Private Document AI voor het Nederlandse MKB

Bij vrijwel elke MKB-onderneming die we de afgelopen maanden spraken, ging het over hetzelfde knelpunt: er zit kennis in handleidingen, offertes, contracten, dossiers en hoofden van collega's, en die kennis is verschrikkelijk slecht doorzoekbaar. ChatGPT lost dat half op. Bij twee nieuwe vragen lost het het al niet meer op. Want ChatGPT kent jouw Deye-handleiding niet, jouw productlijn niet, jouw klantdossier niet, jouw boekhoudregels niet. Het kent het internet tot een bepaald moment en de bestanden die je toevallig in een chat sleept. Voor incidenteel werk is dat prima. Voor structureel werk niet. Daar komt private document AI in beeld.

Dit dossier legt uit wat private document AI is, hoe het technisch werkt, wat het AVG-bewust opzetten in de praktijk betekent, en waarom een Nederlands MKB-bedrijf er beter aan kan beginnen voordat de concurrent dat doet. Het is geschreven voor beslissers, niet voor engineers. De praktijkvoorbeelden komen uit ons eigen werk: we draaien zelf inmiddels ruim dertig agents over vijf servers, lokaal én in de cloud, en we publiceren de patronen waar wij elke dag mee werken.¹

/ 01Het probleem

Het probleem dat je probeert op te lossen

Stel je een installatiebedrijf voor met tweeduizend SKU's, een partner-portaal voor installateurs, een serviceteam dat dagelijks vragen beantwoordt, en een verkoopteam dat offertes schrijft. De kennis die deze mensen elke dag opzoeken zit in handleidingen, productspecificaties, certificeringen, prijslijsten, offerte-templates en interne notities. Bij elke vraag is het zoeken. Veertig procent van de zoektijd levert uiteindelijk het antwoord niet eens op: men vraagt het door aan een collega die het wél weet, of belt de leverancier.

Datzelfde patroon zien we bij advieskantoren met dossiers per cliënt, bij groothandels met technische productlijnen, bij accountantskantoren met fiscale wetgeving, bij ingenieursbureaus met normbladen. Het probleem is niet dat de kennis er niet is. Het probleem is dat de kennis niet doorzoekbaar is op de manier waarop iemand een vraag stelt: in normale Nederlandse taal, op locatie, onder tijdsdruk.

Generieke tools als ChatGPT, Microsoft Copilot of Notion AI lossen dit slechts gedeeltelijk op. Ze zijn fantastisch in het begrijpen van een vraag en het formuleren van een antwoord, maar ze kennen jouw documenten niet structureel. Je kunt bestanden uploaden, maar daarna verdwijnen ze of gelden ze alleen voor die sessie. Wat je nodig hebt, is een omgeving die je documenten permanent en doorzoekbaar maakt, in een opzet die je begrijpt en kunt uitleggen aan een jurist.

/ 02Wat het is

Wat private document AI precies is

Private document AI is geen product, het is een opzet. Concreet bestaat het uit drie elementen die we voor jou bouwen en beheren:

1. Een vector-database waarin de inhoud van jouw documenten ligt opgeslagen in een vorm die een taalmodel kan begrijpen. Niet letterlijk de woorden, maar de betekenis ervan, omgezet naar vectoren.
2. Een retrieval-laag die bij elke vraag eerst de meest relevante fragmenten uit jouw vector-database ophaalt voordat een antwoord wordt geformuleerd.
3. Een taalmodel dat het antwoord formuleert op basis van die fragmenten, met expliciete bronverwijzing zodat je antwoord natrekbaar is.

Het woord privaat verwijst hier niet naar een eigen taalmodel (dat kan wel, op aanvraag, maar is niet nodig voor het meeste werk). Het verwijst naar de andere drie elementen: jouw documenten staan in een afgeschermde omgeving, scheidbaar per klant of vestiging als dat relevant is, en jouw vragen en antwoorden lekken niet weg naar een gedeeld trainingsproces.

Dit onderscheid is belangrijk. Veel verkoopverhalen verwarren private document AI met een privaat LLM. Dat zijn twee verschillende dingen. Een privaat LLM betekent dat het taalmodel zelf op jouw infrastructuur draait, meestal op een dedicated GPU. Dat is voor de meeste MKB-bedrijven overkill, duur, en biedt nauwelijks praktisch voordeel boven een API van OpenAI of Anthropic met enterprise-instellingen. Private document AI is het echte commerciële winstmoment. Privaat LLM is een aparte upgrade voor wie hele strenge eisen heeft.

