Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Een goed beheersysteem is nog geen wettelijk goedgekeurd AI-systeem

ISO/IEC 42001 beschrijft hoe een organisatie een AI-managementsysteem kan opzetten, onderhouden en verbeteren.
De norm behandelt onder meer beleid, verantwoordelijkheden, risicobeoordeling, interne controles, documentatie en continue verbetering.

Een organisatie die volgens ISO 42001 is gecertificeerd, heeft laten beoordelen of haar managementsysteem voldoet aan de eisen van die norm, binnen de vastgestelde certificeringsscope.

Dat zegt iets over de manier waarop ze AI beheert. Maar het betekent niet dat elk AI-systeem dat de organisatie ontwikkelt of gebruikt afzonderlijk aan de Europese wetgeving is getoetst.

Neem een onderneming die verschillende AI-toepassingen inzet: een chatbot voor klantenservice, een systeem voor documentanalyse en software die sollicitanten helpt beoordelen. Die toepassingen kunnen onder verschillende bepalingen van de AI Act vallen. Sommige verplichtingen richten zich op de aanbieder, andere op de organisatie die het systeem gebruikt.

Een ISO 42001-certificaat maakt dat onderscheid niet overbodig.

Het kan aantonen dat de onderneming een gestructureerde aanpak heeft voor AI-risico’s. Maar het bevestigt niet automatisch dat de sollicitatietoepassing aan alle toepasselijke hoogrisicoverplichtingen voldoet, of dat de chatbot correct aan de transparantieregels beantwoordt.

Daarvoor is een afzonderlijke juridische en technische beoordeling nodig.

Waarom artikel 40 van de AI Act zo belangrijk is

De AI Act kent aan bepaalde technische normen een bijzondere juridische betekenis toe. Artikel 40 regelt het zogenoemde vermoeden van conformiteit.

Wanneer een hoogrisico-AI-systeem voldoet aan een toepasselijke Europese geharmoniseerde norm waarvan de referentie in het Publicatieblad van de Europese Unie is bekendgemaakt, wordt het systeem vermoed te voldoen aan de wettelijke eisen die door die norm worden bestreken.

Dat is een belangrijk voordeel voor aanbieders.

Zij kunnen een erkende norm gebruiken om aan te tonen hoe ze specifieke wettelijke verplichtingen invullen. Het vermoeden van conformiteit geeft die aanpak een formele juridische basis.

Maar er gelden twee beperkingen.

Ten eerste moet het gaan om een geharmoniseerde norm met de vereiste officiële publicatie. Niet iedere internationale of Europese norm krijgt automatisch die status. Ten tweede geldt het vermoeden alleen voor de eisen die de betrokken norm daadwerkelijk dekt.

Een norm over kwaliteitsmanagement bewijst dus niet vanzelf dat een AI-systeem ook voldoet aan alle verplichtingen rond trainingsdata, transparantie, menselijke controle of cyberbeveiliging.

ISO/IEC 42001 heeft volgens de beschreven juridische stand van zaken niet de status die nodig is om zelfstandig zo’n vermoeden van conformiteit onder artikel 40 te creëren.

Een ISO 42001-certificaat kan daarom niet worden gebruikt als algemene juridische verklaring dat een organisatie aan de AI Act voldoet.

EN 18286 heeft wél een andere juridische positie

Sinds oktober 2026 is er een belangrijk onderscheid bij gekomen. De Europese Commissie heeft de referentie van EN 18286:2026 gepubliceerd in het Publicatieblad van de EU.

De volledige titel luidt Artificial intelligence – Quality management system for EU AI Act regulatory purposes.

Die norm is specifiek ontwikkeld voor het kwaliteitsmanagementsysteem dat aanbieders van hoogrisico-AI-systemen volgens artikel 17 van de AI Act moeten onderhouden.

Dat maakt EN 18286 juridisch anders dan ISO 42001.

Een aanbieder die de toepasselijke onderdelen van EN 18286 correct naleeft, kan zich beroepen op een vermoeden van conformiteit voor de eisen van artikel 17 die de norm bestrijkt.

Dat betekent niet dat de volledige AI-toepassing daarmee is goedgekeurd.

Artikel 17 gaat over het kwaliteitsmanagementsysteem van de aanbieder. De AI Act bevat daarnaast afzonderlijke verplichtingen rond onder meer risicobeheer, datagovernance, technische documentatie, logging, menselijke controle en robuustheid.

Die verplichtingen moeten nog altijd worden beoordeeld voor zover ze niet door de betreffende geharmoniseerde norm worden gedekt. Het verschil tussen beide normen is dus niet dat de ene nuttig is en de andere niet.

ISO 42001 helpt een organisatie haar AI-governance in te richten. EN 18286 is specifiek afgestemd op de wettelijke kwaliteitsmanagementvereisten voor aanbieders van hoogrisico-AI.

De normen kunnen naast elkaar worden gebruikt. Een bestaande ISO 42001-structuur kan bijvoorbeeld dienen als organisatorische basis waarop de aanvullende eisen van EN 18286 worden uitgewerkt.

Maar wie beide normen als juridisch gelijkwaardig presenteert, miskent het bijzondere effect van Europese harmonisatie.

Een gecertificeerde leverancier ontslaat de klant niet van zijn verplichtingen

Ook bij de aankoop van AI-systemen ontstaat gemakkelijk verwarring. Stel dat een onderneming een AI-oplossing aanschaft van een leverancier met een ISO 42001-certificaat.

Dat certificaat kan een positief signaal zijn. Het wijst erop dat de leverancier zijn AI-managementsysteem volgens een erkend internationaal kader heeft laten beoordelen.

Maar de klant moet nog altijd bepalen welke rol hij zelf onder de AI Act vervult.

De wet maakt onder meer onderscheid tussen een provider, die een AI-systeem ontwikkelt of onder zijn naam op de markt brengt, en een deployer, die het systeem onder zijn verantwoordelijkheid gebruikt.

Die rollen brengen verschillende verplichtingen mee. Een leverancier kan zijn eigen processen goed hebben ingericht, terwijl de klant het systeem inzet in een context waarvoor aanvullende wettelijke eisen gelden.

Denk aan een AI-toepassing die oorspronkelijk is ontwikkeld voor algemene tekstverwerking, maar door een organisatie wordt gebruikt om personeelsbeslissingen te ondersteunen. De manier waarop het systeem wordt ingezet, kan juridisch bepalend zijn.

Het certificaat van de leverancier beantwoordt niet automatisch de vraag of dat concrete gebruik is toegestaan, welke verplichtingen gelden en wie daarvoor verantwoordelijk is.

Daarom moet een organisatie bij de aankoop van AI niet alleen certificaten verzamelen, maar ook begrijpen welk systeem ze precies koopt en waarvoor ze het wil gebruiken.

Zelfs een formele conformiteitsbeoordeling is geen blanco cheque

Dezelfde voorzichtigheid geldt voor het begrip conformiteitsbeoordeling.

Voor hoogrisico-AI voorziet de AI Act in procedures waarmee aanbieders moeten aantonen dat hun systemen aan de relevante eisen voldoen.

Afhankelijk van het type systeem kan dat gebeuren via interne controle of met betrokkenheid van een aangemelde instantie. Zo’n beoordeling heeft betrekking op een concreet systeem, binnen een bepaalde configuratie en toepassingscontext.

Wanneer een hoogrisicosysteem later wordt gewijzigd, kan een nieuwe conformiteitsbeoordeling vereist zijn. Een eerdere beoordeling blijft dus niet onder alle omstandigheden geldig.

Dat is relevant voor AI, omdat modellen en toepassingen voortdurend veranderen. Een leverancier kan een nieuwe modelversie uitbrengen, extra functies toevoegen of de toepassing aanpassen voor een andere sector. Daardoor kan de oorspronkelijke beoordeling onvoldoende worden voor de gewijzigde situatie.

Wie de juridische status van een AI-systeem wil beoordelen, moet daarom verder kijken dan de aanwezigheid van een certificaat. Het gaat om de wettelijke verplichting, de betrokken systeemversie, het beoogde gebruik en het bewijs dat specifiek daarvoor beschikbaar is.

Wachten tot 2027 is geen optie

De gefaseerde invoering van de AI Act zorgt voor een tweede misverstand: dat organisaties voorlopig nog geen verplichtingen hebben.

Voor bepaalde hoogrisicosystemen gelden inderdaad latere toepassingsdata.

Volgens de beschreven wijzigingen via de Digital Omnibus worden de regels voor hoogrisicotoepassingen uit bijlage III van toepassing op 2 december 2027. Voor hoogrisico-AI die onderdeel is van gereguleerde producten uit bijlage I geldt 2 augustus 2028.

Maar andere onderdelen van de AI Act zijn al eerder van kracht geworden.

De verboden AI-praktijken en verplichtingen rond AI-geletterdheid gelden sinds 2 februari 2025. De regels voor general-purpose AI zijn sinds augustus 2025 van toepassing. Ook de transparantieverplichtingen van artikel 50 gelden inmiddels.

Een organisatie die wacht met haar AI-governance tot alle hoogrisicoregels van toepassing zijn, kan dus verplichtingen missen die vandaag al gelden.

Daar ligt juist een praktische rol voor ISO 42001.

De norm kan helpen om een inventaris van AI-systemen op te bouwen, verantwoordelijkheden vast te leggen, risico’s te documenteren en controles structureel op te volgen. Dat werk hoeft niet te wachten op de volgende wettelijke deadline.

Maar het managementsysteem moet vervolgens wel worden gekoppeld aan de concrete eisen van de AI Act. Anders ontstaat een goed georganiseerd complianceproces zonder zekerheid dat de juiste wettelijke verplichtingen worden afgedekt.

Een certificaat is bewijs, maar niet ieder bewijs heeft dezelfde waarde

Het zou verkeerd zijn om ISO 42001-certificering af te doen als een administratieve oefening zonder juridische betekenis. Een degelijk ingericht managementsysteem kan tijdens een audit of onderzoek relevante documentatie opleveren.

Het kan laten zien wie verantwoordelijk is voor AI-risico’s, hoe beslissingen worden genomen, welke controles plaatsvinden en hoe tekortkomingen worden opgevolgd.

Dat kan belangrijk zijn wanneer een toezichthouder wil begrijpen hoe een organisatie haar verplichtingen beheert. Maar er blijft een verschil tussen bewijs dat een organisatie zorgvuldig handelt en een wettelijk vermoeden dat aan een specifieke verplichting is voldaan. ISO 42001 kan het eerste ondersteunen.

Een toepasselijke geharmoniseerde norm zoals EN 18286 kan, binnen haar vastgelegde reikwijdte, het tweede opleveren. Zelfs dan blijft het noodzakelijk om na te gaan welke onderdelen van de AI Act daadwerkelijk worden bestreken.

Een norm kan immers een specifieke verplichting ondersteunen zonder het volledige juridische kader af te dekken. Dat onderscheid is vooral belangrijk in communicatie met klanten, bestuurders en toezichthouders.

Begin niet bij het certificaat, maar bij de wet

Voor organisaties die hun AI-compliance willen organiseren, ligt de logische volgorde anders dan bij een klassieke certificeringsoefening.

Begin met de AI-systemen die daadwerkelijk worden ontwikkeld of gebruikt. Bepaal vervolgens voor welk doel ze worden ingezet, welke juridische rol de organisatie vervult en welke bepalingen van de AI Act van toepassing zijn.

Daaruit volgt welk bewijs nodig is. Pas daarna wordt duidelijk welke normen kunnen helpen om dat bewijs op een consistente en efficiënte manier te verzamelen.

ISO/IEC 42001 kan de organisatorische structuur leveren. EN 18286 kan aanbieders van hoogrisico-AI ondersteunen bij de specifieke kwaliteitsmanagementverplichtingen van artikel 17. Andere geharmoniseerde normen kunnen, zodra hun referenties officieel zijn gepubliceerd, een vergelijkbare rol spelen voor andere wettelijke eisen.

Die combinatie kan een complianceprogramma sterker maken. Maar geen enkele organisatie wordt automatisch AI Act-compliant door een ISO/IEC 42001-certificaat aan te schaffen.

Een certificaat zegt iets over wat is beoordeeld. De wet bepaalt wat beoordeeld moet worden.

Wie die volgorde omdraait, loopt het risico uitstekend gecertificeerd te zijn en toch precies die verplichting over het hoofd te zien waarop een toezichthouder later zal controleren.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Generatieve AI verandert de trend

Twintig jaar lang werkte een belangrijk deel van het web volgens een eenvoudige ruil: websites maakten content, Google indexeerde die content en stuurde gebruikers via zoekresultaten terug naar de oorspronkelijke websites.

Generatieve AI begint die relatie fundamenteel te veranderen.

Tijdens de presentatie van Reddit’s kwartaalresultaten op 29 oktober zei CEO Steve Huffman dat Google’s AI Mode nauwelijks nog verkeer doorstuurt. Volgens Reddit verdwenen in oktober gemiddeld meer dan één miljoen zoekverwijzingen per week. Huffman verwacht dat die trend voorlopig aanhoudt.

Dat is opvallend, want Google blijft Reddit intensief crawlen. De inhoud wordt dus nog altijd gebruikt om zoekvragen te begrijpen en antwoorden samen te stellen, terwijl een kleiner deel van de gebruikers daadwerkelijk doorklikt.

Van zoekmachine naar antwoordmachine

AI Mode verandert de rol van Google.

Bij een klassieke zoekopdracht kreeg een gebruiker een lijst met links en moest hij zelf een website openen om het antwoord te vinden. Bij AI Mode probeert Google steeds vaker zelf een samengesteld antwoord te geven.

Voor gebruikers kan dat gemakkelijker zijn. Voor websites verandert de economische logica.

Wanneer iemand zijn antwoord binnen Google krijgt, verdwijnt een potentiële pageview, advertentie-impressie, nieuwsbriefinschrijving of verkoopkans.

Reddit voelt dat inmiddels in zijn bezoekerscijfers. Het aantal Amerikaanse dagelijkse actieve unieke gebruikers daalde in het derde kwartaal met 2 procent tot 50,7 miljoen. Het bedrijf waarschuwt bovendien dat het totale dagelijkse bereik in het vierde kwartaal verder kan dalen als het zoekverkeer blijft verzwakken.

Reddit onderzoekt daarom een opmerkelijke tegenzet: in bepaalde markten wil het bezoekers verplichten in te loggen om het grootste deel van de content te bekijken. Dat moet zowel ongecontroleerd scrapen beperken als meer gebruikers binnen een rechtstreeks beheerde relatie brengen. Ingelogde gebruikers vertegenwoordigen volgens Reddit inmiddels meer dan 80 procent van de monetisatie.

Ook Google betaalt voorlopig een prijs

De verandering is niet uitsluitend slecht nieuws voor websites buiten Google.

Alphabet erkende tijdens zijn eigen kwartaalgesprek dat de snelle groei van AI Mode de inkomstenontwikkeling van Search beïnvloedt. Google’s Search- en overige advertentie-inkomsten groeiden in het derde kwartaal met 12 procent, tegenover 17 procent in het voorgaande kwartaal. Google wees daarbij onder meer op lagere monetisatie van AI Mode.

Dat betekent niet dat Google zijn advertentiemachine ziet instorten.

Het bedrijf zegt dat het steeds meer advertenties in AI Mode en AI Overviews introduceert en dat de meeste AI Mode-vragen nieuwe, aanvullende zoekopdrachten zijn. Google ziet daarin juist nieuwe commerciële mogelijkheden en breidt advertenties in AI Mode internationaal uit.

We zitten dus midden in een overgang: AI zorgt voor meer zoekactiviteit, maar die nieuwe zoekvorm verdient voorlopig minder geld én stuurt minder bezoekers door.

Meta laat een ander model zien

Meta bevindt zich in een andere positie omdat Facebook en Instagram hun publiek grotendeels binnen hun eigen platformen houden.

In het derde kwartaal steeg Meta’s omzet met 26 procent tot 64,6 miljard dollar. Het aantal advertentie-impressies nam met 10 procent toe en de gemiddelde prijs per advertentie met 14 procent. Meta koppelt de prestaties van zijn advertentieproducten nadrukkelijk aan investeringen in AI.

Dat verschil maakt een bredere ontwikkeling zichtbaar.

Bedrijven die hun publiek rechtstreeks bereiken via een eigen account, abonnement, community, app of nieuwsbrief zijn minder afhankelijk van veranderingen in zoekalgoritmes dan bedrijven die een groot deel van hun bezoekers via Google ontvangen.

SEO verdwijnt niet, maar de spelregels veranderen

Dit betekent niet dat Google-verkeer morgen wegvalt. Search blijft gigantisch en Google’s advertentieomzet groeit nog steeds. Maar de klassieke aanname dat een hoge positie in Google automatisch veel bezoekers oplevert, wordt minder vanzelfsprekend.

Voor bedrijven wordt daarom naast SEO iets anders belangrijker: directe toegang tot hun publiek opbouwen.

