AI vendor lock-in of AI-autonomie?

Jouw organisatie gebruikt vast al AI en grote kans dat dat Copilot is. Maar waarom eigenlijk? En is dat een verstandige keuze of maak je je daar zorgen om? In deze blogpost leg ik je uit hoe de architectuur van AI in elkaar zit en hoe dat je kan helpen om minder afhankelijk te worden van de bekende AI-bedrijven. Minder AI vendor-lock in, meer AI-autonomie.

Als organisaties AI willen gebruiken lijkt de keuze soms zeer beperkt. Mijn vermoeden uit gesprekken met klanten, interacties met het publiek bij lezingen en van wat ik op LinkedIn lees is dat minstens 80% van de Nederlandse organisaties Copilot gebruikt. Daarnaast zijn er nog enkele die ChatGPT of Claude gebruiken. Maar is dat wel zo verstandig?

Waarom Copilot?

Even los van de potentiële gevaren van AI voor de economie en samenleving, waar ik overigens graag het gesprek over aan ga, staat voor de meeste kenniswerkers buiten kijf dat AI een enorm onderdeel van hun werkprocessen wordt. Vrijwel iedereen ziet in dat AI straks, linksom of rechtsom, een gigantische impact op de werkzaamheden gaat hebben. Dus de vraag “welke AI-leverancier moet ik kiezen?” is dan heel terecht!

Maar stel je vraagt een organisatie die Copilot gebruikt: “Waarom hebben jullie voor Copilot gekozen?” dan weet ik het antwoord eigenlijk al wel. Wat denk jij? Is dat:

• A. Het was de goedkoopste (zeker niet)
• B. Het was de beste/slimste (zou kunnen)
• C. Het past het best bij ons bestaande systemen (realistisch antwoord, maar vaak niet waar)
• D. Het is de meest veilige of privacy-vriendelijke (yeah right…)
• E. We hebben nooit gekozen, “it just happened” (bingo!)

Dat is toch ongelooflijk eigenlijk? Hoe kan het dat we allemaal inzien dat AI straks enorm belangrijk wordt voor ons werk, dat velen er misschien wel afhankelijk van worden (of al zijn!), maar dat niemand de keuze heeft gemaakt welke leverancier we moeten gebruiken?! Dit soort sluipgedrag is precies wat Microsoft wil dat er met Copilot gebeurt: langzaamaan groeit de ‘vendor lock-in’ alleen maar en krimpt je autonomie.

Wat is er mis met vendor lock-in?

Vendor lock-in betekent dat je gevangen zit in de diensten van een leverancier; overstappen kost erg veel moeite, tijd en geld waardoor de drempel zo hoog geworden is dat je bij die leverancier blijft. Maar wat nou als die leverancier functies uitzet? Of je account sluit? Of de prijzen verdubbeld? Als je organisatie digitaal autonoom (en AI-autonoom) is heb je daar geen last van.

AI-autonomie

Tijd dus voor AI-autonomie! Hoe bereiken we dat? Dat ga ik je vertellen. Ten eerste is het belangrijk om beter te begrijpen hoe AI-systemen in elkaar zitten: de AI-architectuur. Die bestaat grofweg uit 4 lagen, achtereenvolgens: de server, het LLM, het platform en je kennisbank.

De server - laag #1

Dit is gewoon een computer die software draait. Vergelijkbaar met je laptop, alleen dan ziet het er iets anders uit en staat hij in een groot datacenter. Voor het draaien van taalmodellen (laag #2) heb je servers nodig met veel specifieke rekenkracht (GPUs genaamd). Bedrijven die rekenkracht voor taalmodellen als dienst leveren noemen we ‘inference providers’. Je kunt voor deze laag dus kiezen voor eigen hardware: dan zet je een stevige server in je kantoorpand (of thuis in de gang). Of je besteed het uit aan een inference provider.

Als je Copilot gebruikt dan gebruik je servers van Microsoft, misschien wel die in Middenmeer, topje van Noord-Holland. In de architectuur van Copilot is Microsoft dus zelf de inference provider. Maar je kunt ook gerust voor een andere leverancier kiezen, bijvoorbeeld van Europese leveranciers die zich alleen aan EU-wetten moeten houden zodat je zekerder weet dat je gegevens niet in verkeerde handen vallen. Zoals het Franse Scaleway, datacenters in Parijs; groenere stroom dan in Nederland, of van het Duitse Melious, ook erg groen en zij zijn erg snel met de nieuwste modellen opnemen in hun portfolio.

Het taalmodel (LLM) - laag #2

AI-model, taalmode, large language model (LLM): het beestje heeft meerdere namen tegenwoordig. Hoe moet je zo’n taalmodel eigenlijk zien in het hele plaatje? Zonder uit te leggen hoe zo’n taalmodel nou precies in elkaar zit: zie zo’n taalmodel een beetje als een CD’tje van vroeger met bijvoorbeeld Word 2007 erop. Met alleen het CD’tje kun je niks; je hebt een computer nodig om het CD’tje in te stoppen zodat de software actief wordt. Dat geldt voor een taalmodel dus ook: die heeft ook een computer, of server, nodig om antwoord te kunnen geven.

