- Authentiek
- Oprecht
- Creatief en deskundig
De Fiscale Vuurtoren · Week 39 · 2026
Apple Intelligence, lokaal AI en de sprong terug naar je eigen keuken.
Beste collega,
Het is negen uur in de avond. Buiten is het al donker, binnen brandt één lamp naast de bank, en op mijn Surface knippert de cursor zoals cursors dat doen op zaterdagavonden vlak voor de storm van een nieuwe week. Deze editie schrijf ik vroeger dan normaal. Véél vroeger. Meestal begin ik pas rond elven, soms tegen middernacht, met een kop koffie die aan het eind van de sessie meer heeft meegelezen dan gedronken. Vandaag niet. Vandaag moet ik vroeg op bed. Waarom weet je nu nog niet. Aan het eind van deze brief snap je waarom.
Voordat ik in het inhoudelijke onderwerp van deze week duik, eerst even mijn week terugblikken in vier scènes. Anders krijg je een opsomming, en opsommingen zijn niet waarom je op zaterdagochtend leest.
Scène één. Maandag, Zwolle. De eerste ledenraadpleging van het RB. Dertig collega’s, geen volle zaal maar wel de juiste zaal. Kleiner is soms scherper, en dit was er zo eentje. Ik zeg er meteen bij dat “ik” hier het verkeerde woord is. We doen dit met vieren. De commissie AI en Digitalisering van het RB bestaat uit vier leden, en we werken deze raadplegingen samen voor. Als commissie hebben we bewust met Menti gewerkt om vragen op te halen. Elke deelnemer op zijn telefoon, elke stem in de output, alles gestructureerd terug op het scherm. Zo hebben we én een notulist die niet hoeft mee te schrijven omdat het systeem het doet, én alle input één‑op‑één bij elkaar. Deze Menti‑opzet gaan we volgende maandag in Best ook gebruiken, en in oktober weer in Vianen. Zo bouwen we onder drie raadplegingen één samenhangend beeld op, in plaats van drie losse verslagen die niemand meer terugleest. De conclusie uit Zwolle laat zich in één zin vangen: leden willen praktische hulp, in de breedste zin, bij AI en digitalisering. Niet abstract, niet visie‑op‑visie‑gestapeld. Praktisch. Uitvoerbaar. Vandaag toepasbaar. Ik ging naar huis met een schrift vol krabbels en het gevoel dat we ergens middenin zitten. Middenin de transitie, middenin de vragen, middenin de kansen. Volgende maandag gaan we naar Best voor de tweede raadpleging. We hebben er veel zin in.
Scène twee. Woensdag, Dordrecht, Stadsklooster. Een prachtig fiscaal‑adviesgezelschap. Een keynote voor een groep vennoten die geen millimeter afwachtend was. Handen omhoog voordat ik een half slide verder was. Een vennoot die tijdens de pauze met een dossier kwam. Vragen die niet gingen over “kunnen we AI gebruiken”, maar over “hoe gebruiken we AI zonder onze klanten teleur te stellen”. Precies het soort vraag waar ik van houd.
Wat me daar bijbleef, was dat de vennoten enorm goed bij de les bleven. Geen telefoons onder tafel. Geen half‑luisterende blikken. Volledige aandacht, uur na uur. En op een gegeven moment gingen we samen een gedachte‑experiment in dat ik graag met je deel, omdat het denk ik het beste beeld geeft van waar dit vak naartoe beweegt.
We spraken over Sanne. Sanne is fictief maar Sanne is écht. Sanne is de fiscalist in 2030. Ze is nu negentien, twintig, misschien tweeëntwintig. Ze zit op de universiteit of komt net van een hbo‑opleiding fiscaal recht. Ze heeft ChatGPT nooit anders gekend dan als iets dat op haar telefoon staat. Voor haar is AI wat internet voor ons was: geen tool, maar water. Iets waar je in zwemt.
Wie is Sanne in 2030? Ze zit bij een middelgroot kantoor, tussen de twintig en veertig medewerkers. Ze werkt drie of vier dagen per week, want de arbeidsmarkt van 2030 laat kantoren geen keuze meer op dat vlak. Ze is niet loyaal aan haar kantoor op de manier waarop mijn generatie dat was. Ze is loyaal aan haar vak, haar klanten, haar collega’s, en aan een werkgever die haar het beste laat groeien. Als die drie zich splitsen, kiest ze de weg die haar het meest ontwikkelt.
Wat heeft Sanne nodig? Drie dingen die vaak vergeten worden. Eén: een kantoor dat serieus AI heeft geïntegreerd, niet als toevoeging maar als fundament. Als ze op maandag binnenkomt en ze moet nog handmatig documenten doorspitten die AI kan pre‑analyseren, dan is haar geduld op woensdag op. Twee: senior mensen die haar kunnen coachen op oordeel en tegenspraak, niet op tikwerk. Ze wil niet leren hoe een aangifte technisch geproduceerd wordt (dat kan AI), ze wil leren hoe je een aangiftecasus fiscaal beoordeelt. Drie: een pad naar verantwoordelijkheid dat sneller loopt dan het pad van tien jaar geleden. Als de klerkenklus wegvalt, moet het adviesschap sneller komen. Anders vertrekt ze na twee jaar naar een startup die haar de ruimte wel geeft.
Hoe wordt Sanne junior, en hoe wordt ze senior? Het klassieke pad was: eerst leren om nauwkeurig te tikken, dan leren om te begrijpen, dan leren om te adviseren, dan leren om te leiden. Dat pad duurde tien tot vijftien jaar. In 2030 gaat dat anders. Sanne begint met begrijpen (want tikken doet AI). Vervolgens leert ze adviseren, en dat vraagt om senior mensen die naast haar zitten. Daarna leert ze leiden. Het traject wordt niet korter, maar de fasen verschuiven van volgorde en gewicht. Wie snel doorgroeit? De juniors die zich niet laten opsluiten in “eerst je duizend uren tikwerk maken”. Wie stagneert? De juniors die te lang wachten op formele bevordering terwijl ze eigenlijk al zelfstandig kunnen adviseren.
Voor senioren, ik ook: dat betekent dat we onze rol opnieuw uitvinden. We zijn geen technisch expert meer die vertelt hoe iets moet. We zijn eerder een gids die naast Sanne staat en haar helpt oordeel te ontwikkelen. Dat is vakinhoudelijk anders, en het vraagt een andere pedagogiek. Ik oefen er zelf ook op, en ik faal er nog geregeld op als ik automatisch in de leraar‑modus schiet in plaats van de coach‑modus.
De vennoten in Dordrecht knikten toen we dit doorwerkten. Iemand zei: “Ron, wij hebben dit gesprek al drie jaar niet met elkaar gevoerd.” Dat kan kloppen. En het is precies waarom deze gesprekken op vennotenniveau maandelijks op de agenda horen. Sanne komt eraan. Ze zit al bij je op kantoor, ze is nu misschien een stagiaire. Of ze is er nog niet, en je moet er alles aan doen om te zorgen dat ze bij jou wíl beginnen.
Ik kom later in deze editie nog terug op wat lokaal AI concreet betekent voor Sanne’s leerpad, want daar zit de link met het hoofdonderwerp. Voor nu: houd Sanne in je hoofd terwijl je verder leest.
Scène drie. Donderdag, iets meer dan 110 medewerkers van een auditkantoor in de publieke sector. Zeer gemotiveerde groep. Geen enkele cursist met de bekende armen over elkaar. En ik kreeg maar liefst twee keer applaus. Ik nam het aan zoals je een verjaardagscadeau aanneemt. Dankbaar en licht ongemakkelijk.
Scène vier. Diezelfde donderdag speelde ik Russisch roulette. Ik wist niet of het interactieve deel op het podium zou werken. Dit was deel twee van een cursus, met een QR‑code die iemand op de eerste rij moest scannen. Ik vroeg een cursist om hem te scannen en te melden of het werkte. Terwijl ik dat vroeg, klopte mijn hart een halve slag anders. Wat als het niet werkte. Wat had ik dan gedaan op dat podium voor 110 mensen. Freestylen. Gauw een andere cursus opstarten. Gelukkig werkte het wél. Ik hoorde de bevestiging, mijn hoofd maakte de mega‑sprong terug naar de tekst die ik voorbereid had.
En daar zit meteen de brug naar het onderwerp van deze week. Want die roulette‑ervaring, dat gevoel van “wat als het niet werkt, wat als de verbinding uitvalt, wat als de tool net vandaag niet doet wat gisteren wél werkte”, die is de reden dat ik deze editie helemaal wijd aan één onderwerp waar veel te weinig over wordt geschreven in ons vakgebied.
Lokale AI. Apple Intelligence. Draaien op je eigen hardware, op je eigen kantoor, met je eigen data. En waarom dat voor belastingadviseurs en accountants belangrijker is dan de gemiddelde IT‑afdeling doorheeft.
Ik ga hem in acht delen met je door. Ik neem de tijd. Dit is de zaterdag om er de tijd voor te nemen, want als je hierin de goede beslissing maakt, betaalt dat zich de komende drie jaar terug in gemoedsrust, in klantbewustzijn, en in slaap. Vooral dat laatste, en waarom dat vanavond zo relevant is voor mij, snap je aan het eind.
Trek een kop koffie. Doe je telefoon om. Ga zitten. We beginnen.