Een e-mailadres, account, community of terugkerende klantrelatie is immers iets wat een AI-antwoord bovenaan een zoekpagina niet zomaar kan wegnemen. De grote verandering van AI-search is daardoor misschien niet dat zoekmachines verdwijnen. Het is dat websites niet langer automatisch mogen aannemen dat zoekmachines hun bezoekers blijven doorsturen.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Met Beta-label

Gemini Notebook kan informatie uit eigen bronnen vandaag al omzetten in verschillende formaten. Gebruikers kunnen bijvoorbeeld slide decks, infographics en Video Overviews laten genereren op basis van documenten die ze aan een notebook hebben toegevoegd. Google breidde die mogelijkheden nog uit met meer controle over de inhoud en visuele stijl van presentaties en video’s.

Nu lijkt daar mogelijk een opvallend nieuw formaat bij te komen: Comics.

TestingCatalog ontdekte op 1 november een verborgen tegel in de Studio-interface van Gemini Notebook. De functie draagt een Beta-label en staat naast bestaande uitvoerformaten. Ze is momenteel niet beschikbaar voor gewone gebruikers en Google heeft er zelf nog niets over bekendgemaakt.

Vier visuele stijlen

De testinterface toont vier mogelijke stijlen: Default, Fantasy Anime, Shojo en Chibi.

Vooral die laatste drie maken duidelijk dat Google niet simpelweg een reeks illustraties bovenop een samenvatting lijkt te willen plaatsen. Shojo verwijst naar een Japanse mangastijl die vaak zachter en emotioneler is vormgegeven, terwijl Chibi personages sterk vereenvoudigt met kleine lichamen en relatief grote hoofden.

Naast de tekenstijl kan in de ontdekte interface ook een taal worden gekozen. Daarnaast lijkt de gebruiker te kunnen bepalen of het resultaat in een horizontaal of verticaal formaat wordt weergegeven.

De bedoeling lijkt te zijn dat Gemini Notebook informatie uit de bronnen eerst begrijpt en daarna omzet naar een visueel verhaal.

Dat past bij de richting die Google al langer met Notebook volgt. Het product, dat in juli werd hernoemd van NotebookLM naar Gemini Notebook, is steeds minder alleen een vraag-en-antwoordtool en steeds meer een omgeving waarin dezelfde broninformatie in verschillende vormen kan worden teruggegeven.

Een handleiding wordt misschien een stripverhaal

Daarmee kan Comics vooral interessant worden voor onderwijs en complexe informatie.

Een student zou bijvoorbeeld een hoofdstuk uit een handboek kunnen toevoegen en de belangrijkste concepten als stripverhaal laten uitleggen. Een bedrijf zou theoretisch hetzelfde kunnen doen met trainingsmateriaal, een uitgebreide handleiding of interne documentatie.

Dat is meer dan een visueel trucje.

Een groot deel van de waarde van generatieve AI zit immers niet alleen in het verkorten van informatie, maar ook in het aanpassen van de vorm waarin mensen die informatie consumeren.

Een rapport kan een presentatie worden. Collegestof kan veranderen in een quiz. Een ingewikkeld onderwerp kan worden samengevat in een korte video. Comics zou daar een verhalende, visuele vorm aan toevoegen.

Google gebruikt Gemini Notebook al expliciet voor zulke leerervaringen. Het bedrijf introduceerde recent onder meer korte Video Overviews, interactieve leerformats, uitgebreidere quizzen en flashcards.

Veel belangrijke details zijn nog onbekend

De gelekte interface vertelt echter maar een klein deel van het verhaal.

Er is nog geen publiek voorbeeld van een gegenereerde comic. Daardoor weten we niet of het systeem slechts één pagina produceert of complete verhalen over meerdere pagina’s kan maken. Ook is onbekend of afzonderlijke panelen aangepast kunnen worden en of personages visueel consistent blijven van het ene beeld naar het volgende.

Ook over beschikbaarheid, abonnementen of Workspace-beheer is niets bevestigd.

Het Beta-label moet daarom niet als aankondiging van een snelle lancering worden gelezen. TestingCatalog wijst erop dat andere experimentele Gemini Notebook-functies eveneens langere tijd intern zichtbaar zijn geweest zonder publiek te verschijnen.

Voorlopig is Comics dus vooral een interessante blik op waar Google met Gemini Notebook naartoe zou kunnen gaan.

Als de functie daadwerkelijk wordt uitgebracht, wordt de kern van Notebook nog duidelijker: je hoeft informatie niet langer te consumeren in dezelfde vorm waarin je ze hebt aangeleverd.

Een lang document hoeft dan geen lang document te blijven. Misschien wordt het straks gewoon een strip die je met aanzienlijk minder tegenzin uitleest.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

De groei is indrukwekkend. De financiële verplichtingen zijn dat minstens evenzeer

Op 26 oktober diende Anthropic zijn openbare S-1-registratie in bij de Amerikaanse beurswaakhond SEC. Het bedrijf wil zijn Class A-aandelen laten noteren op Nasdaq onder het tickersymbool ANT. Hoeveel aandelen het zal aanbieden en tegen welke prijs, moet nog worden bepaald.

Voor het eerst krijgen beleggers daarmee een gedetailleerd beeld van de financiële machine achter Claude. En vooral van wat het kost om een van de belangrijkste ontwikkelaars van geavanceerde AI-modellen te blijven.

Van 1,2 naar 16,3 miljard dollar in één jaar

De omzetgroei springt onmiddellijk in het oog. In de eerste helft van 2025 haalde Anthropic 1,2 miljard dollar omzet. In dezelfde periode van 2026 was dat 16,3 miljard dollar. Dat is ruim dertien keer zoveel.

De cijfers tonen hoe snel de commerciële vraag naar Claude en de bijbehorende AI-diensten is gegroeid. Anthropic verkoopt zijn technologie aan bedrijven, ontwikkelaars en organisaties die AI integreren in hun eigen producten en werkprocessen.

Maar omzetgroei alleen vertelt weinig over de financiële gezondheid van een AI-lab. Het trainen en aanbieden van geavanceerde modellen vereist enorme hoeveelheden rekenkracht. Elke uitbreiding van het gebruik brengt infrastructuurkosten mee, terwijl nieuwe modelgeneraties opnieuw grote investeringen vragen.

Juist daarom is de ontwikkeling van het operationele resultaat interessant. Anthropic verloor in de eerste zes maanden van 2025 nog 2,1 miljard dollar op zijn bedrijfsactiviteiten. Een jaar later was dat verlies teruggelopen tot 693 miljoen dollar, ondanks de veel hogere omzet.

Het bedrijf is operationeel dus nog niet winstgevend, maar de verhouding tussen inkomsten en kosten is aanzienlijk verbeterd.

Dat onderscheid zal bij de beursgang zwaar wegen. Beleggers willen weten of Anthropic op termijn geld kan verdienen aan zijn modellen, zonder dat elke nieuwe groeifase een even grote stijging van de kosten vereist.

Hoe een groeiende bedrijfswaarde een verlies van 80 miljard veroorzaakt

Wie alleen naar de onderste regel van de resultatenrekening kijkt, krijgt een heel ander beeld. Anthropic rapporteerde over de eerste helft van 2026 een nettoverlies van ongeveer 80,7 miljard dollar. Dat is ruim vijf keer de omzet over dezelfde periode. Zonder verdere uitleg lijkt het alsof het bedrijf financieel volledig ontspoord is.

Maar het grootste deel van dat verlies komt niet voort uit de dagelijkse bedrijfsvoering. Volgens het prospectus houdt ongeveer 72,4 miljard dollar verband met waardeveranderingen van converteerbare obligaties, derivaten en SAFEs, financieringsinstrumenten die onder bepaalde voorwaarden kunnen worden omgezet in aandelen.

De sterk gestegen waardering van Anthropic speelt daarbij een belangrijke rol.

Wanneer zulke financiële instrumenten boekhoudkundig opnieuw moeten worden gewaardeerd, kan een hogere ondernemingswaarde leiden tot een grotere verplichting op de balans en een aanzienlijk verlies in de resultatenrekening.

Dat klinkt tegenstrijdig: een bedrijf wordt meer waard en rapporteert daardoor een groter verlies. Toch is dat precies wat hier grotendeels gebeurt.

De 72,4 miljard dollar vertegenwoordigt geen overeenkomstige uitgaande kasbetaling in die zes maanden. Het gaat hoofdzakelijk om een boekhoudkundige herwaardering.

Daarmee verdwijnt het nettoverlies niet, maar de betekenis verandert wel. Wie wil beoordelen hoe Anthropic operationeel presteert, moet het onderscheid maken tussen de kosten van het AI-bedrijf en de gevolgen van zijn financieringsstructuur.

Het operationele verlies van 693 miljoen dollar geeft voor die eerste vraag een directer beeld.

Bijna 132 miljard dollar beschikbaar, maar geen onbeperkte oorlogskas

Anthropic beschikt volgens de S-1 ook over een uitzonderlijk grote financiële buffer. Op 30 juni 2026 had het bedrijf 112,4 miljard dollar aan cash en cash equivalents. Daarbovenop kwam 19,3 miljard dollar aan kortlopende beleggingen.

Samen is dat ongeveer 131,7 miljard dollar aan liquide middelen. Dat is niet hetzelfde als 131,7 miljard dollar die zonder beperkingen op één bankrekening staat. Maar het toont wel hoeveel financiële ruimte Anthropic heeft opgebouwd om zijn groei te financieren. En die ruimte zal nodig zijn.

Volgens Reuters blijkt uit het prospectus dat Anthropic voor meer dan 600 miljard dollar aan toekomstige compute- en infrastructuurcontracten is aangegaan of toegezegd.

Die verplichtingen zijn over meerdere jaren gespreid. Ze betekenen dus niet dat Anthropic vandaag onmiddellijk 600 miljard dollar moet betalen. Maar ze maken duidelijk welke schaal de concurrentie tussen de grote AI-labs inmiddels heeft bereikt.

Het ontwikkelen van een geavanceerd AI-model is één kostenpost. Het beschikbaar houden van dat model voor miljoenen gebruikers en duizenden zakelijke toepassingen is een andere. Daarbovenop komen nieuwe trainingsruns, gespecialiseerde chips, datacentercapaciteit en de infrastructuur die nodig is om volgende modelgeneraties te ontwikkelen.

Anthropic moet dus niet alleen voldoende omzet genereren om zijn huidige activiteiten te dragen. Het moet ook kunnen blijven investeren in capaciteit die het soms jaren vooraf moet vastleggen.

Daar zit het financiële spanningsveld van de onderneming.

Zes miljoen dollar omzet per medewerker zegt veel, maar niet alles

Een ander opvallend cijfer uit het prospectus is de omzet per werknemer. Eind september telde Anthropic ongeveer 5.300 medewerkers. Op basis van de voorafgaande twaalf maanden rapporteerde het bedrijf meer dan 6,6 miljoen dollar omzet per medewerker.

Een jaar eerder was dat nog 1,4 miljoen dollar. Die stijging toont hoe snel de omzet kan groeien zonder dat het personeelsbestand in dezelfde verhouding hoeft mee te groeien.

Bij traditionele dienstverlening hangt omzet vaak sterk samen met het aantal mensen dat het werk uitvoert. Een consultancybedrijf dat dubbel zoveel opdrachten wil aannemen, heeft doorgaans ook aanzienlijk meer consultants nodig.

Bij AI-software ligt dat anders. Een model dat eenmaal is ontwikkeld, kan door veel klanten worden gebruikt zonder dat voor elke nieuwe gebruiker een extra medewerker nodig is.

Maar dat betekent niet dat de bijkomende dienstverlening bijna gratis is.

Waar traditionele bedrijven vooral extra personeel nodig hebben, moeten AI-labs extra rekenkracht beschikbaar stellen. De kosten verdwijnen niet. Ze verschuiven voor een belangrijk deel van menselijke arbeid naar chips, energie, datacenters en cloudinfrastructuur.

Daarom mag de hoge omzet per werknemer niet worden verward met een even hoge winstgevendheid. Voor Anthropic wordt de ontwikkeling van de kosten per modelaanvraag minstens zo belangrijk als de omzet per medewerker.

De grote vraag is hoeveel een AI-model straks nog mag kosten

Anthropic profiteert van een markt waarin bedrijven steeds meer AI gebruiken voor softwareontwikkeling, documentanalyse, onderzoek en andere kennisintensieve taken.

Maar die markt verandert snel. Nieuwe modellen worden krachtiger. Kleinere modellen kunnen taken uitvoeren waarvoor vroeger duurdere systemen nodig waren. Concurrenten verbeteren hun aanbod en de prijzen voor bepaalde vormen van AI-gebruik staan onder druk.

Dat creëert een lastige economische combinatie. Anthropic moet investeren in steeds geavanceerdere modellen om competitief te blijven. Tegelijk kan het niet zomaar aannemen dat klanten voor elke volgende modelgeneratie hogere prijzen zullen betalen.

Als de kosten per AI-taak sneller dalen dan de verkoopprijzen, kunnen de marges verbeteren. Maar wanneer concurrentie de prijzen sneller omlaag duwt dan Anthropic zijn infrastructuurkosten kan verlagen, komt de winstgevendheid onder druk.

De enorme compute-verplichtingen maken die afweging gevoeliger. Een bedrijf dat capaciteit voor meerdere jaren vastlegt, rekent erop dat er voldoende vraag zal zijn om die infrastructuur rendabel te gebruiken. Als de markt anders evolueert dan verwacht, kunnen zulke contracten zwaar doorwegen.

Omgekeerd kan een tekort aan beschikbare rekenkracht de groei afremmen wanneer de vraag sneller stijgt dan de infrastructuur kan worden uitgebreid.

Anthropic moet dus twee risico’s tegelijk beheren: te weinig capaciteit hebben om klanten te bedienen, of te veel capaciteit vastleggen tegen kosten die later moeilijk terug te verdienen zijn.

De beursgang maakt ook de risico’s van frontier-AI zichtbaar

De S-1 bevat meer dan financiële tabellen. Anthropic waarschuwt in het prospectus ook voor risico’s die rechtstreeks samenhangen met de ontwikkeling en inzet van krachtige AI-modellen.

Daaronder vallen misbruik van de technologie, veiligheidsproblemen en situaties waarin de mogelijkheden van modellen sneller toenemen dan de systemen waarmee hun gedrag kan worden gecontroleerd.

Voor een AI-lab zijn dat geen gewone productrisico’s.

Een ernstige veiligheidsfout kan gevolgen hebben voor klanten, toezichthouders en het vertrouwen in de technologie. Nieuwe regelgeving kan de ontwikkeling of commerciële inzet van bepaalde modellen beïnvloeden. Ook afhankelijkheid van een beperkt aantal grote infrastructuurleveranciers maakt het bedrijf kwetsbaar.

De beursgang brengt die risico’s in een andere omgeving terecht.

Private investeerders konden de afgelopen jaren vooral inzetten op de verwachting dat AI een enorme markt zou worden. Publieke aandeelhouders zullen daarnaast regelmatig financiële resultaten, marges, kasstromen en investeringsverplichtingen willen beoordelen.

Anthropic zal dus moeten uitleggen hoe het de ontwikkeling van steeds krachtigere modellen combineert met een financieel houdbaar bedrijfsmodel. Dat is een moeilijkere opdracht dan aantonen dat Claude technisch beter wordt.

Wall Street krijgt een rekening voorgeschoteld die verder gaat dan Anthropic

De geplande beursgang wordt ook een test voor de waardering van de bredere AI-sector. Voor het eerst kunnen publieke beleggers een van de grote gespecialiseerde AI-labs rechtstreeks beoordelen op basis van uitgebreide financiële rapportering.

Daarbij zullen twee verhalen naast elkaar liggen.

Het eerste is dat van een onderneming die haar halfjaaromzet in twaalf maanden van 1,2 naar 16,3 miljard dollar bracht en tegelijk haar operationele verlies fors terugdrong.

Het tweede is dat van een bedrijf dat honderden miljarden dollars aan toekomstige infrastructuurverplichtingen heeft opgebouwd in een markt waarin technologie, prijzen en concurrentieverhoudingen bijzonder snel veranderen.

Beide verhalen zijn waar. De vraag is welk van de twee uiteindelijk het zwaarst doorweegt in de waardering.

Een hoge beurskoers zou betekenen dat beleggers geloven dat Anthropic zijn omzet nog jarenlang kan laten groeien en gaandeweg voldoende winst kan maken om zijn infrastructuur te financieren.

Een voorzichtiger waardering zou kunnen wijzen op twijfel over de houdbaarheid van die groei, de toekomstige marges of de financiële risico’s van de vastgelegde compute-capaciteit.

De uiteindelijke beursprijs en het aantal aangeboden aandelen zijn nog niet bekend. Het is dus te vroeg om te zeggen welke waardering de markt aan Anthropic zal geven. Wat het prospectus wel laat zien, is dat de economische schaal van frontier-AI inmiddels veel verder gaat dan de ontwikkeling van slimme chatbots.

Anthropic heeft in zes maanden meer dan 16 miljard dollar omzet geboekt. Dat bewijst dat er een grote commerciële markt bestaat voor zijn technologie.

Maar het bedrijf heeft zich ook verbonden aan infrastructuuruitgaven die een veelvoud bedragen van zijn huidige jaaromzet.

