Digitale soevereiniteit in Europa en de afhankelijkheid van AI

Door Ivo Donker — samengesteld met AI-ondersteuning (Claude & Gemini) · Laatst bijgewerkt: 7 augustus 2026

De snelle opkomst en integratie van kunstmatige intelligentie (AI) en grote taalmodellen (LLM's) in bedrijfsprocessen, overheidssystemen en maatschappelijke infrastructuur heeft het vraagstuk van digitale soevereiniteit naar de voorgrond van het Europese beleidsdebat gebracht. AI is niet langer uitsluitend een categorie software-toepassingen; het vormt in toenemende mate een fundamentele infrastructuurlaag waarop besluitvorming, productiviteit en innovatie rusten. Wanneer cruciale onderdelen van deze infrastructuur buiten de eigen jurisdictie of invloedssfeer liggen, ontstaan er strategische kwetsbaarheden.

In Europese maatschappelijke en politieke discussies worden termen als 'soevereiniteit', 'autonomie' en 'zelfvoorziening' geregeld door elkaar gebruikt. Dit kan leiden tot onrealistische verwachtingen en onhelder beleid. Een grondige analyse van AI-afhankelijkheid vereist dat de gehele keten — van fysieke siliciumchips tot aan de uiteindelijke gebruikersinterface — wordt ontleed. Elk niveau kent immers zijn eigen dynamiek, concentratie van marktmacht en specifieke afhankelijkheidsrisico's.

Begripsverwarring: Soevereiniteit, autonomie en zelfvoorziening

Om het debat over de Europese positie in de mondiale AI-sector zuiver te voeren, is een helder onderscheid tussen drie vaak verwarde concepten noodzakelijk:

• Digitale zelfvoorziening (autarkie): Dit verwijst naar de situatie waarin een regio of staat de volledige technologieketen binnen de eigen grenzen produceert en beheert, zonder enige afhankelijkheid van buitenlandse toeleveranciers. In de mondiale AI-infrastructuur is volledige zelfvoorziening praktisch onhaalbaar gebleken vanwege de extreme complexiteit, de geografie van grondstoffen en de mondiale verdeling van gespecialiseerde kennis.
• Strategische autonomie: Dit betreft het vermogen om zelfstandig besluiten te nemen en keuzes te maken, evenals het beschikken over alternatieve opties wanneer een dominante leverancier of handelspartner wegvalt. Autonomie impliceert niet dat alles lokaal wordt gebouwd, maar wel dat afhankelijkheden niet kunnen worden ingezet als dwangmiddel.
• Digitale soevereiniteit: Dit heeft betrekking op het rechtsstatelijke en politieke vermogen om eigen wetten, waarden en normen te handhaven op digitale technologieën die binnen het eigen grondgebied worden gebruikt. Het gaat erom dat overheden en burgers zeggenschap behouden over de regels waaraan gegevensverwerking, algoritmische besluitvorming en markttoegang moeten voldoen.

Wanneer de doelstelling van digitaal beleid wordt geframed als 'volledige zelfvoorziening', loopt men het risico op inefficiënte kapitaalallocatie en achterblijvende innovatie. Wordt de nadruk daarentegen gelegd op strategische autonomie en juridische soevereiniteit, dan verschuift de focus naar risicobeheersing, diversificatie van toeleveranciers en het verankeren van rechtsbescherming.

De AI-stack: Zeven lagen van afhankelijkheid

Afhankelijkheid bij AI is geen binair gegeven, maar manifesteert zich op verschillende manieren in de afzonderlijke lagen van de technologische keten. Om te begrijpen waar de grootste knelpunten zitten, moet de zogeheten 'AI-stack' laag voor laag worden geanalyseerd.

1. Chips en hardware-productie

De onderste laag van de stack bestaat uit het fysieke silicium: gespecialiseerde grafische processors (GPU's), accelerators en geheugenmodules. Deze markt kent extreme technologische barrières en geografische concentraties. Ontwerp, geavanceerde lithografie en de uiteindelijke chipfabricage zijn verdeeld over een zeer beperkt aantal mondiale spelers. Een verstoring in de toeleveringsketen van hardware heeft directe gevolgen voor de capaciteit om modellen te trainen of op schaal uit te voeren. Voor een dieper inzicht in de wereldwijde hardwareverhoudingen verwijzen we naar de analyse over de mondiale chips- en hardwarerace.

