# Jaap Hoeve — AI-Automatiseringsexpert (uitgebreide versie) > Beknopte versie: /llms.txt Jaap Hoeve helpt directies, ondernemers en managers in Nederland met het implementeren van AI-automatiseringen die meetbare business value opleveren. Geen langdurige adviestrajecten, maar werkende oplossingen met aantoonbare tijds- en kostenbesparing. --- ## Identiteit en achtergrond - **Naam:** Jaap Hoeve - **Rol:** AI-automatiseringsexpert - **Bedrijf:** De Prompters B.V. (freelance) - **Locatie:** Amersfoort, Utrecht — werkzaam door heel Nederland - **Sector:** Financiële dienstverlening, MKB - **Ervaring:** 7+ jaar in de financiële sector - **Website:** https://jaaphoeve.com - **LinkedIn:** https://www.linkedin.com/in/jaaphoeve - **GitHub:** https://github.com/Japemanner --- ## Technische stack en tools - **Automatisering:** n8n (self-hosted, low-code workflow automation) - **AI-modellen:** Claude (Anthropic), GPT-4, Azure OpenAI - **Procesautomatisering:** Azure DevOps, Camunda BPM - **Data/integraties:** REST API, webhooks, PostgreSQL, NocoDB - **Cloud:** Azure, Hetzner VPS - **Methodologie:** Lean Six Sigma Green Belt, SAFe 6, PSPO2 --- ## Aanpak in drie fasen ### Fase 1 — Start & Ontdek Grondige verkenning van de bedrijfsprocessen, startend met jouw vraag. We brengen concrete use cases in kaart met bijbehorende ROI-inschatting per proces. Output: overzicht van kansen gerangschikt op impact en haalbaarheid. ### Fase 2 — Implementeer & Bouw Werkende automatiseringen worden gebouwd én geadopteerd door het team. Geen theoretische rapporten. De medewerkers werken actief mee zodat kennis geborgd blijft. ### Fase 3 — Borg & Schaal Procesborging via documentatie en training. Concrete roadmap voor doorontwikkeling. Zodat resultaten duurzaam zijn en het bedrijf zelfstandig verder kan. --- ## Diensten (met deliverables en ROI) ### Pilot voor assurantiekantoren — €2.950,- (45 dagen, vijf plekken) **Wat:** Vier AI-assistenten, elk gebouwd op één proces dat je team nu met de hand doet. 45 dagen, vijf plekken. **Deliverable:** Vier draaiende AI-assistenten, verwerkersovereenkomst, AVG-documentatie, audit trail, overdrachtsdocumentatie. **ROI:** De helft van het handwerk in vier processen weg, gemeten aan de nulmeting van dag 1. Niet gehalveerd = niet betalen. **Geschikt voor:** Assurantiekantoren en volmachtbedrijven die het werk uit handen willen. Na de pilot €2.950 per assistent. ### AI-implementatietraject — €120,-/uur (32-36 uur per week) **Wat:** GenAI-strategie, use case-portfolio, procesarchitectuur in Camunda en BPMN, regie op externe leveranciers. **Deliverable:** Roadmap met geprioriteerde use cases, procesarchitectuur, bewaakt portfolio van intake tot productie. **ROI:** Een portfolio waarin de drie use cases overblijven die het halen. **Geschikt voor:** Verzekeraars, hypotheekservicers en grotere organisaties die AI in de lijn moeten brengen. **Vormen:** AI-portfolioscan (4 weken, €9.600), implementatiebegeleiding (vanaf €3.840/maand), interim (32-36 uur/week, €120/uur). ### AI-coaching voor ondernemers — €100,-/uur (strippenkaart 10 uur voor €1.000, zes maanden geldig) **Wat:** Sessies van twee uur voor ondernemers die zelf bouwen en willen sparren met iemand die het al in productie heeft gehad. **Deliverable:** Geen cursus, geen slides. Jij brengt je vraag, flow of vastgelopen project mee en we werken eraan. **ROI:** Je bouwt in weken wat anders maanden kost, en je bouwt niet het verkeerde. **Geschikt voor:** Ondernemers en teams die zelf bouwen. Levert de eerste sessie niets op, dan betaal je hem niet. --- ## Bewezen resultaten - **39 AI use cases** geïdentificeerd in één organisatiescan - **9 GenAI-assistenten** live in productie bij Rabobank, van pilot naar productie - **51% tijdswinst** en **23% tijdsbesparing op de werkvoorraad** bij Rabobank - **16 jaar werkervaring**, 7+ jaar in de financiële sector - Implementaties bij: Rabobank, ASR Nederland, Nedasco, CGI --- ## Ervaringen per klant ### Rabobank Langdurige samenwerking op het snijvlak van business analyse en AI-implementatie. 