De Duitse AI-doelstellingen voor 2030: Achttien maatregelen zullen geen enkele winstgevende AI-markt creëren – Wat bedrijven echt nodig hebben

Meer AI, maar te weinig impact? Wat is nu van belang voor de Duitse economie?

Het AI-initiatief van de Duitse overheid: hoe financiering een echte markt zal worden

Duitsland streeft ernaar om tegen 2030 een toonaangevende AI-natie te worden. De Duitse overheid heeft hiervoor 18 belangrijke maatregelen en ambitieuze doelen geformuleerd: AI moet aanzienlijk vaker worden ingezet in bedrijven en overheidsinstellingen en een grotere bijdrage leveren aan de economische output. Politieke beslissingen, financieringsprogramma's en extra datacenters alleen garanderen echter geen economisch succes. De cruciale factor is of bedrijven meetbaar productiever worden dankzij AI, of overheidsinstellingen hun taken beter kunnen uitvoeren en of technologieleveranciers duurzame bedrijfsmodellen kunnen ontwikkelen op basis van pilotprojecten.

Precies hier ligt de uitdaging. Het gebruik van AI neemt toe, maar er is vaak een kloof tussen de eerste experimenten en de daadwerkelijke integratie in werkprocessen. Met name kleine en middelgrote ondernemingen (kmo's) kampen met hoge kosten, beperkte personeelsmiddelen en complexe vraagstukken rondom data, beveiliging en technische integratie. Tegelijkertijd moet de overheid duidelijk maken waar zij een betrouwbare klant en ondersteuner kan zijn – en waar nieuwe programma's slechts bestaande diensten dupliceren of afhankelijkheden creëren.

Dit artikel onderzoekt de Duitse AI-strategie vanuit een economisch perspectief: Wat staat de transitie van toepassing naar waardecreatie in de weg? Welke rol spelen de publieke vraag, Europese leveranciers en industriële samenwerkingen? En hoe kunnen we vaststellen of financieringsmaatregelen daadwerkelijk effectief zijn? De centrale stelling luidt: Succes hangt niet af van het aantal maatregelen, maar van de vraag of ze specifieke knelpunten wegnemen en meetbare, duurzame resultaten mogelijk maken.

De Duitse AI-strategie op de economische proef gesteld: hoe politieke maatregelen concurrerende markten creëren

Duitsland heeft niet de meest uitgebreide verzameling AI-programma's nodig. Het heeft bedrijven nodig die productiever worden met kunstmatige intelligentie, overheidsinstellingen die hun taken efficiënter uitvoeren en technologieleveranciers die levensvatbare bedrijfsmodellen ontwikkelen op basis van herhaalbare oplossingen. Precies dat is wat bepaalt of een nationale AI-strategie economisch succesvol is. Het aantal politieke maatregelen is daarvoor net zo min een betrouwbare maatstaf als het aantal gefinancierde projecten of de omvang van aangekondigde datacenters.

Met de ambitie om in 2030 een door AI gedreven land te worden, heeft de Duitse overheid achttien belangrijke, departementsoverstijgende maatregelen vastgelegd. Tot de publiekelijk verklaarde doelen behoren het gebruik van AI door ten minste 80 procent van de grote bedrijven en 55 procent van de kleine en middelgrote ondernemingen (kmo's). Bovendien moet 90 procent van de federale instanties ten minste één AI-toepassing gebruiken voor hun kerntaken. Meer dan tien procent van de economische output moet met behulp van AI worden gegenereerd. Deze doelstellingen zijn ambitieus. Of ze daadwerkelijk een economische transformatie beschrijven, hangt echter in belangrijke mate af van hoe gebruik, waardecreatie en succes worden gedefinieerd.

Een bedrijf kan een tekstassistent inzetten en daarmee als AI-gebruiker worden beschouwd. Dit betekent niet automatisch dat de productiekosten zullen dalen, de verkoop zal stijgen of de innovatiesnelheid zal toenemen. Een overheidsinstantie kan één proces met AI ondersteunen, terwijl de overgrote meerderheid van de processen ongewijzigd blijft. En de economische prestaties op basis van AI kunnen pas zinvol worden gemeten als er onderscheid wordt gemaakt tussen de inkomsten van AI-aanbieders, de door AI ondersteunde activiteiten en de daadwerkelijk gecreëerde toegevoegde waarde.

De cruciale economische vraag is daarom niet of Duitsland voldoende maatregelen heeft genomen, maar of deze maatregelen de juiste knelpunten aanpakken. Denk hierbij aan een gebrek aan vraag, onvoldoende verwerkte data, hoge integratiekosten, onzekere bedrijfsmodellen en een te trage overgang van onderzoeksresultaten naar verkoopbare producten.

Een effectief AI-beleid moet deze problemen op een andere manier aanpakken. Het mag niet elke ondernemersmoeilijkheid als een reden voor financiering beschouwen, noch uitgaan van de veronderstelling dat een markt zonder geschikte infrastructuur en betrouwbare randvoorwaarden automatisch internationaal concurrerende aanbieders zal voortbrengen.

De werkelijke kloof zit hem in het verschil tussen het eerste gebruik en de economische doorbraak

De beschikbare bedrijfsgegevens tonen een belangrijke ontwikkeling aan: AI is in Duitsland niet langer louter een experimenteel onderwerp. In 2025 zal 26 procent van de onderzochte bedrijven kunstmatige intelligentie gebruiken. Voor kleine bedrijven met 10 tot 49 werknemers is dit 23 procent, voor middelgrote bedrijven met 50 tot 249 werknemers 36 procent en voor grote bedrijven met 250 of meer werknemers 57 procent. Deze cijfers hebben betrekking op de statistisch geregistreerde groottecategorieën en kunnen niet rechtstreeks worden geëxtrapoleerd naar alle micro-ondernemingen en zelfstandigen.

