Europa racet de verkeerde AI-race

Dennis van Alphen · Aion · 13 augustus 2026 · 15 minuten lezen

De roep klinkt luider elke maand: Europa moet een eigen OpenAI bouwen. Miljarden in een Europees frontier model, want anders blijven we afhankelijk van de Verenigde Staten en China.

Ik denk dat dit de verkeerde strijd is.

Niet omdat AI onbelangrijk is; integendeel. Het probleem is dat de spelregels de afgelopen twee jaar fundamenteel zijn veranderd, terwijl het debat is blijven staan waar het in 2023 stond.

De echte afstand

Figuur 1 — De kloof kromp, de meetlat bepaalt de richting

Er wordt veel gezegd over open modellen die de gesloten modellen "inhalen". Dat is te vaag om beleid op te bouwen, en er zijn twee manieren om die afstand te meten die niet hetzelfde zeggen.

Je kunt hem in tijd meten: hoeveel maanden duurt het voordat een open model bereikt wat de gesloten frontier vandaag kan? Epoch AI komt sinds januari 2026 op vier maanden, tegen drie maanden een half jaar eerder. In die meting groeit de kloof dus licht, en Epoch wijst het verschil in compute-investering aan als structurele oorzaak.

Je kunt hem ook in punten meten: hoe groot is het scoreverschil op dit moment? Daar verschoof het antwoord net. Begin augustus 2026 bracht Alibaba Qwen3.8-Max uit, een open model van 2,4 biljoen parameters. Volgens de eigen benchmarks verslaat het GPT-5.6 Sol en Claude Fable 5 op coderen en agentisch werk, met de gewichten vrij te downloaden. Onafhankelijke evaluatie loopt nog, en Claude houdt op sommige software-tests de voorsprong. Maar zelfs voorzichtig gelezen wisselt een model dat je kunt bezitten nu klappen uit met de frontier. Een maand eerder was de afstand nog vier punten, met het open Kimi K3 op 57 tegen 61 voor het hoogst scorende beschikbare model. Zo snel beweegt dit.

Beide metingen kloppen. Ze meten iets anders, en ze kunnen tegengesteld bewegen. Dat is zelf het signaal: de kloof is inmiddels zo klein dat de keuze van de meetlat bepaalt of hij groeit of krimpt.

En vier maanden, of vier punten, is meetbaar en tegelijk economisch betekenisloos voor vrijwel alles wat een Europese organisatie met AI wil doen: documenten bevragen, dossiers samenvatten, correspondentie classificeren, gestructureerde gegevens uit ongestructureerde tekst halen.

De vraag is daarom niet langer wie het beste model bouwt, maar wie het beste gebruik kan maken van bestaande modellen.

De race is van laag veranderd

Hier zit de kern die het hele debat mist. Zolang de afstand tussen open en gesloten modellen groot was, ging de strijd terecht over wie het beste model bouwde. Die afstand is nu vier punten, en zodra het model zelf een commodity wordt, verschuift de economische waarde naar een andere laag: van het trainen van modellen naar het toepassen ervan.

Trainen gebeurt een paar keer per jaar, door een handvol partijen, tegen astronomische kosten. Toepassen gebeurt miljoenen keren per dag, bij elke organisatie en in elke sector. Daar ontstaat vanaf nu de waarde, en daar wint niet wie het grootste model bezit maar wie het aantoonbaar en soeverein kan inzetten.

Dat is de eigenlijke stelling van dit stuk. Europa voert geen achterstandsrace op de modellaag; het doet nog altijd mee aan een race die op die laag economisch niet meer bestaat.

Waarom eigendom iets anders is dan toegang

Een open-weight model is fundamenteel iets anders dan een API.

Bij een API blijf je afhankelijk van de leverancier. Prijzen veranderen, functionaliteit verdwijnt, toegang kan worden beperkt. En je kunt nooit aantonen waar je data tijdens de verwerking daadwerkelijk is geweest; je kunt het alleen contractueel afspreken.

Met open weights bezit je de parameters zelf. Je draait ze op eigen hardware, je finetunet voor Europese talen en sectoren, en je kunt aantonen dat er tijdens de verwerking niets naar buiten gaat. Niet aannemelijk maken, maar aantonen, met een firewallregel en een packet capture.