Beleggers zullen dus vooral willen weten hoeveel geld er uiteindelijk overblijft wanneer de rekeningen voor al die rekenkracht betaald zijn.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

De brug tussen Google en OpenAI

OpenAI en Google concurreren rechtstreeks met elkaar op vrijwel ieder belangrijk AI-front. ChatGPT staat tegenover Gemini, Codex tegenover Google’s programmeertools en beide bedrijven bouwen steeds ambitieuzere AI-agents.

Toch worden ze nu tegelijkertijd partners. Sinds 21 oktober worden de eerste OpenAI-modellen uitgerold via Google Cloud Model Garden. Google noemt GPT-Astra, GPT-6.1 Sol en GPT-6 Luna als de eerste modellen die in private preview beschikbaar komen voor geselecteerde zakelijke klanten. Ook Codex-workflows kunnen met Google Clouds infrastructuur worden verbonden. Algemene beschikbaarheid is voor de komende weken gepland.

OpenAI wordt onderdeel van Googles modelmarktplaats

Voor bedrijven zit het praktische voordeel vooral in de manier waarop de modellen worden aangeboden.

OpenAI-modellen kunnen via de Google Cloud Marketplace worden aangeschaft. Bedrijven die al financiële bestedingsverplichtingen bij Google Cloud hebben, kunnen het gebruik van OpenAI-modellen daartegen laten meetellen.

Een organisatie hoeft daardoor niet noodzakelijk een volledig afzonderlijke commerciële infrastructuur rond OpenAI op te zetten. Gebruik verschijnt op dezelfde Google Cloud-factuur en kan binnen bestaande cloudafspraken worden opgenomen.

Google wil hiermee zijn cloudplatform nadrukkelijk positioneren als een omgeving waarin bedrijven niet aan één modelleverancier vastzitten. Volgens Google Cloud biedt het platform inmiddels meer dan tweehonderd eigen, externe en open modellen.

De gedachte daarachter is dat een bedrijf per taak het meest geschikte model moet kunnen kiezen op basis van kwaliteit, snelheid en prijs.

Codex krijgt toegang tot Googles infrastructuur

De samenwerking gaat verder dan alleen API-toegang tot GPT-modellen.

Ontwikkelaars kunnen lokale Codex CLI- en desktopworkflows koppelen aan Googles AI-platform voor inference. Daarmee kan Codex blijven functioneren als programmeeragent, terwijl de onderliggende modeluitvoering en enterprise-infrastructuur via Google Cloud loopt.

Voor grotere bedrijven kan dat interessant zijn omdat identiteit, logging, netwerkbeveiliging en toegangscontrole dan binnen dezelfde Google Cloud-omgeving kunnen worden beheerd.

Google stelt onder meer dat prompts, context en outputs binnen de gekozen dataomgeving blijven en niet worden gebruikt voor het trainen van foundationmodellen. Het bedrijf kondigt daarnaast Zero Data Retention-opties en Confidential Compute-ondersteuning aan.

OpenAI-modellen verschijnen zelfs in Googles eigen AI-tools

Misschien nog opvallender is dat de samenwerking niet stopt bij infrastructuur.

OpenAI zegt dat zijn modellen binnenkort ook beschikbaar worden binnen Google Antigravity en de Gemini Agent. Die laatste werd begin oktober door Google geïntroduceerd als een algemene zakelijke agent die documenten kan maken, code kan uitvoeren en via verschillende bedrijfssystemen werkzaamheden kan afhandelen.

Google bouwt dus een agentomgeving waarin niet noodzakelijk altijd een Gemini-model hoeft te worden gebruikt.

Dat is strategisch interessant. De concurrentie verschuift daarmee gedeeltelijk van welk bedrijf heeft het beste model?* naar *welk platform kan bedrijven het beste model voor iedere taak aanbieden?

Microsoft blijft OpenAI’s belangrijkste cloudpartner

De samenwerking betekent niet dat OpenAI zijn relatie met Microsoft inruilt voor Google. OpenAI vermeldt expliciet dat Microsoft zijn belangrijkste cloudpartner blijft. Google Cloud wordt daarmee een extra distributie- en infrastructuurkanaal, geen vervanging van Microsoft Azure.

Toch is de stap veelzeggend.

De grote AI-aanbieders bouwen steeds minder volledig afgesloten ecosystemen. Bedrijven willen modellen kunnen vergelijken en wisselen zonder hun volledige infrastructuur telkens opnieuw te ontwerpen.

Voor Google betekent dat dat zelfs een directe concurrent waardevol kan zijn wanneer diens modellen klanten naar Google Cloud trekken. Voor OpenAI betekent het dat GPT en Codex beschikbaar worden waar grote ondernemingen hun data en bestaande cloudcontracten al hebben.

De AI-strijd gaat daardoor niet langer alleen over wie het krachtigste model bouwt. Distributie, cloudinfrastructuur en de vrijheid om verschillende modellen binnen één bedrijfsomgeving te combineren worden minstens zo strategisch.

De tekst regelt onder meer hoe bedrijven zich kunnen verdedigen, wie vertrouwelijke documenten mag inkijken en wanneer de bevoegdheid om sancties op te leggen verjaart. De consultatie loopt volgens de gepubliceerde planning tot 9 november. De Commissie wil de regeling nog in het vierde kwartaal van 2026 goedkeuren. Voorlopig zijn het dus voorstellen, geen geldende procedureregels. Maar ze maken wel duidelijk hoe Brussel zijn eigen onderzoeken naar AI-aanbieders wil organiseren.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Niet ieder AI-bedrijf krijgt rechtstreeks met Brussel te maken

De AI Act verdeelt het toezicht tussen nationale autoriteiten en het Europese AI Office. Dat laatste krijgt voor bepaalde AI-systemen een exclusieve handhavingsbevoegdheid.

Het gaat onder meer om systemen die gebaseerd zijn op een general-purpose AI-model, wanneer het model en het daarop gebouwde systeem door dezelfde aanbieder of ondernemingsgroep worden ontwikkeld.

Ook AI-systemen die zelf een zeer groot onlineplatform of een zeer grote onlinezoekmachine vormen, of daarin geïntegreerd zijn, kunnen onder deze bevoegdheid vallen. Daarbij sluit de AI Act aan bij de categorieën uit de Digital Services Act.

Die afbakening is belangrijk. Een onderneming die een extern AI-model gebruikt in haar eigen bedrijfsprocessen, valt daardoor niet automatisch rechtstreeks onder het toezicht van het AI Office.

Artikel 75(1) richt zich in beginsel op aanbieders, of providers. Een gebruiker van een AI-systeem, in de wet een deployer, valt alleen binnen die rechtstreekse bevoegdheid wanneer hij zelf ook aanbieder is of tot dezelfde onderneming behoort.

Bovendien gelden uitzonderingen voor onder meer bepaalde productgebonden AI-systemen en toepassingen in kritieke infrastructuur, financiële instellingen, rechtshandhaving en rechtspraak.

De vraag wie het systeem ontwikkelt, wie het aanbiedt en hoe het wordt ingezet, bepaalt dus welke toezichthouder bevoegd is. Dat onderscheid kan binnen één AI-toepassing tot verschillende verantwoordelijkheden leiden.

Eerst de voorlopige beschuldiging, daarna pas dossierinzage

Een van de gevoeligste onderdelen van het ontwerp gaat over het recht van verdediging.

Wanneer het AI Office een bedrijf onderzoekt, verzamelt het mogelijk technische documentatie, interne communicatie, informatie over modellen en gegevens die commercieel bijzonder gevoelig zijn.

Het onderzochte bedrijf moet zich tegen de bevindingen kunnen verdedigen. Maar dat betekent volgens het ontwerp niet dat het vanaf het begin onbeperkt toegang krijgt tot alle onderzoeksstukken. Die toegang ontstaat pas nadat het AI Office zijn voorlopige bevindingen heeft meegedeeld.

Het bedrijf kan vervolgens de documenten raadplegen waarop die bevindingen steunen. Vertrouwelijke informatie kan daarbij worden afgeschermd.

Voor volledige toegang tot niet-geanonimiseerde stukken voorziet de Commissie een veel beperktere regeling. Die toegang zou voorbehouden blijven aan een kleine groep vooraf aangewezen externe advocaten, economen en technische deskundigen die het onderzochte bedrijf bijstaan.

Daarmee probeert Brussel twee belangen met elkaar te verzoenen. Een bedrijf moet kunnen controleren of de Commissie haar conclusies op correcte informatie baseert. Tegelijk kunnen onderzoeksdossiers bedrijfsgeheimen bevatten van concurrenten, klanten of andere betrokken partijen.

Voor AI-aanbieders is dat geen theoretisch probleem. Technische details over modelarchitectuur, evaluaties, trainingsmethoden of interne veiligheidsprocedures kunnen commercieel waardevol zijn.

De gekozen procedure bepaalt dus mee hoeveel informatie een bedrijf daadwerkelijk kan gebruiken om zich te verdedigen, zonder dat vertrouwelijke gegevens onnodig worden verspreid.

Een termijn van vijf jaar betekent niet dat het onderzoek na vijf jaar stopt

Ook de verjaring van sancties krijgt een afzonderlijke regeling. De basisregel in het ontwerp is een termijn van vijf jaar. Bij een voortdurende overtreding begint die pas te lopen wanneer de overtreding eindigt.

Maar die vijf jaar vormen geen eenvoudige einddatum. Verschillende onderzoeksstappen kunnen de verjaring onderbreken, waarna de termijn opnieuw begint te lopen. Het ontwerp noemt onder meer formele informatieverzoeken, inspecties, verzoeken om toegang voor systeemevaluaties en het openen of heropenen van een procedure.

Ook een uitnodiging voor een gestructureerde dialoog kan gevolgen hebben voor de termijn. Dat betekent dat een bedrijf niet zomaar kan aannemen dat een mogelijke overtreding na vijf kalenderjaren buiten het bereik van de Commissie valt.

Het ontwerp voorziet een maximale termijn van tien jaar, met de mogelijkheid dat perioden van schorsing daar nog bovenop komen.

Voor een AI-aanbieder kan dat bijzonder lang zijn. In tien jaar tijd kunnen modellen verschillende generaties doorlopen, kunnen technische teams volledig veranderen en kunnen de oorspronkelijke systemen al lang vervangen zijn.

Toch kan documentatie uit die eerdere periode nodig blijven om een onderzoek te reconstrueren. Dat maakt de bewaring van technische informatie, interne beslissingen, testresultaten en communicatie over naleving belangrijker dan alleen voor de eerstvolgende audit.

Een onderneming moet jaren later nog kunnen aantonen waarom ze bepaalde keuzes maakte en op welke informatie die beslissingen gebaseerd waren.

De ontwerptekst bevat nog fouten die juridisch moeten worden rechtgezet

De Commissie heeft de regeling nog niet definitief vastgesteld. Dat is ook zichtbaar in de tekst zelf. Een bepaling over de maximale verjaringstermijn verwijst bijvoorbeeld naar een zesde paragraaf die in het betrokken artikel niet bestaat. Ook andere interne verwijzingen sluiten volgens de gepubliceerde analyse niet correct aan.

Dat lijkt op het eerste gezicht een redactioneel probleem. In een procedureverordening kunnen zulke fouten echter gevolgen hebben voor de interpretatie van rechten en termijnen.

Zeker bij verjaring moet ondubbelzinnig vaststaan welke gebeurtenissen de klok onderbreken, wanneer een schorsing begint en welke bovengrens van toepassing is. De consultatie biedt ruimte om die onduidelijkheden te corrigeren voordat de Commissie de definitieve tekst aanneemt.

Bedrijven doen er daarom goed aan het ontwerp te bestuderen, maar hun juridische procedures nog niet uitsluitend op deze versie te baseren.

Ook klanten van AI-leveranciers kunnen de gevolgen voelen

Voor de meeste ondernemingen die AI gebruiken, verandert deze ontwerpverordening niet rechtstreeks hun verplichtingen.

Een bedrijf dat een externe AI-toepassing inzet voor klantenservice, documentverwerking of interne analyses, blijft onderworpen aan de verplichtingen die voor zijn eigen rol uit de AI Act voortvloeien. Het toezicht daarop ligt in veel gevallen bij nationale autoriteiten.

Maar daarmee is het risico niet volledig afgedekt. Stel dat een onderneming voor een belangrijk bedrijfsproces afhankelijk is van een AI-systeem van een grote externe aanbieder. Die aanbieder wordt vervolgens rechtstreeks door het AI Office onderzocht.

Als het onderzoek leidt tot correctieve maatregelen, beperkingen of het terugtrekken van een systeem, kunnen ook klanten die zelf geen partij zijn in de procedure gevolgen ondervinden. Een toepassing waarop een organisatie dagelijks vertrouwt, kan moeten worden aangepast of tijdelijk onbeschikbaar worden.

Dat maakt de keuze van een AI-leverancier ook een vraagstuk van bedrijfscontinuïteit. Wie vandaag een extern AI-systeem integreert in een belangrijk proces, moet weten wie juridisch als provider optreedt, welke toezichthouder bevoegd is en wat de contractuele afspraken zijn wanneer de leverancier zijn dienstverlening moet wijzigen.

Vooral dat laatste verdient aandacht. Een contract kan duidelijke afspraken bevatten over beschikbaarheid en ondersteuning, maar veel minder over de gevolgen van een Europees handhavingsonderzoek.

Wat gebeurt er wanneer een model verplicht moet worden aangepast? Wie draagt de kosten van een noodzakelijke migratie? En kan de klant zijn gegevens en processen tijdig naar een alternatief overbrengen?

Die vragen worden relevanter naarmate AI dieper in bedrijfsprocessen wordt ingebouwd.

De AI Act krijgt nu ook een procedurele werkelijkheid

De discussie over de AI Act ging lange tijd vooral over de inhoudelijke verplichtingen: welke systemen als hoog risico gelden, welke documentatie aanbieders moeten bijhouden en welke eisen gelden voor transparantie en veiligheid.

Met deze ontwerpverordening verschuift de aandacht naar wat er gebeurt wanneer de Commissie vermoedt dat een aanbieder de regels heeft overtreden.

Wie krijgt toegang tot welk bewijs? Hoe worden bedrijfsgeheimen beschermd? Welke onderzoeksstappen beïnvloeden de verjaring? En hoe lang kan een onderneming met een mogelijke sanctie geconfronteerd blijven?

Dat zijn vragen die bepalen hoe de wet in concrete dossiers zal werken. De regeling is nog niet aangenomen en kan tijdens de consultatie veranderen. De definitieve tekst zal daarom belangrijker zijn dan de huidige ontwerpversie.

Maar voor aanbieders die onder het rechtstreekse toezicht van het AI Office vallen, is de richting al zichtbaar: een Europees AI-onderzoek kan een langdurig juridisch en technisch traject worden, waarin documentatie van jaren geleden opnieuw op tafel komt.

Voor hun klanten ligt de les elders. Een AI-systeem beoordelen op prestaties, prijs en beveiliging volstaat niet meer wanneer dat systeem een belangrijk bedrijfsproces ondersteunt.

Je moet ook weten wat er met je organisatie gebeurt als de leverancier zelf in Brussel ter verantwoording wordt geroepen.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

We hebben tientallen apps, maar niemand bewaakt het geheel

De gemiddelde kenniswerker beschikt over meer digitale hulpmiddelen dan ooit. E-mail, agenda, cloudopslag, chatkanalen, notitie-apps, projectsoftware en CRM-systemen hebben allemaal hun eigen plaats gekregen. Elk systeem doet ongeveer waarvoor het ontworpen is. Gmail beheert je e-mail. Je agenda houdt afspraken bij. Notion bewaart notities. Slack organiseert gesprekken.

Maar geen van die toepassingen begrijpt vanzelf wat er tussen de andere systemen gebeurt. Een afspraak in je agenda kan het gevolg zijn van een e-mailgesprek. Tijdens die afspraak worden toezeggingen gedaan die in een notitie terechtkomen. De documenten die daaruit volgen, belanden in een gedeelde map. Wie wil weten of alles correct is opgevolgd, moet zelf de verbanden leggen.

Tot nu toe was de gebruiker de verbindende schakel tussen al die software. Dat kost tijd, maar vooral aandacht. Je moet onthouden waar informatie staat, waarom ze belangrijk was en wanneer je er opnieuw iets mee moet doen. Persoonlijke AI-agents proberen een deel van dat denkwerk over te nemen.

Het verschil zit in wat er gebeurt nadat je het venster sluit

Een klassieke chatbot werkt grotendeels binnen de grenzen van een gesprek. Je stelt een vraag, krijgt een antwoord en geeft eventueel een nieuwe opdracht.

Een persoonlijke agent kan langer aan een doel verbonden blijven. Stel dat je vraagt om je belangrijkste zakelijke contacten op te volgen. Een chatbot kan een lijst met suggesties maken op basis van informatie die je aanlevert. Een agent met de juiste toegangsrechten kan verder gaan: eerdere gesprekken doorzoeken, afspraken vergelijken met je agenda, ontbrekende opvolging signaleren en op een later moment opnieuw aandacht vragen voor een contact.

Bij systemen die zelfstandig in de cloud werken, hoeft je laptop daarvoor niet open te blijven. Dat verandert de gebruikservaring. Je geeft een opdracht, gaat verder met je werk en ontvangt later een melding wanneer er iets is gevonden, afgerond of vastgelopen.

