Inkoopafdelingen investeren volop in kunstmatige intelligentie om processen te versnellen, kosten te verlagen en beter grip te krijgen op leveranciersrisico’s. Maar een systeem dat zelfstandig leveranciers selecteert of contracten beoordeelt, vraagt om iets anders dan technische adoptie: het vraagt om vertrouwen. Wie bepaalt of een AI-agent de juiste afweging maakt, en op basis van welke data?

Al in 1971 richtten de Universiteit van Amsterdam, de Vrije Universiteit en het Mathematisch Centrum samen een eigen rekencentrum op. De rekenkracht waar hun onderzoek van afhing wilden ze niet aan een externe partij overlaten; die hielden ze in eigen hand.

Organisaties zoeken naar manieren om data beter te benutten, zonder grip te verliezen op eigenaarschap en privacy. Deze uitdaging wordt in vrijwel elke sector urgenter, terwijl traditionele oplossingen daarin tekortschieten. In veel sectoren wordt informatie namelijk nog altijd verzameld in centrale databronnen, maar die aanpak staat onder druk. Nieuwe technologie en strengere Europese regelgeving dwingen tot een andere manier van denken over gegevensuitwisseling.

De opkomst van AI heeft data governance plots urgent gemaakt en de Amerikaanse Cloud Act zorgt voor groeiende onrust. Kunnen Amerikaanse overheden echt bij Nederlandse data? Het antwoord zal regelmatig bevestigend zijn. Het dwingt organisaties om fundamentele keuzes te maken over digitale soevereiniteit, een onderwerp dat de nieuwskoppen momenteel regelmatig domineert.

Bestuurders die AI omarmen, stellen vaak eerst de verkeerde vraag. Niet welk model of platform het beste past, maar of de onderliggende data betrouwbaar, actueel en voldoende gekoppeld zijn om die AI te voeden. AI creëert namelijk niets uit het niets, het versterkt wat al in de data zit, inclusief fouten, hiaten en silo’s. Slechte data leiden tot AI die met grote stelligheid verkeerde antwoorden geeft, en dat is erger dan geen AI.

Organisaties die AI inzetten op gefragmenteerde personeelsdata lopen grote risico’s. Binnen HR en payroll zijn de gevaren het grootst: nergens binnen een bedrijf zijn de gegevens gevoeliger en de systemen zo versnipperd. Internationale bedrijven werken vaak met lokale payrollproviders, losse HR-applicaties en spreadsheets die via handmatige koppelingen worden samengevoegd. Dat fragiele fundament kan AI-conclusies onbetrouwbaar maken, en dan zijn de gevolgen niet te onderschatten.

Het debat over digitale soevereiniteit gaat vooral over de verkeerde laag. De AI Act, Cloud Act, NIS2 en discussies over datalocatie draaien om waar informatie wordt opgeslagen, wie haar beheert en wie er toegang toe heeft. Het zijn belangrijke vragen. Maar ze zeggen weinig over de datakwaliteit waarop AI wordt getraind. Terwijl die steeds bepalender wordt voor de betrouwbaarheid van intelligente systemen.

Veel organisaties beschikken over dashboards en budgetten, maar voeren nog te weinig het gesprek dat er echt toe doet: welke technologie draagt bij aan welke bedrijfswaarde? Nu IT-uitgaven door cloud en kunstmatige intelligentie stijgen, wordt die vraag urgenter. Niet alleen ICT-teams moeten begrijpen welke diensten zij afnemen en wat die kosten, maar ook finance en de business.

Jarenlang draaide de discussie over data vooral om innovatie: hoe kunnen organisaties sneller analyseren, slimmer automatiseren en meer waarde halen uit kunstmatige intelligentie? Nu datasoevereiniteit hoog op de agenda staat, verschuift de aandacht naar een andere vraag: hoeveel grip hebben organisaties nog op hun data, infrastructuur, rekenkracht en de afhankelijkheden die daarbij ontstaan?

Vrijwel elk bedrijf experimenteert inmiddels met kunstmatige intelligentie. Toch lopen de meeste organisaties vast voordat AI echte concurrentievoordelen oplevert. Niet door gebrek aan technologie, maar door ontoereikende architectuur, onduidelijke governance en een organisatiestructuur die nog niet is ingericht voor een fundamenteel andere manier van werken.