Dit resulteerde in een verschil van 34 procentpunten tussen kleine en grote bedrijven. Dit is economisch gezien veel belangrijker dan alleen kijken naar het gemiddelde gebruik. Grote bedrijven kunnen de kosten voor dataverwerking, technische integratie, juridische beoordeling en training van medewerkers spreiden over meer medewerkers en bedrijfsprocessen. Ze beschikken bovendien vaker over een eigen IT-afdeling en voldoende financiële reserves om meerdere gebruiksscenario's te testen.

Voor een kleiner bedrijf kan dezelfde stap naar AI een aanzienlijk grotere organisatorische last betekenen. Het management moet niet alleen de technologie beoordelen, maar ook leveranciers selecteren, de toegang tot gegevens verduidelijken en de beveiliging van lopende processen waarborgen. Zelfs als een AI-toepassing technisch functioneert, kan de implementatie mislukken door tijdgebrek en onduidelijke verantwoordelijkheden.

Het type gebruik is ook cruciaal. Van de bedrijven die AI gebruiken, zet 27 procent de technologieën in voor workflowautomatisering of besluitvorming in 2025. Zes procent gebruikt ze voor de autonome beweging van machines. Deze cijfers hebben expliciet betrekking op bedrijven die al AI gebruiken, niet op het hele bedrijfsleven. Ze tonen aan dat een algemeen gebruikspercentage en een diepe integratie in operationele processen twee verschillende concepten zijn.

Dit onderstreept de noodzaak van economisch beleid: Duitsland moet niet alleen meer bedrijven kennis laten maken met AI, maar ook de overgang van incidenteel gebruik naar robuuste, herhaalbare en economisch relevante toepassingen faciliteren.

Een tekstgebaseerd hulpmiddel kan een nuttig uitgangspunt zijn. Grotere productiviteitswinsten worden echter vaak pas behaald wanneer ook de informatiestromen, verantwoordelijkheden en operationele processen worden aangepast. Deze tweede stap is nu juist de meest veeleisende, kostbare en, vanuit politiek oogpunt, minder geschikte stap voor successtatistieken.

Waarom kleine startbudgetten de implementatie in de industrie niet financieren

De discussie over AI-projecten met een laag budget raakt een reëel probleem van kostenbesparing. Er zijn aanzienlijke verschillen tussen een beknopte oriëntatietool en een productierijpe applicatie. Een budget van bijvoorbeeld € 2.000 is wellicht voldoende voor een duidelijk omschreven workshop, een eerste potentiële analyse of de opzet van een eenvoudige standaardtool. Het is echter geen realistisch financieringskader voor een op maat gemaakte, geïntegreerde oplossing met hoge beveiligingseisen.

Een voorbeeld van een berekening illustreert de omvang van de kosten. Uitgaande van een extern dagtarief van € 1.000, dekt een dergelijk budget twee werkdagen. Hieruit moeten de kosten voor voorbereiding, coördinatie, uitvoering en documentatie worden betaald. Dit laat weinig ruimte over voor een grondige procesanalyse, meerdere systeemintegraties, een robuuste testfase en training voor verschillende gebruikersgroepen. Deze berekening dient slechts ter illustratie en vertegenwoordigt geen algemene marktprijs.

Het probleem ligt dus niet per se in het bestaan ​​van kleine startbudgetten. Het probleem ontstaat wanneer een oriëntatietool wordt verward met een implementatietool. Wie met een klein budget een complete transformatie verwacht, zorgt voor teleurstelling aan beide kanten: de klant krijgt geen productieve oplossing en de aanbieder kan geen bruikbare dienst leveren.

Een goed ontworpen ondersteuningsmodel moet rekening houden met verschillende volwassenheidsniveaus. De eerste vraag is welke use case economisch gezien zinvol is. Daarna volgt een beperkte test met duidelijk gedefinieerde succescriteria. Pas dan moet de integratie in de lopende bedrijfsvoering worden gefinancierd. Opschalen naar extra locaties, afdelingen of klanten is een geheel aparte taak.

Cruciaal is wat er gebeurt na de initiële financiering. Een eenmalig adviesgesprek creëert geen duurzame markt op de lange termijn. Pas wanneer bedrijven bereid zijn een oplossing met eigen middelen te blijven financieren, is er een betrouwbare indicatie van de economische voordelen.

Overheidssteun moet daarom niet gericht zijn op het genereren van zoveel mogelijk vrijblijvende eerste contacten, maar eerder op het faciliteren van de overgang naar zelfgefinancierde vervolginvesteringen. Het succes van een instapprogramma zou dan niet worden afgemeten aan het aantal uitgegeven vouchers, maar aan productieve toepassingen, het voortdurende gebruik ervan en de aantoonbare bijdrage aan het bedrijfsresultaat.

Voor jonge AI-bedrijven is de vraag vaak waardevoller dan extra projectfinanciering

Voor een technologieaanbieder zijn financiering en klantinkomsten fundamenteel verschillend. Financiering financiert specifiek ontwikkelingswerk. Een betalende klant daarentegen bevestigt dat een concrete dienst voldoende voordeel biedt in de praktijk.

Dit verschil heeft invloed op het gehele bedrijfsmodel. Terugkerende inkomsten maken personeelsplanning mogelijk, versterken de onderhandelingspositie met investeerders en bieden inzicht in welke functies klanten daadwerkelijk nodig hebben. Een succesvol afgerond ontwikkelingsproject kan nuttig zijn, maar een product dat consistent gebruikt wordt, vormt een veel sterkere basis voor groei.