OpenAI positioneert Dots binnen die ontwikkeling: een persoonlijke agent die context kan onthouden, proactief onderzoek kan doen en tussen gesprekken door werk kan voortzetten. De precieze mogelijkheden hangen af van de beschikbare toegang en gekoppelde toepassingen.

Voor Muse, Duet en Grok Bot is voorzichtigheid geboden bij de vergelijking. Zonder een volledig verifieerbaar overzicht van hun actuele functies en productstatus kun je niet aannemen dat ze dezelfde mogelijkheden bieden als Dots.

De bredere richting is wel duidelijk: AI-aanbieders onderzoeken hoe hun systemen een langdurigere rol kunnen spelen in het dagelijkse digitale werk.

De waardevolste informatie staat vaak tussen twee apps

De discussie over AI draait nog altijd opvallend vaak om modelprestaties. Welk model kan beter redeneren? Wie schrijft de beste code? Welk systeem scoort hoger op een benchmark?

Voor persoonlijke agents is dat maar een deel van de vergelijking. Een bijzonder intelligent model dat niets weet over jouw afspraken, contacten of lopende projecten, kan weinig zeggen over wat jij morgen dreigt te vergeten.

Een minder indrukwekkend model met betrouwbare toegang tot de juiste informatie kan voor bepaalde dagelijkse taken nuttiger zijn.

Neem een zelfstandige die wil weten welke klanten de afgelopen twee maanden weinig aandacht kregen.

Het antwoord staat nergens als kant-en-klare lijst. De agent moet e-mails doorzoeken, agenda-afspraken herkennen, mogelijk notities raadplegen en onderscheid maken tussen contacten die bewust zijn afgerond en gesprekken die onbedoeld zijn stilgevallen.

Daar komt meer bij kijken dan informatie ophalen. Een klant die al zes weken niets heeft laten horen, hoeft geen vergeten verkoopkans te zijn. Misschien is het project uitgesteld. Misschien werd tijdens een telefoongesprek afgesproken om pas volgend kwartaal opnieuw contact op te nemen.

Een bruikbare agent moet die context kunnen meenemen. Anders verandert hij in een bijzonder ijverige herinneringsmachine die je voortdurend aanspoort om mensen te contacteren die daar helemaal niet op zitten te wachten.

Het verschil tussen een handige assistent en een storende assistent zit vaak in zulke details.

Je persoonlijke geheugen wordt een softwarefunctie

Je weet waarom een bepaalde afspraak belangrijk was. Je herinnert je dat een collega tijdens een vergadering twijfels had bij een voorstel. Je weet welke klant liever telefonisch communiceert en welke leverancier altijd twee herinneringen nodig heeft. Totdat je het vergeet.

Een persoonlijke agent met langdurig geheugen kan zulke informatie, voor zover ze beschikbaar en toegankelijk is, bewaren en later opnieuw gebruiken.

Voor projectleiders betekent dat mogelijk minder tijd besteden aan het reconstrueren van eerdere beslissingen. Voor zelfstandigen kan het helpen om contacten en toezeggingen beter op te volgen. Voor mensen die meerdere projecten combineren, kan een agent signaleren dat twee afspraken of deadlines met elkaar botsen.

De interessante verandering is dat je niet telkens hoeft te weten waar je moet zoeken.

Je kunt vragen wat er nog openstaat rond een bepaald project, welke beslissingen eerder werden genomen of welke informatie ontbreekt om verder te kunnen. Dat klinkt eenvoudig. Technisch is het lastig, omdat een systeem moet onderscheiden tussen een losse opmerking, een concrete afspraak, een verouderde beslissing en iets wat nog altijd geldig is.

Een agent die alles onthoudt maar geen onderscheid maakt tussen betrouwbare en achterhaalde informatie, wordt op termijn minder bruikbaar.

Wie toegang krijgt tot je context, krijgt ook veel macht

Hier zit de ongemakkelijke kant van persoonlijke AI-agents. Om werkelijk nuttig te worden, hebben ze toegang nodig tot informatie die verspreid staat over verschillende diensten. E-mails, agenda’s, documenten, contacten en soms ook privéberichten. Die gegevens vertellen samen veel meer over iemand dan elke afzonderlijke app.

Een agenda toont waar je naartoe gaat. E-mails laten zien met wie je samenwerkt. Documenten onthullen zakelijke plannen. Notities kunnen persoonlijke overwegingen bevatten die je nooit met een externe partij zou delen.

Wanneer één AI-systeem die bronnen combineert, ontstaat een bijzonder rijk beeld van je professionele en persoonlijke leven. Dat maakt de technologie waardevol. Het maakt de keuze van aanbieder ook gevoeliger.

Gebruikers zullen moeten weten welke gegevens een agent kan raadplegen, hoe lang informatie wordt bewaard, welke handelingen zelfstandig mogen gebeuren en hoe toegang opnieuw kan worden ingetrokken.

Ook de herkomst van conclusies wordt belangrijk. Als een agent meldt dat een klant waarschijnlijk wil afhaken, wil je weten waarop dat oordeel gebaseerd is. Op een expliciete e-mail? Op het uitblijven van een antwoord? Of op een verkeerde interpretatie van een oud gesprek?

Zonder die uitleg wordt een persoonlijke agent een systeem dat veel over je weet, maar waarvan je moeilijk kunt beoordelen of het gelijk heeft.

De eenvoudigste toepassingen kunnen het meeste opleveren

Opvallend genoeg hoeven persoonlijke agents geen ingewikkelde taken uit te voeren om nuttig te zijn.

Veel ervaren AI-gebruikers besteden hun aandacht aan programmeeragents, geautomatiseerde workflows en complexe systemen met meerdere gespecialiseerde modellen. Daar liggen interessante mogelijkheden, maar het vraagt vaak technische kennis en onderhoud.

Een persoonlijke agent die dagelijks je belangrijkste openstaande zaken identificeert, kan voor dezelfde gebruiker meer praktische waarde hebben.

Denk aan een assistent die op maandagochtend meldt dat een offerte nog niet is opgevolgd, dat een document voor een vergadering ontbreekt en dat een contactpersoon vorige week een antwoord verwachtte.

Geen spectaculaire demonstratie. Wel drie zaken die anders mogelijk waren blijven liggen.

Daar zit ook een belangrijke commerciële kans voor aanbieders. Een product dat mensen zonder technische kennis kunnen gebruiken, bereikt een veel grotere groep dan een agent waarvoor je zelf scripts, API-koppelingen en automatiseringen moet bouwen.

De moeilijkheid is om die eenvoud te behouden zodra de taken complexer worden. Een herinnering voorstellen is relatief veilig. Zelfstandig een klant mailen, een afspraak verplaatsen of informatie delen met een externe partij vereist veel meer vertrouwen.

De beste persoonlijke agent hoeft daarom niet degene te zijn die het meeste zelfstandig doet. Misschien is het juist degene die goed weet wanneer hij eerst toestemming moet vragen.

De strijd gaat over wie het overzicht mag bewaren

Voor OpenAI, Meta, xAI en andere AI-aanbieders staat er meer op het spel dan een extra functie in hun chatbot. Wie de persoonlijke AI-assistent van een gebruiker wordt, krijgt mogelijk een centrale plaats in diens dagelijkse softwaregebruik.

Je opent dan niet langer afzonderlijk vijf toepassingen om te ontdekken wat er vandaag moet gebeuren. Je vraagt je agent om het overzicht. Die haalt informatie op uit de aangesloten systemen en helpt bepalen waar je aandacht nodig is.

Dat zou de verhouding tussen gebruikers en software kunnen veranderen. Vandaag kiezen we meestal eerst een toepassing en voeren we daarin een taak uit. Met persoonlijke agents kan het omgekeerd worden: we beschrijven wat we willen bereiken, waarna de agent bepaalt welke toepassingen daarvoor nodig zijn.

De onderliggende apps verdwijnen daarmee niet. Hun gegevens en functies blijven nodig. Maar de plek waar de gebruiker zijn werk organiseert, kan verschuiven naar de agent. Dat verklaart waarom toegang tot context zo belangrijk wordt.

Een model kan worden vervangen door een beter model. Een assistent die jarenlang je voorkeuren, projecten, contacten en werkgewoonten heeft leren kennen, vervang je mogelijk minder gemakkelijk.

Daar ontstaat ook een risico op afhankelijkheid van één aanbieder. Als je persoonlijke context moeilijk overdraagbaar is, wordt overstappen naar een andere agent een stuk lastiger dan vandaag wisselen van chatbot.

De echte test begint na de eerste week

Persoonlijke AI-agents zijn aantrekkelijk tijdens een demonstratie. Je koppelt enkele apps, stelt een vraag en krijgt een overzicht dat je zelf misschien een halfuur had gekost. Maar een persoonlijke assistent moet langer meegaan dan één indrukwekkende sessie.

Na enkele weken moet hij nog weten welke afspraken zijn veranderd. Na enkele maanden mag hij oude voorkeuren niet blijven behandelen als actuele instructies. Hij moet leren welke meldingen nuttig zijn en welke je liever niet krijgt.

En wanneer hij een fout maakt, moet je die kunnen corrigeren zonder dat dezelfde fout later opnieuw opduikt. Dat is een veel zwaardere opdracht dan een chatbot bouwen die overtuigend antwoordt.

De concurrentie rond persoonlijke agents zal daarom niet uitsluitend worden beslist door modelkwaliteit. Betrouwbaarheid, toegangsbeheer, geheugen, integraties en de mate waarin gebruikers controle behouden, worden minstens zo belangrijk.

Dots en vergelijkbare initiatieven maken zichtbaar welke richting AI-producten uitgaan. Maar of ze werkelijk onmisbaar worden, zal afhangen van hun prestaties in het gewone dagelijkse gebruik, niet van de belofte dat ze zelfstandig kunnen werken.

We hebben de afgelopen twintig jaar steeds meer van ons werk en leven ondergebracht in digitale toepassingen. Wat ontbreekt, is een betrouwbare manier om de verbanden tussen al die informatie te bewaren.

De aanbieder die dat probleem oplost, hoeft misschien niet eens het slimste AI-model te hebben. Hij moet vooral zorgen dat je niet voor de derde keer dezelfde e-mail moet zoeken om te achterhalen wat je iemand vorige maand ook alweer had beloofd.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Top 10 for LLM Applications 2026

AI-security gaat inmiddels veel verder dan voorkomen dat een chatbot een vreemd antwoord geeft. Zodra een AI-systeem documenten leest, databases bevraagt, software aanstuurt of zelfstandig acties uitvoert, ontstaat een klassieke securityvraag: wat kan er misgaan als het systeem wordt misleid, verkeerd geconfigureerd of te veel rechten krijgt?

OWASP heeft zijn richtlijnen dit jaar verder aangepast aan die realiteit. De Top 10 for LLM Applications 2026, gepubliceerd in augustus, combineert input van securityprofessionals met gegevens uit duizenden echte beveiligingsincidenten. Daarmee verschuift de lijst van theoretische risico’s steeds meer naar problemen die daadwerkelijk in productieomgevingen voorkomen.

Prompt injection is maar het begin

Voor bedrijven is de OWASP-lijst een goed vertrekpunt om te begrijpen waar LLM-applicaties kwetsbaar zijn. Prompt injection blijft bijvoorbeeld belangrijk, maar het risico wordt veel groter wanneer een model toegang krijgt tot tools, externe databronnen of bedrijfsprocessen.

Dat is precies waarom OWASP daarnaast ook een aparte Top 10 for Agentic Applications heeft. Die richt zich op systemen die niet alleen tekst produceren, maar ook plannen, beslissingen nemen en acties uitvoeren. De lijst werd eind 2025 uitgebracht als 2026-editie en behandelt de beveiligingsproblemen die ontstaan wanneer agents zelfstandig in meerdere stappen werken.

Het verschil is fundamenteel. Een misleid antwoord van een chatbot is vervelend. Een misleide agent met toegang tot CRM, e-mail, bestanden of financiële systemen kan daadwerkelijk iets uitvoeren.

Security verschuift naar wat een agent mág doen

Daarom introduceerde OWASP in september ook de Agent Control Standard, momenteel nog een vroege standaard voor runtimecontrole van AI-agents.

Het uitgangspunt is dat bedrijven niet uitsluitend moeten vertrouwen op goede prompts of veiligheidsinstructies. Ze moeten technisch kunnen zien wat een agent is, welke middelen hij kan gebruiken, wat hij uitvoerde en waarom. Daarnaast moeten regels tijdens de uitvoering kunnen worden afgedwongen.

Voor bedrijven is dat een belangrijke verschuiving. AI-security gaat daardoor steeds minder alleen over het model en steeds meer over identiteit, toegangsrechten, logging, controlepunten en begrenzing van acties.

MITRE en NIST vullen het technische verhaal aan

Waar OWASP kwetsbaarheden structureert, helpt MITRE ATLAS securityteams om aanvallen op AI-systemen te bekijken vanuit aanvalstechnieken en volledige aanvalsketens. Voor organisaties die al met MITRE ATT&CK werken, vormt ATLAS daardoor een herkenbare brug tussen traditionele cybersecurity en AI-security.

Aan de governancekant blijft het NIST AI Risk Management Framework een belangrijke referentie. AI RMF 1.0 wordt momenteel herzien, maar blijft voorlopig de geldende versie. Het framework organiseert AI-risicobeheer rond de functies Govern, Map, Measure en Manage, aangevuld met een praktisch Playbook.

Daarmee krijgen bedrijven twee perspectieven. OWASP en MITRE helpen vooral bij de vraag wat kan worden aangevallen en hoe? NIST helpt bepalen hoe de organisatie zulke risico’s structureel beheert.

De AI Act maakt security ook juridisch relevant

Voor Europese bedrijven komt daar nog een extra dimensie bij: de EU AI Act.

Artikel 15 verplicht aanbieders van hoogrisico-AI-systemen om passende niveaus van nauwkeurigheid, robuustheid en cyberbeveiliging te realiseren. De wet noemt expliciet risico’s zoals data poisoning, model poisoning, adversarial examples, model evasion en andere AI-specifieke kwetsbaarheden.

AI-security is daardoor niet langer uitsluitend een technisch kwaliteitsvraagstuk. Voor bepaalde systemen wordt het ook onderdeel van aantoonbare compliance.

Eén kwetsbaarheid, verschillende frameworks

Het interessante is dat de verschillende werelden steeds beter aan elkaar worden gekoppeld.

OWASP publiceerde in september zijn GenAI Security Industry Framework Crosswalk. Die koppelt 51 AI-kwetsbaarheden uit vier OWASP-bronnen aan controles in momenteel 25 frameworks, waaronder NIST AI RMF, ISO-standaarden, MITRE ATLAS en de EU AI Act.

Dat maakt het praktisch bruikbaar voor bedrijven. Een securityteam kan bijvoorbeeld beginnen bij een concreet prompt-injectionrisico, vervolgens bekijken welke technische maatregel nodig is en daarna dezelfde kwetsbaarheid koppelen aan het governance- of complianceframework waarmee auditors en management werken.

Daarmee ontstaat een volwassenere aanpak van AI-security: niet één lange checklist, maar een verbinding tussen aanval, technische maatregel, bedrijfsrisico en regelgeving.

Voor organisaties die AI-agents daadwerkelijk in productie brengen, wordt dat de belangrijkste les van 2026: wie AI beveiligt, moet niet kiezen tussen cybersecurity en governance. Beide moeten onderdeel worden van hetzelfde systeem.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Extra relevant voor overheden, gereguleerde sectoren en bedrijven met gevoelige data

Microsoft presenteerde een nieuwe reeks mogelijkheden voor zijn Sovereign Cloud. Vooral voor overheden, gereguleerde sectoren en bedrijven met gevoelige data zijn de veranderingen relevant.

Met External Key Management kunnen organisaties hun root-encryptiesleutel bewaren in hardware die ze zelf beheren, bijvoorbeeld in een eigen datacenter. Microsofts Azure Managed HSM blijft samenwerken met die externe infrastructuur, maar de sleutel zelf hoeft niet meer binnen Microsofts omgeving te staan.

Ook toegang door Microsoft-engineers wordt strenger gecontroleerd. Via Data Guardian wordt bepaalde remote toegang tot Europese productiesystemen gecontroleerd door een vertrouwde Europese partner. De nieuwe Production Touch Ledger legt zulke handelingen vervolgens vast in tamper-evident logs. Beide mogelijkheden worden uitgerold voor klanten in de EU en EFTA.

Een cloud die ook zonder cloudverbinding kan werken

Microsoft investeert daarnaast verder in Azure Local en zijn Sovereign Private Cloud.

SQL Server kan al lokaal en disconnected draaien. GitHub Enterprise Local en Foundry Local worden verder uitgebreid, terwijl Microsoft ook ondersteuning toevoegt voor lokale AI-modellen, confidential virtual machines en toepassingen die zonder permanente verbinding met Microsofts publieke cloud kunnen blijven functioneren.

Voor organisaties betekent dat iets belangrijks: gevoelige workloads hoeven niet noodzakelijk volledig afhankelijk te zijn van een hyperscale publieke cloud.

Technologisch wordt het dus steeds realistischer om kritieke onderdelen lokaal te houden en andere workloads wel naar de publieke cloud te sturen.

