AI-investeringen zijn geen softwarebudget: zo koppelt u kapitaal, infrastructuur en resultaat

AI verschuift van innovatiebudget naar kapitaalagenda

AI wordt in veel organisaties nog behandeld als een verzameling softwarelicenties, experimenten en innovatieprojecten. Dat beeld past steeds minder bij de economische werkelijkheid. Christine Lagarde meldde op 14 september dat ondernemingen in de eurozone in 2026 naar verwachting ongeveer 10 procent van hun totale investeringen aan AI besteden. Volgens medewerkers van de Europese Centrale Bank was AI-gerelateerde kredietverlening bovendien goed voor circa een kwart van de groei van bedrijfskrediet in het eerste kwartaal van dit jaar.[1]

Dat maakt AI niet alleen een technologisch onderwerp. Het wordt een vraagstuk van kapitaalallocatie. Bestuurders moeten beslissen welke processen voldoende waarde kunnen opleveren, welke infrastructuur daarvoor nodig is, hoe lang de investering meegaat en welke afhankelijkheden op de balans en in de operatie ontstaan.

De schaal groeit snel. PwC projecteert in een basisscenario wereldwijd 31,6 biljoen dollar aan investeringen in AI-infrastructuur tot 2050. De jaarlijkse kapitaaluitgaven voor datacenters zouden volgens die raming stijgen van ongeveer 800 miljard dollar in 2026 naar 1,8 biljoen dollar in 2050.[2] Dit zijn prognoses, geen zekerheden. Ze maken wel duidelijk dat AI niet langer uitsluitend uit variabele cloudkosten bestaat. Chips, energie, netaansluitingen, gebouwen, koeling, beveiliging en financiering vormen samen een nieuwe industriële investeringscyclus.

De businesscase begint bij het proces, niet bij het model

De meest gemaakte fout is beginnen met de vraag welk model of platform moet worden aangeschaft. Een betere volgorde begint bij een concreet bedrijfsproces. Welk knelpunt wordt opgelost? Welke doorlooptijd, foutmarge, omzet of capaciteit verandert? En welk deel van die verbetering is werkelijk aan AI toe te schrijven?

Een modeldemo kan indrukwekkend zijn terwijl de totale businesscase negatief blijft. Dat gebeurt bijvoorbeeld als brondata eerst jarenlang moet worden opgeschoond, medewerkers iedere uitkomst handmatig moeten controleren of de integratie met bestaande systemen duurder blijkt dan de licentie. De prijs per token of gebruiker is dan slechts een klein deel van het besluit.

Edgar van Lent adviseert daarom een AI-investering in vier lagen te berekenen. De eerste laag is de directe technologie: modellen, software, integraties en opslag. De tweede is de veranderinspanning: procesontwerp, training, nieuwe verantwoordelijkheden en acceptatie. De derde is beheersing: beveiliging, evaluaties, logging, compliance en menselijke controle. De vierde is continuïteit: uitwijkmogelijkheden, migratiekosten en de capaciteit om bij uitval tijdelijk zonder het primaire systeem te werken.

Pas wanneer deze vier lagen naast de verwachte proceswaarde staan, ontstaat een volwassen investeringsbesluit.

Reken met de volledige levensduur, niet met het eerste contractjaar

AI-infrastructuur veroudert anders dan traditionele bedrijfssoftware. PwC verwacht dat terugkerende vervanging van chips en andere ICT-apparatuur op lange termijn een groter deel van de investeringen zal vormen dan de bouw van datacenters zelf. In hun scenario stijgt het aandeel van ICT-apparatuur in de totale investering van circa 70 procent nu naar 93 procent in 2050.[2]

Voor ondernemingen betekent dit dat de total cost of ownership niet stopt bij implementatie. Modelversies veranderen, evaluaties moeten worden herhaald, capaciteit groeit mee met gebruik en nieuwe hardware kan oudere prijs- en prestatieaannames snel achterhalen. Een pilot die in het eerste jaar goedkoop lijkt, kan duur worden zodra het aantal gebruikers stijgt of hogere betrouwbaarheid wordt vereist.

Werk daarom met minimaal drie scenario’s: beperkte adoptie, verwachte adoptie en snelle opschaling. Neem per scenario niet alleen licentiekosten op, maar ook dataverkeer, opslag, monitoring, beveiliging, menselijke beoordeling, integratieonderhoud en exitkosten. Koppel investeringsmomenten aan meetbare beslispoorten. Als het procesresultaat achterblijft, moet de organisatie kunnen stoppen of bijsturen zonder al het eerder geïnvesteerde kapitaal automatisch te verdedigen.

Europese infrastructuur bepaalt steeds vaker de uitvoerbaarheid

De Europese discussie gaat niet alleen over geld. Bruegel schat dat de Europese Unie in 2026 ongeveer 2 gigawatt operationele AI-rekencapaciteit heeft, circa 5 procent van het wereldtotaal. De Verenigde Staten beschikken volgens dezelfde analyse over ongeveer 35 gigawatt. Geplande projecten vergroten de Europese capaciteit, maar veranderen het mondiale aandeel tot 2031 nauwelijks.[3]

De belangrijkste beperking is volgens Bruegel niet een gebrek aan privaat kapitaal. Vergunningstempo en toegang tot het elektriciteitsnet wegen zwaarder. In een aangehaald financieel model kost één jaar vertraging een illustratief datacenter van 100 megawatt meer dan 5,5 procent van zijn waarde over de levensduur. Een verdubbeling van de energieprijs kost in hetzelfde model 4,5 procent.[3]

De les voor bestuurders is breder dan datacenters. Een AI-roadmap kan financieel zijn goedgekeurd en toch vastlopen op infrastructuur, gegevensbeschikbaarheid, inkoopvoorwaarden of schaarse expertise. Kapitaal zonder uitvoeringspad levert geen productiviteit op.

