Een interne copilot is een tool met jouw prompts, jouw data en jouw workflow ingebakken — geen ChatGPT-met-een-logo. Voor een team van 10–50 mensen bespaart een goed gebouwde copilot typisch 4–8 uur per persoon per week.
ChatGPT Enterprise is generiek; een interne copilot heeft jouw prompts, jouw bronnen en jouw escalatie-regels ingebakken. Een sales-copilot doet niet "wat een AI kan", hij doet exact "schrijf een opener voor deze prospect op basis van zijn LinkedIn + ons sales-playbook". Specifiek wint van generiek.
Q1Wat als mijn team ChatGPT al gebruikt?+
Goede start. Een interne copilot bouwt verder op die gewenning maar voegt jouw context toe — minder prompting per gebruik, meer consistente output.
Q2Privacy?+
Zero-retention API's, EU-data-residency. Geen training op jouw data. Audit-logs per gebruiker.
Verdieping
Verdieping: waarom AI in NL-mkb anders speelt
Voor Nederlandse mkb-bedrijven is de keuze om AI in productie te zetten sinds 2024 fundamenteel veranderd. Drie ontwikkelingen liggen daaraan ten grondslag: EU-data-residency wordt door alle grote LLM-providers nu aangeboden (Anthropic op AWS Frankfurt en GCP EU, OpenAI op Azure EU), retentie-instellingen zijn bespreekbaar geworden in plaats van een gegeven, en de kosten per query zijn met 5–10x gedaald sinds 2023. Wat twee jaar geleden alleen voor scale-ups haalbaar was, draait nu binnen het mkb-budget.
De grootste praktijk-misvatting in deze ronde van AI-adoptie: founders denken dat ze "een model moeten trainen". In vrijwel alle mkb-toepassingen die wij bouwen klopt dat niet — wat je doet is retrieval-augmented generation bovenop een bestaand model. Geen training, geen ML-expertise, geen GPU-cluster. Wel: heldere bronnen, een Postgres-database met pgvector, en discipline in prompts.
20–50
Testvragen vóór livegang
€0,002
Rekenvoorbeeld: lijstprijs per Haiku-vraag
2–6 wk
Bouwtijd AI-integratie
EU
Data-residency waar de leverancier die biedt
Stappenplan: van idee tot productie-AI
1Spike-week (1 week)+
Geen groot commitment vooraf. We starten met een week (kosten in overleg, verrekenbaar met het vervolgtraject) waarin we 20–50 voorbeeldvragen verzamelen, een prototype bouwen en accuracy meten. Pas dan beslis je over verdere bouw.
2Bronnen voorbereiden+
Documentatie, FAQ, productdata, support-tickets — alles wat antwoorden zou moeten voeden. Niet perfect: één goede bron is meer waard dan vijf middelmatige. Bronnen blijven in jouw eigen Postgres.
3Indexeren met pgvector+
Chunking (500–800 tokens), embeddings via OpenAI text-embedding-3-large, opslag in Postgres met pgvector. Volledig in EU-regio. Re-indexering automatisch bij brongewijzigingen.
4Productie-pipeline+
Edge function (Vercel of Cloudflare) doet retrieval + Claude/GPT-call + bron-citatie. Streaming responses naar de client. Logging per vraag voor accuracy-tuning. Fallback naar tweede provider bij downtime.
5Monitoring & tweaken+
Thumbs-up/down per antwoord, lage-confidence-vragen worden gelogd voor handmatige review. Maandelijkse prompt-iteratie op basis van echte vragen. Hoeveel dat oplevert verschilt per bron en per vraagsoort; we meten het met dezelfde testset als bij de acceptatie, zodat je de verandering ziet in plaats van hem moet geloven.
Sterk in: latency, function calling, breed ecosysteem
Context window: 200k tokens (Claude Sonnet)
Context window: 128k tokens
Prijs: $3 / $15 per 1M tokens
Prijs: $2,50 / $10 per 1M tokens
Goedkoop alternatief: Claude Haiku ($0,25 / $1,25)
Goedkoop alternatief: GPT-4o-mini ($0,15 / $0,60)
EU-residency: AWS Frankfurt + GCP EU
EU-residency: Azure EU
Prijzen, context-limieten en modelnamen zijn indicatief en verschuiven per modelgeneratie — controleer de actuele tarieven bij de aanbieder.
