AI Radar week 24 — Wanneer AI een factuur begint te sturen
Week 24 · 8 juni 2026
Deze week draait alles om hetzelfde: AI wordt volwassen. De vraag verschuift van "kan die tool dit?" naar "wat kost het me echt, en hou ik de controle?". We bekijken drie heel verschillende rekeningen — een juridische, een verbruiksrekening en een infrastructuurrekening — en wat die betekenen voor uw KMO.
⚖️ CNN sleept Perplexity voor de rechter
Bron: The AI Report — "CNN sues Perplexity"
CNN spant een copyright- en trademarkrechtszaak aan tegen Perplexity AI, met als kernbeschuldiging dat Perplexity CNN-content "onrechtmatig crawlt, scrapt, kopieert en distribueert" om antwoorden te genereren die direct concurreren met CNN's eigen journalistieke output. Wat de zaak extra scherp maakt, is dat CNN het conflict niet enkel framet als "training", maar als een strijd over hergebruik van media-inhoud in (quasi-)publieke antwoorden: informatie die dicht bij het origineel komt en zo economische waarde kan kannibaliseren. CNN legt nadruk op het soort media dat zou worden teruggegeven — niet alleen tekst, maar ook foto's en video's — wat het argument verbreedt naar merkbescherming en reputatieschade.
De klacht (54 pagina's) is ingediend bij de U.S. District Court for the Southern District of New York. CNN staat daarin niet alleen: Perplexity zou meerdere actieve rechtszaken hebben lopen, en zeker negen grote uitgevers ondernemen vergelijkbare stappen, waaronder The New York Times, News Corp, Reddit, Encyclopedia Britannica en het Japanse Yomiuri Shimbun. Als prijsreferentie verwijst de nieuwsbrief naar de 1,5 miljard dollar die Anthropic vorig jaar betaalde om de class action Bartz v. Anthropic te schikken. De macro-lezing: juridische kosten van contentbronnen gaan voortaan meetellen in de ROI van AI.
✍️ Mijn inzichten: Niets zo zelfverzekerd als een AI-tool die u vlotjes een antwoord opdreunt — tot er plots een advocatenkantoor van CNN binnenwandelt met 54 pagina's onder de arm.
Alle gekheid op een stokje: de echte verschuiving zit niet in de rechtszaak zelf, maar in wat ze betekent voor wie zo'n tool koopt. De vraag is niet langer "mag AI deze data gebruiken?", maar "wie betaalt de rekening als het misloopt?". En met die 1,5 miljard dollar van Anthropic weten we ondertussen ongeveer hoe duur die rekening kan worden.
Voor u als KMO-zaakvoerder betekent dat: wanneer u een AI-zoektool of -assistent binnenhaalt, koopt u niet enkel capaciteit. U erft ook stilzwijgend de juridische rommel die uw leverancier eventueel heeft met uitgevers en contenteigenaars. Vraag dus niet alleen "wat kan het?", maar "waar komt de content vandaan, is dat netjes gelicentieerd, en wie draagt het risico?". Dat laatste — vrijwaring, indemnity — hoort gewoon in uw contract te staan.
In Europa zijn we die reflex eigenlijk al gewoon: met GDPR en de AI Act denken we sowieso in herkomst, toestemming en aansprakelijkheid. Trek die logica gewoon door naar uw AI-leveranciers.
De vraag voor deze week: weet u eigenlijk op wiens content de antwoorden van uw AI-tool gebouwd zijn — en wie de telefoon opneemt als een uitgever komt aankloppen?
📊 De token-economie heeft een dashboard nodig
Bron: AI For Leaders — "The Token Economy Needs A Dashboard"
De nieuwsbrief positioneert "tokens" — de eenheden die AI-tools verbruiken — als een praktische meetlat voor inspanning, kosten en gedrag. Het voorgestelde instrument is een token burn dashboard: een historisch overzicht van hoeveel tokens er gebruikt zijn, wanneer, en vooral welk werk die consumptie ondersteunde. De managementvraag verschuift daardoor van "gebruiken mensen AI veel?" naar "worden die tokens goed ingezet?".
Die vraag creëert spanning: veel gebruik kan op verspilling lijken zonder context, te weinig gebruik kan "passief" overkomen wanneer AI deel van de job wordt verwacht. De nieuwsbrief trekt de analogie met fabrieken bij de komst van elektriciteit — de capaciteit op zich verbeterde niets, het ging om de organisatie eromheen. Voor de visualisatie verwijst ze naar hoe GitHub activiteit toont: compact, scanbaar en ritmisch. Het record wordt gedeeld binnen het team, zodat een manager AI-gebruik over een groep ziet en het team ziet waar AI wel en niet aan te pas komt.
De eerste versie mag licht blijven; tools als Codex en Claude Code worden genoemd om snel een eenvoudig dashboard te bouwen. De kernuitdaging is niet technisch, maar bestuurlijk: bepaal welk record bestaat en hou het simpel genoeg om het effectief te onderhouden. Drie sleutelvragen: hoeveel AI is gebruikt, welk werk ondersteunt dat gebruik, en wijst het patroon op doelbewust gebruik?
✍️ Mijn inzichten: Voor het eerst kunt u haarfijn zien hoeveel AI uw team verbruikt. Ongeveer even spannend als de gsm-factuur van een tiener opentrekken: u weet op voorhand niet of u trots moet zijn of stilletjes moet beginnen wenen.
