De ontwikkeling van GenAI: van experiment naar infrastructuur
GenAI is in twee jaar tijd verschoven van “welke chatbot kiezen we?” naar een strategische infrastructuurvraag. Toch zitten veel organisaties nog altijd vast op die eerste vraag: voor welk model en welke chatoplossing moeten we gaan? Begrijpelijk, maar het is de minst duurzame keuze in het hele landschap. Modellen wisselen binnen maanden. De vraag die wél jaren meegaat, is hoe je modellen, kennisbronnen, autorisaties en logging zo inricht dat onderdelen vervangbaar blijven. Een AI-strategie die alleen focust op de sterkste leverancier van vandaag mist het punt. De architectuur die over drie jaar nog ruimte biedt voor aanpassing, is het wezenlijke uitgangspunt.
In dit artikel behandelen wij zes thema’s die samen het nieuwe speelveld vormen: de verschuiving van tool naar infrastructuur, de consolidatie én fragmentatie in de modellenlaag, de gespleten kostenmarkt, de opkomst van open-weight modellen als basis voor datasoevereiniteit, de regelgeving die inmiddels actief marktvorming bepaalt, en de factor die in de praktijk het zwaarst weegt.
1. Infrastructuur in plaats van tool
GenAI is geen losse tool meer. De componenten zelf, zoals modellen, platformen en tooling, blijven inkoop. Maar de samenhang ertussen is infrastructuur geworden. Dat betekent niet dat elke organisatie die infrastructuur zelf moet ontwerpen en bouwen; dat werk kan prima bij een leverancier of partner liggen. Wat zich niet laat uitbesteden, zijn de keuzes eronder.
Die keuzes gaan over de koppeling van modellen aan taken, van kennisbronnen aan processen, en over de manier waarop autorisaties en logging zijn geregeld. De maatstaf daarbij is steeds dezelfde: kan een component eruit zonder dat het geheel opnieuw gebouwd moet worden? Wie die vragen niet zelf beantwoordt, krijgt de antwoorden van zijn leverancier, en merkt dat pas bij de eerste keer overstappen.
In de praktijk komt dat besluit samen in één punt: de gateway. Dat is de interne toegangslaag waarachter meerdere modellen hangen, waar per taak wordt bepaald welk model wordt aangesproken, waar verbruik en kosten zichtbaar worden en waar logging en filtering op één plek zijn geregeld. Wie die laag zelf in handen heeft, kan van model wisselen zonder de applicaties te raken. Wie die laag bij een leverancier belegt, verplaatst daarmee ook het vermogen om te switchen. Modellen zijn in deze markt de kortstlevende component; alles wat je eromheen bouwt, moet die wisselingen overleven.
Dit verandert de aard van leveranciersselectie, al verschilt wat er telt per rol. Op de technologielagen gaat het minder om wie vandaag de sterkste prestaties levert, en meer om welke architectuur over drie jaar nog bewegingsruimte biedt. Vervangbaarheid is daar concreet te maken: de prompts, de evaluatiesets (vaste testvragen waarmee je de kwaliteit van antwoorden meet), de opgebouwde kennislaag en de logging zijn overdraagbare bezittingen, mits ze technisch en contractueel exporteerbaar zijn. De bruikbare vraag aan een leverancier is dan ook niet óf het platform open is, maar wat er precies meegaat bij vertrek, in welk formaat en binnen welke termijn.
Voor implementatie- en beheerpartners geldt een ander criterium: het vermogen om adoptie op gang te brengen. Al laat adoptie zich maar beperkt inkopen, want de regie, het eigenaarschap en de beoordeling van uitkomsten blijven werk van de organisatie zelf. De partner die dat versterkt in plaats van overneemt, is de partner die je zoekt.
2. De modellenlaag consolideert, de laag erboven fragmenteert
De modellenlaag consolideert rond een beperkt aantal grote aanbieders: OpenAI, Anthropic, Google, Meta, Mistral en inmiddels ook Chinese partijen als DeepSeek en Qwen. Daarboven fragmenteert het landschap juist. Platformen, tussenlagen die modellen aan bronnen en tools knopen, en software om eigen documenten AI-doorzoekbaar te maken: ze verschijnen sneller dan ze zich kunnen bewijzen. Wij gaan er nuchter van uit dat een deel van de tooling die vandaag wordt gekozen er over drie jaar niet meer is, of is overgenomen.