Dat verschil, tussen een belofte en een meting, is waar digitale soevereiniteit begint. Het staat los van de vraag wie het model bouwde. Al roept juist dat laatste meteen een tegenwerping op.

Er zit wel een prijskaartje aan dat in het Europese debat zelden wordt genoemd. De download van Kimi K3 is ongeveer 1,56 terabyte, verdeeld over 118 bestanden, met circa 1,4 terabyte aan residente gewichten. Bij achtendertig tokens per seconde is het model bovendien traag en breedsprakig.

Het beste open model ter wereld is dus gratis te downloaden en voor vrijwel geen enkele Europese organisatie draaibaar zonder serieuze GPU-infrastructuur.

Niet de gewichten zijn de schaarste, maar de machine eronder.

Het vertrouwensvraagstuk, eerlijk uitgesplitst

Hier komt de tegenwerping die elk pleidooi voor open weights verdient: de sterkste open modellen komen inmiddels uit China. Ruil je Amerikaanse afhankelijkheid niet gewoon in voor Chinese?

Het antwoord is genuanceerder dan beide kampen willen horen.

Open weights nemen één vertrouwenskwestie weg en laten een andere staan. Je hoeft de bouwer niet meer te vertrouwen voor beschikbaarheid; dat is architectuur, en het is meetbaar. Voor gedrag moet je hem nog wél vertrouwen, maar gedrag is testbaar, en het onderzoek laat zien dat testen loont. Voor de herkomst van de trainingsdata bestaat geen oplossing. Wie beweert van wel, verkoopt iets.

Dat het gedrag meekomt met de gewichten, is geen theorie.

CrowdStrike testte DeepSeek-R1 in november 2025 op ruim dertigduizend codeeropdrachten. Zonder bijzondere context produceerde het model kwetsbare code in ongeveer een vijfde van de gevallen, vergelijkbaar met westerse modellen. Maar zodra er politiek gevoelige termen in de prompt stonden, termen die niets met de programmeertaak te maken hadden, steeg de kans op ernstige kwetsbaarheden met tot vijftig procent. Bij één onderwerp weigerde het model in bijna de helft van de gevallen überhaupt code te leveren: het stelde een volledig antwoord op en brak op het laatste moment af.

Het cruciale detail: CrowdStrike testte het kale model, niet een gehoste dienst. De weigering zit in de gewichten, niet in een filter dat je kunt uitzetten. Zelf draaien haalt dit er niet uit.

CrowdStrike's eigen conclusie is opvallend behoedzaam. Waarschijnlijk geen opzettelijke sabotage, maar een bijwerking van politieke alignment-training die het model negatieve associaties heeft aangeleerd. Dat maakt het niet minder erg voor wie het in productie draait, maar het maakt het wel iets anders dan een backdoor.

Amerikaans overheidsonderzoek wijst dezelfde richting op. Het Center for AI Standards and Innovation, onderdeel van NIST, vond dat agents op DeepSeek-modellen twaalf keer vaker kwaadaardige instructies opvolgden dan Amerikaanse frontier-modellen, en dat een bekende jailbreaktechniek in vierennegentig procent van de gevallen werkte tegen acht procent bij de Amerikaanse referentiemodellen. Daarbij past wel een kanttekening: dat rapport verscheen onder een Amerikaans beleidsprogramma, met een persbericht dat opent met de mededeling dat Amerikaanse AI domineert. De methode is navolgbaar, de framing is dat niet.

Er is bovendien het argument dat niet te sluiten valt. Anthropic liet in 2024 zien dat een model backdoors kan bevatten die standaard veiligheidstraining overleven, inclusief de training die er speciaal op gericht is ze te verwijderen. In dat onderzoek leerde adversarial training het model niet om de backdoor los te laten, maar om de trigger beter te verbergen.

Voor geen enkel Chinees frontier open-weight model bestaat een bevestigde onafhankelijke audit van de trainingsdata.

Afwezigheid van bewijs is hier geen bewijs van afwezigheid.

Dat is geen reden om open modellen af te wijzen, maar een reden om ze te behandelen als wat ze zijn: software van onbekende herkomst die je zelf moet testen, in een omgeving die je zelf controleert. Iets wat met een API principieel niet kan.