/ 03Architectuur

Hoe het werkt onder de motorkap

De gangbare architectuur heet RAG, kort voor retrieval-augmented generation. Het is een zorgvuldig getemde manier om een taalmodel niet uit zijn duim te laten zuigen, maar te laten praten op basis van jouw documenten. Onderstaand schema laat de vijf stappen zien die elke vraag doorloopt.

Wat hier interessant is, is dat geen van deze stappen mysterie is. Elke laag heeft een specifieke functie en kan onafhankelijk worden geüpgraded. De vector-store kan in een Nederlands of Europees datacenter staan. Het taalmodel kan worden uitgewisseld voor een ander (OpenAI, Anthropic, zelf-gehoste opties) zonder je documenten te verhuizen. De retrieval-strategie kan worden aangescherpt voor jouw domein. Allemaal te beheren en te meten, want elke vraag laat een spoor achter dat je kunt controleren.

Een vraag stellen is in onze opzet één regel: "Welke certificering hoort bij het Pro-pakket en welke documenten lever ik bij oplevering?" Het antwoord wijst direct naar het paragraafnummer in de handleiding waarop het is gebaseerd. Niet omdat dit toevallig leuk is, maar omdat dit de enige manier is waarop een installateur op locatie het antwoord kan verifiëren voordat hij ernaar handelt. Voor meer concrete voorbeelden uit onze dagelijkse praktijk, zie ons artikel AI op handleidingen: vijf scenario's voor installateurs en groothandels.

/ 04Verwachtingen

Wat het wel en niet doet

Goede verwachtingen vooraf besparen later teleurstelling. Hieronder de eerlijke afbakening van wat private document AI op MKB-niveau wel en niet voor je doet.

Wat het wel doet

• Antwoorden uit jouw documenten in normale taal, met bronverwijzing.
• Vergelijkbare informatie uit verschillende documenten samenvatten.
• Eerste reactie op een mail of ticket voorbereiden, mens keurt goed.
• Onderlinge inconsistenties tussen documenten signaleren als je daarnaar vraagt.
• Vertaalslag maken van vakjargon naar klantvriendelijke taal en omgekeerd.

Wat het niet doet

• Live data ophalen die niet in jouw documenten staat (geen Shopify-orders, geen CRM-records, tenzij we daar bewust een aparte koppeling voor bouwen).
• Toekomstgegevens voorspellen. Het kent alleen wat in de documenten staat.
• Documenten verbeteren zonder dat een mens akkoord geeft. Het kan suggesties doen, niet eigenstandig wijzigen.
• Beoordelen of een antwoord juridisch sluitend is. Daarvoor is altijd menselijk oordeel nodig.

/ 05AVG

AVG, scheidbare tenants en data-locatie

Voor Nederlandse MKB-bedrijven valt of staat een AI-keuze met privacy en gegevensbescherming. We beloven geen 100% AVG-garantie, want die geeft niemand verantwoord af zonder juridische dekking per geval. Wel kunnen we de opzet helder beschrijven, zodat jij en je adviseur er een gefundeerd oordeel over kunnen vellen.

Data-locatie

Standaard plaatsen we de vector-store in een EU-datacenter. Per use case bespreken we welke regio bij jouw verplichtingen past. Voor de meeste MKB-bedrijven is een EU-omgeving voldoende. Voor strikte sectoren (zorg, juridisch) bekijken we per geval wat extra eisen vraagt.

Scheidbare tenants

Elke klant krijgt een afgescheiden vector-store. Geen gedeelde tabel, geen kans op vermenging. Dit is geen logische scheiding op database-rij, maar een fysieke scheiding op tenant-niveau. Voor advieskantoren of andere organisaties die per cliënt moeten kunnen scheiden, kunnen we binnen één klantomgeving sub-tenants per cliënt opzetten.

Modeltraining

Standaard gebruiken we OpenAI of Anthropic via hun enterprise-API. In beide gevallen zetten we de instellingen zo dat je input niet wordt gebruikt om hun modellen te trainen.² Voor wie zelfs deze afhankelijkheid wil vermijden, is er de optie van een zelf-gehost open-weight model op managed GPU.

Audit-log

Elke vraag en elk antwoord wordt gelogd: wie vroeg wat, wanneer, met welke bronnen geantwoord. Dat is geen surveillance, dat is verantwoording. Een compliance officer kan steekproefsgewijs nagaan of de antwoorden in lijn zijn met intern beleid. Voor een uitgebreidere uitleg specifiek over AVG-verplichtingen, zie ons artikel AVG en je AI-werkplek: wat moet je geregeld hebben.