Maar locatie is niet hetzelfde als juridische onafhankelijkheid

Daarmee is het juridische soevereiniteitsvraagstuk echter niet verdwenen.

De Amerikaanse CLOUD Act bepaalt dat aanbieders onder bepaalde omstandigheden gegevens moeten bewaren of verstrekken die zich binnen hun “possession, custody or control” bevinden. De wet bepaalt expliciet dat het daarbij niet doorslaggevend is of die gegevens fysiek binnen of buiten de Verenigde Staten staan.

Dat betekent niet dat iedere Amerikaanse overheidsvraag automatisch resulteert in toegang tot Europese clouddata. De juridische situatie hangt af van het soort bevel, de gegevens, de technische architectuur en de toepasselijke Amerikaanse en Europese wetgeving.

Microsoft heeft bovendien contractueel beloofd overheidsverzoeken voor Europese klantgegevens aan te vechten wanneer daarvoor een wettelijke basis bestaat. Het bedrijf heeft ook toegezegd een eventueel bevel om Europese cloudactiviteiten stil te leggen juridisch te bestrijden.

Toch blijft er een structureel verschil tussen technische controle door de klant en juridische controle over de dienstverlener.

De CLOUD Act bevat een bijzondere bezwaarprocedure

Binnen de CLOUD Act bestaat een specifieke procedure waarmee een cloudprovider een bevel kan proberen te laten wijzigen of vernietigen wanneer openbaarmaking zou botsen met de wet van een zogenoemde qualifying foreign government.

Die procedure wordt door de provider gestart. Ze geldt bovendien alleen onder specifieke voorwaarden, waaronder dat de betrokken persoon geen Amerikaanse persoon is en niet in de VS woont.

Volgens het Amerikaanse ministerie van Justitie waren er in september 2026 slechts twee CLOUD Act-overeenkomsten daadwerkelijk van kracht: met het Verenigd Koninkrijk en Australië. Voor de EU als geheel bestaat zo’n overeenkomst momenteel niet.

Voor bedrijven draait soevereiniteit daarom om architectuur

De belangrijkste les voor Europese organisaties is niet dat Microsofts nieuwe maatregelen weinig voorstellen. Integendeel: klantgestuurde sleutels, Europees toezicht, controleerbare toegangslogs en lokale infrastructuur zijn concrete verbeteringen, ze lossen al verschillende problemen op.

Een eigen sleutel vermindert technische afhankelijkheid. Lokale infrastructuur verhoogt operationele continuïteit. Europese monitoring vergroot transparantie rond beheerstoegang. Maar geen van die maatregelen verandert op zichzelf de nationaliteit of juridische positie van de cloudprovider.

Bedrijven die digitale soevereiniteit serieus nemen, moeten daarom verder kijken dan de locatie van het datacenter.

De cruciale vraag blijft: welke delen van onze digitale infrastructuur moeten we technisch, operationeel én juridisch zelfstandig kunnen blijven controleren als de omstandigheden plots veranderen? Juist daar ligt het verschil tussen data in Europa opslaan en daadwerkelijk een soevereine cloudarchitectuur bouwen.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

PHP wordt door 70 procent van de websites gebruikt

PHP vormt nog altijd een van de fundamenten van het web. Het zit onder populaire systemen zoals WordPress, Drupal, Joomla en Magento en wordt volgens Cloudflare door bijna 70 procent van de websites gebruikt. Juist daarom veroorzaakten twee op 21 oktober vrijgegeven beveiligingsproblemen onmiddellijk internationale onrust.

De kwetsbaarheden kregen gezamenlijk de bijnaam PHP2Shell en een CVSS-score van 9,2. Het gevaarlijke is dat het probleem niet in WordPress, Drupal of een verkeerd geconfigureerde website zit, maar rechtstreeks in PHP zelf. Daardoor kan een applicatie volledig correct zijn gebouwd en toch kwetsbaar blijven.

Wat gaat er technisch mis?

De eerste fout, CVE-2026-109618, heeft te maken met hoe PHP reageert wanneer het geheugen opraakt. Onder specifieke omstandigheden kan zo’n fout optreden terwijl interne gegevens van een webrequest slechts gedeeltelijk zijn geïnitialiseerd. Tijdens het opruimen kan PHP die beschadigde toestand vervolgens behandelen alsof alles geldig is.

De tweede kwetsbaarheid, CVE-2026-109619, ontstaat doordat interne informatie van een eerder request in het geheugen kan achterblijven nadat het onderliggende geheugen al is vrijgegeven. Een volgend request kan vervolgens opnieuw naar die oude gegevens verwijzen.

Voor een aanvaller kan zo’n geheugenfout uiteindelijk worden omgezet in remote code execution: de mogelijkheid om op afstand eigen code op de server uit te voeren. PHP demonstreerde dat dit bij Apache met `mod_php` zelfs kan gebeuren voordat de code van de website zelf wordt uitgevoerd. Er is dus geen gebruikersaccount of login nodig.

AI veranderde een obscure bug in een werkbare aanval

Opvallend is vooral hoe de kwetsbaarheden werden ontdekt.

Securitybedrijf Calif begon eind juli met een audit van PHP binnen OpenAI’s Patch the Planet-initiatief. Op 1 augustus werd met hulp van GPT-5.6 Sol een eerste problematische codeweg gevonden. Calif rapporteerde de kwetsbaarheid vervolgens aan het PHP-project en werkte een werkende proof-of-concept uit.

Later in augustus ontdekte Wiz dezelfde problemen onafhankelijk. Het bedrijf gebruikte daarvoor zijn eigen Wiz Atlas-systeem, samen met Gemini 4 Argon en GPT-5.6 Sol. Wiz demonstreerde vervolgens succesvolle unauthenticated code execution tegen onder meer Drupal en WordPress.

Dat betekent niet dat een AI-model volledig zelfstandig PHP heeft gehackt. Menselijke onderzoekers bepaalden het onderzoeksdoel, valideerden resultaten, bouwden exploits en werkten samen met de PHP-maintainers aan oplossingen. Maar AI maakte het mogelijk om ingewikkelde geheugentoestanden en exploitketens veel sneller te onderzoeken.

Juist dat maakt deze zaak zo relevant. De onderliggende fouten bestonden al meer dan een decennium. Wat veranderde, was niet plots de broncode, maar de capaciteit om zulke complexe fouten systematisch te vinden en exploiteerbaar te maken.

Patches zijn dringend nodig

PHP bracht op 21 oktober beveiligde versies uit: PHP 8.5.12, 8.4.27, 8.3.36 en 8.2.35. Het project stelt expliciet dat er geen volledige workaround bestaat en dat upgraden de enige veilige oplossing is. Voor oudere, niet langer officieel ondersteunde PHP-versies is de situatie moeilijker; organisaties moeten daar afhankelijk zijn van leveranciers die backports aanbieden of versneld migreren.

De urgentie is niet theoretisch. Cloudflare zegt aanvalverkeer tegen PHP2Shell te hebben gezien nadat informatie over de kwetsbaarheden voortijdig naar buiten kwam. Het bedrijf had vooraf WAF-regels uitgerold, maar benadrukt dat zo’n beschermingslaag patching niet vervangt.

Ook verschillende Europese organisaties en overheidsdiensten haalden websites preventief offline terwijl updates werden uitgevoerd. De NSA adviseert organisaties die niet onmiddellijk kunnen patchen zelfs om kwetsbare systemen tijdelijk uit bedrijf te nemen.

PHP2Shell laat vooral zien wat AI voor security verandert

De belangrijkste les is daarom groter dan PHP.

AI maakt het goedkoper en sneller om zeer oude software op ingewikkelde kwetsbaarheden te onderzoeken. Dat voordeel geldt voor verdedigers, maar uiteindelijk ook voor aanvallers.

OpenAI noemt PHP2Shell daarom een voorbeeld van een tijdelijke “Defender’s Window”: onderzoekers vonden de fouten eerst en kregen tijd om patches en bescherming voor te bereiden voordat grootschalige exploitatie begon. Het bedrijf zegt bovendien al andere belangrijke kwetsbaarheden te hebben gevonden waaraan nog wordt gewerkt.

PHP2Shell maakt daarmee een nieuwe realiteit zichtbaar: software die jarenlang als voldoende onderzocht gold, kan opnieuw kwetsbaar blijken zodra AI de economische grens verschuift van “te complex om praktisch uit te pluizen” naar “haalbaar om systematisch te onderzoeken.”

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Voorstellen met impact op complianceprocessen

Na maanden onderhandelen hebben de EU-lidstaten op 22 oktober 2026 een gezamenlijk standpunt bereikt over wijzigingen aan de Europese regels rond gegevensbescherming, privacy en cybersecurity.

Voor bedrijven is vooral belangrijk dat dit nog geen nieuwe wet is. Het gaat om de positie waarmee de Raad van de Europese Unie later met het Europees Parlement zal onderhandelen.

Toch is de richting relevant, omdat verschillende voorstellen rechtstreeks kunnen ingrijpen op dagelijkse complianceprocessen.

Pseudonieme data kan in sommige situaties buiten de GDPR vallen

De bestaande definitie van persoonsgegevens blijft behouden. De Raad kiest dus niet voor een brede herdefiniëring van wat persoonsgegevens zijn. Wel komt er een duidelijkere regeling voor pseudonimisering.

Voor bedrijven kan dat belangrijk worden bij data-uitwisseling met externe partijen. Wanneer een derde partij pseudonieme gegevens ontvangt en die persoon redelijkerwijs niet opnieuw kan identificeren, zouden die gegevens voor die ontvanger niet noodzakelijk meer als persoonsgegevens gelden.

Dat betekent echter niet dat een bedrijf zijn data kan pseudonimiseren en daarna de GDPR kan vergeten.

Voor de oorspronkelijke organisatie die de pseudonimisering uitvoert, blijft de GDPR gewoon gelden. Hetzelfde geldt voor verwerkers die namens haar optreden. Zodra een ontvanger voldoende middelen heeft om personen opnieuw te identificeren, komt die verwerking opnieuw volledig binnen het GDPR-kader.

Voor bedrijven betekent dit vooral dat ze duidelijker zullen moeten documenteren wie welke datasets ontvangt, welke aanvullende informatie beschikbaar is en of heridentificatie realistisch mogelijk blijft.

Pseudonimisering kan daardoor interessanter worden als techniek om gegevens gecontroleerd te delen, maar governance blijft essentieel.

Geautomatiseerde besluitvorming blijft mogelijk, maar menselijke controle blijft belangrijk

Artikel 22 blijft het uitgangspunt behouden dat mensen niet zomaar uitsluitend aan volledig geautomatiseerde beslissingen mogen worden onderworpen wanneer die juridische of vergelijkbaar belangrijke gevolgen hebben.

Dat blijft relevant voor toepassingen zoals kredietbeslissingen, verzekeringen, personeelsselectie, fraudedetectie en andere AI-systemen die beslissingen over personen ondersteunen.

De Raad schrapt wel de expliciete formulering over het bestaan van een menselijke alternatieve route. Voor bedrijven verandert de praktische boodschap daardoor minder sterk dan misschien lijkt.

Wie AI inzet voor belangrijke beslissingen moet nog altijd kunnen aantonen waarom automatisering noodzakelijk of rechtmatig is, welke rechtsgrond wordt gebruikt en welke waarborgen bestaan voor betrokken personen.

Organisaties die dergelijke systemen gebruiken, doen er dus goed aan nu al vast te leggen waar de AI beslist, waar een medewerker controleert en op welk moment menselijke tussenkomst verplicht wordt.

Alleen ergens een medewerker in het proces plaatsen, is op zichzelf geen bewijs dat een systeem juridisch veilig is ingericht.

Cookies: mogelijk minder banners, maar niet minder verantwoordelijkheid

Voor veel instellingen en bedrijven zal de cookiehervorming het meest zichtbaar zijn. De Raad wil de cookieregels binnen de ePrivacy-richtlijn houden. Tegelijk worden bepaalde uitzonderingen op toestemming uitgebreid.

Onder strikte voorwaarden zouden cookies zonder voorafgaande toestemming gebruikt kunnen worden voor onder meer noodzakelijke dienstverlening, bepaalde vormen van publieksmeting, technische beveiliging en metingen rond contextuele advertenties.

Dat kan voor websites betekenen dat niet voor iedere technisch nuttige cookie nog automatisch een toestemmingsbanner nodig is.

Maar bedrijven moeten voorzichtig blijven. De uitzonderingen zullen afhangen van het concrete doel van de cookie, de manier waarop gegevens worden gecombineerd en of er sprake is van profilering of verdere verwerking.

Marketing- en analytics-teams zullen daarom hun bestaande cookielandschap opnieuw moeten indelen. Het wordt belangrijker om per cookie exact te weten waarvoor die dient, welke data wordt verzameld en of de verwerking onder een uitzondering kan vallen.

Ook het weigeren van toestemming moet eenvoudiger worden. Gebruikers moeten dat met één klik of een vergelijkbaar eenvoudige handeling kunnen doen. Na een weigering mag voor hetzelfde doel minstens vier maanden niet opnieuw om toestemming worden gevraagd.

Voor bedrijven betekent dit dat consentmanagementplatformen mogelijk moeten worden aangepast. Wie vandaag bij ieder bezoek opnieuw een cookiebanner toont, kan dat model dus niet zomaar blijven gebruiken.

Geen verplichte browserinstellingen voor privacykeuzes

De Commissie had eerder voorgesteld om machineleesbare privacykeuzes vanuit bijvoorbeeld browsers een grotere rol te geven. De Raad schrapt die verplichting.

Dat is voor bedrijven operationeel belangrijk, omdat websites en advertentieplatformen daardoor voorlopig niet verplicht zouden worden om automatisch iedere privacykeuze uit een browserinstelling technisch te respecteren.

Voor organisaties betekent dat minder directe technische aanpassingen dan aanvankelijk gevreesd. Wel blijft het noodzakelijk om eigen toestemmings- en weigeringmechanismen correct te beheren.

Datalekken: meer tijd en een hogere meldingsdrempel

Een andere opvallende wijziging betreft datalekken. Vandaag geldt in veel situaties een meldingstermijn van 72 uur. De Raad wil die verlengen naar 96 uur.

Daarnaast zou een melding aan de toezichthouder alleen nog verplicht zijn wanneer het incident waarschijnlijk een hoog risico vormt voor de rechten en vrijheden van personen.

Voor bedrijven kan dit de administratieve druk verminderen, vooral bij kleinere incidenten. Maar het betekent niet dat organisaties minder zorgvuldig mogen omgaan met datalekken. Ze zullen nog altijd moeten kunnen vaststellen wat er is gebeurd, welke gegevens geraakt zijn en welk risico daarbij hoort.

De interne beoordeling wordt daardoor zelfs belangrijker. Een bedrijf moet kunnen motiveren waarom een incident wel of niet meldingsplichtig was. Incidentresponsprocedures zullen dus mogelijk moeten worden aangepast aan een nieuwe drempel en termijn, maar documentatie van de risicoanalyse blijft cruciaal.

DPIA’s worden waarschijnlijk consistenter in heel Europa

De Raad wil ook meer Europese harmonisatie rond Data Protection Impact Assessments. Vandaag kunnen nationale toezichthouders verschillende lijsten gebruiken van verwerkingen waarvoor een DPIA verplicht of niet verplicht is.

De bedoeling is om meer EU-brede lijsten te gebruiken. Voor internationale bedrijven kan dat positief zijn. Een organisatie die in verschillende lidstaten actief is, krijgt daardoor mogelijk minder uiteenlopende interpretaties per land.

Dat kan complianceprocessen eenvoudiger maken, zeker voor bedrijven die dezelfde AI-, HR- of analysetoepassingen in meerdere Europese landen gebruiken.

Ook verwerkers krijgen meer verantwoordelijkheid

Een andere wijziging raakt bedrijven die als verwerker optreden. De verplichtingen rond gegevensbescherming door ontwerp en standaardinstellingen worden nadrukkelijker uitgebreid naar processors.

Voor softwareleveranciers, cloudbedrijven, SaaS-aanbieders en andere dienstverleners kan dat belangrijk zijn. Privacy by design wordt daardoor minder iets dat uitsluitend bij de klant of verwerkingsverantwoordelijke ligt.

Leveranciers zullen sterker moeten kunnen aantonen dat hun product standaard privacyvriendelijk is ingericht en dat dataminimalisatie, toegangscontrole en veilige standaardinstellingen al in het ontwerp zitten.

Voor bedrijven die software inkopen, wordt het omgekeerd belangrijker om die eisen expliciet in selectieprocedures en contracten op te nemen.

Wat moeten instellingen en bedrijven nu al doen?

De regels zijn nog niet definitief, dus organisaties hoeven hun systemen vandaag niet onmiddellijk om te bouwen. Wel is dit een goed moment om te inventariseren waar de mogelijke impact zit.

Bedrijven kunnen bijvoorbeeld nu al bekijken welke datasets gepseudonimiseerd worden, welke geautomatiseerde beslissingen juridische of financiële gevolgen hebben, welke cookies waarvoor dienen en hoe snel datalekken intern worden beoordeeld.