Maak daarom vóór goedkeuring zichtbaar welke randvoorwaarden buiten het projectteam liggen. Denk aan netcapaciteit bij intensieve workloads, regionale dataverwerking, toegang tot gespecialiseerde chips, contractuele gebruiksrechten op data en beschikbaarheid van medewerkers die het proces inhoudelijk begrijpen. Geef elke randvoorwaarde een eigenaar en een uiterste beslisdatum.

Soevereiniteit is een bedrijfsrisico, geen politiek etiket

Europa importeert een groot deel van zijn AI-technologie. De ECB wijst erop dat de Verenigde Staten in 2025 59 noemenswaardige AI-modellen produceerden en China 35, terwijl Frankrijk en het Verenigd Koninkrijk elk op één uitkwamen. Ongeveer driekwart van de mondiale AI-rekencapaciteit staat volgens de aangehaalde cijfers in de Verenigde Staten en circa 5 procent in Europa.[1]

Afhankelijkheid is niet automatisch verkeerd. Buitenlandse platforms kunnen sneller, beter en goedkoper zijn. Het risico ontstaat wanneer een cruciaal proces geen realistisch alternatief heeft. Een wijziging in toegang, voorwaarden of juridische context kan dan meerdere bedrijfsonderdelen tegelijk raken. Reuters vatte Lagardes waarschuwing samen dat AI binnen enkele jaren onder meer betalingen, transport, zorg en belastingcontrole ondersteunt; beperking van toegang kan daardoor sectoroverschrijdend effect hebben.[4]

Een bestuur hoeft daarom niet elk onderdeel Europees in te kopen. Het moet wel weten waar lokale verwerking, overdraagbaarheid of een tweede route bedrijfskritisch is. Maak dat onderscheid per proces. Voor algemene tekstondersteuning kan wereldwijde cloudcapaciteit logisch zijn. Voor gevoelige industriële kennis, zorgdata of operationele beslissingen kunnen strengere eisen gelden.

Van AI-budget naar investeringsportfolio

Een volwassen organisatie beoordeelt AI niet als één programma, maar als portfolio. Sommige toepassingen leveren snel efficiency op. Andere bouwen kennis, data of infrastructuur voor later. Weer andere blijken na een pilot niet schaalbaar. Door projecten als portfolio te besturen, kan kapitaal verschuiven naar toepassingen die aantoonbaar presteren.

Gebruik daarvoor vijf vaste beslisvragen:

Proceswaarde: welk operationeel resultaat verandert, voor wie en binnen welke termijn?
Volledige kosten: welke technologie-, verander-, beheers- en continuïteitskosten ontstaan gedurende de levensduur?
Infrastructuur: zijn data, rekenkracht, energie, integraties en expertise tijdig beschikbaar?
Afhankelijkheid: welke leverancier of juridische omgeving kan het proces eenzijdig beïnvloeden?
Beslispoort: bij welke meetbare uitkomst wordt opgeschaald, aangepast of gestopt?

Deze vragen voorkomen twee uitersten. Het eerste is verlamming: wachten tot Europa ieder onderdeel zelf kan leveren. Het tweede is ongerichte haast: investeren omdat concurrenten dat ook doen. De juiste route is selectieve snelheid — snel waar proceswaarde en randvoorwaarden duidelijk zijn, terughoudend waar afhankelijkheid en levensduurkosten nog niet beheersbaar zijn.

Een agenda voor de komende negentig dagen

Begin met de tien grootste bestaande en voorgenomen AI-uitgaven. Koppel iedere uitgave aan een bedrijfsproces, eigenaar, resultaatindicator en totale kostenraming. Markeer vervolgens welke projecten afhankelijk zijn van één model, één cloudregio of één moeilijk vervangbare dataset.

Herbereken daarna de drie belangrijkste businesscases met een opschalingsscenario en een verstoringsscenario. Wat gebeurt er met kosten en capaciteit als het gebruik verdrievoudigt? Wat gebeurt er als een leverancier voorwaarden wijzigt of een kritieke integratie zes maanden later beschikbaar komt?

Besluit ten slotte welke investeringen direct kunnen doorgaan, welke eerst een randvoorwaarde moeten oplossen en welke moeten stoppen. Dat laatste is geen mislukking. Tijdig stoppen met een zwakke businesscase beschermt kapitaal voor toepassingen die wel aantoonbare waarde leveren.

AI-strategie wordt kapitaaldiscipline

De Europese AI-opgave is groot, maar voor een individuele onderneming blijft de kern bestuurbaar. Niet iedere organisatie hoeft modellen of datacenters te bouwen. Iedere organisatie moet wel begrijpen welke kapitaalstructuur achter haar AI-ambitie schuilgaat.

Edgar van Lent ziet daarin de volgende volwassenheidsstap voor AI-strategie. Niet meer vragen hoeveel pilots kunnen worden gestart, maar welke processen duurzaam beter worden, welke infrastructuur dat vereist en onder welke voorwaarden verder investeren rationeel blijft.

Wie AI als kapitaalbesluit behandelt, combineert ambitie met discipline. Dat vertraagt innovatie niet. Het voorkomt dat snelle adoptie later vastloopt op kosten, capaciteit of afhankelijkheden die vanaf het begin zichtbaar hadden kunnen zijn.

Bronnen

Edgar van Lent is gecertificeerd AI-implementatiespecialist en strategisch adviseur. Vanuit Nijmegen helpt hij organisaties AI-investeringen te verbinden aan proceswaarde, uitvoerbaarheid, beheersing en continuïteit.