De Europese AI-discussie wordt vaak gevoerd alsof er maar twee smaken zijn: zelf een model bouwen of afhankelijk worden van een buitenlandse aanbieder. De ontwikkelingen van deze week laten zien dat de relevante keuze voor bedrijven subtieler is. Het gaat om de vraag wie de samenhang beheerst tussen ambitie, rekenwerk, modellen en kennis. Juist daar ligt volgens Edgar van Lent de praktische opgave voor Europese organisaties.

De ambitie van Reson8 om een Europese AI-gigant te bouwen, zoals beschreven door Sifted, is daarom meer dan een ondernemersverhaal. Het maakt zichtbaar dat Europa niet alleen behoefte heeft aan AI-gebruikers, maar ook aan bedrijven die een strategische positie in de waardeketen willen innemen. Voor gevestigde ondernemingen is dat geen oproep om allemaal zelf een groot AI-bedrijf te worden. Wel is het een waarschuwing om niet te denken dat inkoop alleen voldoende regie oplevert.

Edgar van Lent, AI-specialist gericht op de inzet van kunstmatige intelligentie in het Europese bedrijfsleven, stelt dat Europese bedrijven hun AI-koers niet moeten afmeten aan de vraag welk model het indrukwekkendst klinkt, maar aan de vraag welke onderdelen van de keten zij aantoonbaar zelf kunnen sturen.

Ambitie is pas geloofwaardig met een beheersbare basis

De Reson8-ambitie die Sifted beschrijft, legt een ongemakkelijke maar nuttige lat neer. Europese bedrijven willen vaak wel met AI vernieuwen, maar behandelen de technische basis als een uitvoeringsdetail. Daarmee ontstaat het risico dat strategie, gegevensgebruik en kosten pas onderwerp van gesprek worden wanneer een toepassing al afhankelijk is geworden van één platform, één leverancier of één intern specialistisch team.

Dat betekent niet dat autonomie gelijkstaat aan alles zelf bouwen. Integendeel: voor veel organisaties is een gerichte combinatie van externe modellen, eigen data en heldere procesverantwoordelijkheid verstandiger dan een kostbare poging tot volledige zelfvoorziening. De onderschatte randvoorwaarde is echter dat een bedrijf vooraf moet kunnen aanwijzen waar het kan wisselen van component, waar vertrouwelijke informatie blijft en wie bevoegd is om een toepassing aan te passen of stil te zetten. Zonder die basis blijft Europese AI-ambitie vooral een inkoopbeslissing met een strategisch etiket.

Edgar van Lent ziet hierin een onderscheid dat in veel bestuurskamers nog ontbreekt: schaal is niet hetzelfde als zeggenschap. Een organisatie kan snel veel AI-functionaliteit gebruiken en toch weinig invloed hebben op de voorwaarden waaronder die functionaliteit morgen werkt.

Rekenkracht wordt een organisatievraagstuk

Twee berichten van Tweakers maken die vraag concreter. Apple bundelt ongebruikte gpu-capaciteit van Macs in het bedrijfsnetwerk voor AI-taken, zonder daarvoor extra gpu's aan te schaffen. Dat is relevant omdat het rekencapaciteit niet uitsluitend neerzet als een aankoop bij een cloudpartij, maar als een bedrijfsasset die slimmer kan worden georganiseerd.

Voor Europese ondernemingen zit de les niet in het kopiëren van Apples technische aanpak. De betekenis is bestuurlijker: kijk eerst naar de capaciteit die al aanwezig is, maar behandel die vervolgens ook als gedeelde infrastructuur. Zodra afdelingen eigen AI-taken op bestaande apparatuur kunnen uitvoeren, ontstaan vragen over prioriteit, toegang, toezicht en continuïteit. Wie krijgt capaciteit als meerdere teams tegelijk willen experimenteren? Welke taken mogen op interne systemen draaien? En wanneer is een gedistribueerde oplossing efficiënt, maar onvoldoende voorspelbaar voor een bedrijfskritisch proces?

Het bericht dat twee Mac Studio's met M5 Ultra Meta's Muse Spark Open-model kunnen draaien, eveneens via Tweakers, voegt daar een tweede dimensie aan toe. Een open model dat op relatief afgebakende hardware kan draaien, verschuift de discussie van louter toegang naar inzetbaarheid. Voor bedrijven kan dat ruimte bieden om toepassingen dichter bij de eigen werkomgeving te organiseren. Maar die mogelijkheid is nog geen bedrijfswaarde op zichzelf. Een model lokaal kunnen draaien zegt niets over de kwaliteit van de uitkomsten, de aansluiting op interne processen of de verantwoordelijkheid wanneer de toepassing fouten maakt.

Edgar van Lent benadrukt dat de verleiding groot is om dit als een hardwareverhaal te lezen. De werkelijke vraag is of een organisatie de operationele discipline heeft om lokale of interne AI-capaciteit te beheren als een dienst: met duidelijke gebruiksdoelen, eigenaarschap en controle op de resultaten.

Kennisbescherming hoort bij de AI-architectuur

De rechtszaak waarin OpenAI Apple beschuldigt van datadiefstal rond een geheim AI-apparaat, zoals Tweakers meldt, laat een andere kwetsbaarheid zien. De details behoren aan de betrokken partijen en de rechtsgang, maar de zakelijke betekenis is duidelijk: in AI zit waarde niet alleen in software of rekenkracht. Ook ontwerpkeuzes, werkwijzen en kennis van nog niet zichtbare producten zijn strategische activa.

Voor Europese bedrijven wordt kennisbescherming vaak te smal opgevat als een juridisch dossier of een geheimhoudingsclausule. Bij AI moet zij onderdeel zijn van de dagelijkse werkwijze. Teams moeten weten welke informatie in prompts, testomgevingen, documentatie en overdrachten thuishoort. Even belangrijk is dat bedrijven voorkomen dat cruciale kennis uitsluitend in hoofden of losse experimenten zit. Controle vraagt dus niet alleen om beperkingen, maar ook om een goed overdraagbaar ontwerp van processen en verantwoordelijkheden.

De komende weken moeten Europese bedrijven daarom letten op drie signalen: of interne rekenkracht daadwerkelijk bruikbaar is voor prioritaire AI-taken, of open modellen passen binnen hun beheer- en kwaliteitsprocessen, en of hun omgang met kennis aansluit bij de snelheid waarmee AI-projecten worden ontwikkeld. Wie die drie onderwerpen verbonden behandelt, maakt van AI geen verzameling losse pilots, maar een beheersbare strategische capaciteit.