Vooral in de AI-markt bestaat het risico dat bedrijven te veel individuele demonstratieprojecten uitvoeren zonder een schaalbaar aanbod te ontwikkelen. Elke nieuwe klant krijgt dan een oplossing op maat. De omzet kan weliswaar groeien, maar de personeelskosten stijgen in hetzelfde tempo. Het bedrijf blijft economisch gezien een projectgedreven dienstverlener, ook al presenteert het zich extern als een leverancier van schaalbare software.

Dit is niet per se slecht. Gespecialiseerde consultancy en integratie kunnen ook waardevolle bedrijfsmodellen zijn. Vanuit een economisch-beleidsperspectief moet echter een duidelijk onderscheid worden gemaakt tussen programma's die diensten financieren, een gestandaardiseerd product creëren of de ontwikkeling van een fundamentele technologie ondersteunen.

Voor aanbieders van schaalbare AI-oplossingen is het met name relevant of een oplossing met aanzienlijk minder extra inspanning bij andere klanten kan worden ingezet. Herbruikbare interfaces, gestandaardiseerde beveiligingsfuncties en duidelijk gedefinieerde operationele modellen zijn in dit opzicht vaak belangrijker dan een zoveelste spectaculaire demonstratie.

Een economisch georiënteerd AI-beleid moet daarom niet alleen ontwikkelingsactiviteiten bevorderen. Het moet ook de voorwaarden verbeteren waaronder pilotklanten terugkerende klanten worden. Dit omvat duidelijke eisen, betrouwbare betalingsvoorwaarden, overdraagbare technische standaarden en een vraag die niet verdwijnt wanneer een programma eindigt.

De overheid moet als belangrijke klant betrouwbaar zijn en geen nieuwe afhankelijkheden creëren

De Duitse overheid beschrijft de staat expliciet als een potentiële belangrijke afnemer van AI-modellen en -toepassingen. Dit is gebaseerd op een logisch economisch mechanisme: overheidsinstellingen hebben behoefte aan hoogwaardige digitale tools, terwijl jonge aanbieders een solide vraag, praktische ervaring en referenties nodig hebben. Als beide partijen effectief worden samengebracht, kan een zelfversterkende markt ontstaan.

Het is echter niet voldoende om de staat simpelweg tot ankerklant te verklaren. De vraag van de staat moet voorspelbaar en economisch haalbaar zijn voor leveranciers. Als elke instelling haar eigen, gepatenteerde technische oplossingen nastreeft, lopen de aanpassingskosten exponentieel op. Een leverancier kan weliswaar individuele klanten winnen, maar geen schaalbare basis opbouwen.

Gemeenschappelijke interfaces en herbruikbare componenten kunnen dit probleem verhelpen. Een oplossing ter ondersteuning van documentverwerking hoeft niet voor elke instantie volledig opnieuw ontworpen te worden. Tegelijkertijd moet rekening gehouden worden met verschillende professionele eisen. Standaardisatie betekent daarom niet dat alle administratieve processen gelijk moeten worden, maar eerder dat er een gemeenschappelijke technische basis wordt gecreëerd.

De staat moet een evenwicht vinden tussen twee belangen. Enerzijds kan het gunstig zijn om Europese leveranciers strategisch te ontwikkelen tot serieuze marktdeelnemers. Anderzijds mag dit niet leiden tot een permanente afnamegarantie voor economisch of technisch ontoereikende producten. Een besluit over de herkomst vervangt geen prestatiebeoordeling.

Zelfs een Europese aanbieder kan een sterke afhankelijkheid bij zijn klanten creëren. Gesloten dataformaten, moeilijk overdraagbare aanpassingen en onduidelijke overstapmogelijkheden blijven problematisch, ongeacht de locatie van het bedrijf. Daarom vereist soeverein publiek gebruik van AI niet alleen een specifieke geografische oorsprong, maar ook uitwisselbaarheid en controle.

De overheid zou een goede ankerklant zijn als ze veeleisende, realistische eisen stelt, betrouwbaar gebruikmaakt van beproefde oplossingen en er tegelijkertijd voor zorgt dat het technisch mogelijk is om later van leverancier te wisselen. Dit creëert vraag zonder de concurrentie en de druk om te innoveren te ondermijnen.

Mistral is een baken van hoop voor Europa, maar geen complete soevereiniteitsstrategie

Mistral illustreert de vraag of Europa in staat is om zelf hoogwaardige AI-aanbieders te ontwikkelen. Het bedrijf ontwikkelt modellen en combineert deze steeds vaker met oplossingen voor zakelijk gebruik. Samen met SAP werkt het aan een eigen AI-platform voor Europese zakelijke klanten. Dit platform moet de ontwikkeling van modellen, bedrijfssoftware en beheersbare operationele omgevingen consolideren.

Vanuit economisch oogpunt is dit verband logisch. Een krachtig model alleen lost geen bedrijfsprobleem op. Het vereist toegang tot relevante data, integratie met bestaande software en duidelijke regels voor machtigingen, logging en verantwoordelijkheden. Een gevestigde leverancier van bedrijfssoftware kan in dit opzicht aanzienlijk betere markttoegang bieden dan een aanbieder van een geïsoleerd model.

Het zou echter riskant zijn om de Europese soevereiniteit op het gebied van AI gelijk te stellen aan het succes van één enkel bedrijf. Een nationaal of Europees bevoordeelde aanbieder mag dan strategisch belangrijk zijn, het blijft een bedrijf met eigen economische belangen, technologische beperkingen en financiële risico's.

