Nederland praat veel over AI, maar verdient er nog te weinig aan

Nederland houdt van plannen. Van visies, agenda’s en strategische vergezichten. Ook als het over kunstmatige intelligentie gaat. Er zijn programma’s, roadmaps en expertcommissies in overvloed. Op papier lijkt Nederland goed voorbereid op het AI-tijdperk. In de praktijk blijft de impact opvallend beperkt. Dat is echter geen onwil, maar een ordeningsprobleem. 

AI is allang geen verre belofte meer, maar een technologie die nú economische waarde kan creëren: door productiviteit te verhogen, arbeid slimmer te organiseren en maatschappelijke knelpunten aan te pakken. Zeker in een land met een stagnerende productiviteitsgroei, een krappe arbeidsmarkt en een vergrijzende bevolking zijn de kansen evident. De vraag is niet meer of AI iets gaat betekenen voor Nederland, maar of Nederland er betekenis uit weet te halen door AI te laten renderen.  

AI ordent de economie — maar niet vanzelf in het voordeel van Nederland. De vraag is of we als maatschappij die herordening weten te sturen. Op een aantal concrete punten wordt zichtbaar waar die verschuiving plaatsvindt, en waar keuzes het verschil maken: 

De verschuiving van technologie-ontwikkeling naar toepassing 

Europa, en Nederland in het bijzonder, heeft de afgelopen jaren een stevige inhaalslag gemaakt op het gebied van AI-onderzoek. Er is een ecosysteem ontstaan dat internationaal erkend wordt en aantrekkelijk is voor digitaal talent. Maar deze positie kent een harde grens. De mondiale concurrentie wordt uiteindelijk niet beslist in laboratoria, maar in markten. Markten waarin Europa soms een traditioneel sterke positie kent, maar waar door AI de kaarten opnieuw geschud worden. 

De kern van de uitdaging ligt daarom in een verschuiving: van technologieontwikkeling naar toepassing. De grootste economische kansen bevinden zich niet in de fundamentele modellen zelf, maar in de manieren waarop deze worden geïntegreerd in sectoren, zoals zorg, energie, landbouw, industrie, zakelijke dienstverlening. Niet de volgende taalmodeldoorbraak, maar bijvoorbeeld het daadwerkelijk inzetten van AI bij netbalancering door netbeheerders, of het opschalen van AI-ondersteunde diagnostiek in ziekenhuizen — in toepassingen die nu vaak blijven steken in pilots en proefprojecten. 

Dit vraagt dus om een andere manier van denken. Waar innovatiebeleid traditioneel gericht is op het stimuleren van onderzoek, vereist AI een nadruk op implementatie — en op het doorbreken van de Nederlandse neiging om eindeloos te experimenteren zonder op te schalen. 

Hier raakt AI aan een bredere en ongemakkelijke vraag: hoe organiseren we de toepassing van innovatie in een tijdperk waarin kennis overvloedig is? Toch zijn er, gedeeltelijke, antwoorden. Bedrijven kunnen immers juist bij digitale oplossingen in fieldlabs de kloksnelheid van tests verhogen; aanpassen is nu eenmaal digitaal eenvoudiger dan bij een fysiek product. Ook kan gedacht worden aan meer regelgevingsvrijheid om te experimenteren in besloten omgevingen, En kan aan publieke middelen voor experimenten ook schaalbaarheid als toekenningscriterium worden toegevoegd. 

Nieuwe Nederlandse digitale techbedrijven hebben laten zien succesvol de slag naar AI-implementatie te maken. De bal ligt nu bij de gevestigde bedrijven; kunnen zij hun succes in hun markt vertalen naar AI-gebaseerde oplossingen? Gelukkig zien we al goede voorbeelden, zoals in life sciences en de industrie.  