9 GenAI-assistenten uitgerold van pilot naar productie binnen het klantinteractiekanaal. Resultaat: 51% tijdswinst en 23% tijdsbesparing op de werkvoorraad. Specifieke expertise: procesautomatisering in een sterk gereguleerde omgeving. **Referenties:** - Jessie Vork, Solution Architect Rabobank: "We hadden hoge verwachtingen van Jaap, maar zelfs die heb jij overtroffen." - Jose van der Mijden, Business Analist Rabobank: "De manier waarop Jaap heel snel kan schakelen is bijzonder inspirerend. Hij begrijpt zowel de business als de techniek." - Jesse Pieket, Product Manager GenAI Rabobank: "Jaap is onze technische probleemkraker — hij doorgrondt bedrijbs- en procesproblemen razendsnel." ### ASR Nederland Procesautomatisering en AI-advies voor een van de grote Nederlandse verzekeraars. Focus op compliance-bewuste implementaties binnen de kaders van DNB en AFM. €37,5M+ beheerde portefeuille geautomatiseerd; 250+ koppelingen voor 75 grootzakelijke klanten. ### Nedasco AI-automatisering voor een intermediair in de verzekeringsmarkt. Sleutelwoord: schaalbaarheid zonder extra personeel. ### CGI Technische consultancy op het gebied van procesoptimalisatie en automatisering bij een wereldwijde IT-dienstverlener. Inzet bij Rabobank als Sr. Business Analist voor GenAI-assistenten. --- ## Casestudies ### Casestudie 1 — Procesoptimalisatie bij financiële dienstverlener **Uitdaging:** Handmatig verwerken van klantaanvragen kostte 4 uur per dossier. **Aanpak:** Eerste verkenning identificeerde drie automatiseerbare stappen. n8n-workflow gebouwd voor data-extractie, validatie en routering. **Resultaat:** Doorlooptijd van 4 uur naar 25 minuten (90% reductie). Medewerkers besteden tijd aan uitzonderingen in plaats van standaard verwerking. ### Casestudie 2 — AI-assistent voor intern kennisbeheer **Uitdaging:** Medewerkers zochten gemiddeld 45 minuten per dag naar interne documenten en procedures. **Aanpak:** RAG-architectuur (Retrieval Augmented Generation) opgezet met bestaande documentatie als kennisbron. **Resultaat:** Zoektijd teruggebracht naar gemiddeld 3 minuten. Kennisborging bij vertrek medewerkers aanzienlijk verbeterd. ### Casestudie 3 — 39 use cases in één sessie **Uitdaging:** Grote organisatie wilde weten waar AI zinvol was maar had geen overzicht. **Aanpak:** Gestructureerde verkenning langs alle afdelingen met gestandaardiseerde scoringsmethode (impact × haalbaarheid). **Resultaat:** 39 concrete use cases geïdentificeerd, geprioriteerd en voorzien van business case. Directie kon direct starten met top-5. --- ## Veelgestelde vragen (uitgebreid) ### 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. Bijna alles wat je verder over AI moet weten volgt uit dat ene punt: vloeiend en juist zijn twee losse eigenschappen. #### Waarom kent AI mijn polissen, acceptatierichtlijnen en dossiers niet? Een model kent alleen wat er in de trainingsdata zat, tot een bepaalde datum, en dat is publiek beschikbare tekst. Jouw richtlijnen en klantdossiers zitten daar niet in en horen daar ook niet in. Wil je dat het model ermee werkt, dan moet je ze bij elke vraag meegeven of laten opzoeken. #### Hoe laat je AI werken met je eigen documenten en kennis? Via retrieval: bij elke vraag zoekt een systeem eerst de relevante passages in jouw documenten en geeft die mee aan het model. Het model leert er niets van, het leest ze op dat moment. Daardoor hangt de kwaliteit van het antwoord meer af van je documentbeheer dan van het model. Verouderde, dubbele of tegenstrijdige documenten leveren onbetrouwbare antwoorden. #### Wat is het verschil tussen een chatbot, een assistent en een agent? Een chatbot antwoordt op wat jij vraagt. Een assistent zit in een proces, kent vaste bronnen en