Nederlandse bedrijven en overheden zien hun digitale groei afremmen door trage adoptie van kunstmatige intelligentie en krappe infrastructuur. Dat blijkt uit nieuw marktonderzoek dat op het moment van schrijven in 2025 is gepubliceerd. De belangrijkste oorzaken zijn gebrek aan rekenkracht, datakwaliteit, vaardigheden en duidelijke afspraken over risico’s. De Europese AI-verordening gevolgen overheid spelen ook mee, omdat instellingen extra eisen moeten borgen.
Nederlandse groei vlakt af
De Nederlandse digitale economie blijft sterk, maar groeit minder snel dan voorheen. Organisaties investeren wel, maar komen lastig van proefprojecten naar toepassingen op grote schaal. Hierdoor blijft de productiviteitswinst van algoritmen kleiner dan mogelijk is. Dit weegt zwaarder in sectoren met lage marges, zoals retail en logistiek.
Nederland scoort hoog op internettoegang en clouddiensten. Toch ontstaan knelpunten bij datadeling tussen bedrijven en overheid. Veel data is versnipperd, niet gestandaardiseerd of juridisch lastig te gebruiken. Dat vertraagt de inzet van datamodellen in ketens.
Ook publieke diensten hebben te maken met deze rem. Overheden zijn voorzichtig door strenge regels en gebrek aan gespecialiseerde medewerkers. Daardoor schuift de invoering van geavanceerde systemen soms maanden op. Ondertussen lopen kosten en verwachtingen op.
AI-pilots stokken bij opschaling
Veel organisaties experimenteren met generatieve AI, zoals GPT-4 van OpenAI, Llama 3 van Meta en modellen van Mistral AI. Dit gebeurt vaak in afgebakende pilots voor tekst, code of klantenservice. Het lukt echter minder vaak om deze toepassingen veilig en stabiel in het primaire proces te zetten. De belangrijkste drempels zijn datakwaliteit, beveiliging en kosten.
Datakwaliteit is de basis voor betrouwbare algoritmen. Bedrijven ontdekken dat opschonen, labelen en bijwerken van data meer tijd kost dan gedacht. Zonder goede data ontstaat bias of onjuiste output. Dit is extra risicovol bij beslissingen over klanten, burgers of patiënten.
Opschalen vraagt ook om MLOps, een werkwijze om modellen te beheren in productie. Die discipline is schaars en vergt nieuwe tools en processen. Kleinere organisaties hebben hier nog weinig ervaring mee. Daardoor blijven veel projecten in proefstatus hangen.
Rekenkracht en energie knellen
Voor moderne AI is veel rekenkracht nodig. Vooral GPU’s, dat zijn chips die veel berekeningen tegelijk doen, zijn schaars en duur. Cloudplatformen bieden uitkomst, maar prijzen lopen snel op bij langdurig gebruik. Tegelijk remt netcongestie de groei van datacenters.
Nederland is een Europese internetknooppunt met hubs als AMS-IX. Toch staat de uitbreiding van infrastructuur onder druk door energieverbruik en ruimte. Gemeenten stellen strengere eisen aan nieuwe datacenters. Dat is begrijpelijk, maar vergroot de druk op beschikbare capaciteit.
Onderzoeksinstellingen werken aan oplossingen via SURF en Europese supercomputers van EuroHPC. Zij bieden gedeelde rekenkracht en trainingstijd, vooral voor wetenschap en innovatie. Bedrijven kunnen soms aanhaken via programma’s, maar toegang is beperkt. Hierdoor zoeken veel organisaties alsnog hun toevlucht tot commerciële clouds.
Regels vragen extra waarborgen
De AVG, de Europese privacywet, blijft leidend bij gegevensverwerking. Dat betekent dataminimalisatie, duidelijke doelen en versleuteling van gevoelige data. De Europese AI-verordening (AI Act) voegt daar risicoklassen en extra plichten aan toe. Vooral in zorg, vervoer, onderwijs en overheid zullen systemen vaker als “hoog risico” tellen.
Instellingen moeten dan hun data- en modelbeheer aantoonbaar op orde hebben. Denk aan traceerbaarheid van trainingsdata, testen op bias en uitlegbaarheid. Ook leveranciersmanagement wordt zwaarder, omdat inkoopdossiers bewijs moeten bevatten. Dit vergt tijd, maar geeft wel duidelijkheid over verantwoordelijkheden.
De AI-verordening deelt systemen in risicoklassen in; hoe hoger het risico, hoe strenger de eisen aan data, testen, toezicht en documentatie.
Gemeenten en ministeries bouwen daarom governance op rond algoritmen. Voorbeelden zijn algoritmeregisters en impactassessments. Deze instrumenten maken keuzes inzichtelijk en helpen bij audits. Voor leveranciers is het belangrijk om hier naadloos op aan te sluiten.
Europese infrastructuur als kans
Naast nationale programma’s zoals AiNed zet Europa in op gedeelde rekenkracht en data-ruimte. EuroHPC investeert in AI-fabrieken en supercomputers, zodat Europese start-ups en mkb modellen kunnen trainen. GAIA-X en sectorale data spaces stimuleren veilige datadeling. Dat helpt bij interoperabiliteit en verkleint lock-in bij één leverancier.
Nederland kan daarvan profiteren door publiek-private samenwerking. Toegang tot rekenkracht via consortia drukt kosten en versnelt experimenten. Sectorafspraken over standaarden maken datamigratie eenvoudiger. Zo wordt het aantrekkelijker om algoritmen te hergebruiken in de keten.
Duurzaamheid blijft een randvoorwaarde. Efficiëntere chips en koeling verlagen de voetafdruk van datacenters. Slimme planning van workloads bespaart energie, bijvoorbeeld door trainingen te plannen op dalmomenten. Dit sluit aan bij nationale klimaatdoelen en vergunningsbeleid.
Aanpak voor bestuurders
Begin met een heldere selectie van use-cases met meetbare waarde. Werk daarna aan datakwaliteit en een minimaal werkend governancekader. Leg taken vast voor privacy, security en modelbeheer. Zo ontstaat vertrouwen bij management en toezichthouders.
Kies een technisch pad dat schaalbaar én betaalbaar is. Combineer waar mogelijk open modellen met eigen data, mits dat veilig kan. Onderzoek alternatieven zoals fine-tuning van kleinere modellen voor specifieke taken. Dit kan de behoefte aan dure rekenkracht verlagen.
Tot slot: betrek juristen en inkopers vroeg in het traject. Maak leveranciersafspraken die aansluiten op de AI Act en de AVG. Vraag om modelkaarten en documentatie als standaardonderdeel van de offerte. Daarmee verkleint u risico’s en versnelt u de stap van pilot naar productie.
