Welke generatieve AI partner past bij jouw business?

De bekendste generatieve AI-applicaties onder AI-dummies zijn nog steeds ChatGPT van OpenAI en Microsoft CoPilot. Maar je hebt ook een Claude, Gemini, DeepSeek, Grok, Mistral Perplexity. Met elk een eigen “motor” oftewel large language model (LLM). Je kunt ook je eigen applicatie bouwen of verbeteren door zelf een LLM te verwerken in toepassingen. Hoe kies je in dit wilde westen van LLM’s de generatieve AI-partner die voor jouw business de meeste waarde kan creëren? 

Generatieve AI: de stand van zaken 

Kon je 2 jaar geleden duidelijk verschillen in prestaties tussen uiteenlopende large language models (LLM’s) ontwaren, tegenwoordig zijn alle modellen zo goed, dat jij en ik het verschil echt niet meer kunnen zien. Ze hebben allemaal de kennis van het internet geïnhaleerd en kunnen daar in normale taal met jou over converseren. Goodbye Google Search? 

Daarnaast zijn bijna alle modellen nu ook “multimodal”: ze kunnen niet alleen praten en interpreteren, maar ook coderen, plaatjes maken, het laatste nieuws op internet opzoeken. Goodbye Spreadsheets en Photoshop? Knipper even met je ogen, en al deze modellen hebben eveneens de mogelijkheid om niet alleen aangeroepen te worden door bestaande applicaties (API’s) maar ook om autonoom met andere applicaties te integreren, de zogenaamde agents.   

De 3 belangrijkste verschillen 

Toch zijn er ook een aantal fundamentele verschillen waarvan onderstaande 3 voor een Europees bedrijf een belangrijke rol zouden moeten spelen in het beslisproces. 

1. Locatie en jurisdictie van dataserversToen we nog dikke vrienden waren met het grootste gedeelte van de wereld was dit geen onderwerp. Maar in het huidige politieke klimaat is niet iedereen blij met het idee dat er data op servers staan die in Amerikaanse of Chinese jurisdictie vallen. En let op: ook al staan de servers van een Amerikaanse aanbieder op Europese bodem, vaak betekent dit nog steeds dat ze onder Amerikaanse jurisdictie vallen en dat bijvoorbeeld intelligence services in speciale omstandigheden inzicht kunnen hebben in deze data.  

Als dit voor jouw bedrijf een probleem is, dan ben je ofwel aangewezen op open source modellen, die je kan downloaden en op je eigen (Europese) servers kan draaien. Of op de tot nu toe enige grote Europese aanbieder van een LLM chatbot met een eigen LLM: Mistral AI. 

2. Trainingsdata beleid
Elke keer dat je een LLM-applicatie gebruikt, worden de interacties benut om het model verder te laten leren. Niet alle aanbieders zijn even transparant over wat er met deze trainingsdata gebeurt of waar nieuwe trainingsdata vandaan komen. Over het algemeen kan je met een betaald abonnement het gebruik van jouw data voor training voorkomen. Check wel eerst de voorwaarden!  

Dan is er nog steeds de vraag waar de nieuwe trainingsdata vandaan komen. Over het algemeen zijn de open source aanbieders zoals Meta (Llama), Mistral en Deepseek veel transparanter over het gebruik van trainingsdata dan grote techbedrijven met eigen modellen, zoals OpenAI. Als dit een belangrijk onderwerp is bij jouw bedrijf, dan loont het om de kleine lettertjes van de voorwaarden en productbeschrijvingen in te duiken. 

3. Open source of “proprietary” code
Net als met software, maken bouwers van large language models de keuze of ze de code voor zichzelf houden of dat wie maar wil de code kan downloaden en aanpassen. Dit is meer dan een filosofische keuze voor transparantie: open source modellen kunnen, als je de kennis en kunde hebt, veel beter aangepast worden aan jouw specifieke wensen en integraties. Hier komen echter ook lasten bij kijken. Updates & patches, infrastructuur, compliance, al deze zaken zijn, als je ervoor kiest het model aan te passen, geheel jouw eigen verantwoordelijkheid.  

Met de snelheid van ontwikkeling van modellen, kan dit een centrale overweging zijn om voor spelers zoals OpenAI te kiezen die proprietary LLMs aanbieden, maar daarmee jou als bedrijf ook enorm kunnen ontzorgen. 

Het advies 

Tel daarbij op de verschillen in kostenstructuur en functionele innovatie tussen de aanbieders. Én, het antwoord op de vraag of je een Ferrari nodig hebt of dat alles met vier wielen al een enorme vooruitgang is. Iemand al een déjà vu? Ja, inderdaad, dezelfde elementen spelen ook een belangrijke rol bij softwareselectie. Verder hebben we dit soort vragen en criteria ook afgewogen bij beslissingen over bijvoorbeeld wel of niet naar de cloud, en de aanschaf van een ERP.  

Echter de dynamiek is nu wel iets anders. De toekomst is nog helemaal niet duidelijk, de regelgeving staat nog in de kinderschoenen en de snelheid waarmee het landschap verandert is ongelofelijk hoog. 

Leg je niet te vroeg vast
In zo’n geval is het prudent je in ieder geval nog niet te vroeg compleet vast te leggen – luister niet alleen naar het salesverhaal van aanbieders, maar probeer verschillende aanbieders uit om erachter te komen wat werkt, wat je nodig hebt.  

Mix standaard en maatwerk
Het is hoogstwaarschijnlijk het verstandigst om meer standaard applicaties en large language modellen te kopen voor belangrijke grote processen, en enkel voor processen die heel uniek voor jouw bedrijf zijn op kleine schaal met op maat maken te experimenteren. En met welke partij? Dat hangt af van de belangrijkste wensen op jouw lijstje.  

Blijf goed rondkijken en leren
Maar, wat je ook doet – leg je nog niet vast voor de komende 10 jaar, en hou het wellicht niet bij 1 partij. Nee, dat is niet het meest kosteneffectief. Maar met een toekomst die zo snel verandert, blijft een wijs bedrijf goed rondkijken hoe het veld zich ontwikkelt, zonder zich compleet te committeren. Gebruik deze tijd om te leren welke partij bij jou past en welke echte problemen generatieve AI voor je bedrijf kan oplossen.  

Word zelf een AI-versneller binnen jouw organisatie