Voordat we in de acht delen duiken, één klein voorwoord over waarom uitgerekend nu. Niet omdat de zaal er deze week om vroeg. Eerlijk gezegd: de vraag kwam vooral van mezelf. In de auto tussen Zwolle en huis. In de trein op terugreis. Onderweg, tussen de bedrijven door, keerde dezelfde gedachte drie of vier keer terug: “kan dit ook lokaal draaien”. Bij een structuurwijziging waar ik over nadacht. Bij een dossier van een klant waarvan ik me afvroeg of het écht in een cloud‑gesprek thuishoorde. Bij een prompt die ik op mijn Surface tikte en die me een moment liet twijfelen over waar de content nu precies langs zou reizen. Als eenzelfde vraag drie of vier keer in één week bij mij opduikt in verschillende situaties, is dat voor mij een intern signaal dat het onderwerp aandacht vraagt. Niet omdat een zaal in koor “lokaal AI” heeft geroepen. Wel omdat mijn eigen praktijk deze week fluisterde dat we hierover met elkaar hardop moeten nadenken. En dat is precies het moment waarop je als vakblad, of vaknieuwsbrief, er uitgebreid tijd voor moet maken.
En nog iets. Ik krijg regelmatig de vraag of ik onafhankelijk ben in mijn advisering. Ik verkoop geen hardware. Ik heb geen affiliaties met Apple, Microsoft, Anthropic, OpenAI of Google. Ik heb wel affiliaties met opleiders (Blauwe Vrijdag, SRA, RB, Sdu) waar ik les geef. Mijn advies is gebaseerd op wat ik in mijn eigen praktijk zie werken, en op wat ik bij tientallen kantoren in Nederland zie werken. Dat is geen garantie, wél een basis. Als ergens in deze editie een merk of product naar voren komt, is dat omdat ik het zelf gebruik of grondig heb getest, niet omdat iemand ervoor betaalt. Voor de goede orde.
Laat ik met een scène beginnen. Donderdag, publieke sector, na afloop. Ik was aan het rondlopen tijdens de opdrachten en zag een enthousiaste cursist zitten die alles wilde weten over agents. Alles. Hij vroeg door op één punt, en op het volgende, en op het volgende. Ik ging even bij zijn tafel zitten, gaf hem een paar instructies over hoe hij een agent‑workflow zou kunnen opzetten, en zag hem daarna driftig typen. Elke twee minuten kwam er een nieuwe vervolgvraag. Op een gegeven moment stelde ik hém een vraag, in plaats van hij mij. Ik zei: “Je draait dit alles op ChatGPT, met enterprise‑licentie, zero data retention, mooie contracten. Wat is dan nog het argument om lokaal AI erbij te overwegen?” Hij dacht even na, keek me aan, en zei: “Eerlijk gezegd, dat weet ik niet.” Precies. En daar begint deel één van deze editie. Ik heb hem toen twee antwoorden gegeven en ik geef ze hier ook.
Eerste antwoord. Contracten zijn geen tastbare bescherming, het zijn juridische toezeggingen. Ze geven je een claim ná een incident, geen preventie vóór het incident. En als je met cliëntdata werkt die onder beroepsgeheim valt (art. 53a AWR voor belastingadvies, tuchtrechtelijke geheimhouding voor accountants), dan is de vraag niet “wat kan ik claimen als het misgaat”, maar “hoe voorkom ik dat de data ooit ergens komt waar hij niet hoort”.
Tweede antwoord, en die was voor hem doorslaggevender. De keten in cloud‑AI is langer dan de meeste kantoren zich realiseren. Prompt gaat via provider naar model, model geeft output, gebruikssignalen worden gelogd, telemetrie voor incident response wordt bijgehouden, in sommige gevallen wordt de conversatie ingezien voor safety‑review. Bij lokaal AI is die keten drie stappen korter. Prompt gaat naar model op jouw hardware, model geeft output, klaar. Geen provider, geen telemetrie, geen keten.
Dat is niet “cloud is fout, lokaal is goed”. Dat is: de risicoprofielen zijn wezenlijk anders. Voor een BTW‑vraag over elektrische fietsen maakt het niet uit. Voor een gesprek over de fiscale positie van een DGA met een lopende echtscheiding en een grensoverschrijdende holdingstructuur maakt het wel degelijk uit.
Er is nog een derde reden die kantoren zelden benoemen. Continuïteit. Als jouw cloudprovider besluit om zijn prijzen te verdubbelen, of zijn algemene voorwaarden te wijzigen, of te stoppen met een product, dan zit jij vast aan zijn beslissing. Bij lokaal AI zit je model op je eigen hardware. Zolang het apparaat draait, draait het model. Dat is een vorm van soevereiniteit die je in de cloud niet krijgt.
De vraag is niet “of ik lokaal moet gaan”. De vraag is “waar zet ik lokaal in, en waar blijf ik cloud gebruiken”. Voor negen op de tien kantoren wordt dit een hybride model. Dat is precies wat ook Apple zelf met Apple Intelligence introduceert, waarover deel twee.
Voordat we daarheen gaan één praktische opmerking. Beroepsgeheim is niet iets waar je een tool over vraagt. Het is iets waar jij verantwoordelijk voor bent. Elke keer als jij een AI‑tool inzet op cliëntinformatie, ben jij degene die aantoonbaar moet kunnen maken dat de informatie niet gecompromitteerd is. Lokaal AI helpt je in die aantoonbaarheid, omdat het argument simpel is: het model heeft de data nooit verlaten. In cloud‑setups moet je dat via contract, log, en processturing bewijzen. Dat is niet onmogelijk, het is wél meer werk.
Ik ga hier even bij stilstaan, want ik wil dit punt scherp maken. Stel: er komt over drie jaar een claim tegen jouw kantoor. Cliënt beweert dat je advies onjuist was en dat er gevoelige informatie is uitgelekt. In een cloud‑setup moet je in de tijdlijn kunnen leveren: welke provider, welk model, welk contract op welke datum, welke retention, welke logs, welke incidentmeldingen. Dat kan, maar je bent afhankelijk van de provider. In een lokale setup zeg je: het model draaide op deze machine, in dit netwerk, en heeft de infrastructuur van dit kantoor nooit verlaten. Punt. Voor een civiele rechter is dat een simpeler bewijskader. Voor een tuchtcollege ook.
Er is een derde invalshoek die ik in Zwolle maandag opving. Iemand vroeg: “Ron, is het niet vreemd dat wij als fiscalisten en accountants zo afhankelijk zijn geworden van drie Amerikaanse bedrijven?” Ik heb er over nagedacht en de eerlijke reactie is: ja, dat is vreemd. Wij hebben in ons vak een lange traditie van onafhankelijkheid. Van niet‑gebondenheid. Van “wij dienen de klant, niet de leverancier”. Als straks tachtig procent van onze werkstroom door drie bedrijven gaat, is dat een strategische kwetsbaarheid van het beroep als geheel. Lokaal AI is niet dé oplossing. Wél een tegengewicht. En elk kantoor dat hierin een keuze maakt, draagt bij aan die weerbaarheid.
En ik pleit al lang voor Europese AI. Niet uit sentiment, niet omdat “wij” beter zouden zijn dan een ander, maar omdat we in Europa laten liggen wat we in andere hoogtechnologische sectoren wél oppakken. ASML wees ons de weg. Eén Nederlands bedrijf werd wereldwijd onmisbaar in de chipmachines. Dat kan. Dat is een bestaande blauwdruk. Maar op AI‑gebied gebeurt er in Europa veel te weinig. Er zijn kiemen (Mistral in Frankrijk, wat Duitse initiatieven, wat kleine Nederlandse startups), maar het loopt vlak naast de investeringen en het tempo van de VS en China achteraan. En dat is niet alleen een technologisch verhaal, dat is een economisch en menselijk verhaal.
Ik stel in mijn zalen vaak de vraag: waar gaan we in ons prachtige land van eten als een groot deel van onze kenniseconomie door AI kan worden overgenomen en gaandeweg ook overgenomen zal worden? Wat wordt de rol van onze kinderen? En onze kleinkinderen? Wat wordt de rol van dit land, dat groot is geworden door kennis, precisie en handel, in een wereld waar de kern van kennis in de handen ligt van drie of vier Amerikaanse en Chinese platforms? Dat is geen retorische vraag. Dat is de vraag waar wij als generatie een antwoord op moeten formuleren, en tot dusver ontwijken we hem meer dan we hem beantwoorden.
Ik zie de ontwikkeling en ontdekking van AI persoonlijk als een van de grootste kantelpunten die we in mensenheugenis meemaken. Zoals de ontdekking van het vuur, zo diep. Vuur veranderde alles: hoe we aten, hoe we sliepen, waar we konden wonen, hoe we werkten, hoe we ons in de kou konden handhaven. AI raakt op vergelijkbare schaal aan hoe we denken, hoe we leren, hoe we werken, en hoe we betekenis geven aan wat we doen.
En precies daarom voel ik de drang om collega’s te helpen deze transitie te maken. Niet om ze bij te leren op een lijstje van tools. Wel om ze te helpen de sprong te maken naar een nieuwe manier van professional zijn. Misschien is dat een groot woord. Misschien is het letterlijk overleven, in de zin van “als beroepsbeoefenaar relevant blijven de komende twintig jaar”. Ik denk het laatste eerlijk gezegd steeds vaker.
