De kansen van Europa op het gebied van AI worden steeds duidelijker op de bedrijfslaag, waar adoptie minder afhankelijk is van de kracht van abstracte modellen en meer van het oplossen van de praktische problemen die beslissen of AI daadwerkelijk kan worden gebruikt.
Enterprise AI begeeft zich naar de moeilijke delen
De eenvoudige versie van enterprise AI is een demo. De harde versie is alles wat er gebeurt nadat de demo werkt.
Dat is waar bedrijven te maken krijgen met machtigingen, verouderde software, onvolledige gegevens, gebruikersinterfaces, compliance-eisen, integratiekosten, beveiligingsrisico’s en workflows die er van buitenaf eenvoudig uitzien, maar vol uitzonderingen zitten. Dit is ook waar veel van de meest interessante AI-bedrijven zich nu positioneren.
Bij HumanX kwam een van de duidelijkste zakelijke AI-signalen van bedrijven die rond praktische knelpunten bouwden in plaats van een abstracte hype. Voor de Europese bedrijven en oprichters waarmee Elena sprak, was het patroon duidelijk: ze probeerden niet de grootste Amerikaanse laboratoria te kopiëren. Ze bouwden rond specifieke ondernemingsproblemen.
H Company richtte zich op computergebruiksmiddelen voor oudere workflows. Malt keek naar talent, rechten en menselijk toezicht. Neuralk AI richtte zich op tabellarische basismodellen voor bedrijfsgegevens. Twaalf Labs richtten zich op video-intelligentie als ontbrekende laag van zakelijke AI.
Samen wijzen ze op een meer gefundeerde versie van de AI-markt. De volgende bedrijfsgolf zal niet alleen gewonnen worden door het grootste algemene model. De prijs zal worden gewonnen door bedrijven die begrijpen waar het werk feitelijk vastloopt.
De ondernemingskaart
Het verouderde softwareprobleem
H Company bood misschien wel het duidelijkste voorbeeld van die praktische focus.
Het argument is dat een groot deel van de bedrijfswereld nog steeds draait op software die niet is ontworpen voor agents, API’s of schone automatisering. Bedrijven hebben oude systemen, losgekoppelde tools, handmatige processen en workflows die zich uitstrekken over Salesforce, SAP, e-mail, pdf’s, interne portals en branchespecifieke interfaces.
Gautier Cloix beschreef het probleem ronduit: de mensheid werkt nog steeds aan verouderde software die geen API’s heeft en geen schone data heeft. Het traditionele antwoord is migratie. Maar migratie is langzaam, duur en vaak achterhaald tegen de tijd dat deze voltooid is.
Het antwoord van H Company is computergebruik: agenten die software bedienen via dezelfde menselijke interfaces die werknemers al gebruiken. Cloix beschreef workflows waarbij een verkoper, klantenservicemedewerker, inkoper, verpleegkundige of backofficemedewerker 40 stappen voltooit in vijf of tien verschillende tools. In plaats van alle onderliggende systemen opnieuw op te bouwen, leert de agent de interface erboven te bedienen.
Daarom is computergebruik belangrijk. Het is geen glamoureus onderzoek. Het is het praktische probleem van klikken, typen, scrollen, schermen lezen en door systemen bewegen die nooit bedoeld waren om met elkaar te praten.
In de woorden van Cloix is het gemeenschappelijke klantprofiel geen specifieke sector. Het gaat erom of een bedrijf ‘een softwarestack met meer dan vijf tools’ heeft en bij minstens één van die tools geen API’s aanwezig zijn.
De recente release van Holo3.1 versterkt die richting, waarbij H Company de modelfamilie positioneert rond web-, desktop-, mobiele en zakelijke workflowautomatisering. Het bredere signaal is dat computergebruiksagenten een serieuze ondernemingscategorie aan het worden zijn, en niet slechts een demo van een model dat een browser bestuurt.
De menselijke laag van agentenwerk
Als H Company zich richt op de software-interface, richt Malt zich op de menselijke en organisatorische interface.
Claire Lebarz, CTO van Malt, omschreef het bedrijf als Europa’s grootste platform voor onafhankelijke experts en freelancers. Dat geeft Malt een specifiek beeld van hoe werk verandert, omdat freelancers vaak sneller reageren op nieuwe technologie dan grote bedrijven.
Volgens Lebarz sprak talent al over agenten voordat de vraag volledig was ingehaald. Malt ziet nu een stijging van 600% in de vraag naar vaardigheden van agenten in slechts drie of vier maanden.
Dat is belangrijk omdat de adoptie van AI bij ondernemingen niet alleen gaat over het kopen van tools. Het gaat erom of bedrijven mensen hebben die rommelige bedrijfsbehoeften kunnen vertalen naar workflows, agenten kunnen begeleiden en automatisering kunnen aanpassen aan de bedrijfscontext.
De interessantste zin van Lebarz was ‘mensen over de streep’. Volgens haar visie zullen agenten in het werk van morgen meer taken moeten uitvoeren, maar zullen er nog steeds mensen nodig zijn die boven het proces staan: het trainen, begeleiden, orkestreren en aanpassen van agenten aan echte bedrijfsomgevingen.
Dat is een nuttige correctie op het gebruikelijke automatiseringsverhaal. De vraag is niet of agenten mensen vervangen in een eenvoudige één-op-één-uitwisseling. De vraag is hoe het werk wordt verpakt: welke onderdelen gaan naar agenten, voor welke onderdelen zijn experts nodig, en voor welke onderdelen zijn mensen nodig die de context goed genoeg begrijpen om meerdere systemen tegelijk te controleren.
