13 juni 2026

Waarom Europa eigen AI-modellen moet ontwikkelen

Vandaag verdween er een AI-model. Niet omdat het stuk was, niet omdat er een betere versie kwam, maar omdat een overheid dat bepaalde.

Anthropic maakte bekend dat het op last van een Amerikaanse exportmaatregel de toegang tot twee van zijn modellen, Fable 5 en Mythos 5, moest stopzetten voor elke "foreign national", binnen én buiten de Verenigde Staten. Het gevolg: beide modellen zijn voor alle klanten ter wereld uitgezet. De aanleiding was volgens Anthropic een techniek waarmee het model een codebase op fouten kon controleren, iets wat het bedrijf gewoon beveiligingswerk noemt. Anthropic schreef het niet eens te zijn met de maatregel en eraan te werken de toegang te herstellen. Maar dat verandert niets aan vandaag. De modellen zijn weg, en niemand in Europa kon er iets aan doen.

Dit is geen verhaal over één bedrijf of twee modellen. Het is een verhaal over wat het betekent om afhankelijk te zijn van iets dat je niet zelf kunt maken.

Toegang is een knop die een ander kan indrukken

We praten over AI meestal alsof het een product is dat je koopt. Je neemt een abonnement, je krijgt een sleutel, je gebruikt het model. Vandaag werd zichtbaar dat het eerder een kraan is dan een product. En de kraan zit niet in jouw huis.

Het bijzondere aan deze situatie is wie er aan de knop zat. Niet de leverancier, die wilde blijven leveren. Niet de klant, die wilde blijven afnemen. Een derde partij, een buitenlandse overheid, draaide de toegang dicht voor mensen die niet eens onder haar gezag vallen. Dat is een ander soort afhankelijkheid dan we gewend zijn. Een prijsverhoging zie je aankomen, een leverancier kun je aanspreken. Maar tegen een exportbesluit van een land waar je geen stem in hebt, helpt geen contract.

Voor Europa is dat de kern. Zolang de modellen die ons werk, ons bestuur en straks onze zorg dragen ergens anders worden gemaakt, ligt de knop ergens anders. En een knop die een ander kan indrukken, zal vroeg of laat ook door een ander worden ingedrukt, om redenen die niets met jou te maken hebben.

Het verschil tussen gebruiken en maken

Europa is op dit moment vooral een gebruiker van AI. We nemen af wat elders wordt gemaakt, we passen het toe, we worden er goed in. Dat is niet niks, maar het is iets anders dan kunnen maken.

Een gebruiker schikt zich naar wat wordt aangeboden. Hij krijgt de modellen die een ander besluit te bouwen, getraind op de data die een ander koos, met de eigenschappen die een ander belangrijk vond, beschikbaar zolang een ander dat toestaat. Een maker bepaalt zelf de richting. Welke talen er goed in zitten, welke kennis, welke waarden, en of het model er morgen nog is.

Dat onderscheid voel je pas als je er zelf in zit. In mijn eigen werk merk ik het steeds: een model gebruiken kan iedereen binnen een dag, maar zodra je wilt dat het echt jouw taal en jouw regels begrijpt, kom je uit bij trainen, en dat is een heel ander vak. Daar zit de scheidslijn tussen meedoen en afwachten. Niet in wie het handigst een API aanroept, maar in wie de modellen zelf kan maken.

Wat een model ontwikkelen vraagt

Het woord "ontwikkelen" verbergt hoe groot het is, dus even uitzoomen naar wat er echt gebeurt als je een model maakt.

Het begint met een basistraining. Je voert een model een enorme hoeveelheid tekst, code en andere voorbeelden, en het leert daar patronen uit: hoe taal in elkaar zit, hoe begrippen samenhangen, hoe je redeneert. Dit is het zware deel. Het betekent duizenden grafische processoren die weken aaneen draaien, grote datacenters en een energierekening om stil van te worden. Dit is de fundering van een model, en die leggen is duur en moeilijk.

Daarna komt het bijsturen. Het ruwe model kan veel, maar het is nog niet behulpzaam, beleefd of veilig. In deze fase leer je het instructies opvolgen, leer je het wat het wel en niet moet zeggen, en stem je het af op echte mensen. Dit is goedkoper dan de basistraining, maar het is precies de fase waarin het karakter van een model wordt bepaald.

Voor allebei heb je drie dingen tegelijk nodig: data om van te leren, rekenkracht om het te doen, en mensen die weten hoe. Geen van die drie koop je los in een middag, en ze versterken elkaar pas als ze er alle drie zijn. Dat is precies waarom dit strategische infrastructuur is, geen aankoop. Je bouwt het op zoals je een wegennet of een energievoorziening opbouwt: traag, duur, en je bent blij dat je het hebt op het moment dat je het nodig hebt.

Een model is niet neutraal

Er is een tweede reden, naast de afhankelijkheid, en die is minstens zo belangrijk. Een model is niet neutraal. Het is geen rekenmachine die voor iedereen hetzelfde antwoord geeft. Wat een model goed kan, en wat het stilzwijgend als normaal aanneemt, wordt bepaald tijdens het maken: door de keuze van de data en door de keuzes in het bijsturen.

