Nederlandse AI in cijfers: de publieke bronnen (CBS, DNB, Rijks-ICT) en hoe je ze leest
In het maatschappelijke en zakelijke debat over kunstmatige intelligentie vliegen de omzetverwachtingen, groeipercentages en transformatieclaims je om de oren. Commerciële consultancyrapporten en leverancierspresentaties schetsen vaak een beeld van explosieve adoptie of juist acute dreiging. Wie echter beslissingen moet nemen op basis van feiten, heeft behoefte aan verifieerbare, onafhankelijke en periodiek terugkerende databronnen. In Nederland vormen de publicaties van officiële instellingen zoals het Centraal Bureau voor de Statistiek (CBS), De Nederlandsche Bank (DNB) en diverse rijksregisters het fundament voor betrouwbare marktanalyses.
Het lezen van deze openbare databronnen vereist echter een specifieke methodologische blik. Publieke statistieken lopen door hun zorgvuldige valideringsprocessen inherent achter op de dagelijkse technologische werkelijkheid. Bovendien hanteren instellingen afgebakende definities die niet altijd naadloos aansluiten op het huidige spraakgebruik rondom grote taalmodellen en generatieve AI. Dit artikel ontleedt de belangrijkste Nederlandse overheids- en toezichtsbronnen, legt uit welke meetmethoden erachter schuilgaan, benoemt de structurele beperkingen en biedt een leidraad om openbare cijfers op de juiste waarde te schatten.
1. Centraal Bureau voor de Statistiek (CBS): Bedrijfsadoptie en ICT-gebruik
De meest omvattende bron voor kwantitatieve gegevens over het Nederlandse bedrijfsleven is het jaarlijkse onderzoek ICT-gebruik bij bedrijven van het CBS. Dit onderzoek richt zich op organisaties met ten minste tien werkzame personen en geeft een representatief beeld van de mate waarin technologieën binnen verschillende economische sectoren (SBI-codes) verankerd raken.
Het CBS meet AI-adoptie via gestructureerde enquêteformulieren waarin bedrijven worden gevraagd naar het gebruik van specifieke AI-technologieën. Denk hierbij aan spraakherkenning, natuurlijke taalverwerking (NLP), beeldherkenning, machinaal leren voor datagebruik en geautomatiseerde besluitvormingssystemen. Door deze opsplitsing wordt voorkomen dat eenvoudige automatisering op één hoop wordt gegoid met geavanceerde modellen.
De kracht van de CBS-data ligt in de steekproefopzet. Door gelaagde steekproeven te trekken op basis van bedrijfsgrootte en sector, kan het bureau betrouwbare uitspraken doen over de gehele Nederlandse economie. Wie wil begrijpen hoe deze macro-indicatoren zich vertalen naar specifieke marktverschuivingen en overnames, kan het overzicht raadplegen over de consolidatie onder AI-startups in de Nederlandse markt.
Er zitten echter duidelijke methodologische haken en ogen aan de CBS-cijfers:
- Tijdsvertraging: De gegevensinzameling vindt doorgaans plaats in het voorjaar, terwijl de definitieve rapportage pas aan het einde van het kalenderjaar of het begin van het daaropvolgende jaar verschijnt. Cijfers over 2025 weerspiegelen dus de situatie van begin 2025.
- Definitie-verschuiving: Tot voor kort viel generatieve AI onder algemene categorieën als 'tekstanalyse' of 'machinaal leren'. Pas in recente vragenlijsten worden specifieke vragen gesteld over taalmodellen, waardoor historische trendlijnen soms een breuk vertonen.
- Zelfrapportering: Antwoorden zijn gebaseerd op de perceptie van de respondent binnen het bedrijf. Een IT-manager interpreteert 'AI-gebruik' soms anders dan een directielid, wat kan leiden tot onder- of overrapportering.
2. De Nederlandsche Bank (DNB): Financiële sector en operationele risico's
Waar het CBS kijkt naar de brede economie, richt De Nederlandsche Bank (DNB) zich specifiek op de financiële sector: banken, verzekeraars, pensioenfondsen en beleggingsondernemingen. DNB publiceert bevindingen via haar periodieke toezichtrapportages, thematische onderzoeken en het jaarlijkse Dashboard Risico's.
DNB meet niet primair de omzet of de efficiëntiewinst van AI, maar focust op governance, datakwaliteit, verklaarbaarheid en concentratierisico's. Via verplichte enquêtes en uitvraaglijsten onder onder toezicht staande instellingen brengt de toezichthouder in kaart welke modellen worden ingezet voor onder meer kredietbeoordeling, fraudedetectie, klantacceptatie en geautomatiseerde handel.
Voor een verdieping in hoe deze specifieke toezichtseisen en risicokaders in de praktijk uitwerken voor financiële instellingen, verwijzen we naar de analyse van AI in de Nederlandse financiële sector.