Het perspectief van Malt laat ook zien waarom Europa mogelijk andere AI-kansen heeft. De regio heeft grote zakelijke klanten, talentmarkten, bewustzijn op het gebied van regelgeving en een transitieprobleem op het gebied van personeel dat niet alleen door een hype kan worden opgelost. Als agentisch werk vertrouwen, toestemmingen, identiteit, evaluatie en context nodig heeft, wordt de menselijke laag onderdeel van het product.
De gegevens die bedrijven daadwerkelijk gebruiken
Neuralk AI bracht het gesprek terug op een van de meest voorkomende, maar onderbelichte vormen van bedrijfsgegevens: tabellen.
De pitch van het bedrijf is eenvoudig en ambitieus. De oprichter beschreef dat Neuralk voor tabelgegevens deed wat basismodellen deden voor tekst. In plaats van van elke klant te eisen dat hij een afzonderlijke machine-learning-pijplijn bouwt, bouwt het bedrijf basismodellen die via een API-eindpunt voorspellingen kunnen doen op basis van rijen en kolommen.
Dat is belangrijk omdat de meeste bedrijven niet werken met schone tekst op internetschaal. Ze draaien op gestructureerde gegevens: klanten, transacties, inventaris, financiële gegevens, operationele statistieken, risicoscores en interne geschiedenis. Deze tabellen vormen vaak de kern van het bedrijf, maar het zijn geen gegevens die zomaar van internet kunnen worden geplukt.
The founder explained that tabular data is the core data of every company, which is precisely why companies will not freely give it away. De aanpak van Neuralk maakt gebruik van synthetische tabellen tijdens de training, zodat het model statistische patronen kan leren en vervolgens gelabelde contextmonsters kan gebruiken op het moment van inferentie om voorspellingen te doen op basis van klantgegevens.
Dit is een heel ander AI-probleem voor bedrijven dan chat. Het gaat om statistische gevolgtrekkingen, voorspellingen, datakwaliteit en implementatie zonder dat elk bedrijf wordt gevraagd het volledige machinepark van klassieke ML-operaties te onderhouden.
Als het werkt, wijst het op een bedrijfstrend: de AI-stack komt steeds dichter in de buurt van de datastructuren waar bedrijven al afhankelijk van zijn.
De ontbrekende videolaag
Twelve Labs heeft nog een ontbrekende laag toegevoegd: video.
Het bedrijf ging uit van de opvatting dat het begrijpen van video niet hetzelfde is als het transcriberen van dialogen of het detecteren van objecten in frames. Video vereist begrip van de tijd, geluid, dialoog, scènecontext, beweging en het vermogen om te beslissen wat belangrijk is en wat niet.
Het Marengo-model maakt semantisch zoeken in video, beeld, audio en taal mogelijk. Pegasus is een videotaalmodel dat scènes kan analyseren, video kan samenvatten, metadata kan genereren en gestructureerde output kan ondersteunen.
Dat is belangrijk omdat ondernemingen al beschikken over enorme video-archieven: studio’s, sportcompetities, nieuwszenders, productiebedrijven, organisaties uit de publieke sector, beveiligingsteams en dataproviders. Een groot deel van die video is waardevol, maar moeilijk te doorzoeken, te beheren, inkomsten te genereren of in workflows om te zetten.
Het Twelve Labs-gesprek verbond video ook met een groter fysiek AI-verhaal. Eén vertegenwoordiger beschreef video als fundamenteel voor robotica en autosystemen, omdat machines de echte wereld moeten begrijpen. Ze omschrijven de ambitie als een soort ‘visuele cortex voor machines’.
Die zin helpt het bedrijf te verbinden met het bredere HumanX-thema. Enterprise AI bestaat niet alleen uit tekst, code of databases. Het is ook visueel, temporeel, multimodaal en uiteindelijk ruimtelijk.
De mogelijkheid voor Europa is specificiteit
Het gedeelde patroon binnen deze bedrijven is specificiteit.
H Company probeert geen universele chatbot te bouwen. Het probeert oudere software te gebruiken. Malt heeft het niet alleen over AI-banen in abstracte zin. Er wordt gekeken naar hoe talent, agenten en supervisie voor bedrijven worden verpakt. Neuralk probeert niet nog een taalmodel voor algemene doeleinden te maken. Het bouwt rond tabelgegevens. Twelve Labs beschouwt video niet als bijzaak. Het behandelt videobegrip als een basislaag.
Die specificiteit kan het punt zijn waarop Europa kan concurreren. De zakelijke AI-markt heeft niet alleen grotere modellen nodig. Er zijn bedrijven nodig die inzicht hebben in workflows, branchebeperkingen, gevoelige gegevens, arbeidsmarkten en de laatste stap tussen mogelijkheden en adoptie.
Dat was het interessantere signaal van HumanX. Het Europese AI-verhaal gaat niet alleen over de vraag of Europa een grenslaboratorium kan produceren dat kan wedijveren met de VS. Het gaat ook over de vraag of Europese bedrijven AI kunnen omzetten in inzetbare systemen voor de rommelige, gereguleerde, operationele wereld waarin ondernemingen daadwerkelijk leven.
Het antwoord komt wellicht minder voort uit spektakel en meer uit de saaie plekken waar het werk werkelijk gebeurt: oude software, privégegevens, rekruteringsworkflows, video-archieven en de mensen die van bovenaf toezicht houden op agenten.