Maar de boodschap is bloedserieus. Zo'n token-dashboard maakt eindelijk zichtbaar wat tot nu toe op buikgevoel draaide: gebruikt mijn team AI te veel, te weinig, of vooral verkeerd? En daar zit meteen de valkuil — als u enkel de kosten meet, hebt u op het einde een dure kostenmonitor zonder één gram stuurinformatie.
De kunst voor een KMO is om verbruik te koppelen aan resultaat. Niet "Jan heeft veel tokens verbrand", maar "Jan heeft met die tokens drie offertes sneller buiten gekregen". Veel gebruik mét output is gezond; weinig gebruik kan even goed betekenen dat iemand gewoon slim werkt. Het hoeft trouwens niet ingewikkeld: een simpel overzichtje dat dagen, gebruik én concreet werk samenbrengt, doet de job. Denk aan dat groene activiteitenrooster van GitHub — in één oogopslag ziet u het ritme.
De vraag voor deze week: weet u of de AI in uw bedrijf écht werk verzet — of vooral tokens verstookt om modern te lijken?
🛠️ Lokale AI-modellen worden the next big thing
Bron: AI For Leaders — "Local AI Models are the Next Big Thing"
De nieuwsbrief betoogt dat "local AI" — modellen die op het apparaat zelf draaien — op een kantelpunt zit door commerciële verpakking en roadmap-signalen van Microsoft en NVIDIA. Op Build 2026 wordt local AI nadrukkelijk op de PC-roadmap gezet via developer hardware en OS-ondersteuning, zodat fine-tuning en langdurige lokale workloads mogelijk worden zonder telkens cloud-GPU's in te zetten. Microsoft licht de Surface RTX Spark Dev Box uit, en NVIDIA beschrijft een "superchip" voor slanke laptops met tot 128GB geheugen, in staat om lokale taalmodellen tot 120 miljard parameters te draaien.
De nieuwe stap is niet de technologie zelf — tools als LM Studio en Ollama bestaan al jaren — maar de commercial packaging: betere hardware, OS-support en bekende tooling die local AI tot een normale optie in de workplace maken. De businesscase steunt op drie pijlers. Privacy: gevoelige data verlaat de bedrijfsomgeving niet. Kosten: lokaal draaien biedt een alternatief afzetpunt tegenover usage-based cloudfacturen. En beperkingen: lokale modellen blijven achter bij complexe redenering en zeer grote contexten, wat van AI-gebruik een bewuste workload choice maakt. GitHub meldt dat Copilot CLI kan koppelen aan lokale modellen en offline kan draaien. Het advies: start nu al met een kleine interne trial op laag-risicotaken, met een korte lijst goedgekeurde tools en duidelijke regels over wat lokaal blijft.
✍️ Mijn inzichten: We kieperen onze data tegenwoordig zonder nadenken in "de cloud", tot u zich realiseert dat uw klantendossiers daar eigenlijk ook op reis zijn. En nu belooft NVIDIA een superchip die een model van 120 miljard parameters op uw laptop laat draaien — alsof er plots een rekencentrum in uw boekentas zit.
Maar de boodschap is bloedserieus, en voor een Belgische ondernemer zelfs bijzonder relevant. Lokale AI betekent dat gevoelige informatie — contracten, personeelsdossiers, medische of juridische gegevens — gewoon binnenshuis blijft. Geen data die de Europese perimeter verlaat, geen teller die per token blijft tikken. Voor sectoren waar GDPR en de AI Act stevig doorwegen, is dat geen detail maar een argument.
Tegelijk: lokale modellen zijn nog niet de slimste van de klas. Voor complexe redenering of enorme documenten blijft een topmodel in de cloud beter. De truc is dus het werk verdelen — routineklussen zoals interne nota's, codefragmenten of een eenvoudige documentvraag kunnen prima lokaal, terwijl u het zware denkwerk uitbesteedt waar het thuishoort.
De vraag voor deze week: welke van uw AI-taken hébben echt het krachtigste cloudmodel nodig — en welke kunnen even goed veilig op uw eigen machine blijven?
✏️ De rode draad van afgelopen week
De rode draad van deze week? AI wordt volwassen. Drie verhalen, drie verschillende rekeningen — een juridische (CNN tegen Perplexity), een verbruiksrekening (het token-dashboard) en een infrastructuurrekening (lokale modellen) — maar telkens dezelfde onderliggende vraag: niet langer "kán AI dit?", maar "wat kost het me écht, en hou ik de controle?".
Het feestje van gratis en grenzeloos experimenteren loopt stilaan op zijn einde. En eerlijk: dat is geen slecht nieuws. Voor een KMO is dit net het moment waarop AI een normale zakelijke beslissing wordt — net zoals u een leverancier kiest, een softwarelicentie afweegt of een verzekering neemt. Geen magie meer, gewoon management.
Wie dat als eerste doorheeft, heeft een streepje voor. Niet de ondernemer met het grootste budget wint, maar diegene die zijn AI-keuzes net zo nuchter bekijkt als elke andere investering: waar komt het vandaan, wat kost het, en wat houd ik in eigen hand? In een Europese economie waar herkomst, aansprakelijkheid en databescherming sowieso al op tafel liggen, hebben wij eigenlijk een thuisvoordeel — we zijn die reflex gewoon.
Mijn uitdaging voor u deze week: kies één van de drie brillen — juridische toegang, verbruik, of lokaal versus cloud — en leg uw eigen AI-setup er even naast. Grote kans dat u binnen vijf minuten een vraag vindt die u nog nooit aan uw leverancier hebt gesteld.
— AI Radar by Xavier Coninckx