/ 06Vergelijking

Wanneer je hiervoor kiest

Niet elke organisatie heeft baat bij private document AI. Onderstaand rastert wanneer je het overweegt en wanneer een eenvoudiger alternatief beter past.

Voor een diepere vergelijking specifiek tussen private document AI en generieke enterprise-AI-tools, zie ons artikel Private AI vs ChatGPT Enterprise voor MKB.

/ 07Implementatie

Hoe een eerste implementatie eruitziet

Wij hanteren een vaste-prijs aanpak voor de eerste opzet. De Quickstart levert in zeven werkdagen een werkende eerste versie op voor één bedrijfsproces. Geen open scope, geen onbeperkte iteratie. Hieronder de ritmiek.

/ 08Kosten

Kosten en opbrengst

De vaste-prijs Quickstart kost tussen €750 en €1.500 eenmalig, afhankelijk van scope. Daarna is er een optioneel beheer-abonnement vanaf €299 per maand voor monitoring, updates en support. Dit zijn de bedragen voor de beta-fase. Na bewezen toepassing voor onze eerste paar pilots, zullen we de standaard-prijzen herzien.

Belangrijker dan de prijs is wat het oplevert. We meten dat per klant anders, maar de typische opbrengstposten zijn:

• Minder zoektijd per vraag. Van minuten naar seconden, opgeteld over een team en een werkdag levert dat snel een halve fte aan tijdwinst per maand op.
• Snellere klantreactie. Service of verkoop kan eerste reacties binnen minuten geven in plaats van uren.
• Minder fouten door verouderde info. Mensen baseren antwoorden op de centrale bron in plaats van op hun geheugen of een oud document op een netwerkschijf.
• Nieuwe medewerkers zijn sneller productief. De collectieve kennis is doorzoekbaar in plaats van afhankelijk van wie op kantoor is.

/ 09Valkuilen

Veelgemaakte fouten

We hebben er inmiddels veel zien gebeuren. Vier patronen die we keer op keer tegenkomen en die we proberen te voorkomen.

Te brede scope in de eerste week

De meest voorkomende fout is een eerste versie te ambitieus opzetten: "Laten we meteen alles erin gooien." Het resultaat is een matige eerste ervaring met te veel verkeerde antwoorden, omdat retrieval over alle domeinen heen niet goed werkt zonder afstelling. Beter: één use case scherp, één type bron, daarna pas uitbreiden.

Geen review-proces voor bronnen

Documenten worden geüpdatet, contracten veranderen, tarieven schuiven. Als niemand verantwoordelijk is voor de actualiteit van de bron, geeft het systeem na een paar maanden verouderde antwoorden. Het is geen AI-probleem, het is een organisatie-probleem dat we proberen vooraf te ondervangen.

Te veel of te weinig vertrouwen

Sommige teams gebruiken het antwoord onmiddellijk zonder verificatie. Andere teams gebruiken het helemaal niet omdat ze het niet vertrouwen. Beide zijn onproductief. De juiste mind-set: gebruik het antwoord als een goede eerste schatting met bronverwijzing, en verifieer voor je ernaar handelt in een klant- of compliance-gevoelig moment.

Vergeten van de gebruikerservaring

Een mooie technische opzet die slecht in de werkdag past wordt niet gebruikt. Wij integreren bewust dicht bij waar het werk gebeurt: in een eigen chat-interface, of soms als een hulpvenster naast het systeem dat het team al gebruikt. Adoptie is een design-vraag, niet alleen een technische.

/ 10Verder

Drie volgende stappen

Als dit dossier je hielp om de propositie scherper te krijgen, zijn er drie logische volgende stappen, in oplopende mate van commitment.

1. Lees verder in dit dossier. Onze spoke-artikelen gaan dieper op specifieke aspecten in: RAG in plain Nederlands, Private AI vs ChatGPT Enterprise, vijf scenario's voor installateurs.
2. Bekijk hoe wij dit aanbieden. De Private AI-pagina beschrijft onze opzet, security en use cases met meer detail.
3. Plan een intake-gesprek. 30 minuten online of in Barneveld. We bepalen samen of een Quickstart past en welke use case logisch is. Geen verkoop, geen verplichtingen vooraf. Reactie binnen 24 uur na het intake-formulier.