Twee jaar geleden liep het argument voor Europese AI-soevereiniteit vaak op een praktische muur: de open-source modellen waren niet goed genoeg. De kloof tussen GPT-4 en de beste open-source alternatieven was reëel, en voor productiegebruik was dat relevant.

Dat argument is nu achterhaald. Het open-source AI-ecosysteem in 2026 is oprecht concurrerend met gesloten propriëtaire modellen — en op meerdere dimensies heeft het de koppositie overgenomen.

Het Modellandschap

Mistral blijft het vlaggenschip van Europese AI. Het in Parijs gevestigde bedrijf heeft consequent de grenzen van open-weight modellen verlegd. Mistral Large 2, uitgebracht in eind 2024, bewees dat een Europees laboratorium kan concurreren met de beste Amerikaanse modellen op standaard benchmarks, en dat met een model beschikbaar onder een licentie die commercieel gebruik toestaat.

Qwen, van Alibaba's onderzoeksgroep, verdient een vermelding ook al is het niet Europees: het is Apache 2.0 gelicentieerd en is de facto standaard geworden voor meertalige Europese implementaties vanwege zijn sterke prestaties in niet-Engelse talen, waaronder Frans, Duits, Italiaans, Spaans en Pools.

Phi-modellen van Microsoft Research vertegenwoordigen een andere filosofie: zeer kleine modellen die boven hun gewichtsklasse presteren door zorgvuldige dataselectie. De Phi-4-lijn toont dat een model met 14B parameters veel 70B-modellen kan overtreffen op redeneervaardigheden — cruciaal voor organisaties die AI op beperkte hardware moeten draaien.

Llama ontbreekt opvallend in EULLM's ondersteunde modellen, en dat is bewust. Meta's Llama-licentie bevat merkeisvereisten die conflicteren met white-label implementatie. Voor organisaties die soevereine AI-producten onder eigen merk bouwen, creëren Llama's voorwaarden juridisch risico. Apache 2.0-modellen vermijden dit volledig.

Infrastructuurvolwassenheid

De modelverbeteringen zijn gepaard gegaan met infrastructuurvolwassenheid. Drie jaar geleden was het draaien van een productie LLM-inferentieserver een specialistentaak. Vandaag:

llama.cpp maakt efficiënte CPU- en GPU-inferentie mogelijk voor gekwantiseerde GGUF-modellen op gewone hardware
Ollama bracht een ontwikkelaarsvriendelijke API-laag, hoewel de telemetriepraktijken vragen hebben opgeroepen bij zakelijke gebruikers
EULLM Engine bouwt voort op deze fundamenten met continue batching, volledige GPU-versnelling voor NVIDIA CUDA, AMD ROCm, Vulkan en Apple Metal, en nul niet-EU-telemetrie

Ook de hardwarekant is verbeterd. NVIDIA H100 GPU's zijn steeds meer beschikbaar bij in de EU gevestigde cloudproviders. Voor kleinere implementaties kan consumentenhardware comfortabel 7B–14B-modellen draaien, en moderne kwantisering maakt 30B+-modellen haalbaar op hardware die twee jaar geleden moeite zou hebben gehad.

Het Compliance-ecosysteem

Wat er rondom deze technische mogelijkheden ontstaat, is even belangrijk: een compliance-ecosysteem speciaal gebouwd voor de EU-regelgevingsomgeving.

De vereisten van de EU AI Act voor hoog-risico AI-systemen — conformiteitsbeoordelingen, technische documentatie, auditlogging, menselijke toezichtsmechanismen — worden nu opgepakt door open-source tooling. EULLM's ingebouwde auditlogging is één onderdeel. AI Act compliance-kaarten voor Hub-modellen zijn een ander.

Deze compliance-infrastructuur is een echte onderscheider voor Europese oplossingen. Amerikaanse en Chinese cloudproviders bieden krachtige modellen, maar ze bieden niet de audittrails, de garanties voor gegevensopslag of de regelgevende documentatie die Europese zakelijke inkoop steeds meer vereist.

Wat Er Nog Ontbreekt

Een eerlijke beoordeling vereist het erkennen van de hiaten:

End-to-end tooling. De componenten bestaan — inferentie, fine-tuning, modelregister, compliance-documentatie — maar ze vormen nog geen naadloos geïntegreerd platform. EULLM werkt hiernaartoe; Forge en Hub zijn nog in ontwikkeling.

Europees grensonderzoek. Ondanks Mistral's succes heeft Europa nog steeds geen laboratorium dat consequent modellen traint aan de frontier (100B+ parameters). Dit speelt misschien minder naarmate inferentie-efficiëntie verbetert, maar het is wel een hiaat.

Zakelijk ondersteuningsecosysteem. Zelf-gehoste infrastructuur vereist iemand die het beheert. Het ecosysteem van Europese bedrijven die ondersteuning, beheerde implementatie en consultancy rond open-source AI bieden, groeit maar is nog altijd dun vergeleken met wat beschikbaar is voor cloud-AI.

De Ontwikkelingsrichting

De trajectorie is duidelijk. Open-source modellen worden sneller beter dan propriëtaire modellen, deels omdat talent en rekenkracht breder verdeeld zijn. Infrastructuurtooling rijpt. De regelgevingsomgeving creëert vraag naar soevereine alternatieven.

Voor Europese organisaties die vandaag AI-infrastructuurbeslissingen nemen, is de vraag niet of soevereine open-source AI kan werken voor hun gebruik. De vraag is welk implementatiepad past bij hun specifieke compliancevereisten, hardwarebeperkingen en domeinspecialisatiebehoeften.

Het antwoord op die vraag is wat EULLM is gebouwd om te helpen vinden.

EULLM is een open-source platform voor soevereine AI-implementatie in Europa. Verken op GitHub.