De Bron-of-Halve-Bron-regel voor RAG
Een RAG-systeem is nooit beter dan zijn slechtste bron. Voeg liever 10 goed-gecontroleerde documenten toe dan 100 ruwe exports. Bij elke vraag waar de bot fout zit, vraag eerst: zat het antwoord überhaupt eenduidig in een bron? Pas daarna kijk je naar prompts of model.
Houd dit als debug-volgorde aan: bronnen → chunking → prompt → model. In die volgorde zit 80% van alle accuracy-issues.
Veelgestelde vragen
Q1Wat als de chatbot iets fout zegt?+
Bronbinding en een bronvermelding bij elk antwoord maken fouten zeldzaam en controleerbaar; uitsluiten doen ze het niet, want een model kan een goed gevonden fragment nog verkeerd samenvatten. Daarom leggen we vooraf een testset met echte vragen en een acceptatiegrens vast, escaleren kritieke onderwerpen altijd naar een mens, en logt de assistent elke vraag zodat je kunt nalezen waar het misging.
Q2Hoeveel kost een typische maand in productie?+
Voor een RAG-chatbot met 5.000 vragen per maand op Claude Haiku: ongeveer €10–€15. Met cache-hitting en prompt-optimalisatie nog minder. Vision-pipelines voor facturen: €0,01–€0,05 per document. Eerste maand-rekening valt vrijwel altijd lager uit dan vooraf gedacht.
Q3Kan dit voor advocatenkantoor of zorgpraktijk?+
Vaak wel, mits goed gebouwd. Opslag binnen de EU, een retentie-afspraak met de leverancier, audit-logging per vraag en een verwerkersovereenkomst zijn alle vier in te richten, maar geen van vier volgt vanzelf uit de keuze voor een model. Voor extreem gevoelige sectoren is een model op eigen infrastructuur het alternatief; dat is een andere opzet, met eigen kosten en een lagere antwoordkwaliteit. Voor de meeste mkb-opdrachten is een API met EU-residency voldoende. Welke variant je krijgt, leggen we per opdracht vast.
Q4Hoe vaak moet ik bronnen updaten?+
Re-indexering werkt incrementeel. Wijzigingen worden binnen 5 minuten beschikbaar voor de chatbot. Voor bronnen in Notion/Drive/Dropbox kun je auto-watch instellen — geen handmatige re-uploads nodig.
Q5Wat als Anthropic of OpenAI offline gaat?+
Production-pipelines hebben fallback naar een tweede provider. Bij volledige downtime krijgt de gebruiker een nette "we zijn even offline"-melding, geen crash. Multi-provider setup is standaard onderdeel van het bouwwerk.
Lange-termijn perspectief: AI in productie hoort bij je stack
De keuze om AI in productie te zetten is in 2026 vergelijkbaar met de keuze om in 2014 een API-laag
op je product te zetten: het voelt nog optioneel, maar wordt binnen 18 maanden de norm. Bedrijven die nu een werkende RAG-laag
hebben — gevoed met eigen documentatie, draaiend op een vastgelegde retentie-afspraak, met audit-logs per query — bouwen
een asset die door elke volgende productontwikkeling heen meegroeit.
De fout die je nu nog kunt maken is te groots beginnen. Niet "we bouwen een AI-strategie",
wel "we lossen één concreet probleem op met AI". Een chatbot die 60% van eerste-lijn klantvragen afhandelt is meer
waard dan een grandioos plan voor een “AI-platform” dat over 18 maanden nog niet live is.
Klein beginnen, meten, uitbreiden — die volgorde is in deze fase nog steeds doorslaggevend.
Drie ontwikkelingen die de komende 12 maanden het speelveld verschuiven: (a) kosten van inference
dalen met nog eens 5–10× door competitie tussen Anthropic, OpenAI, Google en open-source modellen;
(b) tool-use en function calling worden volwassen genoeg om echte AI-agents te bouwen voor specifieke workflows;
(c) EU-data residency wordt verplicht voor steeds meer sectoren (zorg, juridiek, finance) — wie nu al EU-conform bouwt heeft geen migratie-pijn straks.
Een RAG-assistent, copilot of documentpipeline op jouw eigen data 2–6 weken, vaste prijs na een gratis gesprek. 45 minuten, gratis. Eerstvolgende start: Q4 2026.