Ook contracten met verwerkers verdienen aandacht, zeker wanneer privacy by design straks nadrukkelijker een gedeelde verantwoordelijkheid wordt.

De grootste fout zou zijn om te wachten tot de definitieve regelgeving verschijnt en pas daarna te ontdekken dat belangrijke technische of organisatorische aanpassingen nodig zijn.

Minder administratie, maar niet minder verantwoordelijkheid

De richting van de hervorming is duidelijk. De EU probeert een deel van de digitale regelgeving praktischer te maken, met minder administratieve lasten en meer harmonisatie.

Voor bedrijven betekent dat mogelijk minder cookiebanners, ruimere termijnen bij datalekken en duidelijkere regels rond pseudonieme gegevens.

Maar de kern blijft dezelfde: organisaties moeten kunnen uitleggen welke gegevens ze verwerken, waarom ze dat doen, wie toegang heeft en welke risico’s daarbij horen.

De Digital Omnibus lijkt daarom minder op een afbouw van privacyregels dan op een poging om ze op sommige punten praktischer en consistenter te maken.

Voor bedrijven verschuift de uitdaging vooral van algemene compliance naar aantoonbare controle over concrete datastromen, AI-beslissingen en technische processen.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Een dossier stopt niet wanneer een taak klaar is

De meeste AI-assistenten werken vandaag op verzoek. Iemand stelt een vraag, geeft een opdracht of levert een document aan. De AI voert het werk uit en wacht daarna op de volgende instructie. Bedrijfsprocessen verlopen anders.

Een verzekeringsclaim kan weken aanslepen omdat documenten ontbreken, een schade-expert nog moet antwoorden of een medewerker een beslissing moet goedkeuren. Een hypotheekaanvraag passeert verschillende afdelingen, elk met eigen controles en deadlines. In een verkooptraject kunnen tussen het eerste gesprek en de ondertekening maanden zitten. Het probleem ontstaat vaak tussen die stappen.

Sales denkt dat administratie het dossier heeft overgenomen. Administratie wacht op finance. Finance heeft aanvullende informatie nodig, maar niemand heeft de klant gecontacteerd. Wanneer het dossier opnieuw opduikt, moet iemand eerst reconstrueren wat er de afgelopen weken is gebeurd.

Een langlopende agent zou die geschiedenis kunnen bijhouden en het dossier blijven bewaken.

Ontbreekt er een document, dan vraagt hij het op. Komt er een antwoord binnen, dan verwerkt hij de nieuwe informatie. Nadert een deadline, dan verwittigt hij de verantwoordelijke medewerker. Loopt een aanvraag vast, dan maakt hij zichtbaar waar het probleem zit.

Dat klinkt misschien als gewone workflowautomatisering. Het verschil zit in de manier waarop het systeem met onverwachte situaties omgaat. Een klassieke workflow volgt vooraf ingestelde stappen. Een AI-agent kan ook ongestructureerde informatie interpreteren en, binnen afgesproken grenzen, bepalen welke vervolgstap passend is.

Althans, dat is de belofte. Of zo’n agent betrouwbaar genoeg werkt om langdurig dossiers te beheren, moet per toepassing blijken.

Het geheugen wordt belangrijker dan het antwoord

Een chatbot kan een uitstekend antwoord geven en vijf minuten later toch onbruikbaar zijn voor hetzelfde dossier, simpelweg omdat de noodzakelijke context ontbreekt.

Voor een agent die maandenlang betrokken blijft, is dat geen klein ongemak. Het is een fundamenteel probleem.

Stel dat een klant tijdens een kredietaanvraag al tweemaal een loonfiche heeft doorgestuurd. De eerste versie was onleesbaar, de tweede werd goedgekeurd. Als de agent dat onderscheid niet bewaart, bestaat het risico dat hij opnieuw om hetzelfde document vraagt.

De klant ziet geen technisch geheugenprobleem. Die ziet een organisatie die haar administratie niet op orde heeft.

Daarom hebben langlopende agents een betrouwbaar dossiergeheugen nodig. Niet zomaar een verzameling eerdere gesprekken, maar een overzicht van ontvangen documenten, gemaakte afspraken, genomen beslissingen, openstaande acties en verantwoordelijke medewerkers.

Ook mislukte acties horen daarin thuis. Als een herinnering niet werd afgeleverd of een koppeling met een extern systeem faalde, moet de agent dat kunnen vaststellen. Anders lijkt het alsof het werk is uitgevoerd terwijl er in werkelijkheid niets is gebeurd.

Dat geheugen moet bovendien controleerbaar blijven. Een fout die vandaag in het dossier terechtkomt, mag niet wekenlang als vaststaand feit worden meegedragen.

Eén dossier, verschillende AI-specialisten

Een agent die het volledige proces bewaakt, hoeft niet iedere taak zelf uit te voeren.

Bij een verzekeringsclaim kan een gespecialiseerde documentagent polisvoorwaarden en bewijsstukken analyseren. Een andere agent kan ontbrekende informatie identificeren. Een communicatieagent stelt een bericht aan de klant op, terwijl een planningsagent deadlines en openstaande acties opvolgt.

De hoofdagent brengt die resultaten samen en bepaalt wat er daarna moet gebeuren.

Dat lijkt op de manier waarop een menselijke dossierbeheerder samenwerkt met collega’s uit verschillende afdelingen. Alleen worden bepaalde deeltaken nu door gespecialiseerde AI-systemen uitgevoerd.

De vergelijking heeft wel een grens. Wanneer twee agents elkaar tegenspreken, moet duidelijk zijn welk resultaat betrouwbaar is. Wanneer een documentagent een clausule verkeerd interpreteert, mag die fout niet ongemerkt doorwerken in een klantbericht of een financiële beslissing.

Meer agents inschakelen maakt een proces dus niet automatisch beter. Het creëert ook extra overdrachten, afhankelijkheden en mogelijke fouten.

De hoofdagent moet daarom meer doen dan werk verdelen. Hij moet resultaten controleren, tegenstrijdigheden herkennen en weten wanneer een mens moet ingrijpen.

De interessantste opbrengst is misschien een dossier dat niet verloren gaat

Veel bedrijven beoordelen AI nog altijd op bespaarde werkuren. Een medewerker besteedt dagelijks twee uur aan administratieve opvolging. Een automatisering neemt daarvan anderhalf uur over. De besparing is eenvoudig te berekenen en relatief gemakkelijk te presenteren in een businesscase. Maar die berekening mist een deel van de mogelijke waarde.

Neem een verkoopteam dat tientallen lopende offertes beheert. Sommige klanten reageren onmiddellijk, andere pas na enkele weken. Een verkoper vergeet een opvolgmail, een contactpersoon verandert van functie of een offerte blijft liggen omdat niemand de volgende stap heeft vastgelegd.

Een agent die zulke dossiers blijft volgen, kan helpen voorkomen dat commerciële kansen verdwijnen door gebrekkige opvolging.

Hetzelfde geldt voor klantonboarding. Een nieuwe klant die vastloopt bij het aanleveren van documenten, heeft weinig aan een organisatie die haar administratie sneller verwerkt zodra alles compleet is. Die klant heeft vooral iemand nodig die tijdig merkt dat er iets ontbreekt.

Daar verschuift de economische vraag.

Hoeveel dossiers zouden zonder opvolging blijven liggen? Hoeveel aanvragen kunnen sneller worden afgerond? Hoeveel klanten haken af omdat een proces onnodig lang duurt? Dat zijn andere vragen dan hoeveel minuten een medewerker bespaart.

Een agent die een administratieve handeling versnelt, levert efficiëntiewinst op. Een agent die helpt voorkomen dat een waardevolle klant afhaakt, kan rechtstreeks bijdragen aan omzetbehoud of conversie.

Of dat werkelijk gebeurt, moet wel worden gemeten. Een hogere afrondingsgraad kan ook het gevolg zijn van betere medewerkers, eenvoudiger procedures of veranderende marktomstandigheden. De aanwezigheid van een AI-agent bewijst op zichzelf niets.

Als AI meewerkt aan het resultaat, verandert ook de prijs

Die verschuiving kan gevolgen hebben voor het verdienmodel van AI-leveranciers. Vandaag betalen organisaties doorgaans voor softwaretoegang, gebruikerslicenties of verbruik. De leverancier levert technologie; de klant draagt de verantwoordelijkheid voor wat die technologie oplevert.

Bij langlopende agents wordt een andere afspraak denkbaar. Een verzekeraar zou kunnen betalen per correct afgehandeld dossier. Een verkooporganisatie per gekwalificeerde lead. Een bedrijf dat klanten onboardt, per succesvol afgerond traject.

De leverancier verkoopt dan minder een softwarefunctie en meer een afgebakend resultaat. Daar zit een aantrekkelijk idee achter, maar ook een lastige vraag: van wie is dat resultaat eigenlijk?

Stel dat een verkoopagent gedurende zes weken contactmomenten opvolgt, informatie verzamelt en afspraken voorbereidt. Uiteindelijk sluit een menselijke verkoper de deal. Heeft de AI de verkoop gerealiseerd, of heeft hij vooral geholpen bij een proces dat ook zonder hem succesvol had kunnen zijn?

Dat onderscheid bepaalt hoeveel een organisatie redelijkerwijs voor de agent wil betalen.

Bij financiële of administratieve dossiers wordt het nog ingewikkelder. Een snel afgehandelde claim is niet noodzakelijk een correct afgehandelde claim. Een leverancier belonen voor snelheid kan ongewenste prikkels creëren als nauwkeurigheid en klantbelang onvoldoende meetellen.

Resultaatgerichte prijsmodellen vereisen daarom heldere definities, controleerbare metingen en afspraken over fouten, uitzonderingen en gedeelde verantwoordelijkheid.

Een agent die maandenlang werkt, kan ook maandenlang fouten maken

De grootste beperking van langlopende agents zit mogelijk niet in wat ze kunnen uitvoeren, maar in wat er gebeurt wanneer ze het verkeerd doen.

Een chatbot die een onjuist antwoord geeft, veroorzaakt een fout op één moment. Een agent die op basis van verkeerde informatie zelfstandig blijft handelen, kan die fout door een volledig proces verspreiden.

Denk aan een agent die een document ten onrechte als goedgekeurd registreert. Vervolgens stuurt hij een bevestiging naar de klant, past hij de dossierstatus aan en vraagt hij een andere agent om de volgende stap te starten. Eén verkeerde interpretatie heeft dan meerdere gevolgen.

Daarom volstaat het niet om bij de start te bepalen welke opdrachten een agent mag uitvoeren. Zijn bevoegdheden moeten tijdens het volledige traject bewaakt worden.

Een herinneringsmail versturen is iets anders dan een contract wijzigen. Een ontbrekend document signaleren is iets anders dan een krediet goedkeuren. En informatie verzamelen voor een verzekeringsclaim is iets anders dan beslissen of de klant recht heeft op een uitbetaling. Die grenzen moeten expliciet zijn.

Ook moet een medewerker kunnen reconstrueren waarom de agent een bepaalde actie uitvoerde, welke informatie hij gebruikte en welke andere systemen daarbij betrokken waren. Als het proces verkeerd loopt, moet het onmiddellijk kunnen worden stilgelegd.

Dat maakt menselijke controle geen tijdelijke tussenoplossing totdat AI slimmer wordt. Zeker bij processen met juridische, financiële of persoonlijke gevolgen blijft menselijke verantwoordelijkheid een wezenlijk onderdeel van het ontwerp.

Niet ieder proces heeft een langlopende agent nodig

Er bestaat een risico dat organisaties een nieuw type AI inzetten voor problemen die met bestaande software eenvoudiger op te lossen zijn.

Een vaste betalingsherinnering na veertien dagen vereist geen agent die zelfstandig redeneert. Een standaardgoedkeuring met drie vooraf bekende stappen kan prima via klassieke workflowsoftware verlopen.

Langlopende agents worden vooral interessant wanneer een proces veel uitzonderingen bevat, informatie uit verschillende bronnen moet combineren en geregeld menselijke tussenkomst vereist.

Zelfs dan is autonomie niet altijd de beste keuze. Soms volstaat een systeem dat openstaande dossiers bewaakt en medewerkers precies vertelt waar actie nodig is.

Dat is minder spectaculair dan een volledig zelfstandig digitaal team. Het kan in de praktijk wel betrouwbaarder en goedkoper zijn.

De uitdaging voor bedrijven wordt dus om te bepalen welke onderdelen van een proces vaste regels kunnen volgen, waar AI werkelijk iets toevoegt en welke beslissingen bij mensen moeten blijven.

De waardevolste AI-agent is straks misschien niet degene die de meeste taken zelfstandig uitvoert. Het is degene die ervoor zorgt dat een dossier niet stilvalt, zonder dat de organisatie de controle over de uitkomst verliest.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Sterk AI-geïntegreerde organisaties kunnen er later ook zo uitzien

Anthropic bevindt zich in een uitzonderlijke positie om de impact van AI op werk te meten. Het bedrijf bouwt Claude én gebruikt zijn eigen modellen intensief binnen softwareontwikkeling, verkoop, juridische teams, finance en andere afdelingen.

In het op 16 oktober gepubliceerde onderzoek How employment is changing at Anthropic analyseert het bedrijf interne personeelsgegevens, agentgebruik, productiviteitscijfers, agenda’s, enquêtes en interviews met medewerkers. De onderzoekers beschouwen Anthropic als een mogelijke voorloper van hoe sterk AI-geïntegreerde organisaties er later kunnen uitzien, maar benadrukken tegelijk dat één AI-lab niet representatief is voor de volledige arbeidsmarkt.

Junior technische aanwervingen dalen fors

De duidelijkste verandering zit bij starters.

Begin 2025 bestond nog 27 procent van de technische aanwervingen uit junior profielen. Inmiddels is dat nog 9 procent. Het aandeel juniors binnen de bestaande technische teams daalde in dezelfde periode van 21 naar 14 procent.

Dat betekent niet dat Anthropic helemaal geen technische mensen meer aanwerft. Het bedrijf groeit snel en blijft in absolute aantallen technische medewerkers toevoegen. Maar de mix verandert.

Volgens de studie zei ongeveer een derde van de managers in machine learning en een vijfde van de software-engineeringmanagers dat AI ertoe heeft geleid dat zij minder mensen aannemen. Tegelijk hechten recruiters meer belang aan autonomie en beoordelingsvermogen dan aan uitsluitend technische uitvoering.

Zes agenturen tegenover één menselijk werkuur

Nog opvallender is hoeveel werk inmiddels door agents wordt uitgevoerd.

In maart 2026 overschreed de totale hoeveelheid agentwerk voor het eerst de menselijke werktijd. Tegen augustus draaiden de interactieve agents die medewerkers zelf aansturen ongeveer zes uur voor ieder verondersteld menselijk werkuur.

Daarbij is nuance belangrijk. Anthropic meet hier agent-runtime - inference en actief toolgebruik - en vergelijkt die met een veronderstelde werkweek van 40 uur per medewerker. Zes agenturen zijn dus niet automatisch gelijk aan zes uur menselijke arbeid.

Toch is het schaalverschil indrukwekkend.

Engineers produceren vijf keer meer code

De hoeveelheid codecommits per engineer ligt volgens Anthropic inmiddels ongeveer vijf keer hoger dan zes maanden eerder.

De onderzoekers vergeleken ook code die rechtstreeks door medewerkers was geschreven met code van hun codingagents. Op de gebruikte kwaliteitsmaatstaven, waaronder verwijderde regels en volledige rollbacks, vonden ze geen hogere verwijderings- of revertpercentages voor agentcode.

Ook buiten engineering zag Anthropic hogere output. Salesmedewerkers sloten meer deals, juridische teams verwerkten meer contracten en finance verwerkte meer facturen.

Dat bewijst nog niet dat AI de volledige stijging veroorzaakt. Anthropic groeide tegelijkertijd zeer snel, en medewerkers die agents omarmen kunnen sowieso verschillen van collega’s die dat niet doen. Het onderzoek vermeldt die beperkingen expliciet.

De mens wordt de bottleneck

Ironisch genoeg creëert die snelheid een nieuw probleem.

Bij interactieve sessies zit Claude ongeveer 80 procent van de totale sessietijd te wachten op menselijke input. Medewerkers moeten resultaten lezen, beslissingen nemen, agenten opnieuw sturen en beoordelen welke problemen belangrijk zijn.

Het aandeel werk dat draait om het managen van agents steeg daardoor sterk. Medewerkers schrijven instructies, bouwen monitoringdashboards en laten agents elkaars output controleren. Ook de vergadertijd nam toe: de mediane werknemer zit 20 procent langer in meetings dan een jaar geleden.

Werk verdwijnt niet alleen, het verschuift ook

Anthropic ziet tegelijkertijd meer interne mobiliteit. Werknemers die minstens een jaar in dienst zijn, wisselden in 2026 maandelijks 50 procent vaker van afdeling dan in 2025. Sommige teams verhuisden naar nieuwe taken nadat agents een deel van hun oorspronkelijke werk hadden overgenomen.

Daarom bouwt het bedrijf nu een vroegtijdig waarschuwingssysteem dat per functie kijkt naar AI-capaciteiten, productiviteit en mogelijke verstoring. Het doel is medewerkers eerder naar minder kwetsbare rollen te kunnen verplaatsen.