Het mkb als vergeten schakel 

Misschien wel de meest onderschatte dimensie van de AI-transitie is de rol van het midden- en kleinbedrijf. Vanouds vormt het mkb de ruggengraat van de Nederlandse economie. In de praktijk dreigt het echter de achilleshiel te worden van de digitale transformatie — en dat is geen toeval, 

Het probleem zit niet in het willen, maar in het kunnen. Voor veel mkb-bedrijven is AI geen vanzelfsprekende stap, maar een complexe strategische keuze zonder duidelijk rendementsperspectief. Het ontbreekt aan kennis, capaciteit en overzicht van regelgeving. Een middelgroot productiebedrijf dat zijn processen wil automatiseren, of een logistieke speler die met voorspellende modellen wil werken, loopt niet alleen tegen technische barrières aan, maar vooral tegen organisatorische en financiële drempels. 

Het gevolg is een groeiende kloof tussen koplopers en achterblijvers — een kloof die niet alleen economisch, maar ook maatschappelijk problematisch is. Grote bedrijven en tech-savvy spelers versnellen, terwijl een groot deel van de economie stilstaat. En juist voor het opvoeren van de zo benodigde productiviteitsgroei is een economie-brede versnelling nodig. Het is namelijk bij technologietoepassing net als bij een slang: de kop steekt vooruit maar voor de echte beweging moet het hele lichaam mee.  

Dit is precies waarom dit een beleidsuitdaging is. Zonder enige interventie blijft technologische adoptie ‘hangen’. En dat is zichtbaar in het MKB. Paradoxaal is dat juist nu de technologie in de vorm van generatieve AI zeer laagdrempelig is, het omzetten in renderende productiviteit of nieuwe businessmodellen te moeizaam verloopt. Dat rechtvaardigt overheidshandelen — niet om technologie te ontwikkelen, maar om adoptie te versnellen. 

De oplossing ligt niet in generieke subsidies, maar in ondersteuning waar dat echt nodig is: toegang tot kennis, praktische begeleiding, experimenteerruimte en duidelijke kaders. Maar bovenal vraagt het om gerichte keuzes: welke bedrijven lopen vast, waarom, en waar levert ondersteuning het meeste effect op? 

Data als nieuwe ordeningskracht 

De effectiviteit van AI-toepassingen staat of valt met de kwaliteit en beschikbaarheid van data. Zonder goede, betrouwbare en toegankelijke data blijft AI beperkt tot theorie. En daarmee is data een strategisch bezit, want bepalend voor het concurrentievermogen van bedrijven. 

Maar daar ligt een probleem. Veel organisaties beschikken over waardevolle data, maar die is versnipperd, slecht ontsloten of onvoldoende gekwalificeerd.  Tegelijkertijd schuilt hier enorme potentie: in sectoren als zorg, energie en logistiek kunnen gecombineerde datasets leiden tot grote efficiëntiewinsten.  

Dit raakt aan een fundamentele vraag, met ook een geopolitieke dimensie. Hoe kunnen data wel goed benut worden en bijdragen aan de concurrentiekracht van onze economie. In de Verenigde Staten domineren platformbedrijven die data accumuleren en zo een zich voortdurend zelfversterkend businessmodel bouwen. In Europa ligt de nadruk traditioneel op regulering en bescherming — met het doel innovatie te faciliteren maar met een risico dat deze juist wordt afgeremd. Maar AI dwingt tot een derde weg: het actief organiseren van data-ecosystemen waarin delen mogelijk is zonder controle te verliezen. 

Het concept van sectorale data-ruimtes is in dat opzicht veelbelovend. Het biedt een alternatief voor zowel fragmentatie als centralisatie. En er liggen grote kansen in het meer direct delen van data tussen organisaties. Maar het succes ervan hangt niet af van techniek, maar van vertrouwen en van afdwingbare afspraken. Zonder duidelijke kaders voor eigendom, toegang en verdeling van waarde blijven dit papieren constructies. Goede datadeelconcepten ontstaan pas als deze kaders er wel zijn, zoals bij JoinData, waarin agrarische ondernemers veilig data delen binnen de voedselketen, en digiGo, het samenwerkingsplatform voor digitaal datadelen in de gebouwde omgeving. 

