De institutionele slotgracht: waarom CTO’s niet kunnen stoppen bij prompts en skill files
De meeste enterprise “AI-strategieën” zien er vandaag hetzelfde uit: kies een basismodel — Claude, GPT, Gemini — schrijf een systeem-prompt, wikkel het in een paar skill files, koppel wat function calling en noem het een agent. Het werkt, het demonstreert goed en het wordt snel geleverd. Maar het is op zichzelf geen slotgracht. Als jouw CTO-briefing daarbij stopt, is dit artikel voor jou.
De sandbox waar je werkelijk in bouwt
Aanbieders van basismodellen verschepen niet langer alleen slimmere chatbots — ze bouwen volledig geïntegreerde, gesloten agentische ecosystemen: meerstapsredeneerketens, native tool-integratie, propriëtaire kennisgrafen, neurale rerankers getraind op miljarden queries en toenemend recursieve zelfverbetering. Wat ze externe ontwikkelaars geven, is daarentegen een gecontroleerde sandbox: systeem-prompts (oppervlakkige controle), function calling om tools te activeren, standaard RAG (basis vectorzoekopdracht) en kant-en-klare sjablonen. Je krijgt geen toegang tot hun RLHF-lagen, hun modelgewichten of hun interne herrangschikking. Je mag op het platform bouwen — niet erin.
Die kloof doet er meer toe dan op het eerste gezicht lijkt. Een systeem-prompt, hoe zorgvuldig ook ontworpen, behandelt het model als een black box. Als je volledige “agent” een Markdown-bestand is dat over een general-purpose LLM is gelegd, heb je geen propriëtair systeem gebouwd — je hebt een configuratie van iemand anders’ product gebouwd. Dat is de val: je bouwt uiteindelijk een afhankelijkheid, geen bedrijf.
Waarom “de volgende modelversie lost het op” een fatale strategie is
Het is verleidelijk om uit te stellen. Basismodellen verbeteren elke paar maanden, dus waarom nu investeren in een eigen architectuur? Omdat volledig vertrouwen op het voortdurend verbeterende basismodel je bedrijf omzet in een tijdelijke functie op iemand anders’ roadmap. Klantloyaliteit gebouwd op “goed genoeg” is een illusie, met name in conservatieve markten — op het moment dat een aanbieder van basismodellen een superieure geïntegreerde capaciteit in jouw exacte niche uitbrengt, verdwijnt die loyaliteit van de ene dag op de andere. Zonder je eigen geheugenlaag, je eigen redeneerlogica en je eigen verificatielussen ben je geen bedrijf met een AI-product. Je bent een wrapper die wacht om geabsorbeerd te worden.
De ongemakkelijke vraag die elke CTO zou moeten stellen, is niet of de platforms jouw niche zullen overnemen — maar of jouw organisatie zich eerder kan specialiseren dan zij dat doen.
Waar de echte slotgracht zich werkelijk bevindt
De toegevoegde waarde is verschoven. Het zit niet meer in welk basismodel je aanroept — dat is steeds meer een vervangbare, gestandaardiseerde keuze tussen Claude, GPT, Gemini of een open-gewicht model zoals Llama. De slotgracht zit in de propriëtaire architectuur en datasoevereiniteit die je eromheen bouwt. Vier componenten doen het zware werk.
1. RAG + neurale herrangschikking — jouw bedrijfsgeheugen
Basis vectorzoekopdracht is nu een minimumvereiste, geen onderscheidend kenmerk. Je handleidingen, projecten en institutionele expertise opsplitsen in semantische secties en indexeren (Pinecone, pgvector) levert je standaard retrieval-augmented generation op — nuttig, maar generiek. De echte slotgracht is een neurale reranker: een cross-encoder specifiek getraind op je eigen query-en-beste-antwoord-paren, die de top 50-100 kandidaten die een gewone vectorzoekopdracht oplevert opnieuw bekijkt en de nuance begrijpt die een generalistische model niet kan — het verschil tussen “Marktrisico” en “Operationeel risico” in jouw specifieke domein, bijvoorbeeld. Vectorzoekopdrachten vinden dingen die vergelijkbaar zijn. Een reranker vindt het ding dat correct is. Dat onderscheid is waar hallucinaties drastisch worden verminderd.
