De snelste route naar Nederlandse AI loopt via China
Open Chinese modellen kunnen Nederland jaren besparen. Voor een Nederlandse versie is compute in de VS makkelijker te bestellen dan hier.
Iemand appte me van de week met een simpele vraag. Wat heb je nodig om zo'n Chinees model gewoon zelf te draaien, hier, op je eigen machines? Het ging over Kimi K3, een nieuw Chinees topmodel van maker Moonshot dat volgens onafhankelijke tests meespeelt met de Amerikaanse top.
De vraag klinkt als een normale investeringsvraag, tot je hem doorrekent. Zo'n topmodel draaien vraagt om zware videokaarten. Een H100, de kaart waar dit werk op gebeurt, kost grofweg 50.000 euro per stuk. En Moonshot adviseert voor dit model een supernode met minstens 64 van die kaarten.
Reken dat even door en je staat op 3,2 miljoen euro aan hardware, voordat je iets nuttigs hebt gedaan.
Via de API gebruik je zo'n model vandaag nog. Het wachten begint zodra je meer wilt, het model zelf draaien of verder trainen tot een Nederlandse versie. En juist daar begint de teller te lopen. Ik noem dat AI-wachtgeld, de prijs die je betaalt voor verstreken tijd terwijl de markt doorrent.
De stopwatch van één week
Neem de week van 16 juli. Die dag zette Moonshot Kimi K3 online, een model met 2,8 biljoen parameters. Dat zijn de instelknoppen die tijdens de training worden afgesteld en dat aantal zit in de absolute top.
Binnen een dag lieten onafhankelijke tests zien dat K3 in de top meedraait, vergelijkbaar met Claude Opus en net onder de allerbeste Amerikaanse modellen. En voor het eerst pakte een Chinees model de leiding in de Frontend Code Arena, de ranglijst waar gebruikers modellen tegen elkaar laten strijden om de beste webinterface.
Drie dagen later kondigde Alibaba een grote preview aan van Qwen3.8, met de belofte om de modelbestanden als open source vrij te geven, zodat je het model straks volledig zelf kunt draaien en onder de motorkap kunt kijken. Alibaba zet het model direct onder de Amerikaanse top, al is dat voorlopig de claim van de maker zelf. Diezelfde dag zette Moonshot de aanmeldingen voor nieuwe abonnees op pauze, omdat de eigen videokaarten de vraag niet aankonden.
Dat Chinese labs hun sterkste werk gewoon open weggeven, schreef ik in april al. Nieuw is dat het hier allemaal in één week gebeurde.
Dragen, vermaken of zelf weven
Terug naar de vraag uit die app. Moet je die 3,2 miljoen aan kaarten kopen? Nee. Je koopt ook geen elektriciteitscentrale omdat je thuis een waterkoker hebt. Voor het gebruik tap je de stroom af en bij een model doe je dat via de API. Je stuurt je tekst naar de machine van iemand anders en betaalt per stukje tekst dat erin en eruit gaat.
In workshops zie ik bijna iedereen meteen aan de zwaarste oplossing denken, terwijl de API het antwoord vaak al is.
Bij Kimi K3 betaal je ongeveer 3 dollar per miljoen tokens die je erin stopt en 15 dollar per miljoen die eruit komen. Een token is een stukje van een woord en een miljoen tokens is grofweg 750.000 woorden.
Er zijn drie manieren om zo'n open model te gebruiken. Denk aan een goed pak dat je van de plank haalt. Je kunt het direct aantrekken, het laten vermaken of de stof zelf weven.
Direct aantrekken is het model gebruiken zoals het is. De API die je net zag is daarvan de simpelste vorm. Wie de schaal heeft, draait het op eigen machines.
Vermaken is het interessante deel voor Nederland. Je traint zo'n open model verder op Nederlandse data, zodat het onze wetgeving en context beter oppikt. De stof blijft Chinees geweven, dus de oorspronkelijke aannames krijg je er nooit helemaal uit. Voor Nederlands werk maak je het pak zo een stuk passender. Die open basis kan een Nederlands team jaren werk schelen, want het zware voorwerk is al gedaan.
