Veelgestelde vragen

Zevenenzestig antwoorden op de vragen die financiele dienstverleners stellen voordat ze aan AI beginnen. Zes blokken: hoe AI werkt, waar de waarde zit, implementeren, risico en governance, mensen en adoptie, en bouwen of kopen.

Hoe AI werkt

Wat doet een taalmodel eigenlijk als je het een vraag stelt?

Het voorspelt woord voor woord het meest waarschijnlijke vervolg op je tekst, op basis van patronen uit zijn trainingsdata. Het zoekt niets op en het heeft geen begrip van waar of onwaar. Alleen van wat het meest waarschijnlijk is op basis van zijn trainingsdata.

Waarom kent AI mijn polissen, acceptatierichtlijnen en dossiers niet?

Een model kent alleen wat er in de trainingsdata zat. Vaak vallen daar jouw documenten niet onder. Je kunt ze wel toevoegen via de chatomgeving. Dit is wel een handmatige actie. Er zijn ook oplossingen om dit te automatiseren maar het is wel vaak een uitdaging om de AI bij elke vraag het correcte document te laten gebruiken.

Hoe laat je AI werken met je eigen documenten en kennis?

Je kunt bestanden uploaden via een chat interface of het opslaan in een speciale database. Dan zoekt de AI de relevante passages in jouw documenten en geeft die mee aan het model. Het model leert er niets van want het leest ze op dat moment. Daardoor hangt de kwaliteit van het antwoord meer af van je documentbeheer en het correct aanroepen van de juiste documenten dan van het model. Daarom krijg je steeds meer onbetrouwbare antwoorden als je meer documenten uploadt.

Wat is het verschil tussen een chatbot, een assistent en een agent?

Een chatbot antwoordt op wat jij vraagt. Het zit vast in een chat window en weet alleen antwoord te geven op wat jij in de chat vraagt, upload of waar hij via zijn omgeving toegang tot heeft. Een assistent zit in een proces, kent vaste bronnen en levert een vooraf bepaalde output, bijvoorbeeld een dossiersamenvatting. Een agent bepaalt zelf een plan van aanpak en gebruikt daarbij systemen en tools. Met elke stap in die reeks stijgt zowel de opbrengst als het risico. Deze processen vragen dus om meer beheersing en monitoring. Welke van deze drie je nodig hebt hangt af van het soort werk: chatbots voor incidentele vragen, assistenten voor processen die vaak gebruikt worden en een agent voor de complexe en incidentele vragen. Zie Welke tools gebruik je voor AI-assistenten? voor de afweging per laag.

Waarom werkt het beter om een taak op te knippen dan er een grote opdracht op los te laten?

AI werkt beter als je een taak opknipt in functionele cognitieve taken. Dan doet het opdrachten die in elkaars verlengde liggen. Net zoals wij mensen! Het kan bijvoorbeeld goed controleren op spelfouten en vormfouten. Dan heeft het een laag foutpercentage, maar als het moet controleren op spelfouten en tegelijkertijd moet analyseren of de tekst goed aansluit bij de doelgroep, doet het aanzienlijk slechter. Deze twee taken liggen namelijk niet in elkaars verlengde. Dit is wat men in de praktijk prompt chaining noemt: meerdere AI-aanroepen met afgebakende taken. Zo bouw je AI betrouwbaarder in processen in en het scheelt ook flink in de kosten. Bijvoorbeeld: knip een dossierbeoordeling op in lezen, samenvatten en toetsen in plaats van er een prompt op los te laten.

Waarom krijg ik op dezelfde vraag twee keer een ander antwoord?

Een taalmodel genereert een antwoord op basis van een kansberekening. Zelfs met de temperatuur (de willekeur van een model) op nul heb je geen garantie op identieke uitvoer omdat het misschien een andere verwoording (synoniem) kiest. Op basis hiervan volgt ook een andere opbouw van het antwoord wat hierna komt. Daarom is reproduceerbaarheid bij een taalmodel altijd een uitdaging.

Wanneer is AI het verkeerde gereedschap?

Bij alles wat exact en herleidbaar moet zijn: premieberekening, bedragen optellen, een vaste beslisregel toepassen, een opzoeking in een tabel. Daar wil je een rekenregel of beslistabel in gebruiken. AI is sterk in taal; lezen, samenvatten, herschrijven, classificeren, verschillen zoeken tussen documenten.

Waarom verzint AI dingen en wanneer is dat risico het grootst?