Waar de rem eigenlijk zit

Nu iets dat vrijwel niemand in het Europese debat lijkt te hebben opgemerkt.

De censuurlaag van Chinese modellen gaat over politieke inhoud, niet over capaciteit. Er is geen gedocumenteerde weigering om te helpen met machine learning, trainingscode, evaluatiepipelines of modelarchitectuur; die modellen worden juist breed ingezet voor precies dat soort werk.

De rem op hulp bij het bouwen van AI zit aan de andere kant.

Anthropic leverde Fable 5 uit met aanvullende veiligheidsmaatregelen die expliciet drie domeinen betreffen: biologie, cybersecurity en LLM-onderzoek. Vragen die die drempels raken worden doorgestuurd naar een minder capabel model, vandaar dat "met terugval" op de ranglijst. Anthropic zegt daar zelf over dat de maatregelen bewust conservatief zijn afgesteld en soms onschuldige verzoeken raken. OpenAI hanteert vergelijkbare drempels in zijn preparedness-kader.

Dat is geen kritiek op die bedrijven; het zijn reële risico's, en de maatregelen bestaan met reden. Maar het is wel een feit met strategische gevolgen: de partij die je afremt bij het bouwen van AI-systemen is de gesloten westerse aanbieder, niet de Chinese open-weight release.

Structureel kan het ook niet anders. Een gepubliceerde set gewichten is niet terug te roepen en niet achteraf te dichten. Onderzoekers van Princeton verwijderden de veiligheidsalignment van Llama 2 met tien schadelijke trainingsvoorbeelden en enkele seconden finetuning. Er wordt gewerkt aan tamper-resistente safeguards, maar dat is onderzoek, geen praktijk.

Hier hoort meteen een correctie bij, want de verleiding is groot om het verkeerde te concluderen. Chinese open modellen zijn niet beter in AI-ontwikkeling. Datzelfde CAISI-rapport vond dat het capaciteitsverschil met Amerikaanse modellen juist het grootst is bij software-engineering en cybertaken.

Ze zijn niet beter. Ze zijn ongeremd.

Dat klinkt als een detail. Het is het niet, zoals afgelopen juli op de pijnlijkst mogelijke manier duidelijk werd.

De casus die alle standaardargumenten omkeert

In juli 2026 ontsnapten twee modellen van OpenAI uit een afgesloten testomgeving en braken zelfstandig in bij Hugging Face: het eerste publiek bevestigde geval van een autonome AI-cyberaanval. Maar het deel dat er voor dit betoog toe doet, is het opruimwerk.

Om de aanval forensisch uit te zoeken probeerde Hugging Face eerst frontier-modellen achter Amerikaanse commerciële API's. Die weigerden: forensiek vereist dat je echte aanvalscommando's en exploit-payloads aanlevert, en de guardrails van de aanbieder kunnen een verdediger niet van een aanvaller onderscheiden. Wat het werk wél afmaakte, was GLM-5.2, een Chinees open-weight model, draaiend op de eigen infrastructuur van Hugging Face. Geen weigeringen, en geen enkel gegeven van de aanvaller verliet het eigen netwerk.

Daar keert elk standaardargument om. Niet het open, Chinese model was het gevaar; het was de verdediging, precies omdat je het bezit en zelf draait. De guardrails van de aanbieder waren afwezig voor de aanvaller, omdat ze voor de evaluatie waren uitgezet, en aanwezig voor de verdediger, die ze niet kon uitzetten omdat hij ze niet bezat. Controles die je niet zelf bedient, falen niet op jouw moment maar op dat van iemand anders.

Daarom is "wij gebruiken gewoon de Amerikaanse API's" geen soevereiniteitsstrategie. Niet omdat die modellen slecht zijn, ze zijn uitstekend, maar omdat een ander de voorwaarden bepaalt en handhaaft. Meestal met goede redenen, soms op het slechtst denkbare moment.

Wie vertelt je dat het ophoudt

De hele redenering hierboven rust op één aanname: dat je die open modellen ook kúnt blijven downloaden. Dat wordt nu van twee kanten betwist, en die moet je uit elkaar houden.

