De berichten uit Korea laten vandaag vooral zien dat AI in bedrijven een andere fase ingaat. Niet het selecteren van een model staat centraal, maar het organiseren van een productieketen waarin modellen, rekencapaciteit, beveiliging, simulatie en werkprocessen op elkaar aansluiten. Voor Europese ondernemingen is dat relevanter dan de geografische afstand doet vermoeden: wie AI wil opschalen, moet ontwerpen voor inzetbaarheid, niet voor een geslaagde demonstratie.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijven, stelt dat de doorslaggevende AI-keuze steeds minder is welk model het best presteert, en steeds meer welke technische en organisatorische keten betrouwbaar kan blijven functioneren zodra AI daadwerkelijk werk uitvoert.

Agenten maken uitvoering tot de echte toets

In het bericht over beveiligde agentische AI beschrijft NVIDIA hoe Hyundai Motor Group verkent hoe NemoClaw-blueprints en de OpenShell-runtime kunnen worden ingezet, terwijl AIM Intelligence Starfort met OpenShell integreert voor beveiligde agenten in productiviteit en bedrijfsworkflows. De belangrijke ontwikkeling zit niet in de naam van de software, maar in de erkenning dat een AI-agent een andere categorie toepassing is dan een assistent die alleen antwoord geeft.

Zodra een agent werkstappen uitvoert, ontstaat er een uitvoeringslaag tussen medewerker en bedrijfsproces. Europese bedrijven moeten daarom niet alleen vragen of een agent nuttige taken kan afhandelen, maar ook welke handelingen hij wel en niet zelfstandig mag starten, hoe afwijkingen zichtbaar worden en wie de werking beheert wanneer het proces verandert. Dat is geen rem op innovatie; het is de voorwaarde om een proef om te zetten in een blijvende voorziening.

Edgar van Lent ziet hierin een onderscheid dat vaak wordt gemist. Beveiliging is bij agenten niet een afsluitende controle rond een model, maar een eigenschap van de volledige runtime waarin het model opdrachten ontvangt, keuzes maakt en werkstromen raakt. Wie die runtime als een detail van een leverancier behandelt, loopt het risico dat de eigen procesverantwoordelijkheid later niet meer goed te reconstrueren is.

Fysieke AI vraagt om een industriële maatstaf

De tweede Koreaanse ontwikkeling verschuift diezelfde les naar de fysieke wereld. Volgens NVIDIA worden versneld rekenen, AI en simulatie in Korea toegepast van halfgeleiderproductie tot robotica en autonome voertuigen, met als doel fysieke AI van ontwikkeling naar productie te brengen. Dat is voor Europese bedrijven geen oproep om elke digitale toepassing meteen met robotica te verbinden. Wel maakt het scherp zichtbaar dat AI in een operationele omgeving aan een hogere maatstaf moet voldoen dan AI in een losse kantoorproef.

Bij fysieke AI zijn modeluitkomsten verbonden met machines, ontwerpkeuzes en productieomstandigheden. Daardoor wordt simulatie geen aantrekkelijke extra, maar een manier om vooraf te begrijpen waar de grenzen van een systeem liggen. Ook ondernemingen die nog geen robots of autonome voertuigen inzetten, kunnen daarvan leren. Een AI-toepassing in planning, kwaliteitswerk of engineering verdient een testomgeving die de werkelijkheid van het bedrijfsproces benadert, inclusief uitzonderingen en overdrachtsmomenten.

Edgar van Lent benadrukt dat Europese bedrijven hun succescriterium moeten verleggen: niet de overtuigende demonstratie, maar de voorspelbare prestatie onder normale én afwijkende omstandigheden. Die verschuiving maakt duidelijk welke teams, gegevens en technische interfaces werkelijk nodig zijn. Zij voorkomt ook dat verantwoordelijkheid pas wordt besproken nadat een AI-systeem al onderdeel van de operatie is geworden.

Open modellen zijn pas waardevol met een inzetbare keten

Die productielogica komt eveneens terug in de aankondiging van NVIDIA over Dynamo-geoptimaliseerde deployment recipes voor Koreaanse open modellen, waaronder modellen van SK Telecom, LG AI Research, Upstage en Motif Technologies. Het bericht wijst erop dat grotere modellen over meerdere GPU’s moeten worden verdeeld en dat routing van verzoeken dan zorgvuldig moet worden gecoördineerd.

Voor Europese organisaties is de relevante les niet dat zij deze Koreaanse modellen moeten kiezen. De les is dat openheid van een model geen synoniem is voor eenvoudige beheersbaarheid. Een open model kan keuzevrijheid bieden, maar pas als de onderneming ook de inrichting voor uitrol, prestaties, wijzigingen en continuïteit kan dragen. Anders verschuift afhankelijkheid slechts: weg van het model zelf, naar de infrastructuur en specialistische kennis die nodig zijn om het model bruikbaar te houden.

Daarmee vormen de drie ontwikkelingen één samenhangend signaal. Agenten vragen om een gecontroleerde uitvoeringslaag. Fysieke AI toont waarom testen en simuleren onderdeel van productie zijn. En open modellen laten zien dat technische vrijheid alleen waarde krijgt via volwassen inzet. Edgar van Lent concludeert dat Europese bedrijven AI niet langer als een verzameling losse toepassingen moeten organiseren, maar als een bedrijfsvoorziening met eigen ontwerpprincipes.

Waar de aandacht nu heen moet

De komende weken moeten Europese bedrijven vooral letten op de vraag of hun AI-plannen expliciet onderscheid maken tussen experiment, inzet en beheer. Bij agenten hoort daar een afbakening van handelingsruimte bij; bij operationele toepassingen een geloofwaardige testomgeving; bij open modellen een plan voor de technische keten achter de keuze. Wie die drie punten vooraf verbindt, kan sneller opschalen zonder later de fundamenten opnieuw te moeten leggen.