Bovendien bestaat een AI-systeem uit meerdere lagen. Zelfs een Europees model kan getraind worden op niet-Europese hardware, afhankelijk zijn van specifieke acceleratorchips of werken via een infrastructuur waarvan de essentiële componenten buiten Europa worden beheerd. Soevereiniteit is daarom geen binaire eigenschap.

Het moet veeleer worden afgemeten aan de bestaande afhankelijkheden, welke daarvan economisch aanvaardbaar zijn en voor welke cruciale functies alternatieven beschikbaar blijven. Een Europees model vergroot de keuzemogelijkheden. Het elimineert echter niet automatisch alle andere afhankelijkheden.

Het objectief gerechtvaardigde standpunt is daarom: Europa moet hoogwaardige aanbieders zoals Mistral ontwikkelen en inzetten als een echt concurrerend alternatief. Tegelijkertijd zijn meerdere aanbieders, open operationele opties en technische overstapmogelijkheden nodig. Een legitiem industriebeleidsbelang mag niet leiden tot een nieuwe strategie met slechts één aanbieder.

Industriële AI wint aan populariteit waar het concrete procesproblemen oplost

De Duitse industriële basis biedt een cruciaal uitgangspunt voor economisch relevante AI. Het voordeel schuilt echter niet alleen in de overvloed aan machines. Het ligt in de wisselwerking tussen expertise, proceskennis, klantrelaties, technische gegevens en jarenlange ervaring met complexe systemen.

De samenwerking tussen Airbus en Mistral illustreert deze logica. De geïdentificeerde toepassingsgebieden omvatten industriële processen, technische documentatie, engineering, ontwerp en AI-ondersteunde assistentie tijdens de ontwikkelings-, test- en certificeringsfasen. Dit is geen enkele algemene toepassing, maar eerder een reeks afzonderlijke taken, elk met zijn eigen specifieke kwaliteits- en veiligheidseisen.

Bijzonder interessant zijn taken waarbij specialisten veel tijd besteden aan het zoeken, verzamelen en verifiëren van informatie. Hoewel een snellere evaluatie van technische documenten niet automatisch tot een nieuw product leidt, kan het de ontwikkelingswerkzaamheden versnellen en schaarse expertise vrijmaken voor meer veeleisende taken.

Hetzelfde geldt voor interne logistiek. Een AI-toepassing zou foutrapporten kunnen structureren, onderhoudsinformatie kunnen consolideren of de analyse van terugkerende problemen in de fabriek kunnen ondersteunen. Het voordeel hangt dan minder af van indrukwekkende spraakverwerkingsmogelijkheden dan van de kwaliteit van de verbinding met daadwerkelijke fabrieks- en procesgegevens.

Verschillende technische taken moeten gescheiden worden gehouden. Een taalmodel kan nuttig zijn voor documentatie en toegang tot kennis. Voor de directe aansturing van een machine of een veiligheidskritische beslissing gelden andere eisen. Niet elke industriële AI-toepassing is een generatief taalsysteem.

Bestaande samenwerkingsverbanden tussen industriële bedrijven, softwareleveranciers en modelontwikkelaars kunnen daarom waardevoller zijn dan een aanvullend, abstract financieringsprogramma. De effectiviteit ervan moet echter worden afgemeten aan concrete resultaten. Een bekende bedrijvengroep is op zich geen bewijs van een werkende oplossing.

Bovendien zou een succesvol industrieel ecosysteem niet alleen grote bedrijven moeten omvatten. Gespecialiseerde middelgrote bedrijven, integrators en kleinere softwarebedrijven moeten toegang hebben tot interfaces en markten. Anders ontstaan ​​er gesloten platforms waarvan de voordelen slechts in beperkte mate de economie ten goede komen.

Onze expertise in bedrijfsontwikkeling, verkoop en marketing in de EU en Duitsland - Afbeelding: Xpert.Digital

Focusgebieden binnen de industrie: B2B, digitalisering (van AI tot XR), werktuigbouwkunde, logistiek, hernieuwbare energie en industrie

Meer informatie vindt u hier:

• Expert Business Hub

Een thematisch kenniscentrum met inzichten en expertise:

• Kennisplatform over mondiale en regionale economieën, innovatie en trends in specifieke sectoren
• Een verzameling analyses, inzichten en achtergrondinformatie over onze belangrijkste aandachtsgebieden
• Een plek voor expertise en informatie over actuele ontwikkelingen in het bedrijfsleven en de technologie
• Een informatiecentrum voor bedrijven die op zoek zijn naar informatie over markten, digitalisering en innovaties in de sector

De productiviteitswinst ontstaat pas na aftrek van alle bijkomende kosten

Veel discussies over AI richten zich uitsluitend op de tijdsbesparing tijdens de verwerking. Dit is onvoldoende voor een economische evaluatie. De cruciale vraag is welk voordeel overblijft na aftrek van alle bijkomende kosten en risico's.

Een vereenvoudigd voorbeeld illustreert het verschil. Een bedrijf met 100 werknemers bespaart tien minuten per persoon per dag door deze applicatie te gebruiken. Met 220 werkdagen komt dit neer op ongeveer 3.667 uur per jaar. Uitgaande van totale kosten van € 50 per uur, resulteert dit in een berekende potentiële tijdswaarde van ongeveer € 183.000 per jaar.

Deze tijdwinst vertaalt zich echter niet automatisch in extra winst of een overeenkomstige besparing op betalingstransacties. Als de vrijgekomen minuten over veel taken worden verspreid, worden ze mogelijk slechts gedeeltelijk productief benut. Bovendien zijn er licentiekosten, implementatiekosten, ondersteuningskosten en monitoringkosten.

