In Groningen bouwen bedrijven en onderzoekers aan een eigen Nederlands AI‑taalmodel. Het initiatief wil de afhankelijkheid van Amerikaanse platforms zoals OpenAI, Google en Microsoft verkleinen. Er wordt gewerkt aan software die in het Nederlands kan begrijpen, samenvatten en antwoorden. Het doel is veilige inzet bij overheid, zorg en onderwijs, in lijn met de Europese AI‑verordening en de AVG.
Groningen kiest voor eigen model
De kern van het project is een generatief taalmodel: software die zelf tekst produceert op basis van voorbeelden. De ontwikkelaars richten zich bewust op het Nederlands en op gebruikssituaties in publieke diensten. Zo willen zij minder gegevens delen met buitenlandse clouddiensten en meer grip houden op kosten en beveiliging.
De groep werkt vanuit het noordelijke innovatie-ecosysteem, met nauwe banden met regionale datacenters en kennisinstellingen. Door de rekenkracht en de data lokaal te organiseren, moet het beheer eenvoudiger en transparanter worden. Ook kan zo sneller op maat worden getraind voor taken bij gemeenten, zorginstellingen en scholen.
De drijfveer is strategische autonomie: kritieke digitale infrastructuur in eigen handen houden. Dit sluit aan bij Europese ambities rond digitale soevereiniteit en bij de behoefte aan betrouwbare algoritmen in het Nederlands. Het project past daarmee in een bredere beweging om minder afhankelijk te zijn van gesloten systemen uit de VS.
Nadruk op Nederlandse data
Het model wordt getraind op Nederlandstalige data en duidelijke licenties, zoals publieke documenten en zorgvuldig geselecteerde bedrijfs- of domeinteksten. Daarmee willen de makers auteursrecht respecteren en de AVG naleven. Gegevens worden zo veel mogelijk geanonimiseerd en alleen gebruikt als dat nodig is (dataminimalisatie).
Training op lokale data moet de kwaliteit van antwoorden in het Nederlands verhogen. Het helpt ook bij vaktaal, zoals juridische of zorgtermen, waar algemene AI‑systemen vaak slechter presteren. Tegelijk blijft controle nodig om vooringenomenheid en feitelijke fouten vroeg te ontdekken.
De ontwikkelaars voorzien een vaste evaluatieroutine met toetsdata en meetbare kwaliteitscriteria. Hierbij horen tests op correctheid, uitlegbaarheid en veiligheid, bijvoorbeeld het vermijden van privacygevoelige output. De resultaten worden gebruikt om het datamodel bij te sturen en transparant te rapporteren.
Europese regels sturen bij
De Europese AI‑verordening (AI Act) legt nieuwe plichten op voor aanbieders van generieke AI‑systemen en voor hoogrisicotoepassingen. Denk aan technische documentatie, risicobeoordelingen, incidentmelding en duidelijke gebruiksinstructies. Voor de overheid betekent dit concreet: Europese AI‑verordening gevolgen overheid zijn extra inkoopcriteria, toets op herkomst van data en eisen aan monitoring.
Naast de AI‑verordening geldt de AVG, met eisen rond rechtmatige grondslag, doelbinding en beveiliging. Voor modellen die op gevoelige gegevens worden getraind, is versleuteling en pseudonimisering verplicht onderdeel van het ontwerp. Organisaties zullen ook vroegtijdig een gegevensbeschermingseffectbeoordeling (DPIA) moeten uitvoeren.
De Groningse aanpak speelt daarop in met privacy by design en auditbare logboeken. Ook wordt gewerkt aan modelkaarten: korte fiches met herkomst van data, bekende beperkingen en aanbevolen gebruik. Dat moet inkoop en toezicht door instellingen en toezichthouders vereenvoudigen.
Rekenkracht blijft knelpunt
Het trainen van grote datamodellen vraagt veel grafische processors en energie. De beschikbaarheid en prijs van GPU’s vormen daarom een praktisch obstakel. De initiatiefnemers spreiden rekenwerk over lokale datacenters en verkennen samenwerking met nationale faciliteiten zoals SURF, om kosten en doorlooptijden te beperken.
Een tweede keuze is de schaal van het model. In plaats van één heel groot model kiezen teams vaak voor middelgrote modellen die specifiek worden geoptimaliseerd, bijvoorbeeld met fine‑tuning of adapters. Dat verlaagt de rekenlast en maakt updates sneller.
Open‑source bouwstenen spelen daarbij een rol. Modellen zoals Llama van Meta, Mistral van Mistral AI en het Nederlandse GPT‑NL‑initiatief van TNO en SURF bieden startpunten met transparante licenties. De Groningse groep kan daarop voortbouwen en zo vendor lock‑in vermijden.
Toepassingen en waarborgen
Verwachte toepassingen zijn klantenservice bij gemeenten, samenvattingen van dossiers in de zorg en slimme zoekfuncties in het onderwijs. Bij al deze inzet blijft een mens eindverantwoordelijk voor beslissingen. Het systeem geeft suggesties, terwijl medewerkers controleren en bijsturen.
De grootste risico’s zijn hallucinaties (bedachte feiten), juridische fouten en ongewenste onthulling van persoonsgegevens. Daarom komen er filters, beveiligde omgevingen en duidelijke grenzen aan gebruik. Ook worden uitkomsten steekproefsgewijs gecontroleerd en vergeleken met referentieantwoorden.
Instellingen krijgen daarnaast praktische richtlijnen voor veilige implementatie. Denk aan rol- en rechtenbeheer, bewaartermijnen, en het verbod om vertrouwelijke data terug te sturen naar publieke AI‑diensten. Deze operationele kaders moeten het vertrouwen in het nieuwe systeem verhogen.
Generatieve AI is software die zelf nieuwe tekst, beeld of code kan maken, op basis van patronen die het leerde uit voorbeelden.
Publieke sector als eerste tester
De initiatiefnemers richten zich op pilots met lokale overheden en zorginstellingen in Noord‑Nederland. Deze sectoren hebben veel Nederlandstalige documenten en strenge privacy-eisen, waardoor een lokaal beheerd model logisch is. Resultaten uit pilots worden gebruikt om het model stapsgewijs te verbeteren.
Voor inkoop geldt een voorkeur voor open standaarden en documenten die toetsbaar zijn voor intern toezicht en externe audits. Dit helpt om aan de AI‑verordening en AVG te voldoen en maakt overstappen eenvoudiger. Ook stimuleert het een regionale markt van leveranciers rondom training, hosting en ondersteuning.
Als de aanpak werkt, kan die breder in Nederland worden gebruikt. De lessen over data, rekencapaciteit en regelgeving zijn overdraagbaar naar andere provincies. Zo kan een Nederlands AI‑ecosysteem groeien naast de grote internationale aanbieders, met meer keuze en meer controle voor publieke en private gebruikers.