Wie bepaalt wat jouw AI mag zien?
NL-GOV-MCP ontsluit nu 39 officiële bronnen. Wie AI serieus inzet, wil de laag onder het model zelf in handen hebben.
Twee maanden geleden schreef ik hier voor het eerst over NL-GOV-MCP, onze open-source server die Nederlandse overheidsdata aan AI-assistenten koppelt. Sindsdien groeide het project door naar 39 officiële bronnen, ging de demo een stuk sneller draaien en namen de eerste organisaties het in hun eigen omgeving in gebruik. Onderweg viel me vooral op hoe eenzijdig het gesprek over AI-soevereiniteit is. Het gaat bijna altijd over modellen, terwijl je een andere laag vandaag al zelf in handen hebt. De bronnen waarop je AI zijn antwoorden baseert.
Drie soorten soevereiniteit, één die je zelf bezit
Gesprekken over onafhankelijke AI gaan meestal over twee dingen die je allebei niet in je eentje regelt. Het eerste is rekenkracht. De chips en datacenters waar modellen op draaien, staan grotendeels buiten Europa. Daarover schreef ik in eerdere edities al uitgebreid. Het tweede is het model zelf. In de soevereiniteitseditie beschreef ik hoe één exportbrief op een vrijdagmiddag genoeg was om het sterkste publieke model voor iedereen buiten de Verenigde Staten op zwart te zetten. Die schakelaar staat in Washington. Daar verandert jouw organisatie niets aan.
Dus als je de rekenkracht huurt en het model leent, wat houd je dan zelf over? De laag eronder. Daar bepaal jij welke werkelijkheid het model mag raadplegen. Ik noem het contextsoevereiniteit, bij gebrek aan een beter woord. Het is de derde soort soevereiniteit en meteen de enige waar je vandaag je vlag kunt planten. Jij kiest welke bronnen je AI mag zien. Je kunt controleren of die bronnen actueel zijn en achteraf nazoeken waar een antwoord vandaan kwam. Die laag draait lokaal, in je eigen omgeving. Niemand kan hem op een vrijdagmiddag voor je uitzetten.
Waarom het model minder uitmaakt dan je denkt
Denk aan een sterrenkok die je voor een avond inhuurt. Of je nu de duurste naam boekt of een goede kok voor de helft van het geld, met een lege voorraadkast maakt hij er niets van. Zet je de juiste, verse ingrediënten binnen handbereik, dan kan zelfs een gewone kok een serieus diner neerzetten. Het model is die ingehuurde kok en jouw context is de voorraadkast waar hij het mee moet doen.
Daarom is de eeuwige vraag welk model nu het beste is, minder belangrijk dan het lijkt. GPT, Claude, Gemini, Mistral, een goedkoop model, een open model uit China, ze gokken allemaal zodra de juiste context ontbreekt. En ze klinken overtuigend terwijl ze het doen. Met betrouwbare bronnen erachter kan een middenmoter beter werk afleveren dan het duurste model dat in het luchtledige praat. Bouw je een goede contextlaag, dan wordt het model zelf inwisselbaar. Komt er volgend kwartaal een beter of goedkoper model, dan wissel je van kok zonder dat je de voorraadkast opnieuw hoeft in te richten.
39 bronnen en het werk dat je niet ziet
Terug naar NL-GOV-MCP, want daar wordt dit principe concreet. Het is een MCP-server. MCP is een open standaard van Anthropic en werkt als een koppeling tussen een AI-assistent en een set gereedschappen. Wat in die set zit, kies je zelf. Bij ons zit er Nederlandse overheidsdata in. Wat ik in de eerste editie nog liet liggen, is dat die koppeling zelf geen betrouwbare antwoorden oplevert. De betrouwbaarheid ontstaat doordat je er geborgde, officiële bronnen aan hangt.
In twee maanden ging de teller van 24 naar 39 bronnen. Die vijftien nieuwe bronnen kwamen uit de optimalisatierondes van de afgelopen periode. De eerste versie zat dicht op beleid, rechtspraak, geo-data en statistiek. Nu is de dekking breder: lokale regelgeving, nationale wetgeving, gemeentefinanciën, misdaadcijfers, kadastrale informatie, verkeersongevallen, zorgwachttijden, energielabels en realtime OV. Alles bij elkaar telt de server nu 64 tools.
De grootste vooruitgang van die rondes zit in werk dat je niet ziet. Precies dat werk scheidt een demo van software die je in productie durft te zetten. Elke bevraging krijgt nu een harde tijdslimiet, zodat een trage bron je niet laat hangen. Blijft een bron haperen, dan slaat het systeem hem automatisch even over in plaats van eindeloos opnieuw te proberen. De antwoorden zijn compacter geworden, wat scheelt in kosten omdat er minder tekst naar het model gaat. De server maskeert API-sleutels voordat er iets in een logregel belandt. Je merkt het resultaat aan de demo op nlgovmcp.nl. Die draait op een sneller model en geeft strakkere antwoorden, dus je wacht een stuk korter dan bij de eerste versie.