Omdat het een waarschijnlijke tekst schrijft en geen gecontroleerde feiten beschrijft. Het risico is het grootst bij exacte gegevens die het niet kan opzoeken: bedragen, data, polisvoorwaarden, namen, wetsartikelen. Bij samenvatten of herschrijven van tekst die je zelf meegeeft is het risico klein omdat het zelf de bron heeft. Vraag standaard om bronvermelding en controleer die.

Wat is een contextvenster en waarom vergeet AI dingen?

Het contextvenster is alles wat het model in een keer meeleest: je instructie, de meegegeven documenten en het lopende gesprek. Wat er niet in past valt weg. Bovendien weegt informatie in het midden van een lange context minder zwaar dan aan het begin of het eind. Vaak wordt er ook een rolling window gebruikt: de gebruikte context heeft een maximale lengte en alles daarvoor wordt door middel van een samenvatting meegenomen. Dit zorgt ervoor dat het antwoord in langere gesprekken minder accuraat kan worden.

Waarom wordt het antwoord slechter als ik meer documenten meegeef?

Het gaat om relevante kennis en niet om meer. Als je er meer kennis in stopt maar die is niet relevant, dan zorgt het eerder voor ruis dan dat het waarde toevoegt. Zorg dus dat je meer relevante kennis inzet en niet meer. Hou dit taakgericht.

Waarom bepaalt de prompt zoveel van de kwaliteit?

Een prompt is een werkinstructie. Je moet AI zien als een stagiair met een werkinstructie: hoe duidelijker de instructie, hoe beter het resultaat. AI heeft namelijk net als een stagiair een slecht gevoel voor context. Dus hoe beter je doel, doelgroep, bron, vorm en grenzen erin vermeldt, hoe beter het resultaat wordt. Hoe de prompt zich verhoudt tot modelkeuze lees je in Welk AI-model kies je? Afweging voor 2026.

Moet ik kunnen programmeren om met AI te werken?

Nee, tegenwoordig niet meer. Je kunt al een heel eind met gewoon Nederlands of Engels komen. Wat je wel nodig hebt is het vermogen om je eigen werk duidelijk te beschrijven en daar is een vakinhoudelijk sterke medewerker beter in dan een programmeur. Je hebt hierdoor wel andere opties dan een programmeur. Die opties veranderen (en verbeteren) tegenwoordig wel met de dag.

Heb je het nieuwste en grootste model nodig?

Nee. De winst zit in de data filtering en goede prompts. In de app maakt het nieuwste model wel vaak een verschil omdat je hem als gebruiker zelf moet prompten, maar in workflows werkt dat anders. Dan roep je een model gewoon meerdere keren achter elkaar aan (promptchaining) en daarvoor heb je het nieuwste model niet nodig. Vaak is dat zelfs duurder en gaat je latency omhoog terwijl de kwaliteit van het antwoord niet beter wordt. Een uitwerking van waarom de harness zwaarder weegt dan het model staat in Welk AI-model kies je? Afweging voor 2026.

Waarom levert een goedkoper model dat je vaker aanroept vaak een beter resultaat dan een duur model?

Op deze manier kun je promptchaining doen. Dit geeft je de mogelijkheid om cognitieve taken functioneel uit elkaar te halen. Hierdoor krijg je kwalitatief betere output en heb je meer controle over het eindproduct omdat je de tussenstappen kunt beheersen.

Wat is het risico van zo'n keten van stappen?

Het risico is dat fouten gaan stapelen. Een keten van twaalf stappen die elk 99 procent van de tijd goed gaan, gaat als geheel 89 procent van de tijd goed. Daarom hou je ze zo kort mogelijk. Elke extra stap kost betrouwbaarheid, ook als elke afzonderlijke stap er prima uitziet.

Wat is een harness en waarom bepaalt die meer dan het model?

Een harness is alles wat om het model heen zit: de instructies, de volgorde, de controles en de informatie die je vooraf meegeeft. De coding agent van LangChain ging van 52,8 naar 66,5 procent op Terminal-Bench 2.0 en van buiten de top 30 naar de top 5 alleen door het harness aan te passen. Denk aan een verplichte controleronde voordat de agent klaar mag zeggen, omgevingsinformatie vooraf meegeven, detectie van herhaling en het meeste redeneerbudget bij plannen en controleren in plaats van bij het uitvoeren. Een harness is een grote kwaliteitswinst wanneer AI direct gebruikt wordt door een mens.

Wanneer heb je wel een nieuw, sterk model nodig?

Bij onduidelijke hulpvragen en bij autonome agents. Moderne modellen herschrijven de vraag zelf en redeneren over wat de klant echt vraagt. Hierdoor kan het beter met onduidelijke vragen omgaan en ook zelf beter een plan van aanpak maken. Ze zijn sterker wanneer gepland of geredeneerd moet worden en niet alleen uitgevoerd.