Bij dat vermaken telt wel waar je data vandaan komt. BREIN haalde het Nederlandse model GEITje in 2025 offline omdat er illegale boekkopieën in de trainingsdata bleken te zitten. Neem je een open model over, dan neem je ook de databeslissingen over die je niet kunt zien. Voor serieus Nederlands werk wil je die herkomst juist op orde hebben.
Vier maanden wachten op de machine
Wie zo'n open model zelf wil draaien of verder wil trainen tot een eigen versie, heeft zware rekenkracht nodig. En daar begint het wachten. Dat Europa vooral praat terwijl de infrastructuur elders staat, betoogde ik in juni al. De nieuwe laag zit in het tempo.
In de VS is rekenkracht een product. Je opent een scherm bij een aanbieder als AWS, je kiest hoeveel capaciteit je wilt en op welke datum hij ingaat. Het voelt bijna als bestellen bij bol.com. In Europa wordt compute een project zodra je publiek geld of soevereine voorwaarden nodig hebt.
De Nederlandse onderzoeksroute mag vier maanden over een volledige beoordeling doen. In die tijd krijg je hooguit een klein voorschot van de capaciteit.
De grote labs schuiven ondertussen grofweg elke zes weken een nieuwe modelversie naar buiten. Terwijl jij op je beoordeling wacht, verschijnen er zo een paar nieuwe versies. Je begint straks op een uitgangspunt dat alweer verouderd is en dat gat wordt elke ronde groter. Zo wordt dat wachten op rekenkracht in de praktijk een modelgeneratie overslaan. Dat is het AI-wachtgeld, nu voor de machine.
Snelle Europese routes bestaan ook. Op papier valt er binnen enkele werkdagen een besluit. Alleen zegt een besluit in dagen nog niets over of er genoeg videokaarten tegelijk vrij zijn om je run te draaien. De gratis Franse route staat open voor wie aantoonbare R&D-activiteit in Frankrijk heeft, dus ook die geldt niet zomaar voor iedereen.
Dan de verhoudingen. De European Investment Bank schat het EU-aandeel in de wereldwijde AI-rekenkracht op zo'n 4 procent, tegenover bijna 70 procent voor de VS. Dat is ruwweg een factor zeventien.
En zelfs de oplossing beweegt op projecttempo. Nederland bouwt een eigen AI-fabriek in Groningen, met een supercomputer die voor eind 2027 gepland staat. Een goede stap, al schuift de frontier elke paar maanden op.
GPT-NL en de prijs van verstreken tijd
Neem GPT-NL, het Nederlandse taalmodel dat met 13,5 miljoen euro, grotendeels publiek geld, wordt gebouwd. Het koos voor de duurste route uit de pak-vergelijking, de stof zelf weven. Het bouwt een model vanaf nul, met data waarvan de herkomst juridisch klopt. Dat verzamelen en juridisch dichttimmeren kostte een groot deel van het project.
Die keuze voor soevereiniteit valt te prijzen en de mensen erachter doen serieus werk. Mijn kritiek gaat over het systeem en het tempo.
Aan die keuze zit trouwens ook een prijs. Door alleen rechtmatige data toe te laten houd je je dataset klein. Dit veld laat vanaf het begin zien dat meer data en grotere modellen tot betere kwaliteit leiden. Wie zichzelf die standaard oplegt, sluit de hoogst haalbare kwaliteit op voorhand uit.
Het project begon in 2024 en werkt nog toe naar bredere beschikbaarheid in de tweede helft van 2026. Op dit moment kunnen alleen launching customers erbij, de prijs is onbekend en publieke modelbestanden zijn er niet.
De eigen meetlat legt het doel naast GPT-3 en Llama 2 7B, modellen uit 2020 en 2023, een heel ander AI-tijdperk. En dat is precies het wachtgeld. Terwijl het project bouwt, schuift de lat waaraan je het afmeet alweer op. Tijd is hier onderdeel van de productkwaliteit geworden.
