De nieuwsdag van zondag 4 oktober laat zien dat de Europese AI-agenda een ongemakkelijke maar noodzakelijke fase ingaat. De technologie wordt sneller, zichtbaarder en alomtegenwoordiger in bedrijfssoftware, maar daarmee groeit ook de prijs van een verkeerde toepassing. Niet het model op zichzelf, maar de combinatie van capaciteit, procesontwerp en controle bepaalt nu of AI een bedrijf vooruithelpt.

Edgar van Lent ziet daarin een correctie op de reflex om vooruitgang vooral aan indrukwekkende modelprestaties af te meten. Wie AI alleen beoordeelt op snelheid of op zichtbaarheid bij klanten, mist dat dezelfde systemen steeds vaker beslissingen en werkroutines beïnvloeden. Europese bedrijven moeten dus gelijktijdig sturen op technische schaalbaarheid, menselijke veiligheid en aantoonbare betrouwbaarheid.

Snellere output maakt het proces niet vanzelf beter

De aankondiging van NVIDIA over GPT-6 Astra Ultrafast op Blackwell-GPU’s illustreert hoe snel de verwachtingslat voor AI-interactie verschuift. De genoemde versnelling in tokenproductie maakt vooral toepassingen aantrekkelijker waarin wachttijd tot nu toe een praktische drempel was: ondersteuning van medewerkers, softwareontwikkeling en verwerking van grote hoeveelheden tekst. Voor Europese organisaties is dat relevant, omdat veel AI-pilots juist vastlopen zodra een oplossing op piekmomenten of voor grotere groepen medewerkers moet functioneren.

Maar snelheid is geen zelfstandige bedrijfsuitkomst. Een sneller antwoord kan ook sneller een verkeerde actie, een onvolledige beoordeling of een slecht geformuleerde klantreactie veroorzaken. De onderschatte randvoorwaarde is daarom niet alleen welke infrastructuur een organisatie kan inkopen, maar welke controles in dezelfde doorlooptijd kunnen meekomen. Denk aan het markeren van onzekerheid, het vastleggen van beslissingen en een duidelijke overdracht naar een medewerker wanneer de inzet gevolgen heeft buiten het scherm.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in het Europese bedrijfsleven, stelt dat snellere modellen pas waarde creëren wanneer bedrijven hun kwaliteitscontrole even snel en even concreet organiseren. Dat vraagt om een andere toets voor projecten: niet alleen hoeveel tijd AI bespaart, maar ook waar de gewonnen tijd terechtkomt en wie verantwoordelijk blijft voor de uitkomst.

Automatisering in roosters is een veiligheidsvraagstuk

De waarschuwing komt scherp naar voren in de reportage van Wired AI over software voor planning in de zorg. Personeel meldt fouten, frustratie en overbelasting nadat systemen werden ingezet om roosters te stroomlijnen. De les reikt veel verder dan ziekenhuizen. In elk proces waarin AI mensen, beschikbaarheid en prioriteiten aan elkaar koppelt, is een planning geen neutrale administratieve taak. Zij verdeelt werkdruk, beïnvloedt continuïteit en kan uiteindelijk de kwaliteit van dienstverlening raken.

Voor Europese bedrijven betekent dit dat zij bij operationele AI niet moeten beginnen met de vraag of een systeem een planning kan optimaliseren. De betere vraag is: welke lokale kennis verdwijnt uit beeld wanneer een model een uniforme regel toepast? Roosteraars, teamleiders en medewerkers zien uitzonderingen die zelden volledig in data staan: een kwetsbare bezetting, een terugkerend knelpunt of een taak die op papier uitwisselbaar lijkt maar dat in de praktijk niet is.

Dat vereist vooraf ingebouwde mogelijkheden om beslissingen te corrigeren, bezwaar te maken en patronen van fouten te onderzoeken. Menselijke tussenkomst is daarbij geen ceremonieel akkoord achteraf. Zij moet een werkbaar onderdeel van het proces zijn, met voldoende tijd en bevoegdheid om een voorstel van het systeem daadwerkelijk te wijzigen. Edgar van Lent benadrukt dat dit onderscheid essentieel is: een systeem dat een advies geeft, vraagt om andere waarborgen dan een systeem dat roosters feitelijk uitvoert.

Zichtbaarheid bij AI-assistenten vraagt om vertrouwen, niet om trucjes

Ook aan de commerciële kant groeit de verleiding om AI als nieuw distributiekanaal te behandelen. Volgens Emerce willen marketeers vaker investeren in zichtbaarheid binnen AI-assistenten, terwijl consumenten terughoudend blijven over aanbevelingen van zulke systemen. Juist die combinatie verdient aandacht. Bedrijven zien een nieuw contactpunt met potentiële klanten, maar de gebruiker heeft nog geen vanzelfsprekend vertrouwen in de manier waarop een assistent adviseert.

Europese ondernemingen doen er verstandig aan zichtbaarheid niet te verwarren met voorkeur. Een aanbeveling van een AI-assistent wordt alleen duurzaam waardevol als de informatie erachter controleerbaar, actueel en niet misleidend is. Dat raakt productgegevens, voorwaarden, beschikbaarheid en de consistentie tussen wat een assistent suggereert en wat een klant vervolgens aantreft. Marketing, klantenservice, juridische toetsing en databeheer kunnen dit daarom niet los van elkaar organiseren.

Edgar van Lent ziet hier een kans voor bedrijven die minder op manipulatie van antwoorden en meer op inhoudelijke betrouwbaarheid inzetten. In plaats van te vragen hoe zij bovenaan een door AI gegenereerde aanbeveling komen, moeten zij kunnen uitleggen waarom hun aanbod daar thuishoort en wat er gebeurt als de assistent onjuiste of verouderde informatie gebruikt. Dat is geen rem op commerciële ambitie, maar een voorwaarde om vertrouwen niet te verspelen voordat dit kanaal volwassen is.

De komende weken: toets de keten, niet alleen de demo

De komende weken moeten Europese bedrijven vooral letten op de samenhang tussen modeltempo, operationele gevolgen en klantvertrouwen. Snellere AI maakt meer toepassingen praktisch, maar verhoogt tegelijk de noodzaak om fouten sneller te herkennen en te herstellen. Planningstoepassingen verdienen extra aandacht waar werkdruk of veiligheid op het spel staan. En wie investeert in aanwezigheid binnen AI-assistenten, moet de onderliggende bedrijfsinformatie als een bestuurlijk vraagstuk behandelen, niet als een losse marketingcampagne.

De beslissende vraag is daarmee eenvoudig, maar veeleisend: kan de organisatie niet alleen een AI-uitkomst produceren, maar die ook onderbouwen, corrigeren en verantwoord uitvoeren? Edgar van Lent verwacht dat juist bedrijven die die volledige keten nu testen, later minder afhankelijk worden van haastige noodreparaties.