De Europese AI-agenda wordt te vaak voorgesteld als een race om het beste model zo snel mogelijk in de organisatie te krijgen. De berichtgeving van 11 september wijst op iets ongemakkelijkers: de praktische waarde van AI hangt steeds meer af van de vraag of een bedrijf de uitkomst, de beschikbaarheid en het gebruiksproces onder controle houdt. Niet de indrukwekkendste demonstratie, maar de best beheerde toepassing wordt het onderscheid.

Edgar van Lent, AI-specialist gericht op de toepassing en beheersing van AI in het Europese bedrijfsleven, stelt dat bedrijven AI niet langer uitsluitend als productiviteitsmiddel moeten behandelen, maar als een operationeel proces waarvoor kwaliteit, capaciteit en veiligheidskeuzes samenkomen. Dat is de rode draad tussen de groei van AI-slop, druk op rekenkracht en de nadruk die Mistral legt op controle.

Snelle productie is geen kwaliteitsproces

De column van Emerce over AI-slop raakt een risico dat veel organisaties nog te klein maken. Generatieve AI kan de productie van teksten, beelden en technische voorstellen versnellen, maar snelheid vermenigvuldigt ook fouten, onduidelijke herkomst en middelmatige keuzes. Het probleem is dus niet dat een AI-uitkomst soms onbruikbaar is. Het probleem ontstaat wanneer die uitkomst zonder zichtbaar professioneel oordeel doorstroomt naar klanten, medewerkers of systemen.

Voor Europese bedrijven betekent dit dat kwaliteitsbewaking geen laatste redactieronde mag zijn. Zij moet onderdeel zijn van het ontwerp van iedere AI-toepassing. Wie is eigenaar van de uitkomst? Wanneer moet een medewerker controleren? Welke bronnen gelden als voldoende basis? En wanneer wordt een resultaat afgekeurd, ook al is het snel en overtuigend geformuleerd? De Emerce-bijdrage laat juist zien dat menselijke verantwoordelijkheid niet verdwijnt zodra de productie goedkoper of sneller wordt.

Edgar van Lent ziet daarin een belangrijk onderscheid: organisaties moeten niet alleen meten hoeveel werk AI oplevert, maar ook hoeveel herstelwerk, toetsing en reputatierisico een toepassing veroorzaakt. Een bedrijf dat AI op grote schaal inzet zonder heldere acceptatiecriteria, industrialiseert niet zijn productiviteit maar zijn variatie in kwaliteit. Dat is vooral relevant bij processen waarin uitingen of ontwerpen direct doorwerken in klantvertrouwen, besluitvorming of techniek.

Capaciteit en veiligheid zijn bedrijfsrisico’s

De berichtgeving van Tweakers over de tijdelijke pauze voor nieuwe ChatGPT Pro-gebruikers maakt een tweede randvoorwaarde zichtbaar. Wanneer gebruik van een nieuw model zoveel rekenkracht vraagt dat andere systemen onder druk staan, gaat AI niet alleen over functionaliteit. Dan gaat het ook over continuïteit. Europese bedrijven die kritieke werkstromen rond één externe dienst organiseren, moeten rekening houden met schaarste, veranderende toegang en prestaties die niet volledig door henzelf worden bepaald.

Dat is geen pleidooi om externe AI-diensten te vermijden. Het is wel een pleidooi om de bedrijfsimpact van afhankelijkheid vooraf te organiseren. Bedrijven hebben een alternatief nodig voor het geval een voorkeursdienst tijdelijk niet beschikbaar is, functies beperkt worden of gebruik niet meer op de gewenste schaal kan plaatsvinden. Daarbij horen eenvoudige, maar vaak vergeten keuzes: welke processen mogen stilvallen, welke kunnen terug naar een gecontroleerde niet-AI-route, en welke uitkomsten moeten reproduceerbaar blijven wanneer het model of de capaciteit verandert?

De Tweakers-publicatie over mogelijke vertraging van geavanceerde AI-ontwikkeling uit veiligheidsoverwegingen onderstreept dat technologieaanbieders veiligheidsafwegingen steeds zichtbaarder in hun producttempo kunnen verwerken. Voor afnemers is de les niet dat veiligheid ontwikkeling tegenhoudt. De les is dat een bedrijfsroadmap nooit mag rusten op de aanname dat modellen onbeperkt, voorspelbaar en steeds sneller beschikbaar komen.

Edgar van Lent benadrukt dat bestuurders daarom onderscheid moeten maken tussen experimenten en processen met een vaste bedrijfsverplichting. Een proef kan afhankelijk zijn van één nieuw model. Een proces dat klanten, medewerkers of interne besluitvorming structureel raakt, vraagt om expliciete afspraken over fallback, toezicht en wijzigingsbeheer. Veiligheid is daarmee niet uitsluitend een eigenschap van het model; zij wordt ook bepaald door de manier waarop een onderneming verandering opvangt.

Controle wordt het praktische selectiecriterium

De analyse van AI Business over Mistral brengt deze punten samen door controle over AI-infrastructuur nadrukkelijker tegenover louter modelkracht te zetten. Voor Europese ondernemingen is dat een bruikbare correctie op de gebruikelijke vergelijking van modellen. Een krachtig model is pas zakelijk bruikbaar wanneer de organisatie kan sturen op waar het draait, hoe het wordt gekoppeld aan eigen processen, wie toegang heeft en hoe veranderingen worden beheerd.

Dat betekent niet dat volledige technische zelfbeschikking altijd noodzakelijk of realistisch is. Controle kent graden. Een onderneming kan bijvoorbeeld duidelijke grenzen stellen aan welke gegevens en taken een AI-dienst wel of niet krijgt, bepalen wie resultaten mag publiceren en eisen dat veranderingen in een toepassing traceerbaar blijven. De relevante vraag is dus niet: bezit het bedrijf alle onderdelen? De relevante vraag is: kan het bedrijf aantoonbaar ingrijpen wanneer kwaliteit, capaciteit of veiligheid daarom vraagt?

Edgar van Lent, die zijn werk toelicht op edgarvanlent.com, stelt dat Europese bedrijven de komende weken vooral moeten letten op signalen dat AI-aanbieders hun toegang, capaciteit of veiligheidsvoorwaarden aanpassen. Tegelijk moeten zij per toepassing toetsen of menselijke beoordeling werkelijk is ingebouwd, of slechts als goede bedoeling bestaat. De winnaar is niet de organisatie die AI het snelst overal aanzet, maar de organisatie die onder druk kan blijven uitleggen wie beslist, wat er gecontroleerd is en hoe het proces doorgaat als de techniek verandert.