Dergelijke structuren ontstaan echter niet vanzelf. Voor individuele bedrijven is het rendement van datadeling vooraf vaak onzeker, terwijl de kosten direct zijn. Ook is er niet bij voorbaat controle op het datagebruik. Daardoor blijft samenwerking uit, ook als de maatschappelijke baten groot zijn. Bedrijven zullen daarom een sprong vooruit moeten nemen of een overheid kan samenwerking stimuleren. 

Tegelijkertijd is data alleen niet voldoende. Het benutten ervan vraagt om kritieke randvoorwaarden, zoals toegang tot AI-rekencapaciteit en voldoende energievoorziening. Juist deze infrastructuren hebben zelf een ordenende werking, omdat zij bepalen wie AI kan toepassen — en daarmee direct raken aan de strategische autonomie van de (nationale) economie. 

Sinds 1956 weten we al wat AI moet kunnen
De ambitie achter kunstmatige intelligentie is verrassend oud. In 1955 schreven vier pioniers — John McCarthy, Marvin Minsky, Nathaniel Rochester en Claude Shannon — het voorstel dat geldt als het begin van AI als vakgebied: het Dartmouth Summer Research Project. Hun doel was opvallend concreet:

‘An attempt will be made to find how to make machines use language, form abstractions and concepts, solve kinds of problems now reserved for humans, and improve themselves.’

Wat opvalt, is hoe herkenbaar deze agenda nog steeds is. Taalgebruik, abstractievermogen, probleemoplossing en zelfverbetering vormen ook vandaag de kern van AI-ontwikkeling. Het verschil zit niet in de ambitie, maar in de schaal waarop die nu werkelijkheid wordt.

Van visie naar uitvoering 

Wat opvalt in de Nederlandse maatschappelijk-economische discussie over AI is dat er geen gebrek is aan plannen, visies of strategieën. Integendeel. De afgelopen jaren en vrij recent nog zijn talloze initiatieven gelanceerd, elk met hun eigen accenten en prioriteiten. Maar juist die overvloed aan plannen maskeert een dieper probleem: een gebrek aan uitvoering en opschaling. 

De uitdaging ligt daarom niet in het formuleren van nieuwe ideeën, maar in het organiseren van uitvoering. In het vermogen om versnipperde initiatieven te verbinden, focus aan te brengen en daadwerkelijk schaal te realiseren. En hiervoor één roadmap te definiëren want niet alles kan tegelijkertijd. In een land als Nederland dat vanouds sterk is in het vormen van brede coalities moet dit, met enige hulp van de overheid, mogelijk zijn. 

Tegelijkertijd vereist dit ook iets van individuele bedrijven. AI-adoptie is geen IT-project, maar een strategische transformatie die waardeketens en marktposities verandert. Het vraagt om leiderschap, visie en de bereidheid om bestaande modellen ter discussie te stellen — iets wat in de Nederlandse consensuscultuur vaak wordt vermeden. 

De diepere vraag 

Uiteindelijk gaat de discussie over AI niet alleen over technologie of economie, maar over de vraag wat voor samenleving Nederland wil zijn. Een samenleving die achter technologische ontwikkelingen aanloopt, of een samenleving die ze leert te benutten om productiever te worden en economisch sterker te staan. 

AI zorgt voor een herordening van de economie. Een herordening die stil kan verlopen, maar die we als samenleving richting moeten geven. Een verschuiving van waar economische waarde ontstaat: van technologieontwikkeling naar toepassing, naar brede groei van productiviteit, van data als bijproduct naar data als essentiële productiefactor. 

In het richting geven ligt niet alleen de opgave, maar ook de keuze tussen achterblijven of versnellen.

Over de auteur
Stijn van Butselaar is strategisch beleidsadviseur van VNO-NCW en MKB-Nederland en zet zich in voor een sterk en toekomstbestendig digitaal ondernemersklimaat. Hij werkt op het snijvlak van economie, beleid en politiek, waar hij met gedrevenheid bouwt aan bruggen tussen ondernemers en overheid, met als doel de kansen die digitalisering en AI bieden te vertalen in duurzame groei, innovatie en een veerkrachtige economie. Ook in loopbaan vormden vernieuwing en digitaal altijd zijn leitmotiv.