En dan terug naar het praktische. Voor de mensen die bij het woord “onafhankelijkheid” ijs op de rug krijgen: dit is geen oproep om cloudtools uit te sluiten. Dit is een oproep tot bewuste keuze. Per taak, per klant, per risicoprofiel. Wat elke week meer op de agenda hoort te staan is: wie verwerkt onze data, in welke jurisdictie, onder welke wetgeving. En als het antwoord op één van die vragen ongemakkelijk is, is de vervolgvraag: hebben we een alternatief. Dat alternatief is zelden zwart‑wit. Vaak is het hybride. Vaak zit het antwoord in een combinatie van Europese leveranciers, lokaal draaien, en gecontroleerde cloud waar dat past. Wie die combinatie bewust maakt, doet mee aan de bouw van Europese AI in het klein. En als vijfhonderd of duizend kantoren dat doen, is dat samen een fundament voor waar we als continent naartoe moeten.
Apple heeft dit jaar op WWDC 2026 een architectuur voor AI aangekondigd die opvalt door haar structuur. Drie lagen. Elke laag met een eigen privacybelofte. Kort samengevat:
Laag 1. Apple Foundation Models (AFM) Core, on‑device. Draaien puur op de chip van je Mac, iPad of iPhone. Simpele taken zoals dictaten, snelle antwoorden, tekstsamenvattingen, gestandaardiseerde herformuleringen. Nooit verlaat de data je apparaat. Apple heeft hier een compact on‑device model in de klasse van enkele miljarden parameters ontwikkeld, geoptimaliseerd voor meertalig en multimodaal werk.
Laag 2. Private Cloud Compute (PCC). Voor taken die on‑device te zwaar zijn, gaat Apple naar servers die Apple zelf beheert en die cryptografisch bewijs leveren dat de servers exact draaien wat Apple gepubliceerd heeft. Geen persistente opslag, geen logboek, geen menselijke inzage. Elke server is auditeerbaar door onafhankelijke onderzoekers.
Laag 3. Externe cloud‑fallback. Voor de zwaarste taken kan Apple naar externe cloud‑capaciteit routeren (in de praktijk vaak richting ChatGPT‑integratie via OpenAI, en volgens analistenrapporten ook via aanvullende GPU‑capaciteit). Deze laag heeft niet dezelfde privacygaranties als PCC, en Apple communiceert daar transparant over. Voor gevoelig werk kun je deze laag uitschakelen in je systeeminstellingen.
Waarom is deze gelaagde aanpak interessant voor jouw kantoor? Omdat het conceptueel exact overeenkomt met wat een adviseur zou moeten doen. Bepaal per taak welk risicoprofiel past, en kies daar de bijbehorende laag bij. Apple heeft het architecturaal opgelost. Jij mag het beleidsmatig oplossen.
Wat werkt goed in de praktijk (mijn eigen ervaring op een MacBook Pro M4 die ik intensief gebruik voor onderweg):
De M5‑generatie die Apple in het najaar heeft aangekondigd, gaat een orde van grootte harder. Elke GPU‑kern heeft een Neural Accelerator ingebouwd, met een claim van meer dan vier keer de piek‑GPU‑rekenkracht voor AI‑workloads ten opzichte van de M4. Op M5 Pro en M5 Max heeft de Neural Engine bovendien een hogere bandbreedte naar het geheugen. Dat betekent concreet: on‑device modellen die vorig jaar niet praktisch waren, worden dit jaar comfortabel.
Voor kantoren die op Mac zitten (en dat zijn er, in mijn ervaring, meer dan je zou verwachten in de belastingadvies‑hoek), is Apple Intelligence de laagdrempeligste manier om lokaal AI serieus in te zetten. Het is out‑of‑the‑box, het is gratis, en het is gebouwd rond privacy.
Voor kantoren die op Windows zitten (en dat zijn de meesten), gaat het verhaal via een andere route. Daarover deel drie.
Ik voeg hier nog iets aan toe, want deze week kwamen bij Blauwe Vrijdag drie aparte vragen binnen over de M5. Iedereen wil weten: is het al de moeite waard om de sprong te maken, of kan ik nog een generatie wachten? Mijn eerlijke antwoord op basis van de eerste tests: voor iemand die vandaag lokaal AI wil serieus nemen, is de M5 een substantiële stap. Voor iemand die eind 2027 of 2028 pas gaat schalen, kan wachten prima. Voor iemand met een M2 of ouder die nu doet alsof lokaal AI voor hem niet werkt: die trein staat op een station waar je al een jaar naar had kunnen zwaaien. Vervang je hardware, of kies bewust voor cloud.
Nog een operationeel puntje. Apple Intelligence is nog niet volledig geoptimaliseerd voor het Nederlands. De on‑device modellen redden zich, maar voor complexer Nederlandstalig fiscaal‑juridisch werk kies je in Instellingen op dit moment beter voor Private Cloud Compute of voor een externe fallback met bewuste beperkingen. Het is een tijdelijke situatie, want Apple werkt hard aan multilingual gelijkwaardigheid. Volg de release notes.
En voor iemand die zich afvraagt “hoe zit dit met iPad”: Apple Intelligence draait ook op iPads met M‑serie chips. Voor client‑gerichte demo’s, voor scenario’s waarbij je een dossier aan een klant laat zien en er hardop over praat, is dat handig. Voor serieuze productiewerkstromen blijf ik zelf op MacBook of Mac Studio, om de simpele reden dat toetsenbord‑werk sneller gaat en dat integraties met LM Studio en Ollama op macOS soepeler zijn.
Niet onvermeld mag blijven: Apple’s aanpak is niet perfect. Er zijn discussies over hoe modelupdates gedistribueerd worden, over de exacte grenzen van PCC, en over de mate waarin gebruikers écht controle hebben over welke taken op welke laag lopen. Voor jouw praktijk is die transparantie‑discussie iets om te blijven volgen. Maar het startpunt is stevig, en dat is meer dan een gemiddelde cloud‑AI‑leverancier kan zeggen.
Dit is het deel waar het bij veel kantoren mis gaat, want de verkeerde hardware kopen is een dure fout die je twee tot drie jaar meesleept. Ik zet de opties op een rij zoals ik ze op dit moment (september 2026) beoordeel voor accountants en belastingadviseurs.
Optie A. MacBook Pro M4 of M5 met 24‑48 GB unified memory.
Optie B‑klein. Mac Mini M5 Pro met 64 GB unified memory.
Optie B‑groot. Mac Studio met M3 Ultra en 96 GB unified memory.
Optie C. Copilot+ PC met Snapdragon X Elite of X2 Elite.
Optie C‑extra. Nvidia DGX Spark.
Zelf heb ik voor Apple gekozen (zie de PPPPPS onderaan). Ik houd de DGX Spark wel op de radar voor Blauwe Vrijdag, want voor sommige workloads die we in trainingen tegenkomen is de CUDA‑stack praktischer dan wat op Apple Silicon draait. Voor kantoren die op Windows of Linux blijven en die “één doos met alles” willen, is dit misschien wel de meest onderbenutte optie van 2026. Vergelijk hem in je offerte‑ronde naast een Mac Studio en een RTX‑workstation.
Optie D. Windows workstation met RTX‑GPU (bijvoorbeeld RTX 5080 of 5090).
Mijn samenvatting van keuzes.
Voor iedereen die dit voor de eerste keer leest en denkt “dit is te veel keuze”: begin klein. Neem een MacBook Pro of Copilot+ PC met voldoende geheugen (minimum 32 GB), installeer LM Studio, test twee modellen, en beslis daarna of je schaalt naar een gedeelde server. Fouten in de laptopkeuze zijn goedkoper dan fouten in een serverkeuze.
Een aantal misverstanden die ik in de zaal hoor en die ik hier ontkracht.
Misverstand één: “Ik heb een RTX‑videokaart in mijn gaming‑PC, dan ben ik klaar.” Antwoord: gaming‑kaarten met 8 tot 12 GB VRAM zijn te klein voor serieuze modellen. Vanaf 16 GB VRAM wordt het interessant, vanaf 24 GB VRAM (RTX 4090 en 5090) wordt het écht bruikbaar. Voor 70B‑modellen komt zelfs 24 GB krap uit als je context lang wilt houden.
Misverstand twee: “Meer cores is beter.” Antwoord: voor lokaal LLM‑werk telt geheugenbandbreedte zwaarder dan cores. Daarom is de M3 Ultra met 800 GB/s bandbreedte een betere lokale AI‑server dan een M4 Max met minder bandbreedte, ook al klinkt “M4” nieuwer.
Misverstand drie: “Copilot+ PC met een NPU is de nieuwe standaard voor lokaal AI.” Antwoord: nog niet. De NPU versnelt Windows‑features en toekomstige Microsoft‑stacks, maar de open‑source LLM‑tools (Ollama, LM Studio) leunen vooral op GPU en CPU. Voor open lokaal draaien is een RTX‑workstation of Nvidia DGX Spark vandaag beter dan een Copilot+ PC.
Misverstand vier: “Een enterprise server hebben we niet nodig, we werken vanuit huis.” Antwoord: dat kan prima met individuele laptops die lokaal draaien. Alleen: als jullie iets gedeeld willen (bijvoorbeeld één beste model voor het hele kantoor), heb je vroeger of later een centrale server nodig. Beter nu erover nadenken dan over drie jaar bijbouwen.
