OpenAI function calling
uitgelegd voor niet-technische oprichters.
Function calling (ook: tool use bij Anthropic) is een feature waarmee een LLM gecontroleerd code kan uitvoeren of API's kan aanroepen. Het maakt AI-agents mogelijk: een chatbot die niet alleen antwoordt, maar ook bestelt, plant, betaalt of doorzoekt.
Q1Voorbeeld?+
Q2Beveiliging?+
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), zero-retention API-plannen zijn standaard geworden voor enterprise-tier, 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 99% van de mkb-toepassingen 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.
Stappenplan: van idee tot productie-AI
1Spike-week (1 week)+
2Bronnen voorbereiden+
3Indexeren met pgvector+
4Productie-pipeline+
5Monitoring & tweaken+
Welk model wanneer — een eerlijke keuzehulp
Prijzen, context-limieten en modelnamen zijn indicatief en verschuiven per modelgeneratie — controleer de actuele tarieven bij de aanbieder.
Veelgestelde vragen
Q1Wat als de chatbot iets fout zegt?+
Q2Hoeveel kost een typische maand in productie?+
Q3Kan dit voor advocatenkantoor of zorgpraktijk?+
Q4Hoe vaak moet ik bronnen updaten?+
Q5Wat als Anthropic of OpenAI offline gaat?+
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 zero-retention plannen, 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.
Concreet voorbeeld: zo ziet een function call eruit
Een gebruiker typt: "Heb ik morgen om 14:00 tijd?" Zonder function calling zou het model moeten
gokken. Mét function calling herkent het dat dit een concrete lookup is, en roept het de gedefinieerde tool
check_agenda(date, time) aan met de argumenten die het uit de zin haalt. De agenda-API antwoordt
met gestructureerde data ({"available": true}), en pas dan formuleert het model een natuurlijk
antwoord: "Ja, 14:00 is vrij."
Het model raadt dus nooit — het vraagt na bij de bron. Dezelfde structuur werkt voor
create_booking(date, time, name), lookup_order(order_id) of
send_invoice(customer_id): het model bepaalt welke tool nodig is en welke
argumenten, jouw code voert de actie daadwerkelijk uit. Zo blijft er altijd een controleerbare stap tussen
wat het model wil en wat er echt gebeurt.