Digitale soevereiniteit
Wie bezit wat AI van je gegevens leert?
Klanten die AI kopen, vragen waar hun gegevens terechtkomen en of de leverancier kan garanderen dat die van hen blijven. Nour Al Hassan hoort van hen nog een tweede vraag. Is de intelligentie straks ook van hen?
Al Hassan is oprichter en CEO van Tarjama en van Arabic.AI, een bedrijf dat AI bouwt voor de Arabische taal. Haar klanten zijn banken, zorginstellingen, overheden en adviesbureaus. Zij sprak op 20 oktober 2026 op NVIDIA Startup Day in Berlijn, de dag voor de keynote van NVIDIA GTC, in een panel met drie andere bedrijven die AI bouwen.
De intelligentie in die vraag is wat een AI-model heeft geleerd van de eigen gegevens van de klant. Wie daar eigenaar van wordt, is een zaak voor het bestuur. De vier bedrijven in het panel lieten zien waarom klanten om dat eigendom vragen, en wat zij als bouwers zelf van een klant vragen voordat zij beginnen.
Klanten willen eigenaar zijn van het model dat op hun gegevens is getraind
Talfan Evans is CEO van Cursive, een onderzoekslab in Londen. Cursive neemt een bestaand AI-model en traint het verder voor het werk van één klant.
Volgens Evans vragen steeds meer klanten om een model dat alleen voor hen is gebouwd. Zij willen eigenaar zijn van het model dat op hun gegevens is getraind en willen dat die gegevens binnen hun eigen organisatie blijven. Hij noemde dit in wezen hun intellectueel eigendom. In zijn ogen worden bedrijven die een product verkopen, steeds meer bepaald door de modellen en de gegevens waarop zij draaien.
Jörg Bienert leidt Soofi, een open AI-model dat in Duitsland wordt gebouwd. In het panel dat we beschrijven in onze eerdere blog De noodknop pleit voor open modellen, zei hij dat bedrijven dit al doen. Zij nemen een open model, trainen het verder op hun eigen gegevens en houden het resultaat als hun eigendom. Een open model is een model dat iedereen kan downloaden en op eigen hardware kan draaien.
De klanten van Al Hassan willen eigenaar zijn van hun gegevens en die in hun eigen land houden. Haar bedrijf draait zijn AI daarom op de eigen apparatuur van de klant of in een cloudomgeving die alleen de klant gebruikt. Anders werkt het volgens haar niet, omdat de gegevens te gevoelig zijn.
Een algemeen model mist de eigen gegevens van een bedrijf
Een eigen model kan voor een bedrijf ook goedkoper zijn. Een algemeen model kan veel meer dan een bedrijf voor één taak nodig heeft. Cursive begint met een open model en snijdt de delen weg die het werk van de klant niet nodig heeft. Het kleinere model dat overblijft, is goedkoper in gebruik.
Evans sprak van kostenbesparingen die soms heel groot zijn. Hij haalde berichten aan over modellen die 10 tot 100 keer efficiënter zijn dan het algemene model waaruit zij zijn gemaakt.
De winst is het grootst waar de algemene modellen weinig van weten. Zij zijn getraind op wat er van het internet te verzamelen was, dus de meeste openbare kennis zit er al in. De eigen gegevens van een bedrijf vallen daarbuiten. Evans raadde bedrijven aan om zulke gegevens binnenshuis te houden en aan niemand af te staan.
Het bedrijf van Al Hassan is op zulke gegevens gebouwd. Volgens haar is hooguit 4 procent van het internet Arabisch en staan de ongeveer 22 dialecten die 400 miljoen mensen spreken, nergens op schrift. Arabic.AI steunt op de gegevens die haar vertaalbedrijf Tarjama in 18 jaar werk heeft verzameld. Zulke gegevens maken voor haar het verschil tussen het ene model en het andere.
Algemeen werk blijft bij een algemeen model. Jascha Achterberg is CTO van Callosum, een Londens bedrijf dat AI-werk verdeelt over verschillende chips en modellen. Investeerders vragen hem vaak naar het ene geheime ingrediënt, en hij antwoordt dan dat het niet bestaat. Werk waarvoor een gespecialiseerd model is getraind, gaat naar dat model en al het andere werk gaat naar een algemeen model. Volgens hem maakt die combinatie een systeem betrouwbaar en betaalbaar.
Er komen steeds nieuwe modellen, en het oefenmateriaal blijft
Er komen steeds nieuwe open modellen bij. In het najaar van 2026 verscheen er volgens Evans bijna elke maand een nieuwe. Het model van een klant kan dan telkens opnieuw worden gemaakt uit het nieuwste model. Dat snel kunnen is volgens hem bijna belangrijker dan het trainen van het eerste model.
Dat kan omdat het oefenmateriaal blijft bestaan. Evans vergeleek het met een sportschool. Cursive bouwt uit het werk van de klant een reeks taken, het model oefent daarop en elke poging krijgt een score. De sportschool wordt één keer gebouwd en voor elk nieuw model opnieuw gebruikt.
Voor Evans is het model wat de klant ontvangt, en bouwt de waarde zich op in de sportschool en in de systemen eromheen.
In onze lezing maakt dat de vraag naar het eigendom breder. Een afspraak die alleen over het model gaat, regelt het deel dat het eerst wordt vervangen. Het volgende model wordt gemaakt uit de gegevens en uit het oefenmateriaal.