Voor kantoren die op korte termijn hardware moeten aanschaffen: neem één donderdagmiddag om samen met een IT‑partner een concreet voorstel op te stellen. Vraag om een schetsplan met drie budget‑scenario’s (klein, midden, groot). Bespreek dat plan met een AI‑kundige belastingadviseur of accountant, niet alleen met een IT’er. De vraag is namelijk niet “wat is technisch het beste”, maar “wat past bij ons soort werk en onze governance”.
Nu je hardware weet, wordt de vraag: welk model? Ik zet de belangrijkste kandidaten op een rij zoals ze er in september 2026 uitzien voor kantoorpraktijk.
Llama (Meta). Bekendste open‑weight familie. Betrouwbaar, breed getest, veel documentatie. Voor Nederlandstalig werk is Llama 3 en de nieuwere Llama 4‑varianten redelijk, maar niet de allerbeste. Groottes van 8B (miljard parameters) tot 70B (op grotere hardware) tot 405B (alleen op serieuze workstations of gedeelde servers).
Qwen (Alibaba). Sterke prestaties op benchmarks, met name in reasoning en coding. Multilingual, inclusief redelijk Nederlands. Qwen 2.5 en de nieuwere Qwen 3 varianten zijn de meest concurrerende open modellen op dit moment. Voor fiscale reasoning is Qwen mijn eerste voorkeur bij lokaal draaien.
Mistral (Frans / Europees). Hier moet ik even bij stilstaan, want dit is voor mij persoonlijk het model dat het meest past bij de lijn die ik deze editie schets. Mistral is Frans, opgericht in 2023 door ex‑DeepMind en ex‑Meta‑onderzoekers, en het is op dit moment de enige serieuze Europese speler in de open‑weight‑hoek. De modellenreeks omvat Mistral Small 3, Mistral Medium 3, Mistral Large 2 en de Mixtral‑MoE‑varianten. Voor lokaal draaien zijn Mistral Small (7B en 24B) en de Mixtral 8x7B verrassend krachtig, met een sterke Nederlandse en Franse onderlaag. Sinds 2025 bieden ze ook Devstral (coding) en Ministral (edge‑devices). De Mistral Large 2 tikt in benchmarks aan de rand van GPT‑4‑niveau.
Waarom is dit voor Nederlandse kantoren extra relevant? Vier redenen. Eén: Mistral valt onder Europees recht, met een hoofdkantoor in Parijs. Dat maakt het argument richting klant over data‑soevereiniteit tastbaar. Twee: de modellen zijn gebouwd in Europese talen, en het merkt aan Nederlandstalige output. Grammaticaal netter dan de Amerikaanse modellen van vergelijkbare grootte. Drie: Mistral heeft een expliciete positionering rond “efficiënte AI”, wat betekent dat ze modellen leveren die op bescheiden hardware goed draaien. Voor MacBook Pro of Mac Mini past dat perfect. Vier: als het je iets waard is om Europese initiatieven te steunen omdat je gelooft dat we op dit continent iets moeten opbouwen (mijn pleidooi eerder in deze editie), dan is Mistral het model waar je die overtuiging in gedrag kunt zetten.
Kanttekening voor eerlijkheid: Mistral is geen Nederlandse partij, en het heeft geen speciale kennis van Nederlands belastingrecht. Het is een generalist. Voor jurisprudentie en fiscale casuïstiek moet je hem net als Qwen en Llama zelf voeden met de juiste context. Wat je krijgt is een goede, snelle Europese generalist. Wat je erbij moet leggen is jouw eigen materiaal.
DeepSeek (Chinees). Krachtige reasoning‑modellen, met name DeepSeek‑R1‑stijl varianten. Voor complexe logica en berekeningen zeer sterk. Punt van aandacht: sommige kantoren en klanten zijn terughoudend over Chinese herkomst, ook al gebruik je het model volledig lokaal. De weegschaal hier is politiek/reputationeel, niet technisch.
gpt‑oss (OpenAI open‑weight). OpenAI heeft in 2025 open‑weight modellen gepubliceerd. Aardig, met de vertrouwde OpenAI‑stijl. Niet altijd de sterkste in benchmarks maar bekend terrein voor iedereen die met ChatGPT vertrouwd is.
Gemma en Gemma 3 (Google, open‑weight). Google’s open‑weight modelfamilie, lokaal draaibaar via Ollama en LM Studio. Niet te verwarren met Gemini, dat is cloud‑only. Gemma 3 kent varianten van 1B, 4B, 12B en 27B parameters. De 12B‑variant draait comfortabel op een MacBook Pro met 24 GB, de 27B‑variant op een Mac Mini M5 Pro 64 GB met marge. Gemma 3 heeft multimodale invoer (tekst plus beeld) op de 4B, 12B en 27B varianten, wat handig kan zijn voor het uitlezen van scans, gescande facturen en PDF‑pagina’s zonder losse OCR‑stap. Competitief in de midden‑categorie, met redelijk Nederlands en een sterke integratieroute richting de rest van het Google‑ecosysteem (Workspace, Drive, Docs).
Voor kantoren die al zwaar op Google draaien, is Gemma een logische kandidaat om te testen. Voor kantoren die multimodaal willen experimenteren (dat wil zeggen: het model laat lezen wat er ín een scan of foto staat), is Gemma 3 op dit moment de meest toegankelijke open route. Kanttekening: Google’s ontwikkeltempo op Gemma is minder voorspelbaar dan op Gemini. Hou dus voor productieprocessen een backup‑model klaar. En, opnieuw, verwar Gemma (open, lokaal) niet met Gemini (cloud, gesloten). De naamgeving is verwarrend en dat is niet jouw schuld.
GLM‑5 en Kimi K2.5. Recente entrants die opvallen in de benchmarks voor reasoning, coding en math. Voor kantoren die technische diepte willen kunnen deze een verrassing zijn.
Regel voor RAM/geheugen die je moet onthouden: ongeveer 1 GB unified memory of VRAM per miljard parameters bij Q4‑quantisatie (de meest gebruikelijke compressie). Dus een 8B‑model past comfortabel in 16 GB, een 32B‑model heeft 32 GB of meer nodig, een 70B‑model heeft praktisch 64 GB of meer nodig. Dit is een vuistregel, niet exact, maar je zit er niet ver naast.
Mijn concrete aanbeveling voor accountants en belastingadviseurs (september 2026):
Belangrijk: modellen worden elke drie maanden beter. Kies er nu twee, gebruik ze een kwartaal, evalueer opnieuw. Dat is een gezonder ritme dan één “juiste” keuze proberen te vinden.
Ik wil hier vijf minuten meer aandacht geven aan Qwen, want ik denk dat het model in Nederland te weinig lof krijgt in fiscale kringen. Qwen is ontwikkeld door Alibaba, wat direct de politieke discussie oproept over Chinese herkomst. Voor kantoren die gevoelig zijn voor de politieke laag, is dat een echt punt. Voor kantoren die het volledig lokaal draaien zonder verbinding naar externe servers, is de politieke discussie minder direct: het model draait op jouw hardware, met jouw data, en communiceert niets terug. Wat je krijgt is kwaliteit die op reasoning‑taken bij fiscale casuïstiek verrassend sterk is, met een goede Nederlandstalige onderlaag.
Om eerlijk te zijn: ik gebruik lokaal AI zelf nog niet in productie. Ik ga het beginnen. Ik heb daarvoor deze maand een MacBook Pro M5 Pro 48 GB besteld voor onderweg, en een Mac Mini M5 Pro 64 GB als thuisbasis en lokale server. De hardware komt de komende weken binnen, en dan begin ik met opzetten wat ik in deze editie beschrijf. Ik vertel je dat expliciet, omdat het me niet past om te doen alsof ik een setup al draaiende heb die ik pas net besteld heb. Wat ik in deze editie deel is gebaseerd op tests bij Blauwe Vrijdag, gesprekken met kantoren die lokaal AI al draaien, en de literatuur die ik voor deze editie heb doorgewerkt. De persoonlijke praktijkervaring bouw ik nu op.
Uit die tests en gesprekken komt de volgende voorlopige voorkeur naar voren. Qwen 2.5 32B is voor Nederlandstalig kantoorwerk waar geen cliëntspecifieke gevoeligheden in zitten een sterke kandidaat. Voor kettingredeneringen in overdrachtsbelasting‑casussen, of voor het verkennen van fiscaal‑juridische opties in een structuurwijziging, komt de output in de tests op het niveau van een junior belastingadviseur met twee jaar ervaring, mits je de tegenspraak zelf inbouwt. Dat is een startpunt, geen eindpunt.
Ik voeg hier ook een model toe dat ik in de vorige lijst nog niet noemde en dat aandacht verdient: Gemma en de nieuwere Gemma 3 familie van Google. Gemma is Google’s open‑weight modelfamilie die je lokaal kunt draaien via Ollama en LM Studio. Gemma 3 heeft varianten van 1B tot 27B parameters, en presteert competitief in de midden‑categorie. Voor kantoren die op het Google‑ecosysteem zitten (Workspace, Drive, Docs) is Gemma een logische kandidaat om te testen, omdat de integratieroutes met de rest van je stack korter zijn. Belangrijk detail: het gaat om Gemma (open‑weight, lokaal draaibaar), niet om Gemini (cloud‑only). Dat is een verwarrende naamgeving van Google, dus let bij het downloaden op de juiste naam.
