Wat er is gebeurd
Een Politico-artikel van 3 mei stelt dat de Europese Unie het risico loopt om ongeveer 20 miljard euro in AI-rekenkracht te steken zonder een realistisch plan om die infrastructuur om te zetten in concurrentievoordeel. De kritiek richt zich op Europa's ambitie om grootschalige AI-capaciteit op te bouwen terwijl de moeilijkere laag, adoptie in echte bedrijfsprocessen, achterblijft.
De spanning is herkenbaar. Beleidsmakers willen soevereine AI-capaciteit, lokale cloudinfrastructuur en minder afhankelijkheid van Amerikaanse hyperscalers. Maar rekenkracht alleen levert nog geen bruikbare AI-systemen op. Als de rest van de keten zwak is, met versnipperde data, onduidelijk eigenaarschap, beperkte engineeringcapaciteit en te weinig productie-use-cases, dan wordt zo'n investering snel politiek theater in plaats van industriële slagkracht.
Dat maakt het soevereiniteitsdoel niet verkeerd. Het maakt vooral de volgorde belangrijk. De markt verschuift van modelnieuws naar operationele systemen, en Europa moet nu kiezen of het vooral paardenkracht wil financieren, of complete AI-ketens die bedrijven echt kunnen gebruiken.
Waarom dit ertoe doet
Dit is relevant omdat enterprise AI-waarde niet alleen op GPU-niveau ontstaat. De echte knelpunten zitten meestal een laag hoger: data uit documenten halen, modellen koppelen aan ERP- en CRM-systemen, beleid afdwingen, menselijke controle organiseren en kosten voorspelbaar houden in productie. Een regio kan miljarden in compute steken en alsnog weinig bruikbare businessimpact creëren als die lagen niet volwassen zijn.
Het raakt ook direct aan kostendiscipline. Veel organisaties merken dat enthousiasme over frontier-modellen zwakke businesscases kan maskeren. Als elk probleem wordt geframed als een tekort aan compute, missen teams goedkopere en snellere winst via retrieval, kleinere modellen, slim workflowontwerp en gerichte automatisering. Juist daarom komt deze kritiek op het goede moment.
Voor Europese kopers zit er nog een tweede les in. Soevereine AI betekent niet alleen een eigen datacenter. Het betekent controleerbare architecturen, auditbare datastromen, duidelijke governance en de vrijheid om open en gesloten componenten te combineren zonder vast te lopen in één vendorstack.
Laava's perspectief
Bij Laava zien we dit als een nuttige correctie op de markt. De meeste enterprise AI-projecten mislukken niet omdat er te weinig compute is. Ze mislukken omdat de workflow te vaag was, de data rommelig bleef, het integratiewerk werd onderschat, of de businesscase op een mooie demo leunde in plaats van op herhaalbare operatie.
Daarom behandelen wij AI eerst als business process engineering en pas daarna als modelkeuze. Wie soevereine AI echt wil inzetten, begint met een documentzware workflow, brengt beslismomenten in kaart, koppelt systemen van record en gebruikt de kleinst mogelijke modelstack die het werk betrouwbaar uitvoert. Soevereiniteit gaat niet alleen over waar de GPU's staan. Het gaat erom of je grip hebt op proces, databeweging, fallback-logica en kosten.
Voor Nederlandse en Europese organisaties geeft dat een veel realistischer route. Laat infrastructuurstrategie productie-workflows ondersteunen, niet andersom. De winnaars zijn niet de partijen met het grootste cluster in een persbericht, maar de partijen die pdf's, e-mails, goedkeuringen en interne kennis omzetten in saai betrouwbare automatisering.
Wat je nu kunt doen
Als je naar soevereine AI-plannen kijkt, stel dan vier praktische vragen. Welke workflows zijn nu duur genoeg om te automatiseren? Waar komt ongestructureerde data het proces binnen? Welke systemen moeten automatisch worden bijgewerkt? En welke onderdelen vragen echt om frontier-compute, versus kleinere en goedkopere componenten?
Start daarna met één end-to-end pilot. Denk aan factuurverwerking, klantenservice-triage, offerteopbouw of policy lookup met goedkeuringen. Dat vertelt je meer over je echte AI-volwassenheid dan nog een abstracte compute-strategie ooit zal doen.