Enterprise-AI in 2027: wat de data laat zien, en de keuze die Europese bedrijven niet langer kunnen uitstellen

Vier van de grootste onderzoekspublicaties van de sector brachten het afgelopen jaar hun cijfers uit: de Stack Overflow Developer Survey 2026, het DORA 2025-rapport van Google, de strategische voorspellingen van Gartner voor 2027 en GitHubs Octoverse. Geen daarvan is speculatie; ze meten wat bedrijven vandaag al met AI doen.

Gelezen vanuit een Europees kantoor vertelt de data een verhaal dat de krantenkoppen meestal overslaan. De vraag voor 2027 is niet langer of uw bedrijf AI gaat gebruiken. Het is welke modellen, waar ze draaien, onder wiens controle, tegen welke kosten. Dat is een engineering- en governancebeslissing, en de bedrijven die ze zo behandelen zullen meer uit AI halen dan de bedrijven die ze als een abonnement behandelen.

Zoals altijd op dit blog: dit is praktische begeleiding vanuit engineeringperspectief, geen juridisch advies.

AI is geen pilot meer

De Stack Overflow-enquête onder meer dan 30.000 professionals vond dat 66% van de AI-gebruikers inmiddels met agents werkt, tools die taken van meerdere stappen uitvoeren in plaats van fragmenten voor te stellen. Van de gebruikers van AI-assistenten of agents gebruikt 73% ze elke dag. DORA, dat zo’n 5.000 professionals bevroeg, zet de totale AI-adoptie op bijna 90%.

Voor een bedrijf betekent dit dat AI al in uw werkprocessen zit, of ze nu in een strategiedocument staat of niet. Uw medewerkers gebruiken ze, uw leveranciers bouwen ze in hun producten in, en uw processen lopen er steeds vaker doorheen. De echte vraag is verschoven van adoptie naar regels: welke data mag naar welk model, wie keurt gevolgrijke acties goed, en wie is verantwoordelijk voor de uitvoer. De beveiligingskant van die verschuiving behandelden we in ons stuk over prompt injection; de governancekant is dit artikel.

Snelheid komt met een rekening

Het DORA-rapport van 2025 bevat de bevinding die directies twee keer zouden moeten lezen: AI-adoptie correleert met hogere throughput en met meer instabiliteit in de oplevering. De comfortabele aanname dat de extra snelheid de extra fouten zou terugbetalen, overleefde het contact met de data niet.

DORA’s conclusie is dat AI als versterker werkt. Organisaties met solide processen worden beter; ongeorganiseerde breken sneller. Voor Europese bedrijven weegt dit extra zwaar, omdat de EU van proces een wettelijke eis heeft gemaakt: de AI Act verwacht gedocumenteerd, gecontroleerd, gesuperviseerd gebruik van AI, met verplichtingen die tot in 2027 gefaseerd ingaan. Een proces versterken dat u niet kunt beschrijven is nu een compliance-probleem naast een engineeringprobleem. De tijdlijn liepen we door in ons stuk over de AI Act en bestaande systemen.

AI-kosten worden een begrotingspost

Gartner voorspelt dat tegen 2028 60% van de grootste bedrijven ter wereld FinOps-controles op AI-inferentie zal draaien, en waarschuwt voor “cost exhaustion”-aanvallen op publieke AI-toepassingen. De Stack Overflow-data toont dat de discipline zich al vormt: 38% van de organisaties legt gebruikslimieten op, 28% beoordeelt de uitgaven en 27% gebruikt bewust verschillende modellen voor verschillende taken.

Dat laatste cijfer is het interessante. Taken routeren naar het goedkoopste model dat het werk goed doet, is waar de echte besparing zit, en het vereist een architectuur die van model kan wisselen, geen harde afhankelijkheid van de API van één aanbieder. Kostenbeheersing en leveranciersonafhankelijkheid blijken dezelfde engineeringbeslissing te zijn.