Mistral is voor Europees‑bewuste kantoren aantrekkelijk. Ontwikkeld in Frankrijk, met een sterk verhaal over Europese AI‑soevereiniteit. Voor kantoren die zich in klantgesprekken willen positioneren als “wij kiezen bewust Europees waar dat kan”, is Mistral het model waar je op landt. Mistral Small 3 draait vlot op moderne laptops en levert nette Nederlandstalige output.
Voor teams die met code werken (Excel‑formules, Python voor data‑analyse, VBA‑automatisering) is Qwen Coder de eerste keuze. Voor teams die weinig code doen, is dit minder relevant.
Nog een vaak gestelde vraag: welk model is het beste voor cliëntbrieven? Antwoord: dat hangt af van het type klant. Voor MKB‑ondernemers is Mistral Small helder en toegankelijk. Voor advocatuur‑gerichte communicatie is Qwen op reasoning‑variant beter. Voor internationale klanten waar Engels de voertaal is, kun je in vergelijking Llama 3 goed inzetten. Dit is een matrix, geen ranglijst.
Dit is het deel waar de meeste kantoren afhaken omdat het “technisch” lijkt. Ik beloof je: het is niet moeilijk. Als je een e‑mailclient kunt installeren, kun je een lokaal AI‑model draaien.
LM Studio. Gratis, voor Mac en Windows. Downloaden vanaf lmstudio.ai. Bij installatie krijg je een chatinterface die lijkt op ChatGPT, plus een modelbrowser waar je Llama, Qwen, DeepSeek en gpt‑oss met één klik downloadt. Ideaal voor wie een grafische omgeving prettig vindt. Ondersteunt ook een lokale server‑modus, waarmee andere apps op je netwerk het model kunnen aanroepen.
Ollama. Ook gratis, ook Mac/Windows/Linux. Meer command‑line georiënteerd, maar met een simpele installer. Ollama is de standaard geworden voor iedereen die lokaal LLMs draait, zowel voor experimenten als voor productie. Voor kantoren die één centrale AI‑server willen, is Ollama Server de logische keuze.
Beide zijn dus gratis. Beide kun je vanavond installeren. Beide werken de eerste keer.
Stap‑voor‑stap voor iemand die dit nog nooit heeft gedaan (30 minuten van installer tot eerste gesprek):
Klaar. Je hebt lokaal een AI‑model draaien. De rest is oefening en tuning.
Voor kantoren die één centrale server willen opzetten (Mac Studio of Windows workstation als LLM‑server, laptops als clients): de aanvullende stappen zijn beperkt. Installeer Ollama Server, open een poort intern (of via VPN), en configureer de clients om die endpoint te gebruiken. Voor iemand met basale IT‑vaardigheid is dit een middag werk. Voor een IT‑partner met AI‑ervaring is dit routine.
Er is nog een derde optie die ik zelf ook gebruik: MLX op Apple Silicon. Dat is Apple’s eigen framework voor efficiënt uitvoeren van modellen op M‑serie chips. Voor gevorderde gebruikers een substantiële performance‑winst. Voor beginners hoef je hier eerst niet naar te kijken. LM Studio en Ollama gebruiken MLX automatisch waar mogelijk.
En voor iedereen die zich afvraagt wat de eerste dag zich écht laat voelen: verwacht een klein moment van verbazing. Als je de eerste keer een 32B‑model op je laptop een dossier ziet samenvatten, zonder internet, zonder subscription, zonder waslijst aan formulieren, dan realiseer je je dat dit een keerpunt is. Niet dramatisch. Wel duurzaam.
Drie prompts om vanavond of morgen te testen:
Prompt één, voor herformuleren:
Herformuleer onderstaande passage in klantvriendelijk Nederlands
voor een MKB-ondernemer die geen fiscale achtergrond heeft.
Behoud alle inhoud, maak zinnen korter, en vermijd jargon.
Passage:
[plak hier je passage]Prompt twee, voor samenvatten van een dossier:
Vat de volgende tekst samen in maximaal 300 woorden, gericht op
een collega die dit dossier morgen moet oppakken. Noem de drie
belangrijkste beslissingen die nog genomen moeten worden.
Tekst:
[plak hier je tekst]Prompt drie, voor tegenspraak:
Ik ga hieronder een concept-advies plakken. Doe alsof je een senior
belastingadviseur bent die kritisch tegenleest. Noem de drie zwakste
plekken in de argumentatie, en geef bij elke plek een concrete
suggestie voor versterking. Verzin geen wetsartikelen of jurisprudentie.
Concept:
[plak hier je concept]Deze drie prompts zijn eenvoudig genoeg om vanavond te testen, en representatief voor wat je in de eerste weken wil ontdekken: kan dit lokale model mijn werk versnellen zonder kwaliteitsverlies?
Ik voeg hier nog een paar praktische tips toe die veel kantoren de eerste weken helpen.
Tip één: start met kortere prompts en kortere context. Lokaal AI is razendsnel als de input beperkt blijft. Zodra je een dossier van 50 pagina’s in één keer inlaadt, gaat de snelheid onderuit. Bouw op.
Tip twee: houd temperatuur laag. LM Studio en Ollama laten je “temperature” instellen. Voor fiscaal en accountancy‑werk kies je 0.1 tot 0.3. Dat maakt de output voorspelbaarder en minder creatief. Voor brainstorm‑taken zet je hem hoger.
Tip drie: gebruik systeemprompts. In LM Studio kun je een systeemprompt instellen die altijd meegestuurd wordt. Bijvoorbeeld: “Je bent een assistent voor een Nederlandse belastingadviseur. Antwoord altijd in het Nederlands. Verzin geen wetsartikelen of jurisprudentie. Als je iets niet zeker weet, meld dat expliciet.” Deze systeemprompt neutraliseert de neiging tot hallucinatie substantieel.
Tip vier: bewaar je beste prompts als preset. LM Studio ondersteunt presets. Maak er drie tot vijf voor jouw meest voorkomende taken en je bespaart per gebruik tijd.
Tip vijf: benchmark vergelijkend. Elke maand een testset van tien vragen door meerdere modellen halen en vergelijken. Dat is de enige manier om vinger aan de pols te houden welk model op welk moment het beste is voor jouw type werk.
Nog een gedachte over gebruikerservaring. In Dordrecht liet ik zien hoe een lokaal model op mijn Mac een dossier‑samenvatting produceerde. Een vennoot vroeg “en dit is écht offline?”. Ik heb het internet uitgezet en dezelfde vraag opnieuw laten draaien. Zelfde snelheid, zelfde output. Voor iemand die twee jaar aan cloud‑AI gewend was, was dat een klein moment van openbaring. Het is een aardig demonstratie‑trucje dat je in je eigen kantoor kunt herhalen om collega’s over de streep te trekken.
Ik heb ze al deels genoemd, maar het loont om ze bij elkaar te zetten. Zes voordelen, gerangschikt op wat volgens mij het meeste weegt in ons vak.
Voordeel 1. Data verlaat je omgeving niet. Voor beroepsgeheim en AVG het meest overtuigende argument. Elke stap in de verwerking is binnen jouw controle.
Voordeel 2. Geen doorlopende kosten per token. Cloud‑AI rekent per gebruik. Lokaal AI kost je eenmalig hardware, en daarna is elke prompt gratis. Voor kantoren die substantieel volume draaien, betaalt de hardware zich in maanden terug.
Voordeel 3. Geen afhankelijkheid van leverancier‑beleid. Als OpenAI, Anthropic of Google morgen prijzen verdubbelen of features intrekken, raakt jouw kantoor het pas als je zelf besluit iets te veranderen. Continuïteit.
Voordeel 4. Werkt offline. Op de trein, in de auto, in een kelder van een klant zonder Wi‑Fi. Belangrijker dan het klinkt, want serieus werk laat zich niet altijd plannen rond dekking.
Voordeel 5. Verifieerbaar gedrag. Een lokaal model verandert niet stiekem tussen sessies. Cloudmodellen worden geregeld ge‑updatet zonder dat gebruikers dat merken. Voor audit‑ en dossierwerk waar reproduceerbaarheid telt, is dat een voordeel.
Voordeel 6. Educatief voor je team. Iemand die één keer een model op zijn eigen laptop heeft geladen, begrijpt AI fundamenteel anders dan iemand die alleen op ChatGPT klikt. Je team wordt sneller volwassen in het denken over AI. En hier komt Sanne uit deel twee weer terug. Voor haar leerpad is lokaal AI een geschenk: ze kan experimenteren, falen, itereren, zonder dat er bij elke prompt een AVG‑vraag oplicht of een licentiemeter tikt. Ze mag klooien op geanonimiseerde casussen, op oude jurisprudentie, op eigen leeropdrachten. Dat is het soort speelruimte die vroeger alleen op universitaire terminals bestond. Nu zit die speelruimte op haar Mac. Voor de senior die haar begeleidt betekent dat: het gesprek verschuift van “hoe werkt de tool” naar “wat leer je van wat de tool zegt en waar wijk je vanaf”. Dat is precies het gesprek waar het beroep bij gebaat is.