De meeste grote modellen zijn vooral gemaakt met Engelstalige, Amerikaanse data. Dat merk je. Ze redeneren vloeiender in het Engels dan in het Nederlands of het Fries. Ze kennen het Amerikaanse rechtssysteem beter dan het Europese. Ze dragen aannames over privacy, over de rol van de overheid en over wat je wel en niet zegt, die niet vanzelf met de onze samenvallen. Voor een chatgrapje maakt dat niet uit. Voor een model dat meedenkt over een zorgdossier, een vergunning of een juridische tekst, maakt het wel uit.

En dit is geen detail dat je er achteraf bijplakt. Het zit in het model zelf, ingebakken bij het maken. Wie een model ontwikkelt, beslist welke wereld het als normaal beschouwt. Zolang Europa dat aan anderen overlaat, krijgt het modellen die in het Engels denken en zich daarna in het Nederlands verontschuldigen.

Een voorbeeld dichter bij huis

Neem een samenwerkingsverband van gemeenten dat een AI-assistent inzet om burgers te helpen met aanvragen. Het draait op het beste beschikbare model, want dat gaf de mooiste demo.

Het model blijkt de Nederlandse regelgeving net iets anders te interpreteren dan bedoeld. Niet grof fout, maar net naast de bedoeling, omdat het die regels nooit goed heeft geleerd. En nu zit je vast. Je kunt het niet repareren waar het echt misgaat, want het misgaan zit in het model zelf, en dat model heb je niet gemaakt. Je kunt eromheen werken met instructies en filters, maar de kern blijft van een ander, gegoten in een andere context.

Had er een model bestaan dat van begin af aan op Nederlandse wetgeving en taal was ontwikkeld, dan was dit een oplosbaar probleem geweest. Niet omdat dat model per se het slimste ter wereld is, maar omdat de plek waar het fout ging binnen bereik lag. Dat is wat eigen modellen betekenen: niet alleen onafhankelijkheid, maar ook de mogelijkheid om iets te repareren dat van jou is.

Wat dit niet betekent

Ik wil eerlijk blijven, want hier wordt snel grote taal gebruikt.

Europa loopt achter op de frontier van AI, dat is gewoon zo. De grootste, sterkste modellen komen nu niet uit Europa, en dat verandert niet met één subsidie of één persbericht. Doen alsof we morgen op gelijke hoogte staan, helpt niemand.

Eigen modellen ontwikkelen betekent ook niet dat Europa zich moet afsluiten. De beste buitenlandse modellen blijven nuttig, en voor veel werk is het verstandig om ze gewoon te gebruiken. Het gaat niet om autarkie, om alles zelf willen doen uit principe. Het gaat om het verschil tussen volledig afhankelijk zijn en een eigen achtervang hebben. Een land dat zelf brood kan bakken, hoeft niet te stoppen met het importeren van lekkere kaas. Maar het wil niet dat een ander land kan beslissen of er morgen nog brood is.

En het is een kwestie van lange adem. Een model ontwikkelen vraagt om volgehouden investering in rekenkracht, data, talent en onderzoek, jarenlang, ook als de aandacht weer ergens anders heen is. Dat is precies het soort inspanning waar Europa traditioneel moeite mee heeft: niet de start, maar het volhouden.

Wat Europa wel kan doen

Dit klinkt als een probleem dat te groot is voor één persoon, en dat is het ook. Maar het valt uiteen in dingen die wel te benoemen zijn.

Er zijn vier ingrediënten nodig, en aan alle vier kan gewerkt worden. Rekenkracht, door te investeren in gedeelde reken-infrastructuur waar onderzoekers en bedrijven echt bij kunnen, in plaats van te wachten op de markt. Data, door zorgvuldig en met goede waarborgen Europese taal- en kennisbronnen beschikbaar te maken om mee te trainen, juist in talen die nu tweederangs worden bediend. Talent, door de mensen die dit kunnen hier op te leiden en hier te houden. En wil, door dit te behandelen als publieke infrastructuur en het vol te houden, ook als het volgende nieuws alweer ergens anders over gaat.

En voor organisaties, hoe klein de invloed ook lijkt: behandel modelkeuze als een strategische keuze, niet alleen een technische. Vraag waar een model is gemaakt en op welke data. Geef Europese modellen en initiatieven een serieuze kans waar ze goed genoeg zijn, ook als ze nog niet de allerbeste demo geven, want elke gebruiker maakt zo'n initiatief een stukje levensvatbaarder. Je hoeft zelf geen model te trainen om mee te bepalen of er straks Europese modellen zijn om uit te kiezen.

Tot slot

Het ongemakkelijke aan vandaag is niet dat een bedrijf iets fout deed. Anthropic wilde blijven leveren. Het ongemakkelijke is dat het er niet toe deed wat het bedrijf of de klant wilde. De beslissing lag ergens anders, bij iemand met wie wij niet aan tafel zitten.

Voor veel AI-werk is dat acceptabel, en de beste modellen komen voorlopig van anderen. Maar voor de dingen die er echt toe doen, de zorg, het bestuur, de rechtspraak, de eigen taal, is het een schrale positie om volledig afhankelijk te zijn van wat een ander land toestaat en een ander lab besluit te maken. Een werelddeel dat AI alleen gebruikt, krijgt de modellen die het krijgt. Een werelddeel dat AI kan maken, kiest zelf. Dat is het verschil, en vandaag liet zien waarom het ertoe doet.

↘︎ ALLE ARTIKELEN