Dat pleit niet voor afwachten, maar wel voor het bewust kiezen van vervangbare componenten en gangbare koppelvlakken. Een hoopvol teken is dat die koppelvlakken zich beginnen te standaardiseren. Het Model Context Protocol is in korte tijd uitgegroeid tot de feitelijke standaard voor het aansluiten van tools en databronnen op modellen, inmiddels ondersteund door alle grote modelaanbieders. Vasthouden aan zulke standaarden is belangrijker dan de keuze van het framework zelf. De stabiliteit zit niet in de keuze van één partij, maar in de manier waarop de architectuur is opgebouwd. Dat is een architectuurprincipe en geen inkoopbeslissing.
3. De kostenmarkt is in tweeën gespleten
Over AI-kosten bestaan twee verhalen, en ze zijn allebei waar. Modelgebruik wordt afgerekend in tokens, kleine stukjes tekst; hoe meer een model leest en schrijft, hoe hoger de rekening. Aan de onderkant van de markt daalt de prijs hard: prestaties waarvoor je enkele jaren geleden nog tientallen dollars per miljoen tokens betaalde, zijn vandaag voor enkele centen beschikbaar. Aan de bovenkant gebeurt het omgekeerde, omdat geavanceerd redeneervermogen schaars blijft en de nieuwste generatie topmodellen juist duurder wordt. Simpel werk wordt bijna gratis, topwerk stijgt in prijs. Het verschil tussen die twee bepaalt welke architectuurkeuzes verstandig zijn.
Daar komt het verbruik bij. De totale kosten stijgen bij de meeste organisaties, omdat het gebruik toeneemt en omdat AI-agents, toepassingen die zelfstandig meerdere stappen achter elkaar uitvoeren, per taak vele malen meer tokens verbruiken dan een enkele chatvraag. Een agent die in een lus terechtkomt is een kostenincident en geen storing. Harde limieten per taak zijn daarom een basale beheersmaatregel. De verwachting dat AI vanzelf goedkoper wordt, klopt per eenheid, maar niet op de totale rekening.
De meest bruikbare eenheid is wat ons betreft dan ook niet de prijs per miljoen tokens, maar de kosten per afgeronde taak, afgezet tegen de tijd die het handmatig zou kosten. Organisaties die dat vroegtijdig doorrekenen, stellen zichzelf in staat om gerichte keuzes te maken over welke toepassingen rendabel zijn en welke niet. Zonder dat inzicht groeit het AI-budget mee met het enthousiasme, niet met de businesscase.
4. Open-weight modellen en datasoevereiniteit
De ontwikkeling die de afgelopen twee jaar het meest van karakter is veranderd, is die van open-weight modellen: modellen die vrij beschikbaar zijn en daardoor in een eigen omgeving kunnen draaien. Op complexe redeneertaken lopen ze nog achter op de gesloten topmodellen. Maar voor het merendeel van het dagelijkse werk, zoals samenvatten, herschrijven, zoeken in eigen documenten en gestructureerd informatie ontsluiten, is het verschil in de praktijk klein geworden.
Voor het Nederlands geldt daarbij een nuance die vaak wordt gemist. Het knelpunt zit zelden in de tekstgeneratie, maar vaker in de embeddings, de techniek die documenten omzet naar een vorm waarin de AI ze kan doorzoeken. Juist bij juridisch, financieel en bestuurlijk taalgebruik zijn de kwaliteitsverschillen daar aanzienlijk.
Dit maakt hosting in een Nederlandse of Europese omgeving een reële optie in plaats van een principiële uitzondering. Maar soevereiniteit is geen keurmerk. Het is een glijdende schaal met dimensies die los van elkaar bewegen:
- de locatie van de data;
- het beheer van de encryptiesleutels;
- de nationaliteit van het beherend personeel;
- het eigendom van de technologie;
- de rechtsmacht waaronder de leverancier valt.
Partijen die zich soeverein noemen, scoren op die dimensies sterk verschillend. Het loont om de vraag per dimensie te stellen.
De eerlijke keerzijde is dat soevereiniteit werk verplaatst in plaats van wegneemt. Beschikbaarheid, modelupdates, GPU-capaciteit en veiligheidsfilters komen dan bij de organisatie zelf te liggen, of bij de beheerpartij die dat voor haar invult, met bijbehorende kennis en kosten. Dat vraagt om een bewuste afweging in plaats van een standaard antwoord.