2. Datacenters en energie-infrastructuur

AI-modellen vereisen aanzienlijke rekenkracht, wat zich vertaalt in fysieke datacenters met hoge eisen aan elektriciteit, koeling en netwerkcapaciteit. Hoewel deze datacenters geografisch op Europees grondgebied kunnen staan, zijn het beheer, de koeltechnologieën en de benodigde netwerkapparatuur vaak afhankelijk van internationale leveranciers. Daarnaast vormt de belasting van het lokale energienetwerk een fysieke grens aan de uitbreiding van compute-capaciteit. Meer hierover leest u in het overzicht van datacenters en AI in Nederland.

3. Cloudplatformen en hosting

De opslag van data en het uitvoeren van trainings- en inferentieprocessen gebeuren overwegend via grote cloudplatformen (hyperscalers). Deze partijen bieden niet alleen de fysieke servers, maar ook de softwarematige orchestration-lagen, databases en beheerdiensten. Wanneer een organisatie haar AI-architectuur volledig bouwt op propriëtaire clouddiensten, ontstaat een sterke technologische afhankelijkheid die overstappen naar een andere aanbieder kostbaar en complex maakt.

4. Modelgewichten en architectuur

Het fundatiemodel zelf vormt de rekenkundige kern van modern AI-gebruik. Modellen waarvan de parameters (modelgewichten) besloten blijven achter een API, bieden de gebruiker geen inzicht in de exacte werking en geen controle over updates of het intrekken van toegang. Het niet beschikken over de modelgewichten betekent dat organisaties afhankelijk zijn van het continueren van de dienstverlening door de modelfabrikant.

5. Trainingsdata en curatie

Een model is het product van de data waarop het is getraind. De kwaliteit, diversiteit en representativiteit van de gebruikte teksten, beelden en broncode bepalen de output. Wanneer trainingsdatasets voornamelijk zijn samengesteld uit buitenlandse of Engelstalige bronnen, sijpelen de daarin besloten waarden, juridische kaders en culturele aannames door in het model. Zeggenschap over kwalitatieve, lokaal relevante trainingsdata is daarmee een cruciale laag in de keten.

6. Talent, ontwikkelaars en academische kennis

De ontwikkeling van geavanceerde AI-modellen vereist hooggespecialiseerde kennis van modelarchitecturen, optimalisatie-algoritmen en gegevensverwerking. Een gebrek aan lokale experts en onderzoekers beperkt het vermogen om zelfstandig modellen te bouwen, te valideren of aan te passen. Kennisafhankelijkheid betekent dat een regio weliswaar technologie kan afnemen, maar niet zelfstandig de koers ervan kan bijsturen.

7. De toepassingslaag en integratie

Aan de bovenkant van de stack bevinden zich de softwaretoepassingen waarmee eindgebruikers werken: chatbots, assistenten, analysetools en geïntegreerde bedrijfssystemen. Als deze toepassingslaag gesloten is en direct gekoppeld is aan specifieke achterliggende modellen, hebben eindgebruikers weinig ruimte om onderliggende onderdelen te vervangen of aan te passen aan lokale eisen.

Technische versus juridische afhankelijkheid

Een veelvoorkomend misverstand in het soevereiniteitsdebat is dat het fysiek opslaan van data of het draaien van een model binnen de grenzen van de Europese Unie automatisch betekent dat er sprake is van volledige soevereiniteit. Hierbij wordt voorbijgegaan aan het cruciale onderscheid tussen technische en juridische afhankelijkheid.

Technische afhankelijkheid heeft betrekking op de vraag of een systeem kan blijven functioneren wanneer de verbinding met een externe leverancier wordt onderbroken. Als een lokaal geïnstalleerde applicatie continu afhankelijk is van authenticatieservers, licentiechecks of telemetrie-verbindingen met servers buiten Europa, blijft het systeem kwetsbaar voor operationele onderbrekingen, ongeacht waar de primaire data is opgeslagen.