De belangrijkste uitkomst van het onderzoek is daarmee breder dan “AI schrijft meer code”. Bij Anthropic verandert de menselijke rol zichtbaar van uitvoerder naar coördinator, beoordelaar en manager van digitale agents.

En precies daar verschijnt een nieuwe uitdaging: wanneer AI sneller kan produceren dan mensen kunnen beoordelen, wordt niet rekenkracht maar menselijke aandacht, oordeel en verantwoordelijkheid de schaarse bedrijfsresource.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Toon een agent een bestaande functie

Reverse engineering bestaat al tientallen jaren. Wat REA verandert, is vooral wie het werk uitvoert.

Waar een ontwikkelaar vroeger zelf binaries, JavaScript-bundles, netwerkverkeer en runtimegedrag moest analyseren, biedt REA een CLI en MCP-server waarmee een codingagent dat onderzoek grotendeels zelfstandig kan uitvoeren. De officiële repository beschrijft het proces in drie woorden: decompile, understand, recreate.

Het uitgangspunt is eenvoudig: toon een agent een bestaande functie die je interessant vindt en vraag hem uit te zoeken hoe die werkt.

Niet de hele app kopiëren, maar één functie begrijpen

De beste resultaten ontstaan volgens de aangeleverde demonstratie wanneer je geen complete applicatie probeert te reconstrueren, maar één concreet gedrag kiest.

Denk aan de zwevende camerabubble van een schermrecorder, een specifieke zoekfunctie, een interactieve animatie of de manier waarop een dashboard gegevens presenteert.

De agent onderzoekt vervolgens welke onderdelen zichtbaar zijn, welke code of binaries kunnen worden geanalyseerd en hoe de functie zich tijdens gebruik gedraagt. Daarna bouwt hij een eigen versie die bij jouw stack en ontwerp past.

Dat verschilt wezenlijk van een prompt als “bouw een Loom-kloon”. Zo’n opdracht is vaag. Een concrete bestaande functie werkt daarentegen bijna als een visueel en functioneel product requirements document.

Van referentie naar betere AI-output

Die aanpak beperkt zich bovendien niet tot software. In de bron wordt hetzelfde principe toegepast op videobewerking, websites, rapporten en andere creatieve workflows. Een AI-agent krijgt meerdere goede voorbeelden, analyseert patronen en bouwt daar vervolgens een herbruikbare skill van.

Het idee daarachter is relevant voor vrijwel iedere AI-workflow: een model produceert vaak betere resultaten wanneer het niet alleen wordt verteld wat het moet maken, maar ook voorbeelden krijgt van hoe een goed eindresultaat eruitziet.

REA dwingt de agent onderscheid te maken tussen feit en gok

Een van de interessantste elementen is de manier waarop bevindingen worden geclassificeerd. De workflow maakt onderscheid tussen seen, inferred en unknown.

Seen betekent dat de agent daadwerkelijk bewijs heeft gevonden. Inferred betekent dat verschillende signalen naar een verklaring wijzen, maar dat die niet rechtstreeks is bewezen. Unknown betekent dat de werking nog niet kon worden vastgesteld.

Dat voorkomt een bekend probleem bij AI-agents: aannames die gaandeweg als feiten worden behandeld en vervolgens de rest van de implementatie besmetten.

Analyse is pas het begin

De laatste stap blijft bouwen, testen en itereren.

Een agent kan een functie reconstrueren op basis van zijn analyse, maar moet daarna controleren of het gedrag werkelijk overeenkomt met het gewenste resultaat. In de aangeleverde tests leverde de REA-route doorgaans trager resultaat op dan een codingagent die meteen begon te programmeren, maar volgens de maker was de uiteindelijke implementatie wel merkbaar beter.

Reverse engineering is geen vrijgeleide om software te kopiëren

REA zegt zelf expliciet dat het geen originele broncode terugwint en niet automatisch applicaties kloont. Analyse gebeurt lokaal en het project is bedoeld om werking te begrijpen en vervolgens een aangepaste implementatie te bouwen.

Daarmee blijft ook een juridische grens bestaan. Toegang hebben tot software betekent niet automatisch dat auteursrechtelijk beschermde code, assets, handelsgeheimen of beveiligde onderdelen vrij mogen worden overgenomen.

De interessantste toepassing van REA zit daarom waarschijnlijk niet in het één-op-één kopiëren van producten.

Het grotere idee is dat AI-agents steeds beter worden in werken vanuit een concreet voorbeeld: onderzoeken waarom iets goed werkt, dat opsplitsen in onderdelen en vervolgens hetzelfde principe toepassen in een nieuwe context.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Bezittingen en transacties geblokkeerd

Op 9 oktober zette het Amerikaanse Office of Foreign Assets Control, OFAC, het International Criminal Court als organisatie op de Specially Designated Nationals and Blocked Persons List. Daarmee werden de eerdere sancties tegen individuele rechters en medewerkers uitgebreid naar het Hof zelf. Het ICC is opgericht door het Statuut van Rome en wordt gesteund door 125 staten.

Voor Amerikaanse personen en ondernemingen betekent een SDN-notering in beginsel dat transacties met de gesanctioneerde partij verboden zijn en bezittingen onder Amerikaanse jurisdictie worden geblokkeerd, behalve wanneer OFAC een uitzondering verleent.

En precies daar zit momenteel een belangrijke nuance.

E-mail en cloud worden niet automatisch binnen zes maanden afgesloten

Samen met de sancties publiceerde OFAC vier algemene licenties.

General License 13 laat transacties toe die nodig zijn om bestaande activiteiten, contracten en overeenkomsten met het ICC te onderhouden of af te bouwen. Daaronder vallen onder meer lonen, huur, verzekeringen, nutsvoorzieningen en standaard commerciële diensten. Die vergunning loopt tot 7 april 2027.

Daarnaast is er General License 14, specifiek voor telecommunicatie en enterprise software. Die vergunning dekt onder meer e-mail, chat, videoconferencing, collaboration platforms, webhosting, authenticatiediensten, cybersecurity, databack-up en bepaalde cloudgebaseerde Software-as-a-Service. Opvallend: in de gepubliceerde licentie staat geen einddatum.

De conclusie dat het ICC over zes maanden automatisch zijn e-mail, cloudopslag en samenwerkingstools verliest, gaat dus te ver. De huidige Amerikaanse uitzonderingen laten zulke diensten juist expliciet toe.

Maar de gebeurtenis legt wel een bredere afhankelijkheid bloot.

‘Onze data staan in Europa’ lost jurisdictierisico niet op

Europese organisaties kijken bij cloudsoevereiniteit vaak eerst naar de fysieke locatie van hun data. Maar een datacenter in Frankfurt, Parijs of Amsterdam verandert op zichzelf niet onder welk recht een leverancier valt.

Executive Order 14203 definieert een Amerikaanse persoon onder meer als een onderneming die onder Amerikaans recht is georganiseerd en omvat daarbij ook buitenlandse filialen, dochterondernemingen en werknemers van zo’n entiteit.

De order maakt het bovendien mogelijk om buitenlandse partijen aan te wijzen wanneer zij volgens de Amerikaanse overheid materiële, financiële of technologische ondersteuning leveren aan activiteiten of personen die onder het sanctieregime vallen. Dat is geen automatische sanctie voor iedere Europese leverancier, maar het creëert wel een juridisch risico waarmee internationale dienstverleners rekening moeten houden.

De EU heeft inmiddels verklaard de institutionele sancties te betreuren en zegt maatregelen te willen nemen om de werking van het Hof te beschermen. Europese leiders wijzen daarbij expliciet op de ruimte die de overgangsperiode biedt voor overleg met Washington.

Wat bedrijven hiervan kunnen leren

Voor CIO’s en bestuurders is dit daarom vooral een concentratie- en continuïteitsvraagstuk.

Een organisatie hoeft zelf helemaal niet gesanctioneerd te zijn om gevolgen te ondervinden wanneer een kritieke leverancier door juridische beperkingen bepaalde klanten, regio’s of activiteiten niet langer mag bedienen.

Daarom verdient afhankelijkheid van cloud-, software- en betalingsleveranciers dezelfde aandacht als cybersecurity en privacy. Organisaties kunnen bijvoorbeeld inventariseren welke kernprocessen bij één jurisdictie of leverancier samenkomen, contractueel kijken naar sanctieclausules, dataportabiliteit en exitrechten, en bepalen hoe snel kritieke workloads naar een alternatief platform kunnen worden verhuisd.

Voor overheden, onderzoeksinstellingen, defensieorganisaties en andere geopolitiek gevoelige sectoren is een theoretisch exitplan daarbij onvoldoende. Er moet duidelijk zijn welke systemen eerst moeten worden gemigreerd, wie daarvoor verantwoordelijk is en hoeveel tijd een realistische overgang vraagt.

De ICC-sancties bewijzen niet dat Amerikaanse clouddiensten morgen uit Europa verdwijnen.

Ze maken wel zichtbaar dat digitale soevereiniteit uit meer bestaat dan de locatie van een server. Wie controle wil over zijn digitale continuïteit, moet absoluut weten onder wiens wetgeving zijn leverancier uiteindelijk valt.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Models as Insider Risks in the Super Intelligence Era

De discussie over AI-veiligheid verschuift snel van wat een model zegt naar wat een model zelfstandig mag doen.

Dat is precies het punt dat Satya Nadella maakt in zijn essay “Models as Insider Risks in the Super Intelligence Era”. Traditionele software kon bij problemen meestal worden teruggebracht tot een specifieke codeflow. Bij moderne frontiermodellen is dat veel moeilijker: ontwikkelaars kunnen een bepaalde output niet eenvoudig herleiden tot één regel code, één trainingsvoorbeeld of één specifieke set modelgewichten.

Tegelijk krijgen AI-agents steeds meer toegang tot bestanden, bedrijfsdata, websites en toepassingen. Ze kunnen niet alleen adviseren, maar ook zelfstandig acties uitvoeren. Volgens Nadella maakt precies die combinatie een nieuw beveiligingsmodel noodzakelijk.

Behandel AI alsof het al gecompromitteerd kan zijn

Zijn kernboodschap is opvallend klassiek uit cybersecurity-oogpunt: vertrouw het model niet omdat het intelligent is.

Nadella vergelijkt krachtige AI daarom met een potentiële insider. Niet omdat het systeem noodzakelijk kwaadaardig is, maar omdat iedere actor met toegang tot gevoelige systemen fouten kan maken of gehackt kan worden.

Daaruit volgt een belangrijk ontwerpprincipe: de intelligentie en de bevoegdheid moeten van elkaar worden gescheiden.

Een model kan bijvoorbeeld adviseren dat een bestand moet worden verwijderd, een betaling moet worden uitgevoerd of een account moet worden aangepast. Maar de regels die bepalen of dat daadwerkelijk mag gebeuren, moeten volgens Nadella in een aparte beveiligingslaag zitten die het model zelf niet kan veranderen.

Geen AI die zijn eigen werk controleert

Ook audit en logging moeten buiten de controle van het model blijven.

Nadella pleit voor systemen waarin belangrijke modelacties worden vastgelegd in tamper-resistant, human-readable logs. De AI mag dus niet zelf kunnen bepalen welke acties worden geregistreerd of achteraf zijn eigen audittrail aanpassen.

Hetzelfde geldt voor verificatie. Een model mag niet de enige beoordelaar van zijn eigen output zijn. Belangrijke beslissingen moeten onafhankelijk kunnen worden gecontroleerd.

Dat sluit aan bij een bredere beveiligingsfilosofie: wie een systeem controleert, mag niet tegelijkertijd de enige partij zijn die bewijst dat het correct heeft gehandeld.

Een menselijke noodrem moet altijd blijven bestaan

Het concreetste voorstel is wat Nadella een “emergency brake” noemt. Een bevoegde menselijke operator moet een actieve AI-agent op ieder moment kunnen pauzeren of uitschakelen, ook midden in een taak.

Zijn uitgangspunt is scherp: organisaties moeten ontwerpen alsof een model potentieel gecompromitteerd is en het daarom vanaf het begin begrenzen.

Voor bedrijven die agents koppelen aan e-mail, databases, financiële systemen of productieomgevingen is dat geen theoretisch detail. Hoe autonomer agents worden, hoe belangrijker het wordt dat hun macht technisch begrensd blijft.

Transparantie is meer dan een mooie uitleg

Nadella verzet zich ook tegen het idee dat onleesbare interne modelredenering, soms aangeduid als “Neuralese”,een excuus mag zijn voor oncontroleerbaarheid.

Zijn boodschap is niet dat een model noodzakelijk zijn volledige interne chain-of-thought moet blootleggen. Wel dat organisaties voldoende begrijpelijke, externe en controleerbare informatie nodig hebben om gedrag te kunnen reconstrueren en beoordelen.

Dat onderscheid is belangrijk: een overtuigende uitleg van het model zelf is geen vervanging voor onafhankelijke logs, toegangscontrole en technische bewijsvoering.

Geen nieuw Microsoft-product, wel een duidelijke ontwerpfilosofie

Nadella kondigt hiermee geen concreet Microsoft-product, nieuwe standaard of deadline aan. Het essay is in de eerste plaats een oproep aan organisaties en de industrie om hun trust architecture opnieuw te ontwerpen.

Zijn slotgedachte vat die filosofie goed samen: het betrouwbaarste AI-systeem is niet het systeem dat we het meest vertrouwen, maar het systeem dat zo is ontworpen dat we het model zelf zo weinig mogelijk hoeven te vertrouwen.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Visie, duidelijke prioriteiten en afspraken

Veel bedrijven en organisaties hebben inmiddels toegang tot krachtige AI-technologie. Toch betekent toegang nog geen succesvolle implementatie. De grootste uitdaging: waar kan AI werkelijk waarde creëren en hoe organiseren we dat op een veilige en schaalbare manier?

Een praktisch transformatieraamwerk begint daarom niet bij technologie, maar bij een gedeelde visie, duidelijke prioriteiten en afspraken over hoe AI binnen de organisatie wordt ingezet.

Begin met een gedeeld toekomstbeeld

Voordat een organisatie use-cases selecteert, moet duidelijk zijn waar ze vandaag staat en waar ze naartoe wil.

Dat kan heel concreet zijn. Denk aan hoge supportkosten, trage onboarding, veel handmatige administratie of processen die alleen kunnen groeien wanneer extra personeel wordt aangenomen.

Daartegenover staat de gewenste toekomstige situatie: meer klanten bedienen zonder evenredige groei van het personeelsbestand, repetitief werk automatiseren en medewerkers meer tijd geven voor analyse, strategie en klantcontact.

Een nuttige oefening is om die gewenste toestand te beschrijven alsof ze al bereikt is. Bijvoorbeeld in de vorm van een fictief persbericht uit 2029 waarin staat welke resultaten de organisatie dankzij AI heeft gerealiseerd.

Het doel daarvan is niet voorspellen, maar management dwingen overeenstemming te bereiken over wat AI uiteindelijk moet opleveren.

Zes pijlers voor AI-transformatie

Vanuit dat toekomstbeeld kan de organisatie haar AI-aanpak rond zes pijlers structureren.

1. Strategie en roadmap

De eerste vraag is waar AI aantoonbaar waarde kan creëren.

Niet ieder proces heeft AI nodig. Organisaties moeten daarom potentiële toepassingen inventariseren, beoordelen op haalbaarheid, risico en verwachte waarde, en vervolgens prioriteiten bepalen.

Daaruit ontstaat een roadmap die niet begint met tientallen experimenten, maar met een beperkt aantal toepassingen waarvan duidelijk is waarom ze belangrijk zijn.

2. Governance en management

AI-adoptie zonder duidelijke spelregels leidt snel tot wildgroei.

Bedrijven moeten vastleggen welke tools medewerkers mogen gebruiken, welke gegevens erin mogen worden verwerkt, wie verantwoordelijk is voor risico’s en wanneer menselijke goedkeuring noodzakelijk blijft.

Daarbij horen bijvoorbeeld een AI-beleid, duidelijke guardrails, een governancecommissie en afspraken over hoe nieuwe toepassingen worden beoordeeld.

Governance hoeft innovatie niet af te remmen. Goed ingericht doet het tegenovergestelde: medewerkers weten binnen welke grenzen ze veilig kunnen experimenteren.

3. Ontwikkeling en uitvoering

Een idee is nog geen productietoepassing.

Organisaties moeten bepalen hoe prototypes worden gebouwd, getest en geselecteerd. Dat wordt steeds belangrijker nu medewerkers met generatieve AI zelf kleine applicaties en automatiseringen kunnen maken.

Zonder proces kan IT plots worden overspoeld door honderden prototypes waarvan niemand weet welke veilig, onderhoudbaar of werkelijk nuttig zijn.

Daarom moet vooraf duidelijk zijn hoe ideeën van experiment naar productie gaan, wie ze beoordeelt en welke technische standaarden gelden.

4. Opleiding en ondersteuning

Een AI-licentie uitdelen is geen adoptiestrategie.

Medewerkers hebben opleiding, voorbeelden en ondersteuning nodig die aansluiten bij hun dagelijkse werk. Denk aan interne AI-champions, een speciaal Teams- of Slack-kanaal, vaste spreekuren en bibliotheken met goedgekeurde prompts en use-cases.