Ervan uitgaande dat de jaarlijkse operationele kosten € 60.000 bedragen en dat slechts de helft van het berekende tijdsbestek daadwerkelijk wordt gerealiseerd, zou het jaarlijkse voordeel, vóór aftrek van de initiële implementatiekosten, ongeveer € 31.500 bedragen. Dit voorbeeld is bewust hypothetisch om te illustreren hoe aanzienlijk een aanvankelijk indrukwekkend bruto bedrag kan veranderen bij nader inzien.

Bij kwaliteitskritische taken kosten fouten niet alleen tijd. Onnauwkeurige technische informatie kan leiden tot herwerk, vertragingen of aansprakelijkheidsrisico's. Omgekeerd kan een betere foutdetectie aanzienlijke voordelen opleveren die niet direct binnen enkele minuten meetbaar zijn.

Bedrijven hebben daarom een ​​evaluatie nodig die tijd, kwaliteit, snelheid en risico combineert. Relevante meetinstrumenten zijn bijvoorbeeld de verwerkingstijd van een proces, het aantal noodzakelijke correcties, de inzet van schaarse geschoolde werknemers of de kosten per verwerkte opdracht.

Politieke programma's zouden dit perspectief moeten ondersteunen in plaats van het hoogst mogelijke theoretische besparingspotentieel te belonen. Economisch gezien is het niet zozeer hoe snel een AI een ontwerp genereert, maar hoe efficiënt het hele proces verloopt, wat leidt tot een bruikbaar resultaat.

Europese samenwerking draait om schaalvergroting, niet om diplomatieke concurrentie

De tegenstelling tussen een sterkere oriëntatie op Frankrijk en samenwerking met Canada is te simplistisch als deze als enige optie wordt beschouwd. De Duitse regering noemt zowel Europese capaciteiten als internationale partnerschappen als onderdelen van haar aanpak. In dit kader worden onder meer de samenwerking met Canada en de steun aan LawZero bij de ontwikkeling van veiligheidsgerichte AI benadrukt.

Vanuit economisch oogpunt moet elk partnerschap worden beoordeeld op basis van de specifieke bijdrage ervan. Frankrijk is een natuurlijke partner voor Duitsland bij het opbouwen van een grotere Europese markt en bij de samenwerking met Europese modelaanbieders. Canada kan aanvullende expertise inbrengen op bepaalde onderzoeks- en technologiegebieden.

De relevante vraag is daarom niet welk land meer politieke aandacht krijgt. Het gaat erom of samenwerking toegang biedt tot technologie, geschoolde arbeidskrachten, klanten of aanvullende kennis. Een partnerschap zonder operationele banden blijft symbolisch. Een kleinere, maar productieve samenwerking daarentegen kan meetbare voordelen opleveren.

Tegelijkertijd mag internationale samenwerking niet verhullen dat Europa zijn eigen schaalproblemen moet oplossen. Verschillende technische eisen en afzonderlijke nationale markten kunnen betekenen dat een Europese leverancier aanzienlijke aanpassingen moet doorvoeren voor elke nieuwe klantengroep.

Voor een groeiend AI-bedrijf is een echt bruikbare Europese markt daarom vaak belangrijker dan een nieuw politiek samenwerkingskader. Gemeenschappelijke eisen, overdraagbare bewijzen en compatibele infrastructuren kunnen schaalvergroting mogelijk maken zonder de nationale bijzonderheden volledig te elimineren.

Een slimme strategie combineert daarom twee niveaus: ze bundelt de Europese vraag en capaciteiten waar schaalvoordelen cruciaal zijn, terwijl ze tegelijkertijd openstaat voor internationale partners die concrete technologische aanvullingen bieden. Openheid en strategische onafhankelijkheid sluiten elkaar niet uit, zolang afhankelijkheden maar bewust worden beoordeeld.

Chipexpertise vereist gespecialiseerde infrastructuur en een duidelijke taakverdeling

De wens naar meer onafhankelijkheid in AI-chips is begrijpelijk. Deze wens wordt echter onnauwkeurig zodra chipontwerp, halfgeleideronderzoek, productie en de exploitatie van AI-datacenters als één geheel worden beschouwd.

Een chip moet ontworpen worden. Het ontwerp vereist geschikte tools en een technologische basis. De productie ervan vereist op zijn beurt gespecialiseerde apparatuur, materialen en processen. Daar komen nog opslag, verpakkingstechnologieën en integratie in complete computersystemen bij. Vooruitgang op het ene niveau compenseert niet automatisch voor ontbrekende mogelijkheden op andere niveaus.

Het Belgische onderzoekscentrum imec is in dit kader een belangrijk Europees knooppunt. De NanoIC-pilotlijn is gekoppeld aan een geplande gezamenlijke investering van € 2,5 miljard en is onder meer bedoeld om bedrijven, start-ups, universiteiten en ontwerp- en systeemleveranciers toegang te bieden tot geavanceerde technologie en prototyping.

In februari 2026 opende imec, als onderdeel van deze uitbreiding, nog eens 2.000 vierkante meter aan cleanroomruimte. Het project is expliciet op Europees niveau georganiseerd en omvat partnerlocaties, waaronder Fraunhofer in Duitsland. Duitsland is ook een van de deelnemende financierende landen. De opvatting dat nationaal onderzoek en een intensiever gebruik van imec fundamenteel verschillende benaderingen zijn, weerspiegelt deze onderlinge verbondenheid dan ook niet adequaat.

Een economisch verstandige aanpak is een taakverdeling waarbij gespecialiseerde, grootschalige infrastructuur geconcentreerd wordt ingezet, terwijl tegelijkertijd brede toegang voor onderzoek en bedrijven mogelijk blijft. Het bouwen van dure faciliteiten op tal van locaties tegelijk kan inefficiënt zijn. Omgekeerd is geavanceerde infrastructuur van weinig nut als kleinere bedrijven er praktisch geen toegang toe hebben.