Juridische afhankelijkheid betreft het rechtstelsel dat van toepassing is op de organisatie die de dienst verleent of de infrastructuur beheert. Een dochteronderneming van een buitenlandse entiteit die opereert binnen de EU moet weliswaar voldoen aan de Europese Algemene Verordening Gegevensbescherming (AVG), maar kan tegelijkertijd onderhevig zijn aan de wetgeving van het moederland. Wetten met extraterritoriale werking kunnen de moederorganisatie verplichten om toegang te verlenen tot gegevens of systemen, ongeacht de fysieke locatie van de server. Het opslaan van data op Europese bodem bij een niet-Europese aanbieder lost de juridische afhankelijkheid dus slechts gedeeltelijk op.

Voor organisaties die werken met privacygevoelige of bedrijfsvertrouwelijke informatie is dit onderscheid van essentieel belang. In de praktijk moeten besluitvormers zowel de technische gegevensstromen als de juridische eigendoms- en zeggenschapsstructuren van hun leveranciers in kaart brengen. Zie voor een verdere verdieping van de contractuele aspecten de handleiding over dataretentie en AI-leveranciers en de eisen voor on-premise LLM-infrastructuur.

De rol en grenzen van open modelgewichten

In het debat over het verminderen van AI-afhankelijkheid wordt het beschikbaar stellen van open modelgewichten (vaak aangeduid als open-source AI) regelmatig gepresenteerd als de deels verlossende oplossing. Wanneer de gewichten van een model vrij toegankelijk zijn, kunnen organisaties het model downloaden, zelf hosten en aanpassen zonder afhankelijk te zijn van een externe API-dienst.

Wat open modelgewichten wél oplossen

• Continuïteit en onafhankelijkheid van de leverancier: Een eenmaal gedownload model kan niet op afstand worden uitgeschakeld of gewijzigd door de oorspronkelijke maker. De organisatie behoudt de controle over de versie die in productie draait.
• Dataprivacy en vertrouwelijkheid: Omdat de inferentie volledig op eigen infrastructurele voorzieningen kan plaatsvinden, hoeven er geen gegevens naar externe servers te worden verzonden. Dit voorkomt dat gevoelige data wordt gebruikt voor het her-trainen van externe modellen.
• Aanpasbaarheid en controle: Open gewichten stellen ontwikkelaars in staat het model verder te fine-tunen op specifieke domeinkennis of taken, en interne lagen te inspecteren op ongewenste patronen.

Wat open modelgewichten niét oplossen

• Hardware-afhankelijkheid: Het uitvoeren van grote open-gewichtenmodellen vereist nog steeds krachtige rekeninfrastructuur. De afhankelijkheid verschuift daarmee van de AI-softwareleverancier naar de leverancier van de hardware en cloud-infrastructuur.
• Onderhoud en veiligheidsupdates: Het zelf beheren van een model betekent dat de organisatie zelf verantwoordelijk is voor het monitoren van prestaties, het toepassen van veiligheidscontroles en het doorvoeren van verbeteringen. De continue ondersteuning die een commerciële API-dienst biedt, vervalt.
• Transparantie van de trainingspijplijn: Het beschikbaar hebben van de modelgewichten betekent niet automatisch dat ook de volledige trainingsdata, de curatie-code en de exacte trainingsstappen openbaar zijn. Hierdoor blijft de ontstaansgeschiedenis van het model deels ondoorzichtig.

De keuze tussen open en gesloten modellen is daardoor geen eenvoudige afweging tussen 'volledige vrijheid' en 'totale afhankelijkheid', maar eerder een strategische keuze tussen verschillende soorten kosten, risico's en beheerlasten. Zie voor een bredere marktanalyse de publicatie over open versus gesloten modellen en marktontwikkelingen.

Taal en cultuur als soevereiniteitsvraagstuk

AI-modellen zijn niet neutraal; ze weerspiegelen de taal, cultuur en waarden die besloten liggen in de data waarmee ze zijn gevoed. Voor kleinere taalgebieden, zoals het Nederlandse taalgebied, vormt dit een specifiek soevereiniteitsrisico.

