AI wordt pas strategisch als afhankelijkheid beheersbaar blijft

Inleiding

Veel organisaties praten over AI alsof het vooral een kwestie is van sneller experimenteren, meer use-cases bouwen en medewerkers toegang geven tot slimme tools. Dat is nog maar de helft van het verhaal. De volgende managementvraag is minder zichtbaar, maar strategisch zwaarder: hoe afhankelijk wordt je bedrijf van modellen, leveranciers, cloudomgevingen en juridische regimes die je zelf niet beheerst?

Dat is geen semantische discussie voor juristen of architecten. Het raakt direct aan continuïteit, marges en onderhandelingsmacht. Zodra AI in offertes, service, planning, analyse, softwareontwikkeling of besluitvorming terechtkomt, verandert het van handige productiviteitstool in operationele infrastructuur. En infrastructuur wil je kunnen begrijpen, besturen en zo nodig vervangen.

De nieuwe kwetsbaarheid is geen bug, maar vastzitten

Een van de scherpste signalen komt uit een wereldwijd IBM-onderzoek onder 1.000 senior executives. Daarin zegt 71% dat overstappen op een andere primaire AI-leverancier of een ander model lastig is. Nog pregnanter: 91% zegt de eigen afhankelijkheden over leveranciers, modellen en infrastructuur niet volledig te overzien. En 81% verwacht dat een uitval van zeven dagen bij een leverancier ernstige of kritieke verstoring zou veroorzaken.

Voor bestuurders is dat de kern van het probleem. Veel bedrijven denken dat zij AI "ingevoerd" hebben zodra een contract is getekend, een model is aangesloten en de eerste workflows draaien. In werkelijkheid hebben ze dan vaak vooral een nieuwe afhankelijkheidslaag toegevoegd. Als prijsmodellen wijzigen, een model wordt uitgefaseerd, prestaties teruglopen of juridische eisen veranderen, blijkt pas hoeveel bewegingsruimte er werkelijk is.

Dat maakt AI-afhankelijkheid een directieonderwerp. Niet omdat ieder bedrijf een eigen model moet bouwen, maar omdat geen enkel bedrijf zijn onderscheidende processen volledig wil ophangen aan keuzes die elders worden gemaakt en elders kunnen veranderen.

Dataresidentie is nog geen regie

McKinsey maakt daarbij een nuttig onderscheid. Soevereine AI gaat niet alleen over waar data worden opgeslagen, maar ook over wie de systemen bedient, wie de intellectuele controle heeft, en onder welk juridisch regime toegang en aansprakelijkheid vallen. Anders gezegd: dataresidentie alleen is te smal. Je kunt data netjes in de juiste regio opslaan en toch operationeel afhankelijk blijven van een leverancier die de knoppen, voorwaarden en technische speelruimte bepaalt.

Dat is precies waarom dit onderwerp nu verschuift van compliance naar strategie. McKinsey beschrijft soevereiniteit niet als alles zelf bouwen, maar als een spectrum. De praktische vraag is dus niet: moeten wij volledig onafhankelijk worden? De betere vraag is: voor welke processen, data en beslissingen moeten wij "soeverein genoeg" zijn?

Voor een interne notuleringstool ligt dat antwoord anders dan voor klantdata, prijslogica, intellectueel eigendom, medische informatie of processen met contractuele of toezichtsrisico's. Wie alles hetzelfde behandelt, betaalt te veel of neemt te veel risico. Wie differentieert, kan juist sneller schalen.

De winnaars ontwerpen keuzeruimte in

Deloitte laat zien dat dit thema breed bestuurlijk relevant wordt. In de 2026-editie van State of AI in the Enterprise noemt 83% van de organisaties sovereign AI belangrijk voor de strategische planning. Daarnaast zegt 77% dat land van herkomst inmiddels meetelt in de leverancierskeuze. Dat is veelzeggend: AI wordt niet langer alleen beoordeeld op functionaliteit en snelheid, maar ook op bestuurbaarheid en geopolitieke robuustheid.

Die verschuiving betekent niet dat organisaties massaal naar lokale alternatieven moeten overstappen. Het betekent wel dat de lat hoger ligt voor architectuurkeuzes. IBM verwoordt dat scherp: contractuele zekerheid is iets anders dan operationele controle. Een SLA kan helpen, maar lost niet op dat je kwetsbaar blijft als je niet goed kunt wisselen, uitwijken, auditen of begrenzen.

De relevante bestuursvraag is daarom niet meer alleen: "welke AI-tool kiezen we?" maar eerder: "hoe zorgen we dat deze keuze ons over twee jaar niet opsluit?" Bedrijven die dat vroeg meenemen, bouwen keuzeruimte in. Bedrijven die dat uitstellen, kopen snelheid op korte termijn en rigiditeit op middellange termijn.

Wat dit concreet betekent voor directie en MT

Voor de meeste organisaties hoeft dit geen groots soevereiniteitsprogramma te worden. Vaak begint het met vier nuchtere ontwerpkeuzes.

Ten eerste: classificeer workloads. Niet elke AI-toepassing is strategisch even gevoelig. Maak onderscheid tussen experimentele assistentie, interne productiviteit, klantinteractie, kernprocessen en bedrijfskritische besluitvorming. Juist die laatste twee categorieën verdienen strengere eisen aan logging, portabiliteit, fallback en contractuele ruimte.

Ten tweede: voorkom dat data, prompts, evaluaties en proceslogica onnodig vastgroeien aan een enkele leverancier. Dat vraagt om abstraheren waar het zinvol is, heldere interfaces, en documentatie van wat een workflow nodig heeft om elders te kunnen draaien. Niet perfect uitwisselbaar, wel realistisch verplaatsbaar.

Ten derde: meet afhankelijkheid expliciet. Veel organisaties sturen op adoptie, gebruik en output, maar niet op overstapkosten, leveranciersconcentratie, uitwijkbaarheid en juridische blootstelling. Juist die metrics zeggen iets over de werkelijke strategische kwaliteit van een AI-landschap.

Ten vierde: koppel AI-besturing aan ondernemingsrisico en waardecreatie. Dit onderwerp hoort niet alleen bij IT of legal. De CFO wil weten welke marges onder druk komen als prijzen stijgen. De COO wil weten welke processen stilvallen bij uitval. De CEO wil weten waar onderscheidend vermogen lekt naar generieke infrastructuur.

Van tools naar strategische positie

De diepere les is simpel. Naarmate modellen meer op elkaar gaan lijken, verschuift concurrentievoordeel weg van de tool zelf. Het zit dan minder in toegang tot AI en meer in de manier waarop een organisatie haar eigen data, processen, beslisregels en uitwijkmogelijkheden organiseert.

Daarmee wordt afhankelijkheidsmanagement geen rem op innovatie, maar een voorwaarde voor volwassen groei. Bedrijven die hun AI-landschap zo ontwerpen dat ze kunnen wisselen, begrenzen en prioriteren, houden ruimte om te versnellen zonder gijzeling door hun eigen stack.

De komende jaren winnen dus waarschijnlijk niet de organisaties met de meeste losse AI-experimenten, maar de organisaties die AI inbedden zonder hun strategische bewegingsruimte weg te tekenen. In een tijd waarin iedereen toegang heeft tot vergelijkbare modellen, wordt bestuurbare onafhankelijkheid zelf een bedrijfsasset.