Wat is finetunen en heb ik dat nodig?

Finetunen is een model bijtrainen op eigen voorbeelden zodat de gegenereerde tekst bijvoorbeeld een standaard tone of voice heeft. Op deze manier pas je het gedrag van de AI aan. Kennis voeg je niet op deze manier toe, dit doe je namelijk via retrieval. In de praktijk lost een scherpere instructie plus een betere bron het probleem meestal op. Dit kost een fractie van finetunen. Wanneer wél een sterker model of finetunen nodig is, bespreek ik in Welk AI-model kies je? Afweging voor 2026.

Waar de waarde zit

Welke kenmerken maken een proces geschikt voor AI?

Hoog volume, veel ongestructureerde tekst, een herhaalbaar oordeel en een uitkomst die een mens goed kan controleren. Het is lastig om de bouw terug te verdienen wanneer het volume ontbreekt of als de mens het niet kan controleren. Zelf hanteer ik de vraag “kan een stagiaire met een goede werkinstructie dit doen?”. Op deze manier kun je snel beoordelen of een proces geschikt is voor AI-automatisering. Hoe je dit structureel aanpakt met een register en matrix staat in AI implementeren met rendement.

Waarom levert saai routinewerk meer op dan de spectaculaire toepassing?

Omdat de besparing het product is van tijdwinst en frequentie. Bij Rabobank leverde het samenvatten van klantgesprekken in een maand ruim een miljoen samenvattingen op voor meer dan 20.000 gebruikers. Een minuut winst per gesprek loopt dan al op tot duizenden uren. Daarom begin je met het werk dat de meeste uren vrijspeelt — het vliegwieleffect dat ik in AI implementeren met rendement uitwerk.

Wat leveren AI-assistenten concreet op bij een grote financiële dienstverlener?

Bij Rabobank draaien negen GenAI-assistenten in productie voor ruim 20.000 medewerkers met ruim een miljoen samenvattingen in een maand en meer dan 300.000 ondersteunde interacties. Genoemde effecten zijn 51% kortere gesprekstijd en 23% tijdwinst op de werkvoorraad. Zie die percentages als bovengrens van een goed ingericht proces en niet als verwachting voor je eerste assistent.

Wat is het verschil tussen AI die bestaand werk versnelt en AI die iets nieuws mogelijk maakt?

Bij bestaand werk maak je jouw huidige werkzaamheden efficiënter. Hiervoor reken je de besparing vooraf uit en stuur je op uren en doorlooptijd. Bij nieuwe mogelijkheden zorg je voor kleine budgetten met einddatum en stuur je op wat je leert en mislukken hoort erbij. Beide hebben een eigen regime en tempo. Automatiseer eerst bestaand werk zodat je ruimte hebt om nieuwe dingen uit te proberen.

Hoe reken je een business case betrouwbaar door?

(Frequentie X (tijdsbesparing X uurtarief)) – (de tijd die de controlestap kost + het werk dat blijft liggen bij uitzonderingen). Meet de huidige situatie voordat je bouwt want een besparing die je vooraf niet hebt gemeten kun je achteraf niet aantonen en is geen basis voor verdere automatisering. Dit werkt alleen bij automatisering van bestaande werkzaamheden. Nieuwe mogelijkheden gaan meer op onderbuikgevoel. Het kost meer om de business case hiervoor te berekenen dan om een experiment te draaien.

Waarom verdampt de berekende besparing vaak?

Dat heeft vaak drie oorzaken: 1. Het team gebruikt de oplossing maar half, investeer dus voldoende in adoptie. 2. De controlestap kost meer dan begroot, zorg dat je het bestaande proces goed kent. 3. De uitzonderingen die de assistent niet aankan komen alsnog handmatig terug. Reken daarom altijd met een dekkingsgraad: welk deel van de gevallen gaat er in de praktijk zonder tussenkomst doorheen? Hoe je dat monitort en borgt in een register staat in AI implementeren met rendement.

Hoe meet je of een AI-assistent oplevert wat is beloofd?

Je meet na livegang of de uren daadwerkelijk zijn bespaard of de kwaliteit echt omhoog is. Dit doe je het liefst direct op basis van harde cijfers (bijv. aantal telefoontjes opgenomen) want bij zachtere cijfers krijg je vaak vertekende beelden. Zelf meet ik graag de directe KPI’s (aantal telefoontjes opgenomen) en de indirecte (gespreksduur, afhandeltijd etc.). Zo krijg je namelijk een breder beeld van de veranderde situatie.