De juiste vragen zijn daarom: Welke vaardigheden ontbreken er nu eigenlijk? Waar zijn internationaal relevante sterke punten al aanwezig? Hoe krijgen jonge bedrijven toegang tot ontwerptools, testfaciliteiten en productiepartners? En welke toepassingen rechtvaardigen de aanzienlijke ontwikkelingskosten op de lange termijn?

Een veelbelovende strategie voor de halfgeleiderindustrie vereist prioriteiten. Het is niet nodig om elke fase van de waardeketen volledig nationaal te vertegenwoordigen, maar wel om cruciale competenties veilig te stellen en betrouwbare toegang tot complementaire vaardigheden te creëren.

Onderzoek is onmisbaar, maar de financiering ervan vereist andere succesindicatoren

Kritiek op langdurige onderzoeksprojecten bevat een terecht punt wanneer het gaat om een ​​gebrek aan relevantie en onduidelijk gebruik van publieke middelen. Het zou echter onjuist zijn om te concluderen dat wetenschappelijke opleiding inherent minder waardevol is dan directe financiering door bedrijven.

Onderzoek en ondernemerschapsontwikkeling vervullen verschillende functies. Fundamenteel onderzoek kan kennis genereren waarvan de economische toepassing in eerste instantie nog openstaat. Een marktgericht ontwikkelingsproject daarentegen moet veel preciezer kunnen uitleggen welk probleem wordt opgelost en hoe het vervolggebruik eruit zou kunnen zien.

Het zou een vergissing zijn om beide met dezelfde maatstaf te beoordelen. Als elk onderzoeksproject uitsluitend op basis van kortetermijninkomsten zou worden beoordeeld, zouden kansen op kennisverwerving op de lange termijn verloren gaan. Omgekeerd, als elk toepassingsgericht project uitsluitend op basis van wetenschappelijke publicaties zou worden beoordeeld, zou economische haalbaarheid ondergeschikt blijven.

De kwaliteit van een persoon of een project kan niet betrouwbaar worden afgeleid uit het type universiteit dat is bezocht of een enkel cijfer. Voor industriële AI kunnen praktische ervaring, systematische tests en een goed begrip van het toepassingsgebied net zo belangrijk zijn als theoretische kennis op hoog niveau.

Het echte probleem zit hem vaak in de overgangen. Onderzoeksresultaten moeten technisch gestabiliseerd worden, vertaald naar producten en gekoppeld aan de daadwerkelijke behoeften van de klant. Dit werk is geen klassiek fundamenteel onderzoek en ook geen routineverkoop. Het vereist andere vaardigheden en vaak ook andere financiering.

Een evenwichtig beleid moet daarom de wetenschappelijke kwaliteit beschermen en tegelijkertijd kennisoverdracht serieus nemen. Gezamenlijke projecten met duidelijke verantwoordelijkheden, tijdelijke personeelsuitwisselingen tussen onderzoek en bedrijfsleven, en een transparante omgang met gebruiksrechten kunnen belangrijker zijn dan een extra financieringslaag voor de organisatie.

Een AI-veiligheidsinstituut moet zich richten op risico's voor het publiek, niet op het verdringen van bestaande markten

De Duitse overheid kent aan het Duitse AI-veiligheidsinstituut (AISI) een analytische en operationele functie toe. Het is niet bedoeld als regelgevende instantie, maar eerder als expertisecentrum voor technologieanalyse, risicobeoordeling en strategisch advies. Dit omvat situationeel bewustzijn en vroegtijdige waarschuwingsinformatie met betrekking tot de samenleving, de economie en de nationale veiligheid.

Deze afbakening van verantwoordelijkheden is cruciaal voor een economische evaluatie. Een mandaat voor openbare veiligheid verschilt van het testen van een specifiek bedrijfsproduct. Systemische risico's, nieuwe aanvalsvectoren of veiligheidsrelevante ontwikkelingen kunnen inzichten vereisen die geen enkele particuliere klant volledig zou kunnen financieren.

Er is een gerechtvaardigde reden voor overheidsingrijpen in dit geval. Als veel belanghebbenden baat hebben bij een betere risicobeoordeling, maar niemand de volledige kosten wil dragen, kan een publieke instelling een leemte in de dienstverlening opvullen.

De situatie is anders voor gestandaardiseerde testdiensten die zijn afgestemd op duidelijk omschreven klantbehoeften. In deze gevallen kunnen test- en adviesdiensten uit de particuliere sector nuttig zijn. Een overheidsinstelling zou deze activiteiten niet moeten dupliceren zonder aantoonbare meerwaarde.

De praktische uitdaging ligt daarom in een precieze taakverdeling. Overheidsinstanties zouden de overkoepelende risico's kunnen onderzoeken, testmethoden verder kunnen ontwikkelen en de bevindingen openbaar kunnen maken. Particuliere aanbieders zouden vervolgens op deze basis kunnen voortbouwen om specifieke audits, implementatieondersteuning en periodieke inspecties aan te bieden.

Het is ook belangrijk om dubbel werk te vermijden. Als bedrijven herhaaldelijk vrijwel identieke documentatie moeten produceren voor verschillende klanten en instellingen, ontstaan ​​er extra kosten zonder dat de beveiliging navenant toeneemt. Erkende en overdraagbare resultaten zijn economisch waardevoller dan een groeiend aantal afzonderlijke testprocessen.

Een beveiligingsinstituut is daarom noch automatisch noodzakelijk, noch automatisch overbodig. Het nut ervan hangt af van de vraag of het een duidelijk omschreven lacune opvult, of de resultaten praktisch toepasbaar zijn en of de taken ervan zich onderscheiden van bestaande marktaanbiedingen.