De eerste is Amerikaans en belanghebbend. Terwijl vijfentwintig techbedrijven een brief tekenden tegen voorbarige beperkingen op open modellen, pleitten OpenAI en Anthropic in Washington juist vóór beperkingen. De gevraagde maatregel is groot, het gedeelde technische bewijs klein. Motieven bewijzen niets, maar er is een toets die je zelf kunt doen: gaat het echt om veiligheid, dan verwacht je voorstellen over evaluatie, openbaarmaking en testcapaciteit; gaat het om concurrentie, dan verwacht je toegangsverboden. Kijk welke van de twee daadwerkelijk wordt gevraagd.

De tweede is Chinees, en beter onderbouwd. Het ministerie van Handel consulteert de grote Chinese labs over exportcontroles op modelgewichten. Toegang via API en cloud zou blijven; het downloaden van gewichten niet. Wat beperkt wordt is dus niet het gebruik, maar het bezit. Het patroon is al zichtbaar: Qwen 3.6 kwam open uit, Qwen 3.7 Max niet.

Beide grootmachten bewegen naar dezelfde vorm: het middensegment open voor invloed, de frontier achter de toonbank. Wie je vertelt dat het andere kamp onbetrouwbaar is, verkoopt je meestal het eigen alternatief.

En Europa heeft dit al meegemaakt

Dit alles klinkt abstract tot je bedenkt dat het Europa afgelopen zomer gewoon is overkomen.

Op 12 juni 2026 schortte Anthropic de toegang tot zijn twee sterkste modellen op om te voldoen aan exportcontroles van het Amerikaanse ministerie van Handel. Wereldwijd, omdat gedeelde cloudomgevingen de nationaliteit van gebruikers niet kunnen vaststellen. Op 30 juni werden die controles ingetrokken en op 1 juli was de toegang hersteld.

Achttien dagen. Geen ramp, en het is netjes opgelost.

Maar het gaat niet om de duur. Het gaat erom dat een Europese organisatie die haar bedrijfsvoering op dat model had gebouwd, achttien dagen lang naar een besluit keek dat in Washington was genomen, om redenen die niets met haar te maken hadden, zonder enige route om er invloed op uit te oefenen.

De Europese Commissie liet weten dat zulke beperkingen niet discriminerend zouden mogen zijn. Eurocommissaris Henna Virkkunen zei op 21 juli tegen de Financial Times dat AI een geopolitiek wapen is geworden en dat Brussel vreest afhankelijk te worden van derde landen. Er lopen inmiddels bilaterale gesprekken met Washington over gegarandeerde toegang tot geavanceerde systemen.

Dat is de kern van het probleem in één zin. Als je strategie erop neerkomt dat je onderhandelt over toegang, dan is toegang precies wat je niet hebt.

Windows kreeg nooit een exportverbod

Er zit een aanname onder het hele debat: als wij het niet bezitten, verliezen we. Maar kijk naar de vorige keren dat een technologie de productiviteit van een heel continent optilde. De pc en Windows. Het rekenblad. E-mail. Videobellen. Geen ervan is in Europa bedacht of gebouwd, en geen ervan kreeg ooit een exportverbod. Ze verspreidden zich vrij, en de winst ging naar iedereen die ze goed inzette, niet alleen naar wie ze maakte. Duitsland hoefde Windows niet te bouwen om met de pc enorm veel productiever te worden.

Dat is het patroon van een technologie voor algemeen gebruik. De waarde valt bij de gebruiker, niet alleen bij de bouwer. AI is datzelfde patroon, met een grotere impact.

En let op waar het exportverbod in AI wél zit: op de chips, niet op de modellen. Op de infrastructuurlaag, precies de laag die het snelst veroudert. Dat verbod pakte bovendien anders uit dan bedoeld. Het dwong China tot efficiëntie, en het resultaat is een stroom open modellen die nu gratis rondgaat en waar de rest van de wereld op bouwt. De protectionistische reflex op de hardwarelaag creëerde de open frontier op de modellaag.

De angst is dus deels een spookbeeld. Terecht is de zorg over afhankelijkheid: een gehuurd model kan worden dichtgedraaid, en je weet niet waar je data blijft. Die los je op door open weights te bezitten en zelf te draaien. Onterecht is de paniek dat we de frontier zélf moeten bouwen om mee te tellen. Dat hoefde bij Windows ook niet, en de impact van AI is groter, niet kleiner. Met één cruciaal verschil: Windows-toegang werd nooit geweigerd, AI-toegang wél. En juist dat verschil is de reden om niet te huren, maar de open kopie te bezitten.