Implementeren

In welke van de vier soorten AI-werk valt mijn vraagstuk?

Er zijn vier lagen AI-werk: 1. AI-chat is een mens in een gesprek zonder proces eromheen. 2. Cowork is een opdracht met bestanden en tools waarbij het systeem meerdere stappen achter elkaar zet, voor werk dat te groot is voor een prompt en te wisselend voor een vaste workflow. 3. Workflowbouwer is trigger, vaste stappen, consistent resultaat. 4. Een autonome agent krijgt een doel zonder vaste werkwijze. Wanneer je de AI-laag weet, is de toolkeuze meestal simpel. De afweging per laag lees je in Welke tools gebruik je voor AI-assistenten?.

Is een autonome agent de logische volgende stap na chatten?

Nee, want het zijn andere gereedschappen en geen doorgroeipad. Autonomie is geen niveau waar je naartoe groeit maar een eigenschap waar je behoefte aan hebt als je vooraf geen standaard plan kunt bepalen. Autonome agents leveren de indrukwekkendste demo’s en staan het minst in productie omdat het systeem alles zelf bepaalt. Daarom zijn ze ook het duurst omdat dat veel tokens kost.

Waarom is een workflowbouwer voor een financieel kantoor belangrijker dan een slimme agent?

Traceability en controle. In een workflow kun je per stap aantonen wie het aanleverde, wat het model eruit haalde, welke regel het tegenhield en wie het goedkeurde. Een acceptatiebeoordeling kan technisch prima in Cowork maar je wilt per stap meer controle en sturing om dit elke keer goed te kunnen doen. Daarnaast is het een wettelijke vereiste dat je het opslaat en kunt reproduceren waarom een verzekering is geaccepteerd.

Met welke use case begin je?

Met degene die de meeste uren bespaart voor de mensen op de werkvloer. Die uren investeer je in het bouwen van de volgende AI-oplossing. Dat is het vliegwiel: doe je dit niet, dan valt het bouwen na elke oplevering stil omdat niemand tijd heeft. Het vliegwieleffect werk ik uit in AI implementeren met rendement.

Is dit iets voor een kantoor van tien man of alleen voor de grote jongens?

Juist een klein kantoor heeft het makkelijker. Een groot bedrijf loopt vast op inkoopprocessen, security-afdelingen, een ondernemingsraad en honderd medewerkers die je moet omscholen. Jij kunt maandag beslissen en woensdag testen. Snel stappen maken en blijven verbeteren. Wel moet hier soms een investering worden gedaan om de IT eerst volwassen te maken.

Hoe houd je overzicht over alle AI-ideeën die binnenkomen?

Die hou je bij in een register waar iedereen zijn use case in mag zetten. Zonder register krijg je losse initiatieven per afdeling en bouw je twee keer hetzelfde. Ook wordt monitoring een groot probleem: hoe weet je wanneer een AI dingen doet die je niet wilt? Filteren doe je pas in de volgende stap met de prioriteitsmatrix omdat de drempel om iets in te dienen laag moet blijven.

Hoe bepaal je de volgorde van je use cases?

Scoor elk idee op waarde en op haalbaarheid, beide hoog of laag. Veel waarde en makkelijk te bouwen doe je eerst. Veel waarde maar lastig bereid je alvast voor, want dat kost tijd en anders valt het bouwen stil zodra de makkelijke winst op is. Weinig waarde en lastig bouw je niet, dit kost alleen geld. De prioriteitsmatrix staat in AI implementeren met rendement.

Waarom laat je een use case beoordelen door iemand anders dan de indiener?

Omdat iedereen zijn eigen idee scoort als veel waarde en makkelijk te bouwen. Zonder die scheiding staat je hele lijst binnen een maand vol met use cases met hoge prioriteit en bouw je niets.

Waarom specificeer je een AI-assistent niet vooraf tot in detail?

Omdat mensen slecht zijn in beschrijven wat ze willen en nodig hebben. Met een simpele werkende versie ontdek je de echte eisen samen met de gebruikers. Dat kost minder tijd en geld dan een specificatie die je halverwege alsnog omgooit. Bouw de eenvoudigste versie die het werk doet en verbeter deze in de maand daarna.

Welke beslismomenten heb je nodig?

