Investeerders, techbedrijven en toezichthouders bespreken of kunstmatige intelligentie nu in een zeepbel zit. In Europa en Nederland speelt tegelijk de vraag wat de Europese AI-verordening gevolgen overheid betekent. De markt groeit snel, maar de opbrengsten zijn nog onzeker. Dat zet druk op bedrijven als OpenAI, Microsoft, Google en Nvidia.
Waarderingen lopen hard op
De beurswaarde van chipmaker Nvidia en cloudbedrijven zoals Microsoft en Amazon is sterk gestegen. Zij profiteren van de vraag naar rekenkracht voor modellen als GPT-4o van OpenAI, Google Gemini en Claude van Anthropic. Ook het Nederlandse ASML verdient aan deze golf via machines voor chipfabrieken. Die groei roept de vraag op of de prijzen losraken van de echte winst.
Een zeepbel ontstaat vaker als nieuwe technologie veel belofte toont, maar nog weinig meetbare opbrengst geeft. De internetzeepbel eind jaren negentig is een bekend voorbeeld. Vandaag zijn de inkomsten uit AI-diensten wel zichtbaar, maar nog geconcentreerd bij een paar grote spelers. Veel start-ups draaien vooral op investeringsgeld en cloudtegoeden.
Toch investeren bedrijven massaal in datacenters en modellen. Ze willen niet achterblijven in de strijd om klanten en data. Daarbij trekken vooral generatieve systemen de aandacht, zoals ChatGPT, Copilot en Llama. Of deze diensten op termijn stabiele winst opleveren, is nog onduidelijk.
Een zeepbel is een periode waarin prijzen snel stijgen, los van de onderliggende waarde, gevolgd door een scherpe daling.
Opbrengsten blijven onzeker
Generatieve AI kan tekst, beeld en code maken op basis van voorbeelden; dit heet trainen op datasets. Bedrijven testen dit in klantenservice, kantoorwerk en softwareontwikkeling. Sommige teams rapporteren tijdwinst bij eenvoudige taken. Bij complexe opdrachten daalt de kwaliteit soms, door fouten of verzinsels van het model, de zogeheten hallucinaties.
Bedrijfsmodellen zijn nog in beweging. Abonnementen op ChatGPT of Microsoft Copilot leveren inkomsten op, maar vergen ook hoge rekenkosten. Veel organisaties bouwen eigen assistenten met open modellen zoals Llama 3 van Meta. Zij botsen dan op beheer, beveiliging en integratie met bestaande IT.
In Europa speelt bovendien het auteursrecht. Uitgevers en makers willen duidelijkheid over hergebruik van teksten en beelden voor training. De AI-verordening verplicht aanbieders van algemene AI-modellen (GPAI) straks tot meer transparantie over gebruikte data. Dat kan contracten en licenties duurder maken, maar ook juridisch rust geven.
Kosten drukken marges
De rekenkracht die nodig is voor grote datamodellen is duur. Training en gebruik (inference) vragen veel chips, stroom en koeling. Cloudplatforms van AWS, Microsoft Azure en Google Cloud bieden die capaciteit, maar de rekening loopt op. Voor veel start-ups vreet dit de marge op.
De energievraag groeit ook in Europa. Datacenters in Eemshaven en Middenmeer laten zien dat AI veel elektriciteit en water kan kosten. Netcongestie maakt uitbreiding lastiger in delen van Nederland. Dit vergroot de kans dat projecten vertragen of verhuizen naar regio’s met meer capaciteit.
Hardware kan bovendien schaars blijven. Nvidia domineert met H100- en H200-chips, terwijl concurrenten als AMD en eigen ontwerpen van cloudproviders opkomen. ASML en toeleveranciers draaien op volle toeren om chipfabrieken te bedienen. Als levertijden oplopen, stagneert de uitrol van nieuwe AI-diensten.
Regels remmen én sturen
De Europese AI-verordening (AI Act) treedt op het moment van schrijven gefaseerd in werking vanaf 2025. Verboden toepassingen gelden eerder, hoge-risicosystemen later. Generatieve GPAI-modellen krijgen plichten voor documentatie, testprocessen en samenvattingen van trainingsdata. Voor zeer krachtige systemen komen extra eisen rond risicobeheersing.
De AVG blijft van kracht voor alle persoonsgegevens. Dataminimalisatie, versleuteling en duidelijke doelen zijn verplicht bij gebruik van algoritmen in publieke diensten. Overheden die chatbots inzetten, moeten dus uitleggen wat het systeem doet en welke data het verwerkt. De Autoriteit Persoonsgegevens houdt hier toezicht op.
Voor Nederlandse instellingen betekent dit concreet meer controle vooraf. Denk aan DPIA’s (privacyonderzoek) bij nieuwe AI-toepassingen in zorg, onderwijs of het sociaal domein. Inkoopcontracten moeten afspraken bevatten over datagebruik, beveiliging en audit. Dit kan projecten vertragen, maar vermindert juridische en reputatierisico’s.
Productiviteit nog wisselend
Vroege pilots tonen winst bij standaardtaken zoals samenvatten, opstellen van e-mails en eerste code-schetsen. Medewerkers met weinig ervaring lijken extra te profiteren van AI-assistenten. Voor specialistisch werk blijft menselijke controle nodig. Kwaliteitsborging en bronvermelding vragen daarom tijd en training.
Organisaties die slagen, combineren drie dingen: duidelijke doelen, goede datahuishouding en klein beginnen. Ze meten effect op tijd, fouten en klanttevredenheid. Daarna schalen ze op met beleid en toezicht. Zonder deze aanpak stapelt experimentele software zich op zonder aantoonbaar nut.
Het antwoord op de bubbelvraag ligt dus in uitvoering. Als kosten dalen en productiviteit betrouwbaar stijgt, volgt duurzame waarde. Blijft de opbrengst twijfelachtig en regelgeving dwingend, dan kan de lucht eruit. De komende jaren worden doorslaggevend voor modellen als GPT-4o, Gemini, Claude en Llama in de Europese praktijk.