nu mee beginnen.
En dat ‘nu’ is hier geen stijlfiguur. Rutger Bregman betoogde onlangs in An Inconvenient Truth About AI dat democratische instituties het zich niet kunnen veroorloven om AI simpelweg af te doen als hype, of zich te verschuilen achter het vaak sarcastisch gebruikte beeld van de ‘domme stochastische papegaai’. Hij waarschuwt dat de tijdlijnen veel korter zijn dan bij de klimaatcrisis, die ondanks de waarschuwingen van twintig jaar geleden mensen en overheden maar nauwelijks in beweging heeft gekregen. Hij heeft gelijk, en zijn punt reikt veel verder dan democratische instituties. Het is voor overheden, ziekenhuizen, verzekeraars, banken en industriële bedrijven niet langer de vraag of AI zal veranderen hoe werk wordt gedaan. Het is de vraag of deze organisaties AI op hun eigen voorwaarden kunnen adopteren en gebruiken, zonder dat zij gedwongen zijn de voorwaarden van een leverancier te slikken.
Er is een sprankeltje hoop: de meeste organisaties bevinden zich niet langer in de ontkenningsfase. Ze willen aan de slag en proberen een begin te maken. Helaas kiezen veel van hen daarbij voor de verkeerde adoptiestrategieën. Dat is begrijpelijk. Het Europese debat blijft hun aandacht op de geavanceerde AI-modellen vestigen, terwijl het juist zo cruciale harnas daarbij nauwelijks ter sprake komt. In de praktijk domineren daardoor twee strategieën, maar geen van beide bouwt de capaciteit op die er werkelijk toe doet.
Twee adoptiestrategieën die ons niet verder helpen
De eerste strategie richt zich uitsluitend op het model: geef medewerkers een dichtgetimmerde chatbox zoals GPT en noem dat adoptie. Die voorzichtigheid is begrijpelijk, en het is verstandiger dan mensen gevoelige informatie te laten plakken in hun persoonlijke ChatGPT-account. Maar een model zonder harnas is als meubilair zonder huis: je hebt het beste bureau ter wereld, maar het staat buiten in de regen. Doordat het model wordt afgesneden van echte data en workflows, brengt deze aanpak je vrijwel niets, behalve de mogelijkheid om te chatten met een model dat vrijwel niets weet van wat er werkelijk toe doet. Erger nog, veel mensen trekken er de verkeerde les uit. Het model hallucineert zich een weg langs de informatie die het nooit heeft gekregen, mensen zien het falen en hun vertrouwen brokkelt af in wat deze modellen met de juiste toegang wél zouden kunnen betekenen.
De tweede strategie richt zich op het aanschaffen van een kant-en-klaar AI-harnas, bijvoorbeeld door simpelweg Copilot aan te zetten en Microsoft te laten regelen hoe het model inhaakt op jouw business: de integraties, de permissies, de regels en de logs. De AI staat dan eindelijk dicht bij het werk, maar het harnas blijft ondoorzichtig en grotendeels onbekend terrein. Erger nog, het is niet van jou. Je weet niet precies welke informatie het kan bereiken, welke regels het volgt of hoe je het kunt begrenzen. Ook de integraties met de workflows die jouw organisatie onderscheiden, zijn nu van Big Tech en niet van jou. Bovendien is dit hetzelfde harnas dat je concurrent morgen ook kan aanzetten. Wat iedereen kan kopen, onderscheidt niemand.
Dus de ene strategie laat je achter met een model zonder harnas. De andere met een harnas dat je niet bezit en nauwelijks begrijpt. In beide gevallen is het resultaat hetzelfde: er is eindelijk toegang tot AI, maar nog steeds geen echte controle. Dat is afhankelijkheid vermomd als adoptie. En het brengt je nooit in de positie die ertoe doet: genoeg van het harnas bezitten om van het model een vrije keuze te maken.
Koop wat standaard is, bouw wat je onderscheidt
Kortom, er is een betere strategie voor AI-adoptie: bouw het harnas zelf en behandel het model als het onderdeel dat je uiteindelijk kunt vervangen. Het is een van de oudste regels in IT: koop wat standaard is en bouw wat je onderscheidt. Het AI-model wordt het standaardonderdeel, maar het harnas is waar jouw manier van werken leeft. Het kant-en-klaar inkopen van het harnas lijkt werk te besparen, maar in werkelijkheid besteed je daarmee de manier waarop je je bedrijf of organisatie runt uit aan een ander.
De start hoeft niet groot te zijn. Kies één werkproces of één klantreis en begin daar. Het belangrijkste is dat je begint en dat je organisatie stap voor stap leert hoe zij een harnas bouwt rond deze krachtige AI-modellen. Wachten is uiteindelijk de dure optie. Hoe langer je wacht op het perfecte Europese model, hoe dieper het harnas van een ander wortel schiet in je organisatie. Daarmee wordt de kans steeds kleiner dat je AI uiteindelijk op je eigen voorwaarden kunt adopteren.
Het antwoord ligt dus gewoon binnen handbereik: degelijke, misschien zelfs saaie softwareontwikkeling. Iets waar we in Europa best goed in zijn en waarvoor geen half biljoen dollar aan AI-investeringen nodig is.
Twintig jaar geleden zette Al Gore de klimaatcrisis wereldwijd op de kaart. De film won een Oscar, hijzelf een Nobelprijs, maar de CO₂-curve bleef stijgen. We hoeven dat verhaal niet te herhalen met het AI-harnas dat we nooit hebben gebouwd. Deze keer hoeven we niet alleen het publiek te zijn. Laten we beginnen met bouwen!