De modelkeuze wordt strategisch, en de Europese opties verdienen eerlijke etiketten

Leg die draden samen: AI zit in elk werkproces, regelgeving eist controle, en kosten eisen flexibiliteit. Voor Europese bedrijven komt dit samen in één beslissing: waar draait het model eigenlijk?

Er zijn drie realistische routes.

Frontier-API’s van Amerikaanse aanbieders. De capabelste modellen, de minste controle. Data komt binnen het juridische bereik van een andere jurisdictie, een thema dat we uitvoerig behandelden in ons artikel over digitale soevereiniteit. Voor veel workloads is die ruil prima. Voor sommige niet, en weten welke welke is, dat is het werk.

Europese hosting van grote modellen. EU-regio’s en soevereine-cloudaanbiedingen verkleinen het dataresidentieprobleem, zonder te veranderen wie het model zelf controleert.

Open-weight modellen op eigen infrastructuur. De optie die het snelst volwassen werd. Modellen met downloadbare gewichten kunnen in uw datacenter of uw EU-cloudtenant draaien: data verlaat het huis nooit, kosten zijn hardware in plaats van per token, en de modelversie verandert wanneer u dat beslist, niet wanneer een aanbieder iets uitfaseert. Voor documentverwerking, interne assistenten, classificatie en veel dagelijks werk zijn de huidige open-weight modellen ruimschoots capabel.

Hier komt het deel dat een eerlijk etiket verdient en dat zelden krijgt: de meeste toonaangevende open-weight modellen van vandaag zijn Chinees. Qwen (Alibaba) was in 2026 goed voor meer dan de helft van de wereldwijde downloads van open modellen. DeepSeek, GLM (Zhipu) en Kimi (Moonshot) vullen het grootste deel van de top van het klassement. De sterkste Europese familie is Mistral, en Meta’s Llama blijft de belangrijkste Amerikaanse lijn, maar een bedrijf dat vandaag een lokale AI-stack samenstelt, evalueert zeer waarschijnlijk Chinese modellen.

Een model lokaal draaien betekent dat uw data bij u blijft; de gewichten bellen niet naar huis. De herkomst doet er nog steeds toe, op manieren die een serieuze evaluatie moet afdekken: licenties verschillen (sommige zijn schoon Apache 2.0 of MIT, andere dragen omzetvoorwaarden), de modellen zijn getraind en gealigneerd onder de normen van een ander land en kunnen die aannames in antwoorden meedragen, uw roadmap hangt af van de releasebeslissingen van een buitenlands lab, en sommige besturen en klanten zullen de vraag gewoon stellen, dus u hebt een gedocumenteerd antwoord nodig. Niets hiervan diskwalificeert deze modellen. Het betekent dat “welk open model” een due-diligencebeslissing is zoals elke andere leverancierskeuze, getest tegen uw use cases, niet overgenomen van een klassement.

Verifiëren wordt het eigenlijke werk

Het stilste maar belangrijkste cijfer in de Stack Overflow-enquête: 93% van de professionals zegt bronvermelding nodig te hebben om een AI-antwoord te vertrouwen. Genereren werd goedkoop; vertrouwen niet. In de praktijk verschuift het menselijke werk van produceren naar verifiëren, in code, in documenten, in beslissingen.

Dit sluit aan bij waar de Europese regelgeving naartoe wijst: de transparantie- en toezichtverwachtingen van de AI Act gaan ervan uit dat iemand competent controleert wat het systeem produceert. Bedrijven zouden voor die rol moeten budgetteren in plaats van aan te nemen dat AI ze overbodig maakt. Gartners verwante voorspelling, dat tegen 2029 zo’n 80% van de nieuwe applicaties wegwerpbaar zal zijn, snijdt dezelfde kant op: goedkope software vermenigvuldigt zich, en de schaarse vaardigheid wordt bepalen wat verdient te blijven leven, onderhouden en vertrouwd te worden. Wat, voor de goede orde, een voorspelling van een consultancy is, geen meting.