Twee heb je nodig. Een voor de bouw, die bepaalt wat je gaat bouwen, of het compleet is en dat er voldoende businesswaarde in zit. Een vlak voor productie, hier bepaal je of een oplossing live gaat of niet. Hierbij toets je of de gebruikers de oplossing goed genoeg vinden en of het de gewenste businesswaarde inlost. De business heeft hierin het vetorecht. Zij bepalen of iets voldoende waarde heeft en of het live gaat. Behalve als er grote technische bezwaren zijn, zoals een AVG-probleem of andere securityaangelegenheden. De twee beslismomenten werk ik uit in AI implementeren met rendement.

Hoe lang duurt het van idee tot productie?

Vier tot zes weken per assistent als de infra er klaar voor is. Een tot twee weken voor de eerste werkende versie en daarna drie tot vier weken verfijnen met de mensen die er dagelijks mee werken. Wanneer het structureel langer duurt, zit het probleem meestal in besluitvorming en toegang tot data en niet in de techniek. De vaste pilot van 45 dagen staat beschreven op Mijn diensten.

Waarom is de tweede assistent goedkoper dan de eerste?

Omdat je bij de eerste ook de omgeving bouwt: verbindingen, rechten en beveiliging. Dat is een groot deel van het budget en grotendeels herbruikbaar bij de volgende, zeker in een workflowbouwer. Kies je platform daarom op wat eronder ligt en niet op de eerste assistent: een assistent verhuizen kost een week, een kennislaag en een rechtenmodel kosten, naarmate je meer assistenten hebt, maanden. Deze afweging werk ik uit in Welke tools gebruik je voor AI-assistenten?.

Waarom mislukken de meeste AI-projecten?

De meeste projecten mislukken door het politieke stuk of doordat er aannames worden gedaan over welke assistenten de business helpen in plaats van het te vragen. In het politieke spectrum zie je vaak risicomijdend gedrag met veel compliance en security. Wat in essentie goed is, maar dit kan ook te veel zijn en het proces meer een administratief karakter geven in plaats van doelgerichte automatisering. Wat nieuw is voor AI-automatisering is dat de IT en de business meer met elkaar moeten samenwerken. Waar IT aan moet wennen: ze zijn niet meer in de lead. Door hun ervaring denken ze door hun lens te weten welke automatiseringen de business het meeste helpen terwijl dat vaak niet zo is.

Wie moet eigenaar zijn van een AI-assistent: IT of de business?

De business bepaalt of de AI-assistent live gaat en of het waarde levert. IT bouwt de oplossing of helpt de business hiermee. Anders wordt het een nachtmerrie wat betreft monitoring en security. De business zorgt voor de feedback zodat functioneel de goede oplossing wordt gebouwd.

Welke kennis moet je zelf in huis houden?

Procesbegrip en eigenaarschap. Die wil je niet inkopen want dit is de toegevoegde waarde van jouw bedrijf en je onderscheidend vermogen. Op basis hiervan kun je een goede vertaalslag maken wat een leverancier voor je kan bouwen. Zonder eigen proceseigenaar krijg je iets dat technisch werkt maar niet aansluit op het werk. Of je beter kunt bouwen, kopen of hergebruiken, bespreek ik in Reuse, buy of build: de juiste volgorde.

Wie in mijn organisatie bouwt wat?

Hier heb je vier mogelijke routes voor die afhankelijk zijn van de bouwcomplexiteit, onderhoudscomplexiteit en externe kosten. De routes zijn: persoonlijke agents — mensen bouwen zelf met prompts en templates binnen bestaande licenties; werkstromen voor een team configureert een developer of iemand van de business in een afgeschermde omgeving; specialistische oplossingen koop je; echt complexe en specifieke AI-oplossingen laat je programmeren.

Moet ik hiervoor programmeurs inhuren?

Vaak hoeft dat niet. Je kunt al heel erg veel met low-code omgevingen en die worden steeds makkelijker om mee te werken. Monitoring, observability, foutafhandeling en versiebeheer zijn al ingebouwd dus die hoef je ook niet meer in te stellen. De specialistische use cases waarvoor je echt zelf moet bouwen, komen in de meeste organisaties niet vaak voor. Dat programmeren de standaardkeuze is, komt vaker voort uit het idee “omdat het altijd zo al gedaan werd”.

Hoeveel tijd kost zo'n aanpak de eigen organisatie?

Je hebt iemand nodig die bouwt, iemand die coördineert en tijd van de mensen die het werk doen. Vooral in de fase waarin je de assistent test en verbetert. Hoeveel tijd je precies nodig hebt hangt af van de omvang van de organisatie, de cultuur en de complexiteit van het IT-landschap.

Risico en governance

Wie blijft verantwoordelijk als AI een fout maakt?