Organisaties investeren volop in nieuwe technologie, maar de waarde van systemen, applicaties en clouddiensten hangt af van een cruciale voorwaarde: de mate waarin ze met elkaar communiceren. Zonder samenhang in het IT-landschap leidt digitalisering niet tot versnelling, maar tot versnippering. Dat risico wordt nog te vaak onderschat.

Digitale soevereiniteit is het woord van het moment. Iedereen wil er grip op hebben, maar bijna niemand definieert het hetzelfde. Voor de een gaat het over eigendom, voor de ander over locatie, en voor weer een ander over de vraag wie op afstand de stekker eruit kan trekken. Die verwarring is geen detail: hoe je het debat voert, bepaalt welke oplossing je kiest. En een verkeerd gekozen oplossing lost het probleem niet op.

Europese organisaties staan voor een fundamentele heroriëntatie op hun digitale infrastructuur. Geopolitieke spanningen, nieuwe regelgeving en een groeiende afhankelijkheid van Amerikaanse technologiebedrijven dringen bestuurders ertoe om opnieuw na te denken over wie werkelijk de controle heeft over data, systemen en besluitvorming. Digitale soevereiniteit staat inmiddels op de agenda van bestuurders.

De inzet van generatieve en agentic AI verschuift snel van proefproject naar bedrijfskritische toepassing. Daarmee groeit de behoefte aan systemen die niet alleen slim antwoorden, maar ook aantoonbaar werken met gevalideerde kennis, duidelijke bronverwijzingen en strikte controle over data. Voor organisaties met verspreide handleidingen, procedures, technische tekeningen, e-mails en databases is dat een voorwaarde om AI verantwoord in processen op te nemen.

Data veilig in Europa opslaan is niet hetzelfde als grip houden op AI. Organisaties richten zich bij datasoevereiniteit vaak op de locatie van hun gegevens, maar volgens het Enschedese Artific ligt de echte afhankelijkheid een laag dieper: bij het onderliggende AI-model en bij de vraag of organisaties kunnen blijven sturen op de werking ervan.

Organisaties investeren massaal in kunstmatige intelligentie. Budgetten worden vrijgemaakt, consultants ingehuurd, roadmaps opgesteld. Toch blijft de beloofde bedrijfswaarde in veel gevallen uit. Niet omdat de technologie tekortschiet, maar omdat de aanpak fundamenteel verkeerd is. De kloof tussen ambitieuze AI-strategie en werkelijke implementatie blijkt voor de meeste bedrijven onoverbrugbaar.

Veel mkb-bedrijven zien de mogelijkheden van kunstmatige intelligentie, maar weten niet hoe ze moeten beginnen. Juist een praktische aanpak, waarbij kennis uit het onderwijs en bedrijfsleven samenkomt, blijkt AI sneller toepasbaar te maken. Onderzoek toont bovendien dat bedrijven uit uiteenlopende sectoren uiteindelijk verrassend vergelijkbare AI-oplossingen ontwikkelen.

De wereld van e-commerce en logistiek verandert sneller dan ooit. Consumenten verwachten niet langer alleen dat hun pakketje op tijd wordt bezorgd. Ze willen realtime inzicht, direct antwoord op hun vragen en een ervaring die via elk kanaal hetzelfde voelt. Dat vraagt om meer dan een sterk logistiek netwerk en een organisatie die net zo slim met data en AI omgaat als met pakketten.

Ondanks de enorme kapitaalinjecties in kunstmatige intelligentie blijft het tastbare rendement vaak uit. Niet omdat de technologie tekortschiet, maar door een gebrek aan fundament. Gebrekkige data-architectuur, stroperige processen en een gebrek aan regie zorgen ervoor dat veel AI-initiatieven steken laten vallen voordat ze waarde toevoegen.

Kunstmatige intelligentie staat bovenaan de agenda van elk bedrijf, elke overheid en elke onderzoeksinstelling. De discussie gaat bijna altijd over software, modellen en data. Wat daarbij onderbelicht blijft, is de hardwarekant: de chips en materialen die al die intelligentie mogelijk maken. Zonder fundamentele doorbraken op dat vlak stuit de AI-revolutie op een muur van energieverbruik en schaarse grondstoffen.