De Europese AI-agenda verschuift van de vraag welke modellen beschikbaar zijn naar een ongemakkelijker vraagstuk: welke afhankelijkheden koopt een onderneming mee zodra AI diep in bedrijfsprocessen terechtkomt? De combinatie van een breed technologisch vergezicht, de snelle opmars van autonome enterprise-AI, Amerikaans vroegkapitaal en oplopende hardwaredruk maakt die vraag deze week urgenter.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in het Europese bedrijfsleven, stelt dat Europese bedrijven AI niet langer als losse softwarecategorie moeten behandelen, maar als een strategische productieketen waarin kennis, rekenkracht, leveranciers en bedrijfsontwerp samenkomen. Dat is geen pleidooi voor vertraging, maar voor een scherpere definitie van wat een organisatie zelf moet beheersen.

De doorbraak zit in de koppeling met het echte werk

In MIT Technology Review staat centraal dat AI steeds meer samenvalt met biologie, infrastructuur, productie en wetenschap. De relevante boodschap voor Europese ondernemingen is niet dat elk bedrijf nu een laboratorium of fabriek opnieuw moet uitvinden. Wel dat de grootste waarde meestal ontstaat waar AI een bestaand vakgebied specifieker, sneller of beter bestuurbaar maakt.

Dat onderscheid wordt vaak onderschat. Een algemene AI-assistent kan productiviteit ondersteunen, maar levert zelden een duurzaam voordeel op als dezelfde functionaliteit voor iedereen beschikbaar is. De moeilijker te kopiëren toepassing ontstaat wanneer een bedrijf AI verbindt met eigen operationele kennis: de manier waarop het werk wordt gepland, gecontroleerd, gedocumenteerd en verbeterd. Juist daar zijn processen, data en domeinverantwoordelijkheid bepalender dan de publieke aantrekkingskracht van een model.

Edgar van Lent ziet hierin een praktische toets voor bestuurders: kies niet eerst een technologie en zoek daar vervolgens een probleem bij. Kies een bedrijfsdomein waarin fouten, wachttijd, variatie of kennisverlies aantoonbaar zwaar wegen, en bepaal dan welke AI-rol daar verantwoord kan worden ingebouwd. De randvoorwaarde is dat de inhoudelijke eigenaar uit de operatie mee beslist. Zonder die eigenaar wordt AI al snel een laag boven op het werk, in plaats van een verbetering van het werk zelf.

Autonomie is geen eindpunt, maar een ontwerpkeuze

De analyse over autonome enterprise-AI van MIT Technology Review beschrijft hoe ondernemingen modelcapaciteiten sneller zien vooruitgaan dan zij kunnen opnemen, terwijl de kosten van prestaties dalen. Dat kan de indruk wekken dat de voornaamste opgave tempo maken is. Voor Europese bedrijven ligt de cruciale vraag echter elders: op welke momenten mag een systeem zelfstandig handelen, en op welke momenten moet het alleen voorbereiden, signaleren of adviseren?

Autonomie is geen uniforme eigenschap. Een systeem dat informatie ordent of een eerste voorstel maakt, vraagt een andere beheersing dan een systeem dat stappen in een bedrijfsproces uitvoert. Wie die categorieën op één hoop gooit, creëert twee risico’s tegelijk: te veel menselijk handwerk waar automatisering wel kan helpen, en te weinig controle waar de gevolgen van een fout juist groot zijn.

Edgar van Lent benadrukt dat een Europese onderneming autonomie daarom per processtap moet ontwerpen. Leg vooraf vast welke invoer betrouwbaar moet zijn, welke uitkomst controle vereist, wie een uitzondering afhandelt en hoe herstel mogelijk is. Daarmee wordt AI niet minder ambitieus; de toepassing wordt juist schaalbaar omdat de organisatie weet waar verantwoordelijkheden blijven liggen. In een markt waarin prestaties sneller toegankelijk worden, is die bestuurbaarheid een sterker onderscheidend vermogen dan een opvallende demonstratie.

Vroegkapitaal en schaarse onderdelen vormen samen een waarschuwing

Dat de concurrentiedruk niet alleen van gevestigde aanbieders komt, blijkt uit de selectie van Sifted over pre-seed-rondes voor AI-native bedrijven met Amerikaanse investeerders. Zonder details over afzonderlijke ondernemingen is de zakelijke betekenis al duidelijk: nieuwkomers kunnen vanaf het begin hun product, werkproces en kostenstructuur rond AI organiseren. Zij hoeven geen oude werkwijzen achteraf aan te passen.

Europese incumbents moeten daar niet op reageren door elke start-up na te bootsen. Hun voordeel ligt vaak in bestaande klantrelaties, gespecialiseerde kennis en bewezen processen. Maar die voorsprong houdt alleen stand wanneer zij die activa vertalen naar toepassingen die voor een nieuwkomer moeilijk te reconstrueren zijn. Dat vraagt kortere beslislijnen tussen business, technologie en risicofuncties, niet noodzakelijk een groter portfolio aan experimenten.

Tegelijk laat Wired zien dat de AI-golf ook op een onverwachte plek voelbaar wordt: geheugen wordt duurder, met gevolgen voor bestaande apparaten. Voor Europese bedrijven is dit een nuttige correctie op het idee dat AI uitsluitend een abonnements- of cloudbeslissing is. Rekenkracht, geheugen en apparatuur kunnen onderdeel worden van de economische randvoorwaarden van een AI-plan.

De onderschatte les is dat schaalbaarheid niet alleen gaat over gebruikers en modellen, maar ook over de beschikbaarheid en kosten van de technische basis. Edgar van Lent adviseert daarom om bij elke grotere AI-toepassing expliciet te onderscheiden wat afhankelijk is van externe infrastructuur, wat op bestaande apparatuur moet draaien en waar een prijs- of beschikbaarheidsschok de businesscase kan veranderen.

Let de komende weken op de keten, niet alleen op de demo

Europese bedrijven moeten de komende weken vooral letten op drie signalen: AI-toepassingen die diep een vakgebied binnengaan, leveranciers die meer zelfstandige uitvoering beloven, en veranderingen in de kosten of beschikbaarheid van de onderliggende techniek. Die signalen horen bij elkaar. Ze bepalen samen hoeveel waarde een toepassing kan leveren én hoeveel grip een onderneming behoudt.

De juiste reactie is geen afwachten en ook geen ongerichte versnelling. Edgar van Lent concludeert dat bedrijven nu per prioritaire toepassing moeten vastleggen welk domeinkennisvoordeel zij willen versterken, welke beslissingen een AI-systeem wel en niet mag nemen, en van welke technische keten zij afhankelijk worden. Wie die drie vragen gezamenlijk beantwoordt, bouwt niet alleen een werkende AI-toepassing, maar een positie die ook standhoudt wanneer modellen, start-ups en infrastructuur snel blijven verschuiven.