De mens of de afdeling. Dat hangt ervan af of het betreffende proces een human in the loop heeft of niet. Als er een human in the loop is, controleert deze de output van de AI, geeft deze goedkeuring en is hij dus verantwoordelijk. Is het een autonoom proces, dan is de afdeling vanuit de business waarvoor het gemaakt is verantwoordelijk. Zij hebben aan het begin de KPI's en requirements vastgelegd. IT is dan alleen verantwoordelijk voor de monitoring van de KPI's.

Waar zet je een mens in de lus en waar juist niet?

Bij alles wat naar buiten gaat of waarvan het gevolg grote impact heeft. Bijvoorbeeld: klantcommunicatie, acceptatie, schadebesluit, afwijzing. Bij interne hulpmiddelen die de medewerker nog verder verwerkt, zoals een samenvatting, is dit overbodig. Vuistregel: hoe onomkeerbaarder het gevolg, hoe eerder de mens.

Hoe houd je een AI die zelfstandig stappen zet onder controle?

Door drie maatregelen in het ontwerp mee te nemen: 1. instructies die het gedrag strak kaderen, 2. een afgeschermde omgeving waarbinnen het systeem alleen mag handelen (sandbox), 3. een mens die periodiek incheckt, de output (steekproefsgewijs) controleert en kritieke acties goedkeurt. Vaak verdwijnt de derde stap omdat het systeem toch goed draait. Zo kan het proces op den duur toch heel anders gaan werken dan het originele idee was.

Wat moet je vastleggen om aantoonbaar in control te zijn?

Ik leg per assistent of workflow het volgende vast: wat hij doet, wat erin gaat, wat eruit komt, welke vaste bronnen hij raadpleegt, wat hij nooit mag doen, wie eigenaar is en wanneer een mens goedkeurt. Ook leg ik het goedkeuren, het ontwerp en de aanpassingen per workflow of assistent vast. Zo weet je ook welke aanpassingen je waarom hebt gedaan en wat de afwegingen waren. Die verlies je vaak in de tand des tijds.

Wat mag je met klantgegevens in AI?

Dat hangt af van welke versie en model je gebruikt en hoe die is ingesteld. Consumentenversies gebruiken vaak je invoer voor training en zakelijke versies bieden de mogelijkheid om dat uit te zetten met afspraken over waar data blijft en hoelang. Hier kun je dus redelijk veilig informatie in zetten. Voor bijzondere persoonsgegevens, zoals gezondheidsgegevens in een schadedossier, gelden zwaardere eisen dan voor gewone klantdata. Zelf werk ik volgens het principe van dataminimalisatie: als de data niet nodig is voor een goede output, zet ik het er niet in. De klantnaam verbetert de output niet dus waarom zou ik die erin zetten? Hetzelfde geldt voor huidskleur, geloof etc. Ziektes kunnen de output verbeteren maar zelf doe ik dit liever niet. De lat moet behoorlijk hoog zijn om dit te gebruiken en de rest van de data vrij dun.

Wat betekent de AI-verordening voor financiële dienstverleners?

De verordening deelt toepassingen in naar risico en op basis hiervan worden er andere eisen aan je processen gesteld. Het stelt dus eisen aan hoe je applicaties werken, welke data je mag gebruiken en of je klant moet informeren of je AI hebt gebruikt. Kredietwaardigheidsbeoordeling van particulieren en risicobeoordeling en prijsstelling bij levens- en zorgverzekeringen vallen in de hoogrisicocategorie met eisen aan documentatie, menselijk toezicht en monitoring. Een dossiersamenvatter of tekstassistent valt daar in de regel niet onder. Dit onderwerp is nog wel erg in ontwikkeling dus kijk altijd naar de actuele stand van zaken.

Moet je je klant vertellen dat er AI in het proces zit?

Ja, zodra de klant rechtstreeks met het systeem communiceert of naar door AI gegenereerde inhoud kijkt. De AI-verordening kent daarvoor een transparantieplicht. Voor een assistent die intern een brief voorbereidt die jij ondertekent geldt dat niet. Zelf werk ik volgens het adagium: in een vertrouwensrelatie is achteraf ontdekt worden erger dan vooraf verteld hebben.

Hoe test je iets waarvan de uitkomst niet exact voorspelbaar is?

Met een vaste set echte gevallen waarvan je de gewenste uitkomst kent en deze controleer je bij elke wijziging opnieuw, plus een steekproef op productie. Je toetst niet op letterlijke gelijkheid maar op inhoudelijke bruikbaarheid en juistheid. Zonder zo'n set weet je bij een aanpassing niet of je iets hebt verbeterd of stukgemaakt. Een keten van kleine modellen maakt zo'n testset extra waardevol omdat je per stap kunt isoleren — zie Welk AI-model kies je? Afweging voor 2026.