Voordeel 7 (extra). Verhaal richting de klant. In een klantpresentatie is “wij verwerken uw gevoelige documenten lokaal, ze verlaten ons kantoor niet” een sterk verkoopargument dat een dure paragraaf in verwerkersovereenkomsten kan vervangen. Voor familiebedrijven, private wealth clients, advocatuur‑gerichte fiscale praktijk, of publieke sector‑klanten is dat een tastbare geruststelling.
Voordeel 8 (extra). Onderhandelingspositie richting cloud‑leveranciers. Zodra cloud‑leveranciers merken dat je een geloofwaardig alternatief hebt, verandert je positie in kortingsonderhandelingen. Dat is niet de belangrijkste reden om lokaal te gaan, wél een prettig neveneffect voor kantoren met substantieel cloudverbruik.
Voordeel 9 (extra). Duurzaamheid van je stack. Lokale hardware gaat vijf tot zeven jaar mee. Cloud‑abonnementen fluctueren in prijs, features en beschikbaarheid. Wie zijn eigen stack in eigen beheer heeft, kan een langetermijnplanning maken die stabiel is. Voor kantooreigenaren die vooruit kijken tot 2031, is dat relevant in de meerjarenbegroting.
Twee eerlijke tegenwoordige nadelen wil ik noemen, want anders lees je een verkoopfolder.
Nadeel A. Rauwe capaciteit blijft (nog) achter op frontier‑cloudmodellen. GPT‑6 Sol, Claude Opus 5.5 en Gemini 3.8 doen op de moeilijkste taken meer dan een 70B‑model op je Mac. Voor de zwaarste redenering blijft cloud voorlopig sterker.
Nadeel B. Onderhoud. Lokaal AI vereist dat iemand in je kantoor de installatie beheert, modellen bijhoudt, en storingen oplost. Bij cloud doen zij dat. Bij lokaal doe jij dat, of iemand die jij aanwijst.
Nadeel C. Multimodaal en video zijn nog niet op cloud‑niveau. Als je AI‑pipeline afhankelijk is van hoogwaardige beeldherkenning, video‑analyse of complexe spraaktaken, dan zijn de cloud‑stapels vandaag beter dan de open‑source stack. Dit verandert snel, maar in september 2026 klopt het.
Nadeel D. Modelupdates blijven jouw verantwoordelijkheid. Bij cloud wordt het model steeds beter zonder dat je iets doet. Bij lokaal moet je zelf de update trekken, testen, en uitrollen. Dat kost tijd. Voor kantoren die dat niet organiseren, verouderen lokale setups sneller dan cloud.
Nadeel E. Interne draagvlak. In veel kantoren is “we gebruiken ChatGPT” een cultureel accepteerde uitgangspositie. “Wij gebruiken lokaal AI met Ollama en Qwen” vraagt uitleg naar zowel medewerkers als klanten. Dat vraagt communicatie‑investering, en die wordt vaak onderschat.
Deze nadelen zijn oplosbaar. Ze zijn wel echte nadelen, en je moet ze noemen om een eerlijke afweging te maken.
De strategie is daarom niet “alles lokaal” en niet “alles cloud”. Het is hybride. Gevoelig werk lokaal. Zware complexe reasoning cloud. Standaard werk waar risico laag is: waar het toevallig het beste past qua werkstroom.
Ik voeg hier een cijfermatige onderbouwing aan toe voor iedereen die het aan een vennoot wil verkopen. Stel: een middelgroot kantoor met 20 medewerkers gebruikt gemiddeld cloud‑AI voor 3.000 euro per maand. Dat is 36.000 euro per jaar aan doorlopende kosten. Voor eenmalig 25.000 euro haal je een Mac Studio 96 GB plus een setje Copilot+ PCs of MacBooks. Als je met dat lokale setup zeventig procent van je huidige cloud‑volume vervangt, bespaar je vanaf jaar één ongeveer 21.000 euro per jaar aan cloud. De investering is in veertien maanden terugverdiend. Vanaf jaar twee heb je een gestructureel voordeel.
Deze cijfers zijn indicatief, want elk kantoor gebruikt AI anders. Maar de orde van grootte klopt in de praktijk. Voor kantoren met minder gebruik, kantelt de rekening richting cloud. Voor kantoren met veel gebruik, kantelt de rekening richting lokaal. De boodschap: reken je situatie door voordat je een beleidsbesluit neemt.
Een ander onderbelicht voordeel: het effect op je uitstraling naar klanten. Als je in een klantgesprek kunt zeggen “wij verwerken gevoelige documenten lokaal, ze verlaten ons kantoor niet”, is dat een verkoopargument dat vertrouwen wekt bij klanten die zich zorgen maken over cloud‑AI. Zeker bij advocatuurgerichte fiscale praktijk, bij familiebedrijven, bij ondernemers met internationale vestigingen, en bij Zorg‑ en Public‑klanten is dit een tastbaar argument. Sommige kantoren hebben er al een aparte paragraaf van gemaakt in hun cliëntpresentaties.
En ten slotte een culturele opmerking. Wie zijn kantoor uitrust met lokaal AI en dat serieus onderhoudt, trekt talent aan. Techniek‑gerichte junioren, IT‑savvy accountants, jonge belastingadviseurs die AI serieus nemen: die kiezen liever voor een kantoor dat lokaal AI heeft, dan voor een kantoor dat “ChatGPT gebruikt” zoals ze thuis ook doen. Recruitment is een onbedoeld voordeel dat vaak vergeten wordt in de businesscase.
Ik wil hier eerlijk zijn, want er zit een neiging bij enthousiastelingen om lokaal AI te presenteren als “veilig”, punt. Dat is te simpel.
Wat lokaal AI wél beschermt:
Wat lokaal AI niet automatisch beschermt:
Wat aanvullend nodig is boven op de basis:
AVG en AI Act. Lokaal AI maakt je AVG‑positie meestal beter, omdat er minder verwerkers in de keten zitten. Voor de AI Act is de risico‑classificatie hetzelfde: gebruik jij het model voor beoordelingen die impact hebben op mensen (kredietbeoordeling, HR‑screening), dan zit je in hoog risico ongeacht waar het model draait. Voor de meeste kantoorwerkstromen zit je in beperkt of minimaal risico.
Voor RB‑ers en NBA‑ers: dit is precies het onderwerp waar de commissie AI en de AI Toegepast‑leidraad de laatste maanden op focussen. Grijp die materialen. Ze zijn niet perfect, ze zijn wel het beste startpunt.
Twee concrete cases uit deze week die het beveiligingsverhaal onderstrepen.
Case één, deze week gemeld. Google gaf toe dat Gemini tijdens een test onterecht toegang had gekregen tot drie externe systemen. Het model dacht dat die externe systemen deel van de test waren, maar dat was niet zo. Voor jouw kantoor is dit een signaal: als een agent zichzelf zijn scope onterecht uitbreidt bij een frontier‑cloudmodel, dan is dat een reëel risico dat je bij een lokaal model tenminste kunt beperken door de agent minder rechten te geven op je eigen netwerk.
Case twee, ook deze week. Cisco Talos onthulde CLOSEDQUORUM, de eerste openbaar gerapporteerde volledig autonome AI‑malware. Voor jouw kantoor is dit een reden om te versnellen op cyberbasics (schijfversleuteling, MFA, EDR, patch management), én om lokaal AI extra secuur op te zetten. Een lokaal model dat op een besmet apparaat draait, is even kwetsbaar als elke andere applicatie. Beveiliging op het apparaat is de fundering.
En denk aan het menselijke aspect. In alle drie zalen deze week merkte ik dat de discussie over beveiliging vaak stopt bij “wij hebben MFA”. Dat is een goed begin en het is niet genoeg. Beveiliging is een cultuur. Wie in het kantoor kan zeggen “ik zag iets vreemds, ik meld het meteen”, zonder dat het zijn reputatie schaadt, is een kantoor waar beveiliging leeft. Wie iemand die iets meldt “eerst laat uitzoeken hoe het is gekomen” voordat hij er iets aan doet, is een kantoor waar de volgende melding niet meer komt. Cultuur eet techniek als ontbijt, ook bij AI.
Om te sluiten met iets waar je op maandag mee kunt beginnen: mijn concrete voorkeur, uitgesplitst per type kantoor. Deze aanbevelingen zijn nadrukkelijk startpunten, niet dogma’s.
Eenmanspraktijk of ZZP‑adviseur.
Klein kantoor (2 tot 10 medewerkers).
Middelgroot kantoor (10 tot 50 medewerkers).
Groot kantoor (50+).
Voor alle kantoren, ongeacht grootte, drie basisregels:
Regel één: begin met vier tot zes weken pilot voordat je grote hardware‑investeringen doet. Test wat werkt bij jouw type werk.
Regel twee: zet je hybride architectuur op papier. Wat lokaal, wat cloud, welke governance. Eén A4, wordt herzien elke zes maanden.
Regel drie: reken kosten door in totale eigendomskosten. Hardware, elektriciteit, onderhoud, opleiding, tijd van medewerkers. Cloud‑AI heeft vaak lage upfront kosten en hoge doorlopende kosten. Lokaal AI heeft omgekeerd. Beide kunnen goedkoper of duurder uitpakken afhankelijk van je gebruikspatroon.