Wanneer grote fundatiemodellen voornamelijk worden getraind op Engels- of Chinstalige data, met slechts een beperkte fractie aan Nederlandstalige bronnen, ontstaan er verschillende inhoudelijke en functionele knelpunten:

1. Vervaging van nuance en terminologie: Het model kan moeite hebben met specifieke juridische, bestuurlijke en culturele begrippen die uniek zijn voor de Nederlandse of Belgische context. Vertalingen kunnen juridisch onnauwkeurig zijn of maatschappelijke concepten verkeerd interpreteren.
2. Cultuur- en waarden bias: Modellen nemen de normen, waarden en maatschappelijke omgangsvormen over uit het dominante deel van hun trainingsdata. Dit kan leiden tot antwoorden die niet aansluiten bij lokale wetgeving, ethische normen of omgangsvormen.
3. Economische en functionele nadelen: Indien modellen minder efficiënt omgaan met Nederlandstalige tekst (bijvoorbeeld door een minder optimale 'tokenisatie'), stijgen de verwerkingskosten per taak voor Nederlandstalige toepassingen ten opzichte van Engelstalige toepassingen.

Het behoud van de eigen taal en cultuur in het digitale domein vereist dat er voldoende hoogwaardige, lokaal verankerde trainingsdata beschikbaar is en dat er modellen worden ontwikkeld die de Nederlandse taal en maatschappelijke context als uitgangspunt nemen. Voor een uitgebreide onderbouwing van dit specifieke thema verwijzen we naar de achtergrondanalyse over taaldiversiteit in LLM's en de positie van het Nederlands.

Afweging: Europese eigen capaciteit versus de markt

In het maatschappelijke debat over AI-soevereiniteit staan twee hoofdstromingen tegenover elkaar: de voorstanders van het opbouwen van een sterke, eigen Europese AI-capaciteit en de voorstanders van een marktgerichte, internationale benadering. Beide perspectieven kennen valide argumenten en substantiële afwegingen.

Argumenten voor het opbouwen van eigen Europese capaciteit

• Leveringszekerheid en continuïteit: Bij toenemende geopolitieke spanningen of handelsconflicten kan de toegang tot buitenlandse technologie worden beperkt of aan voorwaarden worden verbonden. Eigen capaciteit beschermt kritieke processen tegen plotselinge afsluiting.
• Handhaving van rechtsbescherming en ethische normen: Door de gehele technologische keten onder Europese jurisdictie te brengen, kan strikter worden toegezien op het naleven van privacywetgeving, auteursrecht en transparantie-eisen.
• Internationale onderhandelingspositie: Een regio die beschikt over eigen geloofwaardige alternatieven staat sterker in internationale besprekingen over standaarden, normen en handelsvoorwaarden.

Tegenargumenten en praktische belemmeringen

• Extreem hoge kapitaalintensiteit: Het ontwikkelen van geavanceerde hardware en het trainen van de grootste fundatiemodellen vergt enorme investeringen. Het opbrengen van dergelijke middelen uit publieke of private Europese fondsen kan ten koste gaan van andere prioriteiten.
• Risico op kwaliteitsachterstand: Wanneer Europese alternatieven achterblijven in prestaties, functionaliteit of gebruiksgemak, worden lokale bedrijven en instanties gedwongen te werken met minder competitieve gereedschappen, wat hun mondiale concurrentiepositie kan verzwakken.
• Versnippering van de markt: Europa bestaat uit meerdere nationale markten met verschillende talen, regelgevingen en prioriteiten. Het opbouwen van één geconsolideerde Europese speler die qua schaal kan wedijveren met mondiale giganten stuit op bestuurlijke en culturele barrières.

Het beleidsdilemma draait niet om de keuze tussen 'alles zelf maken' of 'alles importeren', maar om het bepalen welke onderdelen van de technologieketen zo kritiek zijn dat een gebrek aan eigen controle onaanvaardbare risico's oplevert.