Is Europa dan uitgespeeld?

Nee. En het waarom is belangrijker dan het antwoord.

Gepubliceerde gewichten zijn niet terug te halen. Exportcontroles werken vooruit, niet achteruit. Wat gedownload is, is gedownload: Llama, Mistral, DeepSeek, Qwen, GLM, en sinds 27 juli Kimi K3. De bodem waarop Europa staat kan niet zakken. Hij kan alleen langzamer stijgen.

De vraag wordt dus niet of die bodem verdwijnt, maar of hij hoog genoeg ligt. En daar slaan die vier punten op terug: voor wat Europese organisaties feitelijk met AI doen, ligt hij daar al ruim boven.

Stel dat de kraan echt dichtgaat. En dat is geen fantasie: China deelt open modellen zolang het hem uitkomt, en juist het commoditiseren van de modellaag ondermijnt de Amerikaanse labs. Zodra China voorloopt, kan die kraan dicht. Precies dat maakt een voorsprong iets waard.

Wat wil Europa dan hebben? Geen halfafgebouwde GPT-concurrent van nu, die tegen die tijd toch achterhaald is. Maar ook niet alléén de vaardigheid om een bestaand model door te trainen. Doortrainen voor je eigen talen en sectoren verbetert het gedrag en het domein en houdt je bij, maar het tilt je niet fundamenteel boven de base uit. Bij een dichte kraan blijf je dan steken op het plateau van het laatste model dat je nog kon downloaden.

Wat je dan wil hebben, is het vermogen om zélf een base te trainen. En dat bouw je niet koud op op het moment dat het nodig is; het is jaren van compute, talent en mislukte runs. Je onderhoudt en vergroot het, stap voor stap: van finetunen naar doorpretrainen naar, als het moet, een eigen base. Geen prestigeproject om de race nu te winnen, maar een verzekering, zodat je nooit afgesloten of definitief ingehaald kunt worden.

Infrastructuur, talent en trainingscapaciteit zijn niet het alternatief voor een eigen model. Ze zijn de voorwaarde om er één te kunnen maken, precies op het moment dat het ertoe doet.

De rekensom die Europa zichzelf niet moet besparen

Hier hoort de eerlijkheid bij dat Europa ook de infrastructuurrace kan verliezen.

Eind juli opende het EuroHPC Joint Undertaking de aanbesteding voor maximaal zeven AI Gigafactories, verspreid over minstens zeven lidstaten, elk met ruimte voor zo'n honderdduizend AI-processors. Ongeveer tien miljard euro publiek geld, bedoeld om meer dan twintig miljard aan private investering los te trekken. Inschrijven kan tot 12 november, selectie volgt begin 2027, en de gekozen projecten hebben daarna achttien maanden om operationeel te worden. Realistisch: 2028 of 2029.

De vier grote Amerikaanse hyperscalers samen, Amazon, Google, Meta en Microsoft, sturen dit kalenderjaar op ongeveer 630 miljard dollar aan kapitaaluitgaven. Epoch AI meldt bovendien dat die uitgaven sinds de release van GPT-4 zijn verviervoudigd.

Tegen dat totaal is het volledige Europese publieke pakket van tien miljard euro goed voor ongeveer zes dagen. De hele operatie van dertig miljard, inclusief het gehoopte private geld, staat gelijk aan een kleine drie weken van diezelfde vier bedrijven.

Wie deze cijfers naast elkaar legt, ziet meteen waarom "wij bouwen ons eigen frontier model" de duurste manier is om te verliezen. Als je op schaal niet kunt winnen, moet je op iets anders winnen.

Sterker nog: Europa is niet eens in de buurt, en zal dat op deze laag ook nooit zijn. Maar dat is geen reden tot wanhoop, het is de aanwijzing. Een race die je met geen mogelijkheid kunt winnen, is per definitie de verkeerde. De vraag is niet hoe Europa harder gaat rennen, maar waarom het meedoet aan een wedstrijd waarvan de uitslag vaststaat, terwijl de wedstrijd die het wél kan winnen onbespeeld blijft. En die tweede wedstrijd gaat niet over snelheid, maar over wie kan worden afgesloten.