De bouwers vragen eerst om een meting
Clara Cornu is chief of staff van Prior Labs, een bedrijf uit het Duitse Freiburg. Het model van dat bedrijf doet voorspellingen op basis van tabellen, bijvoorbeeld welke klant waarschijnlijk vertrekt of wat energie morgen kost.
Leveranciers vergelijken hun modellen op benchmarks. Een benchmark is een standaardtoets met een ranglijst. Volgens Cornu gebruikt iedereen zijn eigen benchmark en staat iedereen daarop verrassend genoeg op nummer één. De ervaring van Al Hassan is dat een Arabisch model op de benchmarks een perfect resultaat kan halen en in het dagelijks gebruik toch slecht presteert op één specifieke taak.
De klanten van Cornu willen de beste prestatie zien op hun eigen taak, en dat betekent op hun eigen gegevens. Prior Labs houdt zijn model open, zodat een bedrijf het op zijn eigen gegevens kan proberen voordat het iemand op zijn woord gelooft.
Voordat Prior Labs met een klant begint, wil het de nulmeting van die klant kennen. Een nulmeting laat zien hoe goed de huidige werkwijze van de klant presteert op zijn eigen gegevens. Met een klant zonder nulmeting begint Prior Labs niet eens.
Volgens Cornu heeft elk bedrijf een mandaat om iets met AI te doen. De mensen die dat uitvoeren, moeten aan hun bazen nog wel kunnen bewijzen waarom het werkt, en daarvoor hebben zij een nulmeting nodig.
Voor Evans is toetsen het moeilijkste deel wanneer een model op een klant wordt afgestemd. Een bedrijf wil geen experimenten met zijn eigen klanten. Het bouwt daarom toetsen die zijn dagelijkse werk nabootsen, en het model wordt op die toetsen getraind. Een sterk model vindt dan manieren om er hoog op te scoren zonder het werk goed te doen. Als dat in het dagelijks gebruik blijkt, worden de toetsen bijgesteld en wordt het model opnieuw getraind.
De bouwers vragen ook om een budget, een probleem en de eigen mensen van de klant
Het bedrijf van Al Hassan kijkt eerst naar het budget van de klant. Een klant zonder budget is volgens haar hoogstwaarschijnlijk niet serieus en wil vooral experimenteren.
Haar klanten willen het rendement van de investering kennen en het bewijs zien dat het systeem geld bespaart. Zij willen ook dat er een echt probleem wordt opgelost.
Iedereen kan volgens haar een AI-agent bouwen. De vraag is welk probleem die oplost. Een hulpmiddel dat buiten de eigen systemen van de klant staat, helpt niemand, ook als erbij wordt gezegd dat het de productiviteit verhoogt.
Haar bedrijf dacht eerder in software die als abonnement wordt verkocht, product voor product. Het denkt nu in het automatiseren van een hele afdeling of een heel bedrijf.
Het werk zelf gebeurt binnen de organisatie van de klant. Prior Labs en Arabic.AI sturen daar allebei hun eigen engineers naartoe. Volgens Cornu wil de klant dat het model draait waar zijn gegevens staan, en gaan haar mensen daarheen om het model nog een paar punten nauwkeuriger te maken. Zij noemde dat een enorme verschuiving ten opzichte van de jaren van software als abonnement.
Voor Al Hassan is de klant de expert. Haar engineers lossen het probleem op, en de kennis van het werk zit bij de eigen mensen van de klant. Dat vraagt een open gesprek tussen leverancier en klant, zodat zij de juiste toepassing kiezen, die op de juiste manier in gebruik nemen en het juiste rendement meten.
Het eigendom wordt geregeld voordat het werk begint
Wij lezen het panel als de twee kanten van een afspraak. De klant vraagt het eigendom van het model dat op zijn gegevens is getraind en wil die gegevens in eigen hand houden. De bouwer vraagt een nulmeting, een budget, een probleem en de tijd van de mensen die het werk kennen.
Beide kanten kunnen op papier staan voordat het werk begint. In de afspraak met de leverancier staat wie eigenaar is van het model, waar de gegevens worden verwerkt en door wie, en wie het oefenmateriaal en de toetsen houdt die uit het eigen werk van de organisatie zijn gebouwd. De organisatie kent haar nulmeting, heeft een budget vastgesteld en heeft het probleem en de eigenaar ervan benoemd.
Een AI-strategie van Quilyx beantwoordt onder meer wat AI vraagt van besturing, data, mensen en leveranciers. Het eigendom raakt alle vier, en dat maakt het een keuze voor het bestuur.
Ons uitgangspunt is soevereine AI, wat betekent dat een organisatie zelf bepaalt waar haar gegevens worden verwerkt en door wie. Volgens ons valt het model dat van die gegevens heeft geleerd onder hetzelfde besluit. Algemeen werk kan naar een algemeen model, en waar een gehoste dienst volstaat, zeggen wij dat ook.
Of de intelligentie straks van de organisatie is, wordt dan in die afspraak beslist voordat het eerste model wordt getraind.
Over dit artikel: Dit artikel is onze eigen lezing van het panel Building and Scaling EMEA Models op NVIDIA Startup Day in Berlijn van 20 oktober 2026, met één opmerking uit de sessie How to Scale With Open Source op NVIDIA GTC Berlin een dag later. De ideeën uit dat panel en uit die sessie zijn van de sprekers en zijn als zodanig benoemd. De vertaling naar opdrachtgevers, de standpunten en de keuzes in dit artikel zijn van ons. Wij schreven en redigeerden het samen met AI, die hielp bij het uitzoeken, het uitwerken en het formuleren. Quilyx draagt de redactionele verantwoordelijkheid.