Wat gebeurt er als je leverancier het model verandert?

Modellen worden vervangen en uitgefaseerd en dan verandert gedrag dat je zorgvuldig had afgestemd. Leg vast welke modelversie je gebruikt en draai je testset opnieuw na elke wijziging. Als je van model wisselt binnen de leverancier valt de verandering vaak wel mee en kun je dat snel maken in een prompt. Als je extern gaat wisselen heb je best wel veel aanpassingen te doen. Voor financiële instellingen is dit ook een DORA-vraagstuk: je AI-leverancier is een ICT-dienstverlener van een derde partij. Waarom de modelkeuze minder zwaar weegt dan je denkt, maar de koppeling wel kritiek is, lees je in Welk AI-model kies je? Afweging voor 2026.

Hoe voorkom je afhankelijkheid van een leverancier?

Scheid de onderdelen. Je instructies, je documenten en je proceslogica horen bij jou en niet in het platform van een leverancier. Kun je van model wisselen zonder je hele inrichting opnieuw te bouwen dan houd je keuzevrijheid en onderhandelingsruimte over. Zo blijf je in control en ben je minder afhankelijk van je AI-provider. Hoe dat samenhangt met de keuze tussen reuse, buy en build lees je in Reuse, buy of build: de juiste volgorde.

Mag je AI-gegenereerde teksten en beelden zakelijk gebruiken?

In de meeste gevallen wel. De grens is: imiteren mag maar kopiëren niet. Gebruik AI om sneller in je eigen tone-of-voice te komen en voeg je eigen oordeel toe voordat het naar buiten gaat. Het nabootsen van herkenbaar werk kan wel voor problemen zorgen.

Mag ik een open-source model uit China gebruiken?

Technisch is dat veilig: een model is een pad naar een uitkomst en het bestand is niet uitvoerbaar dus het kan geen data terugsturen. De sterkste open-source modellen komen op dit moment uit China en je hoeft ze niet zelf te hosten. Scaleway draait alles in een datacenter in Parijs en analyseert, verzamelt, leest of hergebruikt je invoer, prompts en uitvoer niet. Nebius biedt een route via Finland waarbij je data in de EU blijft. Het is dus veilig maar kijk waar deze gehost wordt. Wil je zekerheid boven prijs, kies dan Mistral: Europees en degelijk. Deze afweging werk ik uit in Welk AI-model kies je? Afweging voor 2026.

Mensen en adoptie

Waarom bepaalt adoptie het rendement en niet de techniek?

Omdat een assistent die half gebruikt wordt ook maar de helft oplevert. Succes hangt af van de vertaling naar het dagelijkse werk: kent de medewerker het, past het in zijn ritme, en levert het hem persoonlijk tijd op. Dat is een implementatievraag en geen technische vraag. En dan laat ik het toekomstige rendement door de doorontwikkeling nog buiten beeld. Want een assistent die niet gebruikt wordt, wordt ook niet doorontwikkeld.

Wat doe je als het team de assistent gewoon niet gebruikt?

Niet-gebruiken heeft bijna altijd een reden die klopt: hij staat buiten de werkstroom, hij is onbetrouwbaar, nakijken kost meer dan zelf doen etc. Vraag bij de business uit waarom ze hem niet gebruiken. Vaak kunnen ze wel een eerlijke reden geven en met hen bespreken hoe je hem kunt verbeteren zodat ze hem wel gebruiken.

Hoe ga je om met weerstand en met angst voor banenverlies?

Dit is door de marketing van AI-bedrijven een echte angst van mensen. Ga hier op in want in de praktijk zie je dat er geen banen verloren gaan maar dat deze een nieuwe invulling krijgen: het administratieve verdwijnt en wordt vervangen door klantgerichte taken waar eerst geen ruimte voor was. Dit is het geval geweest bij Ikea, die door deze aanpak miljoenen meer verdienen.

Wat verandert er aan het werk van een medewerker?

Van uitvoerend en administratief werk naar controleren en beoordelen. Je wordt een soort manager en architect van je eigen werk: je controleert en ontwerpt wat de AI maakt en stuurt deze bij. Dit is een ander soort werk en vraagt een andere focus van je als medewerker. Dat is niet vanzelf lichter — continu andermans werk nakijken vraagt een ander soort aandacht dan zelf doen, en bij hoge kwaliteit sluipt automatische goedkeuring er snel in. Houd daar rekening mee in de inrichting, anders krijg je toezicht dat alleen op papier bestaat. Welke tool je kiest voor dat soort geautomatiseerde controles verschilt per laag — zie Welke tools gebruik je voor AI-assistenten?.