5. Regelgeving: van randvoorwaarde naar realiteit
Regelgeving is inmiddels marktvorming en geen randvoorwaarde achteraf, al is het tempo dit jaar bijgesteld. De AVG blijft leidend. De AI-verordening (AI Act) wordt sinds 2024 stapsgewijs ingevoerd: het verbod op bepaalde AI-praktijken en de plicht om AI-geletterdheid bij medewerkers te bevorderen gelden sinds februari 2025, de regels voor aanbieders van grote, algemeen inzetbare AI-modellen sinds augustus 2025.
De belangrijkste wijziging van dit jaar is de Digital Omnibus on AI, die eind juli 2026 in werking is getreden. Dat is een Europese herzieningswet die de AI-verordening op onderdelen aanpast. De aanleiding was praktisch: de invoering liep vast omdat de normen, richtsnoeren en toezichthouders waarmee organisaties aan de eisen moesten voldoen, er simpelweg nog niet waren. De Omnibus geeft daarom meer tijd. De verplichtingen voor hoog-risicosystemen, zoals AI die wordt ingezet bij werving en selectie of bij besluiten over personen, gelden nu vanaf 2 december 2027. Voor AI die is ingebouwd in gereguleerde producten, zoals medische apparatuur, is dat augustus 2028.
Van een versoepeling over de hele linie is echter geen sprake. De transparantieverplichtingen zijn niet uitgesteld en gelden sinds augustus 2026, er zijn verboden toepassingen bijgekomen en het Europese toezicht is juist versterkt. In Nederland krijgt het toezicht intussen vorm via de Uitvoeringswet AI-verordening, met een centrale rol voor de Autoriteit Persoonsgegevens.
De betekenis van het uitstel is dan ook kleiner dan de berichten erover suggereren. De eisen zijn verschoven en niet geschrapt, en de inrichting die eronder ligt, met registratie, logging, evaluatie en aantoonbaar menselijk toezicht, kost meer tijd dan de resterende periode doet vermoeden. Organisaties die nu nadenken over hun AI-architectuur, doen er goed aan compliance te behandelen als een lopend onderdeel van het ontwerp. Wie dit vanaf het begin meeneemt, voorkomt kostbare aanpassingen later.
6. De echte rem zit niet in de technologie
Eén observatie kleurt ons marktbeeld het meest: de rem zit zelden in de technologie. Bij vrijwel elke organisatie zijn de informatiehuishouding, de juistheid van autorisaties, de datakwaliteit en de adoptie door medewerkers bepalender voor het resultaat dan de modelkeuze. Een organisatie die dat fundament op orde heeft, kan met vrijwel elke architectuur uit de voeten. Een organisatie die dat niet heeft, lost het met geen enkel model op.
Dat maakt de volgorde van werken belangrijk. Wij zien in de praktijk dat organisaties die eerst hun autorisatiemodel en documentbeheer opruimen, sneller resultaat boeken met AI dan organisaties die met een geavanceerder model beginnen. GenAI ontwikkelt zich in een tempo dat dwingt tot strategisch denken, niet alleen over technologie maar ook over governance, kosten en architectuur. De organisaties die dit nu serieus oppakken, bouwen aan een fundament dat morgen niet in de weg zit.
Aan de slag met een beheersbare AI-omgeving
Wij denken graag mee over de vertaalslag van strategie naar een toekomstbestendige en beheersbare AI-omgeving. Afhankelijk van waar je staat, zijn er drie logische startpunten:
- Wil je eerst weten wat GenAI concreet oplevert in jouw processen? De AI Kickstart levert in vijf dagen een werkende proof of concept op een use case uit je eigen organisatie, inclusief security- en compliance-inrichting en strategisch advies voor de vervolgstappen.
- Wil je medewerkers veilig laten werken met de nieuwste modellen? Secure Chat is een volledig managed, vendor-onafhankelijk AI-platform in een geïsoleerde Europese omgeving, met Microsoft 365-integratie, audit logging en de optie voor lokale modellen.
- Wil je de gateway en het onderliggende AI-platform in eigen hand houden? Met Managed Foundry beheren wij de Azure AI Foundry-infrastructuur, inclusief geautomatiseerde compliance-enforcement, customer-managed encryptiesleutels en private endpoints binnen de EER.
Neem contact op als je wilt sparren over de architectuurkeuzes die bij jouw situatie passen.
Benieuwd wat Solvinity voor jou kan betekenen?
Neem vandaag nog contact op en ontdek de mogelijkheden.