2. Een fine-tuned Critic-model — jouw digitale peer reviewer
Een groot basismodel is snel en breed onderlegd, maar het is een generalist. Combineer het met een klein, gespecialiseerd, fine-tuned “Critic”-model dat is getraind op de eigen correcties van jouw organisatie — geen statisch regelboek, maar adaptieve intelligentie die concepten beoordeelt, afwijst of terugstuur met specifieke feedback. De trainingsdata hiervoor is concreet en vanaf vandaag verzamelbaar: afgewezen of bewerkte AI-uitvoer van je eigen medewerkers, de door experts gecorrigeerde versie, de reden voor de correctie (“schendt artikel 4.2”), en eventuele harde compliance-grenzen. Als ruwe richtlijn: 50-100 gecureerde voorbeelden leveren een werkend prototype op; 500-1.000 bereikt productiestandaard; 2.000+ benadert echte domeinexpertise. Geen enkele aanbieder van basismodellen heeft toegang tot deze data — die is van jou door constructie.
4. Guardrails — de grootste drempel voor adoptie oplossen
Hallucinatierisico is de grootste reden waarom institutionele AI-adoptie stokt. De oplossing is geen groter model — het zijn onafhankelijke verificatieagenten rondom de kern-LLM: elke versie controleren tegen jouw RAG-waarheidsbron, veiligheidsfilters die juridische en compliance-grenzen handhaven, en zelfconsistentiecontroles die dezelfde query via meerdere redeneerroutes uitvoeren en antwoorden verwerpen die het niet met elkaar eens zijn. Niets hiervan mag worden overgelaten aan hetzelfde model dat zichzelf bewaakt. Voor een volledige behandeling van de specifieke aanvalstypen waartegen deze guardrails verdedigen, zie het artikel over adversariale aanvallen in deze reeks.
Het samengestelde voordeel: redeneerdrieluiken
Zet deze vier samen en er begint iets samen te stellen. Elke echte interactie genereert een redeneerdrieluik: de observatie die het systeem zag, de actie of tool-aanroep die het koos, en de consequentie — succes of mislukking. Die data verfijnt je reranker, je critic en je planner, wat betere uitkomsten oplevert, wat meer gebruik stimuleert, wat meer data oplevert. Dit is het vliegwiel dat een eenmalig integratieproject omzet in een werkelijk verdedigbaar bedrijfsmiddel — en het is precies het soort propriëtaire dataset waarmee je later kunt fijnregelen rondom elke nieuwe generatie basismodellen, in plaats van erdoor vervangen te worden.
Wat je maandagochtend kunt doen
Als je als CTO of CIO dit leest en je eigen stack herkent, vereist de oplossing geen maanlandingsproject:
- Auditeer je AI-stack. Als het prompts plus API-aanroepen zijn en verder niets, heb je momenteel geen slotgracht.
- Begin vandaag met het verzamelen van redeneerdrieluiken, vanuit elke expertinteractie — deze data bestaat alleen vooruitgaand, niet retroactief.
- Implementeer een neurale reranker op je domeindata. Dit is doorgaans de eerste stap met de hoogste ROI.
- Bouw je eerste Critic-agent. Vijftig gecureerde voorbeelden zijn voldoende voor een werkend prototype.
- Ontkoppel je architectuur in modulaire, onafhankelijk upgradeable componenten — reranker, critic, planner en guardrails moeten elk vervangbaar zijn zonder het hele systeem te herbouwen.
De EU-hoek: waarom dit hier niet optioneel is
Alles hierboven geldt wereldwijd. Maar Europese CTO’s en CIO’s hebben een extra, zeer concrete reden om dit niet als een nice-to-have te behandelen: bijna alle architectuur staat momenteel bovenop Amerikaanse infrastructuur en Amerikaanse basismodellen — en die afhankelijkheid heeft al eens zijn kwetsbaarheid bewezen. Dit is de dimensie die uitvoerig wordt behandeld in het begeleidende artikel over AI-soevereiniteit op deze site.