levert een afgebakend product, bijvoorbeeld een dossiersamenvatting. Een agent bepaalt zelf welke stappen hij zet en gebruikt daarbij systemen en tools. Met elke stap in die reeks stijgt zowel de opbrengst als het risico, en dus de hoeveelheid toezicht die je moet inbouwen. Welke van deze drie je nodig hebt, hangt af van het soort werk — zie [Welke tools gebruik je voor AI-assistenten?](/whitepapers/toolkeuze) voor de afweging per laag. #### Waarom werkt het beter om een taak op te knippen dan er een grote opdracht op los te laten? Omdat een model dat een afgebakende taak doet doorgaans een beter resultaat geeft dan wanneer het alles tegelijk probeert. Dat is ook het principe achter systemen waarin meerdere agents samenwerken aan een doel, in de praktijk drie tot twintig. Praktisch: 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 kiest uit een kansverdeling en niet uit een tabel. Zelfs met de willekeur op nul heb je geen garantie op identieke uitvoer, omdat de manier waarop berekeningen worden gebundeld en uitgevoerd meespeelt. Twee gevolgen: je kunt AI niet testen zoals je een rekenregel test, en werk dat exact reproduceerbaar moet zijn hoort niet bij een taalmodel. #### 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. AI is sterk waar taal in het spel is: lezen, samenvatten, herschrijven, classificeren, verschillen zoeken tussen documenten. Veel mislukte projecten zijn taalmodellen die rekenwerk moesten doen. #### Waarom verzint AI dingen en wanneer is dat risico het grootst? Omdat het waarschijnlijke tekst produceert en geen gecontroleerde feiten. 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, want de bron ligt ernaast. 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. Meer documenten meegeven maakt een antwoord dus niet automatisch beter, vaak juist slechter. #### Waarom wordt het antwoord slechter als ik meer documenten meegeef? Omdat meer context niet meer kwaliteit betekent. Moderne modellen kunnen boekwerken aan, groter dan de Lord of the Rings-trilogie, maar uit diverse onderzoeken blijkt dat het resultaat slechter wordt naarmate je er meer in stopt. Garbage in, garbage out geldt onverkort: hou de prompt taakgericht en upload alleen wat relevant is. #### Waarom bepaalt de prompt zoveel van de kwaliteit? Een prompt is een werkinstructie. Vaag geformuleerd krijg je generiek werk terug, net als bij een nieuwe medewerker. Zet doel, doelgroep, bron, vorm en grenzen erin en de kwaliteit stijgt zonder dat je iets aan het model verandert. Dat is meestal de goedkoopste verbetering die er is. Hoe de prompt zich verhoudt tot modelkeuze en prompt chaining lees je in [Welk AI-model kies je? Afweging voor 2026](/whitepapers/modelkeuze). #### Moet ik kunnen programmeren om met AI te werken? Nee. De taal van AI is gewoon Nederlands of Engels; een prompt is een werkinstructie en geen code. Wat je wel nodig hebt is het vermogen om je eigen werk precies te beschrijven, en daar is een vakinhoudelijk sterke medewerker beter in dan een programmeur. #### Heb je het nieuwste en grootste model nodig? Zelden. De winst zit in de koppeling met het dagelijkse werk en in de kwaliteit van je bronnen, niet in de modelkeuze. Een gemiddeld model dat goed in het proces zit levert meer op dan het beste model dat ernaast staat. Een uitwerking van waarom de harness zwaarder weegt dan het model staat in [Welk AI-model kies je? Afweging voor 2026](/whitepapers/modelkeuze). #### Waarom levert een goedkoper model dat je vaker aanroept vaak een beter resultaat dan een duur model? Omdat je met prompt chaining elke aanroep een makkelijkere taak geeft, en makkelijkere taken leveren betere output. Je levert latency in en krijgt nauwkeurigheid terug, en je kunt per stap het model kiezen dat voor die stap het beste is. Met de modellen van een half jaar geleden bouw je vrijwel alles wat je vandaag wilt bouwen. #### Wat is het risico van zo'n keten van stappen? Fouten stapelen. Een keten van twaalf stappen die elk 99 procent van de tijd goed gaan, gaat als geheel 89 procent van de tijd goed. Hou ketens dus kort: 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? De 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, zonder van model te wisselen; alleen de harness was aangepast. 