Opleiding moet bovendien continu zijn. AI-tools veranderen te snel om één training per jaar als voldoende te beschouwen.

Het doel is niet iedereen AI-expert te maken, maar medewerkers voldoende vaardigheden en vertrouwen te geven om te herkennen wanneer AI wel en niet nuttig is.

5. Cultuur en adoptie

Technologie kan centraal worden gekocht, maar adoptie ontstaat in teams. Daarom is zowel een top-down als bottom-up aanpak nodig.

Leidinggevenden moeten duidelijk communiceren waarom AI wordt ingevoerd en zelf laten zien hoe ze de technologie gebruiken. Tegelijk zijn enthousiaste vroege gebruikers belangrijk om collega’s praktisch te ondersteunen.

Succesvolle toepassingen verdienen zichtbaarheid. Wanneer medewerkers zien dat collega’s AI gebruiken om een concreet probleem op te lossen, wordt adoptie tastbaarder dan wanneer management alleen over een abstracte “AI-strategie” spreekt.

6. Meting en ROI

De laatste pijler is misschien de belangrijkste. AI-projecten worden vaak verdedigd met uitspraken als: “Deze automatisering bespaart 350 uur per maand.” Maar tijd besparen is op zichzelf nog geen financieel resultaat.

De organisatie moet bepalen wat er met die vrijgekomen capaciteit gebeurt. Kunnen medewerkers meer klanten bedienen? Wordt extra omzet gegenereerd? Kan groei worden opgevangen zonder nieuwe mensen aan te nemen? Kunnen daadwerkelijk kosten worden vermeden?

Wanneer werknemers simpelweg hetzelfde werk over een langere periode verdelen, heeft de onderneming weinig aan de theoretisch bespaarde uren.

ROI moet daarom worden gekoppeld aan concrete bedrijfsresultaten: omzet, kosten, capaciteit, kwaliteit, risico of snelheid.

Begin klein en bewijs eerst dat het werkt

Een verstandige implementatie verloopt in verschillende fasen.
De eerste fase bestaat uit strategie en het identificeren van vijf tot tien kansrijke toepassingen.

Daarna volgen governance en enkele relatief kleine projecten die idealiter binnen vier tot zes weken aantoonbaar resultaat opleveren. Die vroege successen zijn belangrijk. Ze leveren niet alleen financiële informatie op, maar bouwen ook vertrouwen binnen de organisatie.

Tussen ongeveer zes en twaalf maanden kunnen succesvolle toepassingen vervolgens over meerdere teams worden opgeschaald. Tegelijk kunnen grotere en complexere projecten worden gestart.

De uiteindelijke stap is dat AI niet langer als apart experiment wordt behandeld, maar structureel onderdeel wordt van workflows en bedrijfsprocessen.

Van AI-experiment naar AI-organisatie

De belangrijkste fout die organisaties kunnen maken, is AI-adoptie verwarren met het aanschaffen van technologie. Een nieuwe chatbot, agent of automatisering lost op zichzelf geen organisatorisch probleem op.

Bedrijven moeten tegelijk nadenken over strategie, governance, ontwikkeling, vaardigheden, cultuur en meetbare waarde.

Pas wanneer die onderdelen op elkaar aansluiten, verandert AI van een verzameling losse experimenten in een structureel onderdeel van de organisatie.

De kernvraag voor management is dus nooit “Welke AI-tool moeten we kopen?”
De denkoefening moet gaan over “Welke bedrijfsproblemen willen we oplossen, hoe meten we het resultaat en welke organisatie moeten we bouwen om AI verantwoord op schaal te gebruiken?”

Wil je jouw bedrijf of organisatie laten begeleiden op het AI-transformatie-traject?
Contacteer dan zeker ook FlowSquad via info@flowsquad.be

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Geheime ‘loss of control incidents’

De Europese AI Act gaat een nieuwe fase in. Waar het debat lange tijd draaide rond regels op papier, verschuift de aandacht nu naar de vraag hoe toezichthouders moeten reageren wanneer zeer geavanceerde modellen gedrag vertonen dat ontwikkelaars onvoldoende kunnen voorspellen of controleren.

Op 9 oktober kwamen Henna Virkkunen, uitvoerend vicevoorzitter van de Europese Commissie voor technologische soevereiniteit, veiligheid en democratie, en Seán Ó hÉigeartaigh, voorzitter van het AI Scientific Panel, bijeen voor een bijzondere vergadering over frontier AI.

Aanleiding waren recente incidenten die de Commissie omschrijft als “loss-of-control incidents”. Welke bedrijven en modellen daarbij betrokken zijn, maakte de Commissie niet bekend.

Commissie stelt rechtstreeks vragen aan AI-bedrijven

Het Scientific Panel onderzocht wat vandaag over de incidenten bekend is en vooral welke informatie nog ontbreekt.

Samen met het EU AI Office stelde het panel vervolgens een reeks vragen op voor de bedrijven die de betrokken modellen ontwikkelden. Het AI Office heeft inmiddels ernstige-incidentrapporten ontvangen en informatie opgevraagd over de gebruikte beveiligingspraktijken.

De Commissie kondigt nu aan bijkomende informatieverzoeken te versturen waarin de vragen van het Scientific Panel en het AI Office worden gecombineerd.

Dat past binnen de bevoegdheden die de AI Act aan Europa geeft. Aanbieders van general-purpose AI-modellen met systemisch risico moeten hun modellen evalueren, systeemrisico’s identificeren en beperken, ernstige incidenten melden en passende cybersecuritymaatregelen nemen. Deze handhavingsbevoegdheden zijn sinds 2 augustus 2026 operationeel.

Recursieve zelfverbetering komt expliciet op tafel

Opvallend is dat de Commissie niet alleen naar concrete incidenten kijkt.

Het panel besprak ook technische ontwikkelingen rond recursive self-improvement: het scenario waarin een AI-systeem onderdelen van zijn eigen ontwikkeling of verbetering kan versnellen. Daarnaast werd gekeken naar nieuwe trainingsmethoden die de monitorability van modellen kunnen verminderen.

Met monitorability wordt bedoeld in welke mate onderzoekers en ontwikkelaars nog kunnen observeren, begrijpen en onderzoeken wat zich binnen een model afspeelt en waarom bepaald gedrag ontstaat.

Volgens het panel verdienen architecturen en trainingsmethoden die deze controleerbaarheid verminderen extra toezicht.

Vier aanbevelingen voor Europa

Het Scientific Panel doet vier concrete aanbevelingen.

Ten eerste moet toezicht niet pas beginnen wanneer een model publiek wordt uitgerold. Ook interne modellen tijdens ontwikkeling en testdeployment moeten volgens het panel onder een passend risicoregime vallen.

Ten tweede moet Europa zijn eigen capaciteit opbouwen om ernstige AI-incidenten te detecteren, evalueren en onderzoeken. Een gespecialiseerde taskforce behoort expliciet tot de voorgestelde opties.

Ten derde adviseert het panel een internationale samenwerking rond frontier AI, zodat landen informatie kunnen uitwisselen, gemeenschappelijke eisen aan ontwikkelaars kunnen formuleren en gezamenlijk kunnen reageren wanneer zich een ernstige crisis voordoet.

Tot slot moet er extra controle komen op technische keuzes die het moeilijker maken om AI-modellen achteraf te analyseren.

Scientific Panel krijgt steeds belangrijkere rol

Het panel bestaat uit 60 onafhankelijke experts en is onder artikel 68 van de AI Act opgericht om het AI Office en nationale autoriteiten technisch te ondersteunen.

Het kan onder meer waarschuwen voor systemische risico’s, adviseren over de classificatie van krachtige general-purpose modellen en bijdragen aan evaluatiemethoden en grensoverschrijdend markttoezicht.

De bijeenkomst laat daarmee zien hoe de AI Act in de praktijk verandert van regelgevend kader naar actief toezicht op frontier AI.

Europa probeert niet langer alleen vast te leggen welke verplichtingen ontwikkelaars hebben. Het bouwt nu ook de technische expertise en onderzoeksstructuren waarmee het kan bepalen wat er moet gebeuren wanneer een AI-model zich anders gedraagt dan verwacht.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

Skills in Copilot Chat

Wie Copilot vandaag voor terugkerende taken gebruikt, moet vaak opnieuw uitleggen hoe een rapport moet worden opgebouwd, welke stappen een analyse moet volgen of welke bedrijfsregels gelden. Microsoft wil dat probleem oplossen met Skills in Copilot Chat.

Een skill bevat taakgerichte instructies en kan daarnaast ondersteunende bestanden of scripts meenemen. Wanneer Copilot vaststelt dat een vraag bij zo’n skill past, kan het die instructies automatisch toepassen. Gebruikers kunnen automatische activering ook uitschakelen en een skill zelf selecteren.

Microsoft had in september al functionaliteit uitgerold waarmee gebruikers agents en skills rechtstreeks vanuit prompts kunnen oproepen. Met deze nieuwe release wordt het concept breder ingebed in Microsoft 365 Copilot Chat.

Van telkens opnieuw prompten naar één herbruikbare werkwijze

Het praktische verschil kan aanzienlijk zijn. Stel dat een financiële afdeling iedere maand een managementrapport moet maken volgens dezelfde structuur. In plaats van telkens een lange prompt met instructies te schrijven, kan de organisatie die werkwijze in een skill vastleggen.

Datzelfde principe kan worden gebruikt voor bijvoorbeeld contractreviews, projectrapportage, klantanalyses, redactiewerk of interne controles.

Gebruikers kunnen nieuwe skills creëren, bestaande skills uploaden, skills aanpassen en ze met anderen delen. Daarnaast kunnen ze skills gebruiken die door hun IT-afdeling zijn uitgerold of die afkomstig zijn van onafhankelijke softwareleveranciers.

Copilot kan zelf bepalen wanneer een relevante skill moet worden ingezet, maar de gebruiker kan ook expliciet een skill kiezen via de nieuwe Agents and Skills-ervaring.

Eén skill voor Copilot Chat én Cowork

Microsoft probeert tegelijkertijd te voorkomen dat skills opgesloten raken in één Copilot-omgeving. Skills die in Copilot Chat worden gemaakt, kunnen ook in Copilot Cowork worden gebruikt. Plugins die centraal door beheerders worden uitgerold, worden eveneens in beide omgevingen beschikbaar.

Daarmee ontstaat een gedeelde instructielaag voor verschillende vormen van AI-werk: van korte gesprekken in Copilot Chat tot langere agentische opdrachten in Cowork.

Ook zelfgebouwde skills en plugins die via Microsofts developer tooling worden gemaakt, kunnen in Copilot Chat beschikbaar komen.

Agent Store wordt breder dan alleen agents

De bestaande Agent Store evolueert eveneens.

Microsoft wil daar niet alleen agents tonen, maar ook skills en plugins waarin skills zijn opgenomen. Gebruikers krijgen zo één plek om gespecialiseerde AI-capaciteiten te ontdekken.

Connector-only plugins vallen voorlopig buiten deze uitbreiding en worden volgens Microsoft later toegevoegd. Dat onderscheid is belangrijk. Een agent kan zelfstandig een bredere taak uitvoeren, terwijl een skill eerder een herbruikbare werkwijze of expertise toevoegt aan Copilot. Beide beginnen nu steeds meer binnen dezelfde gebruikerservaring samen te komen.

IT krijgt centrale controle

Voor organisaties is governance minstens even belangrijk als het maken van skills. Beheerders kunnen via het Microsoft 365 admin center skills en plugins installeren, publiceren of blokkeren. De nieuwe Tools-weergave laat hen bovendien skills bekijken die gebruikers zelf in Copilot Chat hebben gemaakt.

Microsoft ondersteunt daarbij role-based access control en fijnmazige toegang per gebruiker of groep. Nieuwe skills en gerelateerde objecten worden opgenomen in de centrale Tools Registry.

Daarmee probeert Microsoft een bekend probleem bij enterprise-AI op te lossen: medewerkers bouwen steeds meer eigen AI-workflows, terwijl IT overzicht en controle moet behouden.

Uitrol start nu

De wereldwijde uitrol begint in oktober en moet volgens Microsoft tegen midden november 2026 zijn afgerond.

Voor tenants die Information Barriers gebruiken, volgt ondersteuning in november. Gebruikers in die omgevingen kunnen persoonlijke skills maken en goedgekeurde skills gebruiken, maar het delen van zelfgemaakte skills wordt daar pas later ondersteund.

De bredere ontwikkeling is duidelijk: Microsoft behandelt prompting steeds minder als losse tekst die iedere gebruiker telkens opnieuw moet formuleren. Een skill maakt van zo’n prompt een herbruikbaar, deelbaar en beheersbaar bedrijfsobject.

Dat kan uiteindelijk belangrijker blijken dan nóg een nieuwe AI-functie. Want zodra organisaties hun beste instructies, procedures en vakkennis in skills kunnen vastleggen, wordt Copilot niet alleen persoonlijker. Het kan ook steeds meer gaan werken volgens de manier waarop de organisatie zelf wil dat werk wordt uitgevoerd.

Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.

ChatGPT-antwoorden hoeven niet langer uitsluitend uit tekst, tabellen of statische grafieken te bestaan.

Met Intelligent UI kan GPT-6 zelf bepalen welke presentatievorm het beste bij een vraag past. Een vergelijking kan side-by-side kaarten opleveren, een technisch concept een interactief diagram en een rekentaak een calculator waarvan je de waarden rechtstreeks kunt aanpassen. Een eenvoudig antwoord kan nog steeds gewoon tekst blijven.

Het belangrijkste verschil is dat de gebruiker binnen hetzelfde antwoord kan interageren.

Probeer het met een eenvoudige calculator

Een goede test is een fictieve workshopbegroting. Gebruik bijvoorbeeld:

> Maak een compacte workshopkostencalculator.
>
> Invoer:
> - aantal deelnemers
> - prijs per deelnemer
> - vaste locatiekost
> - catering per deelnemer
>
> Toon de totale kost en de kost per deelnemer. 
> Laat alle invoervelden aanpasbaar zijn en toon duidelijk welke formule wordt gebruikt. 
> Gebruik uitsluitend fictieve bedragen.

Verander vervolgens het aantal deelnemers.

Controleer zelf of de totale kost en kost per persoon correct veranderen. Test ook grensgevallen zoals 0 deelnemers, een leeg veld of een negatieve waarde. Een mooie interface zegt immers niets over de juistheid van de berekening.

Daarna kun je het bestaande hulpmiddel uitbreiden zonder opnieuw te beginnen:

> Voeg een instelbare budgetbuffer toe van standaard 10 procent. 
> Toon zowel het basisbedrag als het totaal inclusief buffer en pas de tekstsamenvatting automatisch aan wanneer ik een waarde verander.

Dat illustreert precies waar Intelligent UI nuttig wordt: niet alleen antwoorden genereren, maar er kleine hulpmiddelen van maken.

Vergelijken zonder telkens opnieuw te vragen

Ook vergelijkingen lenen zich goed voor deze aanpak. Een mogelijke prompt:

> Vergelijk deze drie workshoplocaties uitsluitend op basis van de gegevens die ik hieronder geef. 
> Toon prijs, capaciteit, toegankelijkheid en ontbrekende informatie naast elkaar. 
> Markeer iedere onbekende waarde expliciet en kies geen winnaar zolang essentiële gegevens ontbreken.

De interactieve interface kan de informatie overzichtelijker maken, maar één beperking blijft belangrijk: de vorm kan ontbrekende feiten niet oplossen.

Ook geschikt voor uitleg en oefeningen

OpenAI noemt interactieve diagrammen, calculators, games, formulieren en visuele vergelijkingen expliciet als toepassingen van Intelligent UI.

Voor educatieve toepassingen kun je bijvoorbeeld vragen:

> Leg in zes stappen uit wat er gebeurt wanneer ik een website open. 
> Maak een eenvoudig diagram waarvan ik elk onderdeel kan selecteren voor extra uitleg. 
> Benoem ook waar je het proces vereenvoudigt.

Of laat ChatGPT op basis van goedgekeurde trainingsnotities een quiz bouwen die telkens één vraag toont, feedback geeft en de score bijhoudt.

Niet iedere modus ondersteunt Intelligent UI

De uitrol begon op 7 oktober 2026 voor Plus, Pro, Business en Enterprise en op 8 oktober voor Free en Go. Plus, Pro, Business en Enterprise gebruiken hiervoor GPT-6 Sol; Free en Go GPT-6 Luna.

Intelligent UI werkt met GPT-6 van Instant tot en met Extra High. De aparte Pro-reasoningmodus gebruikt GPT-6 Astra en ondersteunt Intelligent UI niet. Ook oudere Windows- en macOS-desktopapps ondersteunen de nieuwe ervaring niet. OpenAI adviseert daar voorlopig de webversie of bijgewerkte ondersteunde apps.

De praktische les is eenvoudig: vraag niet automatisch om een dashboard of calculator omdat het er aantrekkelijk uitziet. Gebruik Intelligent UI wanneer interactie daadwerkelijk helpt om een antwoord te onderzoeken, vergelijken of testen. Dan wordt ChatGPT minder een pagina die je leest en meer een hulpmiddel dat zich tijdens het gesprek aan je taak aanpast.