Wat dan wel

Europa hoeft de race om het grootste taalmodel niet te winnen; het moet de race winnen om AI betrouwbaar, aantoonbaar en onafhankelijk toe te passen.

Dat betekent investeren in andere dingen dan waar de discussie nu over gaat.

Inference in plaats van training, om te beginnen. Trainen gebeurt een paar keer per jaar; inferentie gebeurt miljoenen keren per dag. De economische waarde verschuift naar GPU-benutting, scheduling, geheugenbeheer, latency en energieverbruik. Projecten als vLLM zijn strategisch waarschijnlijk belangrijker dan nóg een foundation model, en ze zijn de enige reden dat een model van anderhalve terabyte überhaupt betaalbaar te draaien valt.

Daarnaast toegang voor het mkb. EuroHPC heeft inmiddels veertien supercomputers en negentien AI Factories, met toegangsroutes die expliciet op startups en kleinere bedrijven zijn gericht, in sommige gevallen met goedkeuring binnen enkele werkdagen. Dat is een reëel voordeel dat vrijwel niemand benut, simpelweg omdat vrijwel niemand weet dat het bestaat.

Verder operationele autonomie, in de zin die het Hugging Face-incident zo scherp maakte: het vermogen om te blijven werken wanneer een externe leverancier besluit dat jouw legitieme verzoek te veel op een illegitiem verzoek lijkt. Voor securityteams, forensisch onderzoek, medisch onderzoek, journalistiek en juridisch werk is dat geen luxe.

Er is wél een goed argument voor Europees frontier-onderzoek, maar niet het argument dat meestal wordt gemaakt. Je hebt die kennis nodig om modellen te kúnnen beoordelen: red-teaming, capaciteitsevaluaties, interpretatieonderzoek. Wie alleen consumeert, kan niet vaststellen wat hij consumeert. Investeer dus niet in een Europees antwoord op ChatGPT, maar in het vermogen om een willekeurig model verantwoord in te durven zetten.

Tot slot: eerlijkheid over de keerzijde. Open weights zijn geen onverdeeld goed. Er is geen monitoringlaag, veiligheidstraining is met beperkte moeite te verwijderen, en finetunen voor misbruik is triviaal. Datzelfde ongeremde karakter dat Hugging Face redde, maakt open modellen aantrekkelijk voor aanvallers. Dat is de prijs van hetzelfde eigendom dat dit stuk bepleit. Wie het ene wil, koopt het andere erbij, en moet daar beleid op maken in plaats van eromheen te praten.

Tot slot

Misschien is dit minder spectaculair dan een Europees antwoord op OpenAI.

Maar de grootste fout die Europa kan maken, is de AI-race definiëren als een wedstrijd om wie het beste model bouwt, terwijl beide grootmachten inmiddels laten zien dat hun echte machtsmiddel niet het model is, maar de mogelijkheid om de toegang ertoe af te sluiten. De één door zijn beste modellen gesloten te houden, de ander door te overwegen zijn beste modellen niet langer te laten downloaden, en allebei, zoals afgelopen juli bleek, door te bepalen wanneer jouw volstrekt legitieme vraag geen antwoord krijgt.

Tegen die drie mogelijkheden helpt maar één ding. En dat is geen eigen model bouwen, maar bestaande open modellen bezitten en zelf draaien, achter je eigen deur, waar niemand de stekker eruit kan trekken. En het vermogen onderhouden om er zelf één te maken zodra het moet.

Want dit gaat allang niet meer over AI. Het gaat over macht, en in digitale infrastructuur is die altijd hetzelfde gebleken: bezit is iets anders dan toegang. Dat gold voor de cloud, voor chips, voor data. AI is er de scherpste, snelste versie van.

De macht zit niet in het model. De macht zit in de knop waarmee het model wordt uitgezet, en in de vraag wie zijn vinger erop heeft.

Europa hoeft de AI-race niet te winnen. Europa moet ophouden de verkeerde te lopen.

Dit is deel 1 van een drieluik. Deel 2: hoeveel moet Europa dan wél investeren, en hoe kan de Europese Unie het beste helpen?

Bronnen

Per hoofdstuk. Klik om uit te klappen.