Praktische handelingsperspectieven voor overheden en organisaties

Voor organisaties en overheidsinstanties die op korte en middellange termijn beslissingen moeten nemen, is wachten op een volledige Europese technologische onafhankelijkheid geen realistische optie. Er zijn echter concrete strategische en operationele maatregelen te nemen om afhankelijkheden te beheersen zonder de voordelen van geavanceerde AI-technologie op te geven.

1. Het scheiden van workloads op basis van gevoeligheid

Niet alle data en processen dragen hetzelfde risicoprofiel. Een doordacht beveiligingsmodel categoriseert taken:

• Niet-gevoelige processen: Publiekelijk toegankelijke informatie of algemene creatieve taken kunnen zonder bezwaar gebruikmaken van efficiënte, commerciële cloudmodellen.
• Vertrouwelijke processen: Bedrijfsgevoelige gegevens of persoonsgegevens vereisen gecontroleerde omgevingen, zoals gehoste open-gewichtenmodellen binnen een afgeschermde Europese cloud of gecertificeerde virtuele privéomgevingen.
• Kritieke infrastructuur: Kernprocessen van de staat of hoogvertrouwelijke data stellen de hoogste eisen en moeten zo mogelijk on-premise of binnen een volledig geïsoleerde sovereign cloud draaien.

2. Portabiliteit en architecturale ontkoppeling

Organisaties moeten voorkomen dat hun toepassingen direct en onlosmakelijk verbonden zijn met de specifieke API van één specifieke modelfabrikant. Door het inrichten van een abstractielaag (een zogeheten model-gateway of orchestratielaag) kan een organisatie snel schakelen tussen verschillende achterliggende modellen wanneer de kosten, kwaliteit of juridische voorwaarden veranderen.

3. Multi-provider en multi-cloud strategieën

Het verspreiden van afhankelijkheden over meerdere onafhankelijke leveranciers en geografische regio's verlaagt het risico op operationele uitval of leveranciersdwang. Dit geldt zowel voor de cloud-infrastructuur als voor de gebruikte AI-modellen.

4. Scherpe contractuele voorwaarden en auditrechten

Bij het afnemen van commerciële AI-diensten moeten heldere contractuele waarborgen worden geëist met betrekking tot:

• Het expliciete verbod op het gebruiken van ingevoerde klantdata voor het her-trainen van de modellen van de leverancier.
• Gegarandeerde opties voor data-exfiltratie en volledige verwijdering van gegevens bij beëindiging van de dienstverlening.
• Recht op onafhankelijke audits op de naleving van afgesproken beveiligings- en privacyparameters.

Open vragen voor de toekomst

Het debat over digitale soevereiniteit en AI-afhankelijkheid bevindt zich in een continue dynamiek. Een aantal fundamentele vragen blijft vooralsnog onbeantwoord en zal de komende jaren het beleid bepalen:

• Hoe verhoudt technologische bescherming zich tot mondiale innovatie? Bestaat het gevaar dat een te sterke nadruk op regulering en lokale controle leidt tot een grotere digitale kloof met regio's die sneller nieuwe technologieën omarmen?
• Is een 'Europese Sovereign Cloud' haalbaar zonder buitenlandse technologie? In hoeverre kunnen Europese initiatieven op korte termijn functioneren zonder gebruik te maken van intellectueel eigendom, componenten of softwarelagen van buitenlandse origine?
• Hoe ontwikkelt zich de verhouding tussen publieke middelen en private marktinitiatieven? Moet de overheid optreden als launching customer en investeerder in nationale AI-infrastructuur, of moet de marktontwikkeling primair aan private partijen worden overgelaten?

Digitale soevereiniteit in het AI-tijdperk is geen eindbestemming die met één beleidsbesluit wordt bereikt, maar een continu proces van risicoafweging, strategische investeringen en doordacht architectuurontwerp. Organisaties die nu heldere keuzes maken in het scheiden van hun workloads, het ontkoppelen van hun systemen en het diversifiëren van hun leveranciers, bouwen aan een veerkrachtige en toekomstbestendige digitale positie.