Het mooie nieuws is dat er ontzettend veel taalmodellen zijn om uit te kiezen! Als je Copilot gebruikt kun in de instellingen kiezen uit modellen van OpenAI of Anthropic, twee grote Amerikaanse AI-bedrijven. Maar gelukkig is er nog veel meer te kiezen! Sommige modellen worden beschikbaar gesteld om te gebruiken op een server (laag #1) naar eigen keuze. Dit noemen we ‘open-weight’ modellen. Er zijn tientallen open-weight modellen beschikbaar om uit te kiezen en deze modellen doen niet tot nauwelijks onder voor de beste gesloten modellen. Bij Glazen Uil maken we op moment van schrijven (oktober 2026) bijvoorbeeld gebruik van GLM 5.3 Flash.

Het platform - laag #3

Om AI te kunnen gebruiken heb je een AI-platform nodig. Voorbeelden zijn ChatGPT, Copilot Cowork, Claude Code, maar bijvoorbeeld ook de integratie in programma’s als Excel. Het platform is de plek waar je de AI kunt aanspreken en waar hij je antwoord geeft. Sommige platforms kun je alleen mee kletsen (zoals ChatGPT begon) en met sommige kun je documenten bewerken, mailtjes sturen of zelfs software ontwikkelen. Als je een platform een taak kunt geven en het gaat daar zelf mee aan de slag (plan van aanpak bedenken, taken uitvoeren, andere systemen gebruiken etc.) dan hebben we het over een ‘agent’. Platforms specifiek voor AI-agents noemt men vaak niet een AI-platform, maar een AI-harnas.

Een AI-platform (of harnas) kan dus verschillende vormen aannemen en de keuze voor welk platform je gebruikt is best belangrijk! Het platform bepaalt welke ‘vaardigheden’ de AI krijgt: zoals documenten op je computer lezen en bewerken, zoeken op het internet, mailtjes sturen et cetera. Een platform bevat ook instructies voor het taalmodel zodat het beter met die vaardigheden om kan gaan. Er gebeurt dus al van alles onder de motorkap van zo’n platform voordat jij je eerste letter hebt getypt. Veel van de recente verbeteringen in AI-mogelijkheden (presentaties maken, software schrijven, zelfstandig allerlei taken uitvoeren) zijn voor een groot deel te danken aan betere AI-platforms.

Maar wist je dat je hier ook allerlei opties kunt kiezen? Bij Glazen Uil gebruiken we momenteel bijvoorbeeld OpenWebUI voor AI-vragen en simpele documenten, OpenCode voor software ontwikkelen en data-analyse en Dify voor maatwerk AI-workflows. Maar we kijken regelmatig naar nieuw platforms, want de ontwikkelingen gaan snel en we kunnen naar hartelust wisselen. Het is hierbij belangrijk dat het platform kan werken met verschillende inference providers (laag #1) zodat we onze AI-autonomie behouden. Gelukkig is dit standaard bij alle open-source platforms en laten die nou net onze voorkeur genieten.

De kennisbank - laag #4

Deze laag kennen we eigenlijk allemaal al. In de kennisbank staat al je informatie: documenten, plaatjes, spreadsheets, links et cetera. Een AI wordt pas echt waardevol als je het toegang geeft tot je kennisbank, zodat het beter begrijpt wat je wilt. Als je bijvoorbeeld vraagt “wat is ons beleid bij een datalek?” is het wel handig als het AI-platform (laag #3) toegang heeft tot de beleidsdocumenten. Idealiter heeft het platform toegang tot zoveel mogelijk (gestructureerde) gegevens zodat het je altijd zo goed mogelijk kan helpen. Al is het dan wel belangrijk dat je dat platform ook vertrouwt met al die gegevens!

Voor organisaties die gebruiken maken van Microsoft staat deze kennisbank vaak in Sharepoint. Sommige gebruiken wellicht Google Drive of misschien Dropbox. Organisaties met een Europese IT-inrichting gebruiken waarschijnlijk Nextcloud, Mailbox, Proton Drive of één van de andere vele opties. Ook voor laag #4 valt er dus weer van alles te kiezen. Bij Glazen Uil gebruiken we momenteel Mailbox en privé gebruik ik Nextcloud.

Keuzes: elke laag is uitwisselbaar

Deze vier lagen stapelen op elkaar en communiceren met elkaar. Je kunt twee lagen alleen op elkaar aansluiten als ze dezelfde aansluiting gebruiken. Zie het een beetje als een stekker en een stopcontact: de stekker van je laptop past niet zomaar in een Italiaans stopcontact! Gelukkig zijn er voor alle lagen open standaarden: maak dus keuzes voor lagen die deze standaarden ondersteunen zodat je ze op elkaar kunt aansluiten. Want in principe is elke laag uitwisselbaar, mits je volledige AI-architectuur gebruik maakt van open standaarden.

Maar dat principe gaat dus alleen op als je daar je leveranciers op uitkiest. Een leverancier zoals Microsoft (Copilot) geeft je hier weinig keuze in; zij willen tenslotte dat je zoveel mogelijk in de strik raakt in het Microsoft-ecosysteem: vendor lock-in dus. Veel van de voorbeelden die ik bij de verschillende lagen genoemd heb zijn wel gebouwd op open standaarden en daarvoor gaat het principe dus wél op. Bij Glazen Uil gebruiken we alleen software (voor AI en daarbuiten) wat met open standaarden werkt, dus je kunt ons altijd om advies vragen.

In m’n volgende blogpost maak ik een uitgebreide vergelijking tussen de verschillende opties voor elke laag: hoe goed zijn ze en hoe duur? Wat maakt de ene keuze anders dan de ander en wanneer is het het waard om over te stappen?