Half 2026 schortte Anthropic de toegang tot zijn nieuw uitgebrachte Fable- en Mythos-modeltiers gedurende enkele weken op om te voldoen aan exportcontroles van het Amerikaanse Ministerie van Handel, voordat het Ministerie die beperkingen ophief en de toegang werd hersteld. Wat de specifieke details van dat voorval ook zijn, het is een concreet, recent en praktijkgericht bewijs van precies het risico waar dit artikel over gaat: als je volledige operatie draait op een dunne laag prompts over een in het buitenland gehost model, kan een exportcontrolebeslissing, een prijswijziging of een beleidswijziging gemaakt in Washington — niet in Brussel, en niet door jou — je kernkapaciteit met onmiddellijke ingang opschorten of duurder maken, zonder voorafgaande kennisgeving en zonder verhaal.
Dit is precies waarom Stanford’s AI Index 2026 AI-soevereiniteit omschrijft over vijf dimensies — infrastructuur, data, model, applicatie en talent — en waarom het rapport laat zien dat Europa zwaar investeert maar nog steeds achterblijft in ruwe rekenkracht en modelproductie. Een organisatie die niets heeft gebouwd behalve een promptlaag op een Amerikaans model heeft in dat scenario nul onafhankelijke invloed. Een organisatie die haar eigen RAG-en-herrangschikking-geheugen heeft gebouwd, haar eigen fine-tuned critics, haar eigen planningslogica en haar eigen guardrails — allemaal getraind op propriëtaire Europese data — kan een modelwissel overleven. Het basismodel wordt wat het altijd had moeten zijn: een vervangbaar component, niet het hele bedrijf.
Voor Europese instellingen specifiek — ziekenhuizen, juridische kantoren, financiële diensten, publieke instellingen gebonden aan de AVG en sectorspecifieke regelgeving — is dit geen abstracte risicomanagement. Het is het verschil tussen een AI-capaciteit die je beheert en een die je slechts huurt, tegen een prijs en op voorwaarden die iemand anders op elk moment kan wijzigen.
De conclusie
De vraag waarop elke CTO en CIO een eerlijk antwoord nodig heeft, is niet of ze Claude, GPT of Gemini moeten gebruiken — het is wat je eromheen hebt gebouwd. Als het antwoord “een systeem-prompt en wat function calling” is, heb je een sandbox, geen slotgracht, en een enkel punt van buitenlandse afhankelijkheid dat onder je volledige operatie ligt. Bouw de architectuur — geheugen, tools, planning, critics, guardrails — en het basismodel eronder wordt precies wat het zou moeten zijn: inwisselbaar, gestandaardiseerd en niet langer het ding waarvan je bedrijf afhankelijk is voor zijn voortbestaan.
Dit artikel put uit “The Institutional Moat: Beyond the Big Tech AI Trap” (Prof. dr. ir. J.C. Scholtes, Endeit Capital, maart 2026).
Kernpublicaties
- Bommasani et al. (2021), On the Opportunities and Risks of Foundation Models — arXiv:2108.07258
- Brown et al. (2020), Language Models are Few-Shot Learners (GPT-3) — arXiv:2005.14165
- Ouyang et al. (2022), Training Language Models to Follow Instructions with Human Feedback — arXiv:2203.02155
Verder lezen op deze site
- Wat is een AI-agent? — wat de zeven agentische componenten die je bouwt eigenlijk zijn
- Van tekst naar actie — de concrete pipeline voor het bouwen van de propriëtaire architectuur beschreven hier
- Waarom Europa eigen AI-modellen nodig heeft — de geopolitieke dimensie van waarom deze architectuur niet op buitenlandse infrastructuur kan rusten
- Het autonome bedrijf besturen — de governance-laag die er bovenop zit
- Wat er nodig is om een soevereine AI-agent te bouwen — de stapsgewijze gids die alles uit dit artikel in de praktijk brengt