Nog een tip die ik in Zwolle van een collega meekreeg en die ik hier deel. Hij zei: “Ron, wij hebben een aparte laptop aangeschaft die alleen voor AI‑experimenten wordt gebruikt. Geen cliëntdata, geen productiewerk. Puur speeltuin voor het team.” Dat is een uitstekend idee. Voor een paar duizend euro heb je een omgeving waar mensen kunnen falen zonder risico. Waar juniors kunnen prompten zonder dat een AVG‑incident dreigt. Waar de vaktechnisch coördinator zijn nieuwe workflow kan testen. Ik neem dit idee mee naar Best maandag als voorbeeld voor andere kantoren.
Voor duidelijkheid nog een prijs‑indicatie voor 2026‑cijfers. Een goed startpunt met LM Studio, één 32B‑model in Q4, plus wat opleidingstijd voor het team, komt uit op vier tot zes duizend euro voor eenmanspraktijk. Voor middelgroot kantoor met centrale server en drie tot vijf clients: dertig tot vijftig duizend euro. Voor groot kantoor met eigen infrastructuur: hondertwintig tot tweehonderd duizend euro. Dat zijn indicaties, niet offertes. Verzamel drie offertes van kandidaat‑IT‑partners voordat je definitief kiest.
Voor de RB‑commissie‑agenda: dit soort praktische kennis is precies wat we als sector moeten uitwisselen. Als jij een concrete opzet hebt van hoe jouw kantoor lokaal AI heeft ingericht, en je bent bereid dat te delen (anoniem of met naam), stuur me een mail. Ik verzamel de leerpunten en we bouwen er een gezamenlijke praktijkhandreiking van. Dat is meer waard dan honderd theoretische documenten van externe adviesbureaus.
Ik wil deze aanbevelingen niet dichtschroeien alsof ze de bijbel zijn. Elk kantoor is anders. Wat past bij een familiepraktijk in Friesland past niet één op één bij een audit‑kantoor in de Randstad. Wat past bij een gespecialiseerde tuchtrechtelijk fiscaal‑juridisch advieskantoor past niet bij een MKB‑samenstelaccountant. Neem deze aanbevelingen als een startskelet, en pas ze aan op de eigen situatie in overleg met een IT‑partner die AI begrijpt.
Ik pak er acht vragen uit die ik in Zwolle, Dordrecht en op de donderdaglocatie kreeg, met korte antwoorden.
Vraag 1 (Zwolle). “Kan ik lokaal AI ook gebruiken voor btw‑controles op klantfacturen zonder AVG‑issues?” Antwoord: ja, mits het model op jouw hardware draait, de facturen niet in externe logs terechtkomen, en je afspraken hebt over toegang. Documenteer de workflow, log wie wat wanneer verwerkt. Dan is het AVG‑technisch beter afgedekt dan een cloudflow.
Vraag 2 (Zwolle). “Werkt lokaal AI ook onderweg? Ik zit veel in de auto.” Antwoord: ja, elk laptopmodel werkt volledig offline. Wat je in de auto doet met een MacBook Pro of Copilot+ PC gaat prima. Voor spraakinvoer: Apple Intelligence dictaat is on‑device en werkt offline.
Vraag 3 (Dordrecht). “Kan lokaal AI documenten uit ons DMS lezen?” Antwoord: ja, met een klein Python‑of Node‑scriptje kan LM Studio of Ollama documenten uit je DMS oppikken. Vraag je IT‑partner of AI‑specialist om een eenvoudige connector te bouwen. Het is een taak van enkele uren, geen weken.
Vraag 4 (via mail deze week). “Zijn er Nederlandse leveranciers die dit voor ons kunnen inrichten?” Antwoord: er komen er meer. Kijk naar systeemhuizen die met AI ervaring hebben. Vraag om referenties bij kantoren van vergelijkbare omvang. Vermijd generieke IT‑leveranciers die “AI” pas sinds vorig jaar in hun folder hebben staan.
Vraag 5 (donderdag). “Kan een auditor ISAE‑achtige zekerheid geven over lokaal AI‑gebruik bij een klant?” Antwoord: ja, en de vraag naar dit soort zekerheid gaat groeien. Denk aan: modelversie‑register, gebruikslogboek, security‑audit, DPIA‑equivalent. Het is nieuw terrein en er zijn nog geen strakke standaarden. Wie er nu instapt, positioneert zich als expert.
Vraag 6 (donderdag). “Wat kost het bijhouden van modellen?” Antwoord: als je twee modellen kiest en die één keer per kwartaal evalueert, kost het jou een halve dag per kwartaal. Twee dagen per jaar. In werkbaar formaat als je iemand in het team de rol geeft.
Vraag 7 (donderdag). “Kan lokaal AI Excel formules maken?” Antwoord: ja, Qwen Coder of gpt‑oss variant kan Excel‑ en Google Sheets‑formules produceren. Voor VBA en Power Query ook. Dit is een van de meest onderbenutte use cases in accountancy.
Vraag 8a (nagekomen via mail deze week). “Kan lokaal AI ook rechtstreeks in Word en Excel?” Antwoord: ja, met een klein plug‑in‑framework of via de LM Studio local server API. Voor kantoren die gestandaardiseerde Word‑templates hebben, is dit een substantiële workflowversneller.
Vraag 8 (Dordrecht, in de rij voor de lunchbuffet). “Als ik mijn hele kantoor omzet naar lokaal AI, ben ik dan onafhankelijker van Amerika?” Antwoord: gedeeltelijk. De modellen zijn nog steeds ontwikkeld door Amerikaanse of Chinese labs. De open‑source varianten geven je wél volledige controle op waar de verwerking plaatsvindt. Voor werkelijke soevereiniteit heb je bovendien Europese hardware en Europese software‑stack nodig, en dat is nog een gesprek voor over drie jaar.
Deze antwoorden zijn kort. Reageer op één die je bezighoudt en ik ga er in een volgende editie dieper op in. Als het onderwerp veel reacties oplevert, wijd ik er in de winter een aparte diepte‑editie aan waarin we per kantoortype de blueprint verder uitrollen, met screenshots en concrete configuratie‑voorbeelden.
Voor context bij het hoofdverhaal, drie korte flitsen uit deze week die het beeld completeren.
Flits één. Apple heeft in de release notes voor iPadOS en macOS deze maand kleine maar betekenisvolle updates doorgevoerd aan Writing Tools. De set voor herformuleren, samenvatten, en corrigeren werkt nu preciezer voor Europese talen. Voor Nederlandstalige e‑mails is dat een merkbaar verschil. Voor mensen die dagelijks veel mailen: verwacht dertig tot vijftig procent minder tijd aan micro‑redactie.
Flits twee. Ollama en LM Studio hebben deze maand allebei updates gepubliceerd die de tokens per seconde bij grote modellen op M‑serie Macs meetbaar verhogen. Voor kantoren die eind september gekocht hebben, is upgraden verstandig. Dit soort verbeteringen komen elke twee tot drie maanden voorbij.
Flits drie. Er verschenen deze week enkele stukken van analisten die berekenen dat de totale eigenaarskosten van lokaal AI voor MKB voor het eerst gunstig zijn ten opzichte van cloud‑subscription‑modellen. Dat kantelpunt betekent iets voor beleidsbepalers. Als de rekening structureel gunstig wordt, wordt de vraag verplaatst van “of” naar “hoe”.
Kort: het lokaal AI‑verhaal is niet abstract en het is niet stil. Het beweegt elke maand een stap. Wie mee wil, moet niet één keer een besluit nemen, maar een ritme opbouwen waarin de eigen keuzes elke drie tot zes maanden opnieuw worden bekeken.
Print, hang op, gebruik bij je volgende hardware‑beslissing.
Voor kantoren die deze editie serieus nemen, zeven zinnen die ik als startsjabloon aanbevelen voor een pilot van zes weken.
Week één: hardware kiezen op basis van deel 3 van deze editie, LM Studio installeren, twee modellen downloaden.
Week twee: één medewerker (bij voorkeur een enthousiaste junior) krijgt de opdracht dagelijks tien minuten met lokaal AI te oefenen op niet‑gevoelige taken. Hij houdt een logboek bij van tijdwinst en frustraties.
Week drie: vaktechnisch coördinator schrijft een minimale governance‑notitie (twee A4). Wat mag, wat niet, wie is verantwoordelijk, hoe evalueren we.
Week vier: eerste cliëntspecifieke workflow lokaal draaien op een goedgekeurde niet‑gevoelige taak (bijvoorbeeld standaard opdrachtbrieven). Vergelijk kwaliteit met cloud‑variant.
Week vijf: uitbreiding naar tweede workflow, vergelijkende meting van tijd, kosten, en kwaliteit. Team‑demo van bevindingen.
Week zes: bestuurlijke evaluatie. Ga we door? Schalen we uit? Investeren we in centrale server? Op basis van cijfers, niet gevoel.
Aan het eind van deze zes weken heb je een dashboard van feiten in plaats van meningen. Vanaf daar bouw je verder.
Twee jaar geleden was AI iets waar je “naartoe ging” op internet. Je opende een browser, je logde in, je typte. Vanaf 2026 komt AI naar jou terug. Naar je eigen apparaat, je eigen kantoor, je eigen kelder in Friesland waar het regent boven het dakraam.
Dat is niet alleen een technische verschuiving. Dat is een culturele. In een beroep waar beroepsgeheim, cliëntvertrouwelijkheid en zorgvuldigheid het fundament vormen, is “AI die je eigen huis niet verlaat” een uitnodiging om die waarden opnieuw serieus te nemen. Niet als retoriek, maar als praktijk.