Wat dit betekent voor uw planning voor 2027

De data wijst naar vier vragen die het waard zijn beantwoord te worden vóór de volgende begrotingscyclus:

• Waar draait AI al in onze werkprocessen, officieel en officieus, en onder welke regels?
• Welke van onze workloads zouden op een open-weight model onder onze controle kunnen draaien, en welke hebben echt een frontier-API nodig?
• Wat kost ons AI-gebruik per proces, en zou een architectuur die tussen modellen routeert dat kunnen verlagen?
• Wie verifieert AI-uitvoer in onze kritieke processen, en zou dat standhouden in een AI Act-gesprek?

Ze beantwoorden vereist dat iemand uw systemen, uw datastromen en de regelgeving tegelijk kent. Dat snijpunt, kiezen waar AI draait en het zo inbouwen dat de keuze omkeerbaar blijft, is het werk waarin Dink vooroploopt voor bedrijven in de Benelux. We zijn bewust modelagnostisch: we hebben gebouwd op de frontier-API’s, op Europese hosting en op open-weight modellen op infrastructuur van klanten, en de eerlijke vergelijking tussen die routes is precies wat onze technology assessment oplevert. Als de beslissing genomen is, bouwen en onderhouden we het resultaat terwijl de modellen eronder blijven veranderen.

Veelgestelde vragen

Wat zijn de belangrijkste enterprise-AI-trends voor 2027?
Op basis van data van Stack Overflow, DORA, Gartner en GitHub: AI-agents in het dagelijkse werk, hogere opleversnelheid gepaard met hogere instabiliteit, AI-kostenbeheer (FinOps) als standaarddiscipline, de strategische keuze waar modellen draaien, en menselijke verificatie als de schaarse vaardigheid.

Moet ons bedrijf AI-modellen lokaal draaien?
Voor veel workloads is het inmiddels realistisch: documentverwerking, interne assistenten en classificatie draaien goed op de huidige open-weight modellen, houden data binnen uw infrastructuur en zetten kosten per token om in voorspelbare hardwarekosten. Frontier-API’s leiden nog steeds bij de moeilijkste taken. De meeste bedrijven eindigen met een mix, en daarom is een wisselbare architectuur belangrijker dan welke afzonderlijke modelkeuze ook.

Zijn Chinese open-weight modellen veilig voor Europese bedrijven?
Lokaal gedraaid sturen ze nergens data naartoe; dat risico wordt bepaald door waar u ze draait, niet door waar ze gemaakt zijn. Wat overblijft is leveranciers-due-diligence: licentievoorwaarden, alignment- en biaskenmerken, roadmapafhankelijkheid en de perceptie van stakeholders. Evalueer ze tegen uw use cases zoals u elke kritieke leverancier zou evalueren, en documenteer de beslissing. Europese (Mistral) en Amerikaanse (Llama, Gemma) open alternatieven bestaan en horen in dezelfde vergelijking.

Wat verandert de AI Act in 2027 voor gewone bedrijven?
Transparantieverplichtingen voor AI-systemen die met mensen interageren gelden vanaf augustus 2026, en hoogrisicoverplichtingen gaan gefaseerd in vanaf eind 2027 na de aanpassingen van de Digital Omnibus. De praktische kern is dezelfde ongeacht de categorie: weet waar u AI gebruikt, beheers de data die ze bereikt, en houd mensen toezicht op gevolgrijke uitvoer.

Hoe beheersen we AI-kosten?
Behandel kosten per verzoek als architectuureis: meet verbruik per functie en per proces, cache waar mogelijk, routeer taken naar het goedkoopste toereikende model, en overweeg lokale modellen voor workloads met hoog volume. Gartner verwacht dat FinOps voor AI-inferentie tegen 2028 standaardpraktijk is bij grote bedrijven; middelgrote bedrijven plukken hetzelfde voordeel eerder door er nu voor te ontwerpen.

Aan het beslissen waar AI in uw organisatie zou moeten draaien, of hoe uw huidige opzet eruitziet onder de blik van de AI Act? Begin met een technology assessment met vaste scope, of neem contact op.