Antwoorden die je kunt narekenen
In beleid, toezicht, juridische duiding of publieke dienstverlening is een antwoord dat goed klinkt niet genoeg. Je moet kunnen zien waar het op rust. Je wilt weten welke bron is geraadpleegd, met welke zoekterm, op welk moment en hoeveel resultaten er terugkwamen. Een antwoord zonder dat spoor is een mening in nette zinnen. Zit het spoor erbij, dan kun je het antwoord narekenen en bijsturen waar het scheef zit. Voor serieus werk is dat het hele verschil.
Bij elk antwoord geeft NL-GOV-MCP dat spoor mee. Je ziet de geraadpleegde bron, de zoekopdracht, het tijdstip, de aantallen en per resultaat een link naar de officiële vindplaats. Bij elkaar is dat een bronvermelding plus een logregel van de bevraging. Voor een doorzoekbaar audit-archief waarin je maanden later forensisch elke stap uitpluist, heb je meer nodig. De meeste organisaties hebben aan dit spoor genoeg om AI van speelgoed naar gereedschap te tillen. Wees dus kritisch op elke leverancier die roept dat zijn AI "altijd de bron erbij geeft" en vraag wat daar precies onder ligt.
De laag die je deze week zelf in handen kunt nemen
Dat elke organisatie op een eigen berg domeindata zit, heb ik hier eerder betoogd, dus ik ga het niet opnieuw als ontdekking brengen. Maar met de soevereiniteitsbril op wordt dat punt scherper. Zo'n koppeling naar je eigen data is om te beginnen gewoon handig. Belangrijker is dat jij er zelf mee bepaalt op welke werkelijkheid je AI werkt. Die laag houd je in eigen hand, ook als het model en de rekenkracht geleend blijven.
Voor de overheid bestaat die werkelijkheid uit bronnen als CBS, Rechtspraak, de Omgevingswet-documenten en wetten.overheid.nl. Voor jouw bedrijf zijn het misschien je productcatalogus, je klantdossiers, je contracten of je supporttickets. De koppeling werkt hetzelfde, er hangen alleen andere bronnen achter. Vorige week schreef ik over de AI-collega die je Slack binnenkomt en de knoppen waarmee je bepaalt wat hij mag lezen. Met die knoppen regel je precies deze laag, maar dan op werkplekniveau.
En ja, dit is makkelijker gezegd dan gebouwd. Je moet kiezen welke bronnen je aansluit, wat lokaal moet blijven, wat traceerbaar moet zijn en wie het gaat beheren. Een AI-collega die op eigen houtje context uit je kanalen verzamelt, kan net zo goed de verkeerde dingen naar boven halen. Wat je aansluit, blijft dus een bewuste keuze.
Heb je de demo twee maanden terug geprobeerd? Draai hem dan nog eens op nlgovmcp.nl. Hij reageert sneller en dekt veel meer bronnen dan toen. De hele codebase staat open op GitHub onder Apache 2.0, dus je kunt hem lezen, forken en zelf draaien. Mis je een bron, laat het weten, want juist die verzoeken uit de praktijk maakten de afgelopen rondes beter. En werk je in een organisatie die AI serieus op eigen of publieke data wil inzetten, dan is dit de vraag om mee te nemen naar het volgende overleg. Welke werkelijkheid mag jouw AI raadplegen?
Ook het vermelden waard
Europa stelt de zwaarste AI-regels uit en verbiedt nep-naaktbeelden De Raad gaf op 29 juni definitief groen licht voor het versimpelingspakket, waardoor de plichten voor hoog-risico AI-systemen opschuiven naar december 2027 voor losse systemen en augustus 2028 voor AI die in producten is ingebouwd. Tegelijk komt er een verbod op AI die zonder toestemming naaktbeelden van echte personen maakt, geldig vanaf december 2026. Voor Nederlandse organisaties geeft dat lucht op de deadlines, terwijl de kern van de wet overeind blijft.
Anthropic brengt Claude Sonnet 5 uit tegen een scherp tarief Sinds 30 juni is Sonnet 5 het standaardmodel voor gratis en Pro-gebruikers en het komt volgens Anthropic dicht bij het duurdere Opus 4.8. De introductieprijs is 2 dollar per miljoen input-tokens en 10 dollar per miljoen output-tokens tot en met 31 augustus, daarna 3 en 15 dollar. Wie agents laat draaien, ziet zo'n verschil direct terug op de rekening.
Chinees model LongCat-2.0 komt open source, getraind op eigen chips Meituan bracht op 30 juni een coding-model van 1,6 biljoen parameters uit onder een vrije MIT-licentie. Volgens het bedrijf is het volledig getraind op in China gemaakte chips, zonder hardware van Nvidia. Onder de codenaam Owl Alpha stond het al maanden bovenaan de ranglijst van OpenRouter, dus dit is meer dan een papieren aankondiging.
Microsoft zet 2,5 miljard in op mensen die AI werkend krijgen Op 2 juli lanceerde Microsoft een aparte club met 2,5 miljard dollar en 6.000 ingenieurs die bij klanten AI-projecten aan de praat moeten krijgen. AWS ging twee dagen eerder met een miljard dezelfde kant op. De wedstrijd gaat steeds minder over wie het beste model heeft en steeds meer over wie het bij bedrijven werkend krijgt. Precies daar loopt het nu vaak vast.
Lees ook
Je nieuwe collega slaapt nooit en onthoudt alles
Steeds meer bedrijven slaan de junior over. Dat kost ze straks hun seniors.
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