Er is meer rekenkracht nodig, maar er is nog geen businessmodel voor

De Duitse overheid streeft ernaar de totale datacentercapaciteit in Duitsland tegen 2030 minstens te verdubbelen en de capaciteit voor AI en high-performance computing te verviervoudigen. Hiermee wordt een belangrijk knelpunt in de infrastructuur aangepakt. Extra capaciteit vertegenwoordigt echter in eerste instantie een aanbod en garandeert nog geen economisch succes.

Voor gebruikers is het van belang of rekenkracht beschikbaar is tegen redelijke prijzen, met geschikte tools en onder de vereiste bedrijfsomstandigheden. Een middelgrote machinefabrikant heeft niet per se directe toegang tot een groot trainingssysteem nodig. Mogelijk hebben ze wel een betrouwbare, betaalbare omgeving nodig voor een specialistische toepassing.

Er moet ook onderscheid worden gemaakt tussen training en de doorlopende werking. Het ontwikkelen van een groot model kan enorme computerbronnen vereisen. Daarentegen kan een nauwkeurig gedefinieerde bedrijfsapplicatie soms met een kleiner model worden uitgevoerd. Welke architectuur economisch haalbaar is, hangt af van de taak, de werklast en de kwaliteitseisen.

Capaciteitsplanning moet daarom gekoppeld worden aan een realistische vraaganalyse. Factoren om rekening mee te houden zijn onder meer de stroomvoorziening, netaansluitingen, koeling, de beschikbaarheid van geschoold personeel en het tempo van technologische veranderingen. Een fabriek kan technisch efficiënt zijn, maar toch inefficiënt werken als de benutting ervan te laag blijft.

Omgekeerd zou het eveneens problematisch zijn om te wachten met investeren totdat elke toekomstige toepassing zeker is. Infrastructuur moet vaak worden gebouwd voordat aan de volledige vraag is voldaan. Flexibele concepten, diverse gebruiksmodellen en een transparante verdeling van het investeringsrisico zijn daarom cruciaal.

De economische maatstaf mag niet uitsluitend de geïnstalleerde capaciteit zijn. Even relevant zijn het daadwerkelijke gebruik, de kosten per zinvolle computertaak, de beschikbaarheid en de toegankelijkheid voor kleinere bedrijven. Infrastructuur wordt pas een concurrentievoordeel wanneer het productieve activiteiten mogelijk maakt die anders niet zouden plaatsvinden of aanzienlijk zouden worden belemmerd.

Een goed AI-beleid heeft minder symbolische cijfers en betere gegevens over de impact nodig

De aangekondigde doelstellingen bieden een basis voor politieke controle. Ze brengen echter het risico met zich mee dat gemakkelijk meetbare activiteiten ten onrechte worden aangezien voor daadwerkelijke resultaten.

Een gebruikspercentage geeft in eerste instantie aan hoe wijdverspreid een technologie is. Het verklaart echter niet hoe intensief deze wordt gebruikt of of de investering zich terugbetaalt. Het aantal gefinancierde bedrijven beschrijft het bereik van een programma. Het bewijst nog niet dat deze bedrijven het zonder financiering slechter zouden hebben gedaan.

Dit extra effect is cruciaal. Als een bedrijf een reeds geplande investering uitsluitend met publieke middelen financiert, kan dit slechts een onverwachte meevaller zijn. Maar als steun een economisch haalbare implementatie mogelijk maakt die anders door een duidelijk knelpunt zou zijn mislukt, kan dit daadwerkelijk toegevoegde waarde creëren.

Een betrouwbare beoordeling vereist daarom dat de verwachte veranderingen worden vastgesteld nog voordat een programma van start gaat. Voor een eerste programma kan dit bijvoorbeeld het latere, zelfgefinancierde gebruik zijn. Bij industriële toepassingen kan de focus liggen op doorlooptijden, kwaliteitsverbeteringen of een lager foutenpercentage. Voor infrastructuur zijn toegankelijkheid en gebruik belangrijke factoren.

Het streefcijfer van meer dan tien procent AI-gestuurde economische output vereist ook een transparante definitie. Als elke door AI ondersteunde activiteit volledig wordt meegerekend, zal het resultaat verschillen van wanneer alleen de gecreëerde extra waarde in aanmerking wordt genomen. Zonder een duidelijke definitie zou de meetmethode politiek gezien indrukwekkend zijn, maar analytisch gezien zwak.

Een goed rapportagesysteem moet daarom een ​​paar zinvolle prestatie-indicatoren (KPI's) combineren met transparante methodologieën. Dit omvat ook mislukte projecten en afgeronde initiatieven. Een strategie waarbij elk programma wordt voortgezet ongeacht de uitkomst, leert niet van de eigen ervaringen.

Politieke verantwoordelijkheid wordt aangetoond door middel van implementatiebekwaamheid en duidelijke verantwoordelijkheden

Algemene kritiek op generaties is onvoldoende om de problemen van het AI-beleid te verklaren. Technologische competentie kan niet betrouwbaar worden vastgesteld aan de hand van leeftijd. Jonge besluitvormers voeren wellicht oppervlakkige argumenten aan, terwijl ervaren leiders veranderingen effectief kunnen managen.

De belangrijkere vraag is welke competenties ten grondslag liggen aan politieke beslissingen en wie verantwoordelijk is voor de resultaten. AI-beleid vereist technische kennis, inzicht in operationele processen en het vermogen om prioriteiten te stellen in onzekere omstandigheden.