De data van DNB kent een heel eigen karakteristiek. Het is geen algemene marktstatistiek, maar een risico-georiënteerde meting. De voornaamste aandachtspunten bij het lezen van DNB-cijfers zijn:
| Sectorelement | Meetmethode DNB | Aandachtspunt bij interpretatie |
|---|---|---|
| Concentratierisico | Inventarisatie van externe cloud- en AI-leveranciers. | Toont afhankelijkheid van grote techbedrijven, niet de kwaliteit van de modellen. | Model-Governance | Toetsing aan interne auditkaders en DORA-richtlijnen. | Rapporteert over proceskwaliteit, niet over het absolute aantal actieve modellen. |
| Systeemrisico | Geaggregeerde stresstests en thematische onderzoeken. | Focus ligt op uitzonderingsscenario's en uitval, niet op dagelijks gemiddeld gebruik. |
3. Rijks-ICT en het Algoritmeregister: Transparantie binnen de overheid
Voor de publieke sector zijn er twee belangrijke bronnen: het Algoritmeregister (algoritmes.overheid.nl) en het Rijks ICT-dashboard. Beide vallen onder de verantwoordelijkheid van het Ministerie van Binnenlandse Zaken en Koninkrijksrelaties en bieden een doorkijk in hoe overheden algoritmische systemen en IT-projecten beheren.
Het Algoritmeregister is ontworpen als een centrale database waarin ministeries, gemeenten, waterschappen en uitvoeringsorganisaties (zoals het UWV en de Belastingdienst) vastleggen welke algoritmen zij gebruiken. Per algoritme wordt beschreven wat het doel is, welke data worden verwerkt, hoe de menselijke tussenkomst is geregeld en wat de impact is op burgers.
Om de juridische kaders, bestuurlijke afwegingen en de feitelijke adoptieachterstand bij bestuursorganen beter te duiden, lees de achtergrond over de stand van zaken van AI bij de Nederlandse overheid.
Hoewel het Algoritmeregister een waardevol initiatief is voor democratische controle, kent de data op dit moment significante beperkingen:
- Vrijwilligheid en dekking: Niet alle bestuursorganen melden hun systemen in hetzelfde tempo of met dezelfde mate van detail aan. Het register geeft daardoor een beeld van wat er gecatalogiseerd is, niet per definitie van alles wat er draait.
- Hoge risico's versus alledaagse tools: De focus ligt sterk op besluitvormende algoritmen die burgers rechtstreeks raken. Interne productiviteitstools, zoals AI-gestuurde zoeksystemen voor ambtenaren of samenvatmodules, ontbreken vaak in de registratie.
- Ontbreken van kwantitatieve gebruikscijfers: Het register vermeldt wel dat een algoritme bestaat, maar zendt geen live data uit over het aantal dagelijkse transacties of de verwerkte volumes.
4. Energie en datacenters: CBS-energiestatistieken en netcapaciteit
Een cruciaal maar vaak onderbelicht onderdeel van AI in cijfers is de fysieke infrastructuur. AI-modellen vereisen aanzienlijke hoeveelheden stroom en koelcapaciteit. Het CBS publiceert maandelijks en jaarlijks gedetailleerde gegevens over het energieverbruik per bedrijfstak, inclusief de sector 'gegevensverwerking, webhosting en gerelateerde activiteiten' (SBI 631).
Aanvullend publiceren netbeheerders zoals TenneT en regionale netbeheerders data over de capaciteit van het elektriciteitsnet, gecontracteerd vermogen en de lengte van de aansluitwachtrijen voor datacenters.
Bekijk voor de maatschappelijke, ruimtelijke en politieke discussie rondom deze snelgroeiende stroomvraag het dossier over het debat over datacenters en AI-rekencapaciteit in Nederland.
Bij het analyseren van energiestatistieken rondom AI moeten analisten bedacht zijn op de volgende scheidslijnen:
Elektriciteitsmetingen op industriële aansluitingen maken geen onderscheid tussen een server die traditionele webpagina's serveert en een GPU-cluster dat een taalmodel traint. Cijfers over 'datacenterverbruik' zijn daarom altijd een verzamelindicator voor de gehele digitale infrastructuur, waarin AI-specifieke workloads slechts een onderdeel vormen.
5. Kwaliteit en prestatiemetingen: Het gat tussen adoptie en modelkwaliteit
Openbare macro-statistieken van het CBS of DNB vertellen het hoeveel organisaties AI gebruiken, maar zeggen niets over hoe goed de toegepaste modellen presteren op specifieke taken. Om modelkwaliteit en taalvaardigheid meetbaar te maken, zijn er open benchmark-initiatieven en academische evaluatiesets ontwikkeld.
Traditionele internationale benchmarks testen modellen voornamelijk op Engelstalige redeneertaken, medische kennis of wiskundige vraagstukken. Voor de Nederlandse markt is echter de prestatie op Nederlandstalige juridische, administratieve en culturele context doorslaggevend. Standardized prompt evaluations, perplexiteitsmetingen op Nederlandse teksten en geautomatiseerde NLU-testsuites vullen dit gat op.
Wie wil onderzoeken hoe modellen inhoudelijk presteren op specifieke Nederlandstalige taken en welke testsets hiervoor beschikbaar zijn, kan doorklikken naar het overzicht van benchmarks voor Nederlandstalige modeloutput.