Om de kritiek zuiver te houden hoort erbij dat er wel degelijk iets is opgeleverd. Het corpus en het juridische fundament zijn er en blijven herbruikbaar. Dat corpus kun je vandaag al downloaden. Voor het model zelf geldt dat nog niet en precies daar loopt het voor de gebruiker op vast. Ik heb dat corpus doorgespit en daar zie je de prijs van die kleine rechtmatige dataset meteen terug. Het leunt zwaar op overheidsteksten en ambtelijk jargon, terwijl alledaagse Nederlandse spreektaal en straattaal er nauwelijks in voorkomen. Een model dat daarop traint, wordt vanzelf die kant op geduwd.
Een mailtje van twee regels
Voor Nederland komt het hierop neer. We moeten rekenkracht gaan organiseren als een product, met kleine computepools waar een team zonder aanvraagtraject bij kan, onder een standaardcontract. Zolang een team hier maanden op toegang wacht, kiest talent rationeel voor de plek waar het vandaag kan draaien.
Voor de meeste lezers is de boodschap simpeler. Gebruiken kan vandaag, zonder wachttijd. Zet een model als Kimi via de API in als de prijs-kwaliteit klopt. De actie voor deze week kost je twee regels in een mail aan je leverancier. Vraag waar je data wordt verwerkt en of je later van model kunt wisselen. Wie zijn context zelf in handen houdt, zoals ik eerder besprak, kan die modelwissel later maken zonder opnieuw te beginnen. Een eigen versie bouwen is een ander verhaal, want daar begint de rekenkrachtmuur.
Terug naar die app. Wat ik terugstuurde kwam hierop neer. Gebruiken kan vandaag al, bouwen kan technisch ook, alleen koopt een Nederlands team de rekenkracht daarvoor waarschijnlijk alsnog in Amerika. Zolang een cluster in Oregon makkelijker te reserveren is dan hier, blijft Europese AI-soevereiniteit vooral een plan. Geef de toegang tot rekenkracht hetzelfde tempo als de modellen die we ermee willen bouwen, dan wordt het meer dan dat.
Ook het vermelden waard
OpenAI wil AI afrekenen op nut per dollar OpenAI stelde op 17 juli voor om zakelijke AI te beoordelen op nuttige intelligentie per dollar, inclusief mislukte pogingen en menselijke controle. Dat is precies de maatstaf waar ik in de vorige editie voor pleitte, rekenen per afgeronde taak. Mooi dat de leverancier het nu zelf naar voren schuift, al bewaak je de definitie van "geslaagd" beter zelf.
Anthropic maakt een Claude voor leraren Claude for Teachers verpakt de chatbot rond het lesgeven, met koppelingen naar lesstandaarden en curricula. De premiumversie is een jaar gratis voor Amerikaanse docenten die zich voor 30 juni 2027 aanmelden. De data uit dit aanbod gaat volgens Anthropic niet naar modeltraining. Voor Nederlandse scholen is het nog niet beschikbaar.
Mistral laat een robot navigeren met één camera Het Franse Mistral bracht op 9 juli Robostral Navigate uit, een model van 8 miljard parameters dat een robot laat navigeren op basis van één gewone camera. Mistral claimt 76,6 procent succes op een standaard navigatietest, met een voorsprong op zwaardere systemen met meer sensoren. Die cijfers komen van de maker zelf, dus lees ze als leveranciersclaim.
Lees ook
Je duurste AI-model heb je steeds minder nodig
Wie bepaalt wat jouw AI mag zien?
Vind je dit waardevol? Deel het.
Stuur THE HUMAN LOOP door naar één collega die ook met AI bezig is. Voor elke vriend die zich aanmeldt, krijg je gratis maanden premium: inclusief alle Playbooks.
Concreet:
2 vrienden = 1 maand
5 vrienden = 3 maanden
12 vrienden = een half jaar