De economie moet niet als een monolithische entiteit worden beschouwd. Modelaanbieders, cloudbedrijven, integratoren, industriële conglomeraten en kleine gebruikers hebben allemaal verschillende belangen. Een programma dat aantrekkelijk is voor één aanbieder, is niet per se gunstig voor de economie als geheel.

Nauwe betrokkenheid van bedrijven is daarom noodzakelijk, maar vervangt geen onafhankelijke beoordeling. Anders bestaat het risico dat beleid de bestaande bedrijfsmodellen beschermt in plaats van de concurrentie en productiviteit te versterken.

De Duitse regering verwacht dat haar AI-taskforce de implementatie van de maatregelen blijft beheren en minstens elk kwartaal op staatssecretarisniveau bijeenkomt. Of dit tot effectief beheer leidt, hangt niet zozeer af van de frequentie van de vergaderingen, maar van de beslissingsbevoegdheden, de bindende verantwoordelijkheden en de mogelijkheid om daadwerkelijk obstakels uit de weg te ruimen.

In deze context betekent verantwoordelijkheid ook het stellen van prioriteiten ondanks weerstand. Niet elk goed idee kan tegelijkertijd gefinancierd worden. Niet elke bestaande instelling heeft een nieuwe AI-taak nodig. En niet elk gestart programma verdient het om voor onbepaalde tijd voortgezet te worden.

Een haalbare strategie combineert markttoegang, specialisatie en een consistente selectie

Vanuit economisch oogpunt zou het Duitse AI-beleid drie verschillende taken moeten combineren.

Ten eerste moet het wijdverspreid gebruik vergemakkelijken. Dit vereist begrijpelijke producten, passende training, gemakkelijk toegankelijke bedieningsmodellen en ondersteuning bij data- en integratieproblemen. Met name kleinere bedrijven profiteren ervan wanneer bewezen oplossingen niet telkens opnieuw vanaf nul ontwikkeld hoeven te worden.

Daarnaast moet het bedrijven ondersteunen die internationaal schaalbare producten en fundamentele technologieën ontwikkelen. Deze taak vereist grotere financiële middelen, een langere tijdshorizon en een grotere bereidheid om technologische risico's te nemen. Dit moet niet worden verward met fragmentarische financiering van digitalisering.

Uiteindelijk moet de staat publieke infrastructuur leveren die individuele bedrijven niet adequaat kunnen financieren. Dit omvat specifieke onderzoeksinfrastructuren, uitgebreide veiligheidsanalyses en gemeenschappelijke technische standaarden.

Deze taken vereisen verschillende instrumenten. Een klein bedrijf met een specifiek automatiseringsprobleem heeft geen nationale modelstrategie nodig. Omgekeerd kan een Europese modelontwikkelaar niet internationaal concurrerend worden door simpelweg een paar consultancyvouchers te ontvangen. En een beveiligingsinstituut moet niet alleen worden beoordeeld op zijn software-inkomsten op korte termijn.

Het duidelijke standpunt is dan ook dat Duitsland minder moet proberen alle activiteiten onder één noemer AI te brengen en zich duidelijker moet onderscheiden tussen marktontwikkeling, technologieontwikkeling en publieke taken. Bestaande, goed presterende samenwerkingsverbanden verdienen steun, mits ze voldoende open blijven staan ​​voor andere bedrijven en meetbare resultaten opleveren.

De staat moet betrouwbaar handelen wanneer hij zelf vraag creëert, en terughoudendheid betrachten wanneer extra structuren slechts een duplicatie zijn van het bestaande aanbod. Europese specialisatie is vaak verstandiger dan te proberen elke capaciteit volledig nationaal te repliceren.

Of Duitsland in 2030 een sterke AI-natie wordt, hangt uiteindelijk niet af van de volledigheid van een lijst met maatregelen. Waar het om gaat, is of bedrijven duurzame rendementen behalen met toepassingen, werknemers productiever werken en overheidsinstellingen hun dienstverlening merkbaar verbeteren. Een strategie is succesvol wanneer ze deze resultaten mogelijk maakt en overbodige activiteiten elimineert – niet wanneer ze er simpelweg steeds meer aan toevoegt.

De quasi-interne oplossing: Hoe Xpert.Digital operationele hiaten in B2B-marketing en -verkoop dicht – Slimme, contentgedreven bedrijfsvoering - Afbeelding: Xpert.Digital

Xpert.Digital is een datagedreven B2B-branchehub onder leiding van Konrad Wolfenstein . Het bedrijf fungeert als een externe, quasi-interne oplossing voor industriële partners en dicht operationele lacunes in marketing, content en sales – zonder dat de klant extra middelen nodig heeft.

Meer informatie vindt u hier:

• De quasi-interne oplossing: Hoe Xpert.Digital operationele hiaten in B2B-marketing en -verkoop dicht – Slimme, contentgedreven bedrijfsvoering

☑️ Onze zakelijke voertaal is Engels of Duits

☑️ NIEUW: Correspondentie in uw moedertaal!

Konrad Wolfenstein

Mijn team en ik staan ​​graag tot uw beschikking als uw persoonlijke adviseur.

U kunt contact met mij opnemen door hier het contactformulier in te vullen [email protected]:of door mij te bellen op +49 7348 4088 965. Mijn e-mailadres is

Ik kijk uit naar ons gezamenlijke project.

☑️ Ondersteuning van het MKB op het gebied van strategie, advies, planning en implementatie

☑️ Opstellen of herzien van de digitale strategie en digitalisering

☑️ Uitbreiding en optimalisatie van internationale verkoopprocessen

☑️ Wereldwijde en digitale B2B-handelsplatformen

☑️ Pionier in bedrijfsontwikkeling / marketing / PR / beurzen