Bij het interpreteren van benchmarkdata is waakzaamheid geboden tegenover 'benchmark-contaminatie' (waarbij testvragen per ongeluk in de trainingsdata van het model zijn beland) en het feit dat een hoge score op een statische testset niet automatisch garandeert dat een model in een complexe bedrijfsworkflow foutloos werkt.
6. Arbeidsmarkt en vacaturedata: Vraag naar AI-expertise
De impact van AI op de Nederlandse economie laat zich ook aflezen aan de arbeidsmarkt. Het CBS (via de vacature-enquête) en het UWV (via analyses van kansberoepen en arbeidsmarktspanning) monitoren hoe de vraag naar personeel zich ontwikkelt.
Daarnaast maken arbeidsmarktanalisten gebruik van grootschalige text-mining op openbare vacaturesites. Door te zoeken op trefwoorden zoals 'machine learning', 'prompt engineering', 'Python', 'LLM' en 'datascience' wordt de veranderende vraag naar specifieke vaardigheden in kaart gebracht.
Om te zien waar de concrete vraag naar AI-talent zich opbouwt, welke functies het snelst groeien en hoe organisaties hun werving inrichten, bekijk de gids over de AI-arbeidsmarkt in Nederland.
De belangrijkste valkuilen bij vacaturedata zijn 'skill-inflation' (het verschijnsel dat werkgevers AI-termen aan vacatures toevoegen om aantrekkelijk te lijken, terwijl de functie-inhoud nauwelijks verandert) en de overlap tussen traditionele softwareontwikkeling en specifieke AI-engineering.
7. Privacy, AVG en toezichtsrapportages van de Autoriteit Persoonsgegevens
Een onmisbare pijler in het Nederlandse landschap is de Autoriteit Persoonsgegevens (AP). Als toezichthouder op de verwerking van persoonsgegevens en coördinerend toezichthouder voor de EU AI Act, publiceert de AP periodiek marktmonitors, onderzoeksrapporten en handhavingscijfers.
De AP meet onder meer hoeveel Data Protection Impact Assessments (DPIA's) organisaties uitvoeren voor AI-systemen, hoeveel klachten burgers indienen over geautomatiseerde besluitvorming, en welke sectoren het hoogste risico op datalekken vertonen bij het gebruik van externe AI-diensten.
Voor een praktisch raamwerk om jouw eigen organisatie langs de wettelijke meetlat en privacy-eisen te leggen, raadpleeg de AVG-privacy-checklist voor Nederlandse organisaties.
Het is belangrijk om te beseffen dat AP-rapportages inherent 'risico-gecentreerd' zijn. De toezichthouder rapporteert voornamelijk over incidenten, onvoldoende naleving en potentiële gevaren. Een stijging in het aantal meldingen bij de AP kan duiden op toenemende misstanden, maar even goed op een hogere melidingsbereidheid en een groeiend bewustzijn binnen organisaties.
8. Vier gouden regels voor het kritisch interpreteren van AI-statistieken
Om te voorkomen dat je verkeerde conclusies trekt uit openbare cijfers, is het verstandig om elk cijfermatig rapport te filteren langs vier vaste uitgangspunten:
- Controleer het steekproefkader (N-aantal en jaar): Bekijk altijd hoeveel organisaties er daadwerkelijk zijn ondervraagd en in welk kwartaal de meting heeft plaatsgevonden. Een enquête onder 50 grote IT-bedrijven zegt niets over het MKB in de detailhandel.
- Maak onderscheid tussen pilots en productiemodellen: Veel enquêtes vragen of een bedrijf 'experimenteert met AI'. Experimenteren op de afdeling marketing is iets wezenlijk anders dan een kritisch bedrijfsproces dat volledig op een LLM draait.
- Let op definitieveranderingen: Als een instantie haar definitie van AI verruimt (bijvoorbeeld door eenvoudige geautomatiseerde regelsystemen toe te voegen), schiet de adoptiegrafiek omhoog zonder dat er feitelijk nieuwe technologie is geïmplementeerd.
- Valideer enquêtedata met fysieke indicatoren: Vergelijk wat bedrijven beweren te doen (enquête) met harde indicatoren zoals IT-investeringen, verwerkte datacenter-capaciteit en de vraag naar gespecialiseerd personeel op de arbeidsmarkt.
9. Conclusie: Een feitelijk fundament voor de Nederlandse AI-transitie
Openbare gegevensbronnen zoals het CBS, De Nederlandsche Bank, het Algoritmeregister en de Autoriteit Persoonsgegevens bieden een onmisbaar tegenwicht voor commerciële claims en markthype. Hoewel publieke cijfers door hun grondige opzet een vertraging kennen en soms worstelen met verschuivende definities, vormen zij de enige basis voor een verifieerbare analyse van de Nederlandse AI-markt.
Naarmate de Europese AI-verordening (EU AI Act) verder in werking treedt en verplichte registraties voor hoog-risicosystemen volwassen worden, zal de kwaliteit en de granulariteit van publieke AI-data in Nederland de komende jaren alleen maar toenemen. Wie de cijfers met de juiste methodologische bril leest, beschikt over het beste stuurmateriaal voor strategische beslissingen.