Wat moeten medewerkers hierover leren?

Waar AI sterk in is, waar het onbetrouwbaar in is, hoe je een opdracht formuleert en wanneer je moet controleren. Dit is ermee spelen en oefenen om er feeling mee te krijgen. Niet alleen een training of cursus, maar er ook daarna mee blijven spelen. Het ontwikkelt zich snel dus per week heb je nieuwe mogelijkheden om je werk te automatiseren.

Bouwen of kopen

Moeten we dit kopen of zelf laten bouwen?

In deze volgorde: eerst kijken wat je al hebt, dan kopen en pas bouwen als het echt niet anders kan. Reuse wordt bijna altijd overgeslagen omdat er geen leverancier is die het verkoopt, geen business case ter goedkeuring en geen implementatiepartner met een offerte. Begin dus met de inventarisatie: welke systemen raken dit proces al, welke koppelvlakken zitten erop en wat kan er met je bestaande licenties. De frictie zit vaak tussen kopen en bouwen. Veel bedrijven willen bouwen omdat het dan van hen is en je niet afhankelijk bent van een derde partij. Deze keuze zorgt er ook voor dat je de doorontwikkeling en specialisatie mist van een partij die het al goed kan. Daarom zou ik deze overweging niet te licht nemen: beide hebben een duidelijk voordeel en nadeel.

Welke vragen beslissen of het reuse, buy of build wordt?

Vier vragen maken het duidelijk en deze zijn: 1. Raakt dit proces een systeem dat we al hebben en zit daar een koppeling op? Ja is reuse. 2. Onderscheidt dit proces ons van een concurrent die hetzelfde pakket koopt? Ja is build. 3. Dekt een bestaand pakket ruwweg 80 procent en kunnen wij ons proces daarop aanpassen? Ja is buy. 4. Kunnen we dit vijf jaar onderhouden, ook nadat de bouwer vertrokken is? Nee betekent alsnog kopen. Koop de standaard en bouw hooguit de uitzonderingen erin.

Wat kost zelf bouwen gedurende vijf jaar?

Als richtlijn voor vergelijking: 31.000 euro voor reuse, 175.000 voor buy en 243.000 voor build. Het verschil zit niet in jaar een (15.000 tegen 25.000 tegen 120.000) maar in de jaren daarna: 18% onderhoud per jaar, eigen security en pentests. Die 18% is een vuistregel en lager bij een stabiel proces, hoger zodra er koppelingen in zitten die met elke release van de tegenpartij meebewegen. De volledige rekensom staat in Reuse, buy of build: de juiste volgorde.

AI-codeassistenten maken bouwen goedkoper. Verandert dat de rekensom van zelf bouwen?

Codeassistenten hebben de bouwkosten de afgelopen twee jaar verlaagd maar patches, pentests, koppelingen die je moet aanpassen en een aanspreekbare beheerder blijven even duur. Dat zijn juist de posten die over vijf jaar het leeuwendeel van de kosten zijn, dus de keuze verschuift op papier richting build terwijl de werkelijke kosten nauwelijks meebewegen.

Verplaatst inkopen mijn risico naar de leverancier?

Nee, onder DORA blijf je als financiële instelling aanspreekbaar op het ICT-risico bij derden. Kopen verplaatst het werk en niet de verantwoordelijkheid. Wat kopen wel scheelt is je rol onder de AI-verordening: koop je AI, dan ben je deployer en geen provider en dat vraagt minder van je aan compliance.

Is hergebruik van wat we al hebben echt zo goedkoop?

Het is de goedkoopste route maar niet gratis. Zonder beheer loopt het alsnog spaak want je hebt een omgevingsstrategie nodig, naamgevingsafspraken en een aanwijsbare eigenaar per flow. Zonder die drie sta je binnen twee jaar met tientallen flows die onbeheersbaar zijn geworden.

Wat kost AI-gebruik eigenlijk?

Per miljoen tokens met augustus 2026 als peildatum: frontier-modellen 5 dollar in en 25 tot 30 uit, middenklasse 2 dollar in en 10 tot 12 uit, open gewichten 10 tot 28 dollarcent in en 30 cent tot 1,10 uit, en klein en snel 3 cent in en 13 cent uit. Een keten van vijf aanroepen op een open model kost minder dan een enkele aanroep op een frontier-model. Met slim modelmanagement wordt prompt chaining dus goedkoper in plaats van duurder.