De AI-race van deze week gaat minder over wie de fraaiste demo heeft, en meer over welke bedrijfskennis, werkomgeving en praktijktoets niet zomaar kunnen worden gekopieerd. Dat is een wezenlijk verschil voor Europese ondernemingen. Wie AI vooral ziet als een inkoopvraag — kies een model en zet het aan — bouwt op een verwisselbare basis. Wie AI koppelt aan gecontroleerde toegang, eigen werkprocessen en een duidelijke feedbacklus, creëert iets dat niet in één keer na te bouwen is.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese organisaties, stelt dat de beslissende vraag niet langer is welk model een bedrijf gebruikt, maar welke unieke werkomgeving het bedrijf veilig kan verbinden met dat model. De berichten over overheidsgebruik, games, fintech en fysieke AI wijzen elk vanuit een andere hoek op precies die verschuiving.

Toegang tot AI is een bestuursvraag

Het verbod voor Amerikaanse federale instanties om DeepSeek te gebruiken, zoals Tweakers bericht, laat zien dat de keuze voor een AI-tool niet kan worden losgemaakt van de informatie die medewerkers erin stoppen. De directe aanleiding is de vrees dat gevoelige informatie in handen van de Chinese overheid kan komen. Voor Europese bedrijven is de relevante les breder en praktischer: elk generatief hulpmiddel wordt onderdeel van de informatiehuishouding zodra medewerkers het gebruiken voor documenten, analyses, software of klantvragen.

Dat betekent niet dat iedere buitenlandse tool per definitie uitgesloten moet worden. Wel betekent het dat een organisatie vooraf moet bepalen welke informatie wel en niet naar welke omgeving mag, wie uitzonderingen mag toestaan en hoe zij controleert of die grens in de praktijk wordt nageleefd. De onderschatte randvoorwaarde is niet alleen techniek, maar mandaat. Zonder een eigenaar die gebruiksregels kan vaststellen én handhaven, verandert een AI-beleid al snel in een advies dat wordt omzeild zodra de werkdruk oploopt.

Edgar van Lent ziet daarin een onderscheid dat vaak verloren gaat: een modelbeoordeling is iets anders dan toegangsbeheer. Een model kan indrukwekkend presteren en toch niet passen bij een proces waarin vertrouwelijke gegevens, handelsinformatie of interne besluitvorming samenkomen. Europese bedrijven doen er verstandig aan die twee besluiten niet in één leveranciersgesprek te laten samenvallen.

Kopieerbaarheid verschuift van product naar leerproces

De keuze van Digital Sun om publieke speeltests te stoppen, gemeld door Tweakers, is ongemakkelijk maar verhelderend. Als programmeertools het eenvoudiger maken om een spel na te maken, wordt een vroege publieke test niet alleen een middel om feedback op te halen, maar ook een moment waarop ideeën, interacties en productkeuzes zichtbaar worden voor mogelijke navolgers.

Voor andere sectoren gaat het niet om games, maar de bestuurlijke les is vergelijkbaar. Bedrijven die AI-toepassingen ontwikkelen, moeten preciezer kiezen wat zij open testen, met wie en onder welke voorwaarden. Dat is geen pleidooi om innovatie achter gesloten deuren te stoppen. Publieke feedback blijft waardevol. Maar organisaties moeten het onderscheid maken tussen wat gebruikers veilig kunnen beoordelen en wat de kern van hun leerproces blootlegt: specifieke werkinstructies, uitzonderingen, evaluatiecriteria en datasets die het systeem in de eigen context beter maken.

Juist die laatste laag is belangrijker dan de zichtbare interface. Een concurrent kan een functie nabouwen; veel moeilijker te kopiëren is de manier waarop een organisatie systematisch leert welke uitkomsten bruikbaar zijn, welke fouten onaanvaardbaar zijn en welke medewerkers de uitkomst mogen corrigeren. Edgar van Lent benadrukt dat Europese bedrijven hun voorsprong daarom niet moeten definiëren als ‘onze AI’, maar als een gedisciplineerd proces waarin domeinkennis, toetsing en verbetering samenkomen.

Schaal ontstaat waar gebruik en bewijs samenkomen

De analyse over de AI-wapenwedloop in Europese fintech, onder de kop The true barrier to entry is scale, legt volgens Sifted de nadruk op schaal als toetredingsdrempel. Die formulering verdient nuancering. Voor Europese ondernemingen is schaal niet uitsluitend een kwestie van groter worden of meer technologie inkopen. De relevante schaal is ook de herhaalbaarheid waarmee een organisatie AI binnen een afgebakend proces kan inzetten, de resultaten kan beoordelen en de toepassing kan aanpassen.

Daarmee raakt fintech aan het vraagstuk achter Digital Sun. Wie een toepassing slechts lanceert, heeft een product. Wie consequent leert van gebruik, bouwt een positie op. Maar dit werkt alleen als de brongegevens en de gebruikscontext onder controle blijven, precies het punt dat de DeepSeek-zaak op scherp zet. Toegang, feedback en schaal zijn dus geen afzonderlijke werkstromen. Ze vormen één bedrijfsmodel voor AI-toepassing.

De ontwikkeling rond Boston als centrum voor fysieke AI maakt de grens van een louter digitale strategie zichtbaar. AI Business beschrijft hoe talent, klanten en investeringen rond robotics samenkomen. Voor Europese bedrijven die AI willen toepassen, is de les niet dat zij een buitenlands ecosysteem moeten kopiëren. Wel dat AI waarde krijgt waar technologie dicht tegen echte handelingen, echte klanten en echte operationele beperkingen aan zit. In fysieke processen wordt de kwaliteit van een AI-oplossing pas zichtbaar wanneer die onder praktijkomstandigheden moet functioneren.

De komende weken: kijk naar de bewijsvoering

De komende weken moeten Europese bedrijven niet alleen volgen welke modellen en toepassingen aandacht krijgen. Zij moeten vooral letten op drie vragen: welke informatie mag een toepassing zien, welk deel van het leerproces is onderscheidend, en waar wordt de uitkomst in de praktijk aantoonbaar beter? Dat zijn de vragen die bepalen of AI een los hulpmiddel blijft of een verdedigbare bedrijfsvaardigheid wordt.

Edgar van Lent verwacht dat organisaties die deze vragen vroeg expliciet maken, minder tijd verliezen aan generieke proefprojecten en sneller kunnen besluiten waar openheid nuttig is en waar terughoudendheid noodzakelijk blijft. De echte voorsprong zit niet in geheimhouding of in schaal op zichzelf, maar in gecontroleerd leren op plaatsen waar een bedrijf daadwerkelijk iets te verliezen én te verbeteren heeft.