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. #### Wanneer heb je wel een nieuw, sterk model nodig? Bij latency-eisen, bij onduidelijke hulpvragen en bij autonome agents. Een sterk model antwoordt sneller omdat er een aanroep is in plaats van meerdere, en moderne modellen herschrijven de vraag zelf en redeneren over wat de klant echt vraagt. Let op de keerzijde: extra structuur helpt vooral de middenmoot, en bij modellen ouder dan drie jaar maakt het het resultaat juist slechter. #### Wat is finetunen en heb ik dat nodig? Finetunen is een model bijtrainen op eigen voorbeelden zodat het een vaste vorm of toon beter treft. Voor kennis is het het verkeerde gereedschap, daarvoor gebruik je retrieval. In de praktijk lost een scherpere instructie plus een betere bron het probleem meestal op, tegen een fractie van de kosten en zonder dat je vastzit aan een modelversie. Wanneer wél een sterker model of finetunen nodig is, bespreek ik in [Welk AI-model kies je? Afweging voor 2026](/whitepapers/modelkeuze). ### Waar de waarde zit #### Welke kenmerken maken een proces geschikt voor AI? Veel volume, veel ongestructureerde tekst, een herhaalbaar oordeel en een uitkomst die een mens snel kan controleren. Ontbreekt het volume, dan verdien je de bouw niet terug. Kost de controle net zoveel tijd als het werk zelf, dan bespaar je niets. Hoe je dit structureel aanpakt met een register en matrix staat in [AI implementeren met rendement](/whitepapers/ai-implementatie-framework). #### 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](/whitepapers/ai-implementatie-framework) uitwerk. #### Wat leveren AI-assistenten concreet op bij een grote financiele 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. Behandel die percentages als bovengrens van een goed ingericht proces, niet als verwachting voor je eerste assistent. #### Wat is het verschil tussen AI die bestaand werk versnelt en AI die iets nieuws mogelijk maakt? Het eerste maakt bestaand werk sneller: je rekent de besparing vooraf uit, stuurt op uren en doorlooptijd, en een mislukking is een fout. Het tweede opent nieuwe mogelijkheden: kleine budgetten met einddatum, sturen op wat je leert, mislukken hoort erbij. Beide hebben een eigen regime. Begin bij het eerste, want dat betaalt het tweede. #### Hoe reken je een business case door zonder te fantaseren? Frequentie maal tijd per keer maal uurtarief, min de tijd die de controlestap kost en min 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. #### Waarom verdampt de berekende besparing vaak? Drie lekken. Het team gebruikt het maar half. De controlestap kost meer dan begroot. En 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 monitert en borgt in een register staat in [AI implementeren met rendement](/whitepapers/ai-implementatie-framework). #### 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. Harde cijfers meet je direct; bij zachtere effecten vaar je op het oordeel van de mensen op de werkvloer. Zonder die meting weet je alleen dat er iets draait, niet dat het rendeert. ### Implementeren #### In welke van de vier soorten AI-werk valt mijn vraagstuk? Er zijn vier lagen en elk vraagt ander gereedschap en ander onderhoud. AI-chat is een mens in een gesprek zonder proces eromheen. 