Apple Intelligence laat zien wat een grote consumentenleverancier kan doen als privacy een uitgangspunt is en niet een compliance‑paragraaf. Lokaal AI via LM Studio en Ollama laat zien wat elke kleine of middelgrote onderneming kan doen als ze de moeite nemen om vier tot zes weken serieus te experimenteren. En de combinatie van beide, aangevuld met cloud‑AI voor de zwaarste taken, geeft je een architectuur die geen enkele leverancier je in één product zal verkopen.
Je bent niet alleen gebruiker. Je bent architect van je eigen AI‑stapel.
Ik geloof dat de kantoren die in 2027 het beste staan, drie kenmerken delen. Ze hebben lokaal AI op de plek waar gevoeligheid vraagt om lokaliteit. Ze hebben cloud‑AI op de plek waar diepste redenering nodig is. En ze hebben een duidelijke verdeling opgeschreven zodat medewerkers weten wanneer welke tool. Wie deze drie kenmerken heeft, werkt sneller, veiliger en met meer rust dan wie in september 2026 nog volledig cloud‑afhankelijk is. Dat is geen ideologische stelling, dat is een operationele.
Er zit nog een filosofische laag onder. In de opening beschreef ik dat mijn cursor knipperde en dat ik vroeg op bed moest. Elke week zit ik voor deze editie voor het scherm en voel ik hoeveel van wat wij als beroep waarderen (rust, precisie, oordeel) zich niet laat automatiseren maar wel laat ondersteunen. Lokaal AI, in zijn beste vorm, is die ondersteuning zonder dat je iets van jezelf weggeeft. Cloud‑AI kan dat ook zijn, maar met een expliciete keten en dus met bijbehorende governance. Beide horen in je gereedschapskist. Geen van beide is een vervanger van jou.
Vier vragen om deze zaterdag mee te sluiten.
Eén. Welke van mijn cliëntdossiers zou eigenlijk nooit langs een cloud‑AI mogen? Ga naar die dossiers eerst.
Twee. Welke van mijn dagelijkse taken zou perfect op lokaal AI kunnen? Verplaats die eerst.
Drie. Welke medewerker in mijn kantoor heeft de nieuwsgierigheid om lokaal AI op te zetten? Vraag hem of haar deze week. Als je die persoon nog niet hebt, ken je dan iemand die je kunt inhuren?
Vier. Ga ik dit binnen deze maand op de agenda zetten, of blijft het weer zes maanden liggen omdat er “nu even iets urgents” is?
Poortwachterschap over AI begint bij weten wat je in huis hebt, en het beste geval is dat het letterlijk in huis is. Op je bureau. Op je Mac Studio in de bijkeuken. Op de laptop van de junior die er lol in heeft. Kies één stap voor deze week. Meer hoeft niet.
Ik wil eindigen met een gedachte die ik deze week meerdere keren met verschillende mensen heb gedeeld. Wat mij persoonlijk drijft in dit onderwerp is niet techniek. Het is niet fascinatie voor grafische kaarten of neurale accelerators, ook al zijn die spannend. Wat me drijft is dat wij als beroep in een generatiewisseling zitten. Er komen nieuwe adviseurs binnen die anders zijn opgevoed. Die AI vanzelfsprekend vinden. Die het niet meer accepteren dat data omweg via drie continenten reist voor een simpele samenvatting. Als beroepsgroep hebben we de keuze om die generatie een structuur aan te bieden waarin ze fatsoenlijk kunnen werken, met de waarden die dit beroep waardevol maken. Of we schuiven ze de cloud in, hopen dat het goed komt, en verbazen ons over vier jaar dat het niet goed kwam.
Ik weet welke van die twee wegen ik wil. Ik hoop dat we hem als sector samen bouwen.
En vergeet niet: dit is het perfecte moment om over deze thema’s met een collega te sparren. Als jij deze editie doorstuurt aan één iemand, laat het de collega zijn die roept “we regelen alles wel via ChatGPT Enterprise”. Er zit meer onder de motorkap dan zij denkt.
🟦 Denk blauw. Werk slimmer. Deel kennis.
— Ron
PS: En dan het antwoord op wat ik in de openingszinnen aankondigde. Waarom moet ik vanavond zo vroeg op bed? Ik hou het bewust vaag omdat er dingen zijn die niet in een openbare brief thuishoren. Wat ik wél kan zeggen is dit: er zit een reden achter waarvoor ik écht helder wil zijn morgenvroeg. Maandag Best. RB‑ledenraadpleging deel twee. Ik wil daar niet vanuit een uitgeputte donderdagavond‑donker binnenkomen. Dus deze editie moet af, ik moet mijn laptop dicht, ik moet mijn hoofd leeg krijgen, en de vroege‑nacht in. Op donderdagavond, na de keynote voor 110 audit‑medewerkers, zat ik in de trein richting Friesland. Twee keer applaus in mijn hoofd, één stiekeme Russisch‑roulette‑ervaring, en een lege koffiebeker in mijn hand die ik pas op het volgende station in een prullenbak kwijt kon. Ergens tussen twee stations dacht ik: het is niet dat ik het beter weet dan de zaal. Het is dat ik het onderwerp met beide handen aanpak en de zaal dat waardeert. Meer is het niet. En dat is genoeg. Als jij deze week één keer je collega’s zoiets kunt geven, dan is dat waardevoller dan alle prompts uit deze editie samen. En als je dat gaat doen, ga dan óók vroeg op bed. Dat is een van de belangrijkste AI‑lessen die ik dit jaar heb geleerd: gereedschap kan niet vervangen wat rust doet.
PPS: Volgende week ga ik in op iets wat ik nog schuldig ben: hoe organiseer je een kleine AI‑werkgroep binnen je kantoor, en wat moet die werkgroep in de eerste zes weken doen. Als je zelf ideeën of ervaringen wilt delen, stuur ze me. Ik neem ze mee.
PPPS: Maandag Best. Wie erbij is, kom even hallo zeggen. We zijn met de hele commissie AI en Digitalisering nieuwsgierig naar wat er daar op tafel komt over AI in de fiscale praktijk, en zeker naar wat er onder een borrel over lokaal AI wordt gefluisterd. Vier paar oren, vier hoofden die het meenemen naar de agenda van de commissie.
PPPPS: Een dank op zijn plek. Deze editie is er mede dankzij Reinier Gunneman. Reinier is een collega‑AI‑nerd en AI‑trainer die me een tijdje geleden via LinkedIn benaderde. We raakten aan de praat, hield het contact, en uiteindelijk zaten we samen op een terras in Zwolle. Tussen een cappuccino en het geluid van fietsen op de klinkers kwam de Nvidia DGX Spark op tafel. Letterlijk als onderwerp, niet als apparaat. Reinier wees me de weg op precies het thema waar deze editie over gaat: lokaal AI, Apple Intelligence en hardware‑keuzes. Zonder dat gesprek had ik de klik hierop deze week niet zo scherp gemaakt. Reinier, dankjewel. Het is fijn samenwerken.
PPPPPS: En omdat een aantal van jullie ernaar zal vragen: eerlijk is eerlijk, ik ben zelf net gestart met lokaal AI. Deze week heb ik twee machines besteld. Voor onderweg: een 16‑inch MacBook Pro in Spacezwart met Apple M5 Pro (18‑core CPU, 20‑core GPU, 16‑core Neural Engine), 48 GB centraal geheugen, 1 TB SSD, nanotextuur‑display en Nederlandstalig Magic Keyboard met Touch ID. Voor de thuisbasis: een Mac mini met dezelfde M5 Pro (18‑core CPU, 20‑core GPU, 16‑core Neural Engine), 64 GB centraal geheugen, 1 TB SSD en 10‑Gigabit Ethernet. Die 10‑Gigabit is bewust: als hij later als lokale LLM‑server moet fungeren, wil ik de bandbreedte naar de rest van het netwerk niet als flessenhals hebben. Zodra de hardware binnen is, begin ik met LM Studio en Ollama, en zet ik een lokale opzet neer met de Mac mini als hart. Cloud‑fallback naar Claude en ChatGPT houd ik aan voor de zwaarste taken. Welke modellen ik uiteindelijk als vaste werkpaarden inzet, weet ik pas over enkele weken. In een volgende editie doe ik verslag van de eerste ervaringen. Als je zelf iets vergelijkbaars aan het opzetten bent en tips of valkuilen wilt delen: stuur ze me. Ik neem ze mee in de eigen leerweg.
Deze tips ontvang je van Ron Meijer RB 👋 Wie ben ik? Proactief Register Belastingadviseur | Voorzitter commissie AI en Digitalisering RB | AI-trainer & spreker | docent bij Blauwe Vrijdag, SRA Accountantskantoren en Register Belastingadviseurs, columnist Belastingzaken, taxtech partner MKB-praktijk Lefebvre Sdu | Juridisch & auteur Informanagement
🟦 Denk blauw. Werk slimmer. Deel kennis.
Heb je nog vragen? Vraag maar! hallo@blauwevrijdag.nl
© Alle rechten voorbehouden.
Wil je deze wekelijkse tips niet meer ontvangen? Stuur een kort berichtje naar rm@blauwevrijdag.nl
Alle bronnen zijn tijdens het schrijven van deze editie via websearch geraadpleegd. Ze zijn representatief, niet uitputtend.