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. Een workflowbouwer is trigger, vaste stappen, consistent resultaat; een autonome agent krijgt een doel zonder vaste werkwijze. Bepaal eerst de laag, dan wordt de toolkeuze meestal simpel. #### Is een autonome agent de logische volgende stap na chatten? Nee, het zijn andere gereedschappen en geen doorgroeipad. Autonomie is geen niveau waar je naartoe groeit maar een eigenschap die je aanzet wanneer je vooraf geen standaard plan kunt bepalen. Autonome agents leveren de indrukwekkendste demo's en staan het minst in productie, en ze zijn het duurst omdat het systeem alles zelf bepaalt en dat veel tokens kost. #### Waarom is een workflowbouwer voor een financieel kantoor belangrijker dan een slimme agent? Traceability. 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 de wet vraagt dat je kunt opslaan en reproduceren waarom een verzekering is geaccepteerd, en dan is de workflowbouwer de juiste laag. De klassieke fout in die laag is AI inbouwen waar een gewone regel volstaat. #### Met welke use case begin je? Met degene die de meeste uren vrijspeelt voor de mensen die het werk doen, niet de leukste of de best zichtbare. Die uren investeer je in het bouwen van de volgende. Dat is het vliegwiel: doe je dit niet, dan valt het bouwen na elke oplevering stil omdat niemand tijd heeft. #### 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. De pilot is vaste prijs — zie [Mijn diensten](/diensten). #### Hoe houd je overzicht over alle AI-ideeen die binnenkomen? Met een register waar iedereen zijn use case in mag zetten. Zonder register krijg je losse initiatieven per afdeling en bouw je twee keer hetzelfde. Filteren doe je pas in de volgende stap met de prioriteitsmatrix; de drempel om iets in te dienen moet laag 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. #### 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 prioriteit een en beslist uiteindelijk de hardste stem in plaats van de grootste opbrengst. #### Waarom specificeer je een AI-assistent niet vooraf tot in detail? Omdat mensen slecht zijn in beschrijven wat ze willen. 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 verfijn daarna. #### Welke beslismomenten heb je nodig? Twee. Een voor de bouw, waar je bepaalt wat je wanneer bouwt. Een vlak voor livegang, waar je de resultaten naast de ervaring van gebruikers legt en kiest tussen goedkeuren, aanpassen of stoppen. De business heeft daarin het laatste woord, niet de bouwer. #### Hoe lang duurt het van idee tot productie? Vier tot zes weken per assistent. Een tot twee weken voor de eerste werkende versie, daarna drie tot vier weken verfijnen met de mensen die er dagelijks mee werken. Duurt het structureel langer, dan zit het probleem meestal in besluitvorming en toegang tot data, niet in de techniek. De vaste pilot van 45 dagen staat beschreven op [Mijn diensten](/diensten). #### Waarom is de tweede assistent goedkoper dan de eerste? Omdat 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 niet. De prijs per extra assistent na de pilot staat op [Mijn diensten](/diensten). #### Waarom mislukken de meeste AI-projecten? Niet op de techniek. Ze mislukken op de vertaalslag tussen wat het werk echt vraagt en wat de technologie kan. Wie de pijnpunten en de procesrealiteit niet kent, bouwt iets dat technisch werkt en in de praktijk blijft liggen. #### Wie moet eigenaar zijn van een AI-assistent: IT of de business? De business bepaalt of het live gaat en of het waarde levert. IT bouwt mee of begeleidt de bouw, anders staat er straks iets in productie dat niemand beheert en niemand monitort. Bouwen buiten IT om gaat snel en loopt vast op het moment dat er iets stukgaat of iemand vertrekt. #### Welke kennis moet je zelf in huis houden? Procesbegrip en eigenaarschap. Dat kun je niet inkopen, want het is precies de kennis waarop de vertaalslag rust. Bouwcapaciteit en modelkennis kun je wel inhuren. Zonder eigen proceseigenaar krijg je iets dat technisch werkt en niet aansluit op het werk. Of je beter kunt bouwen, kopen of hergebruiken, bespreek ik in [Reuse, buy of build: de juiste volgorde](/whitepapers/reuse-vs-buy-vs-build). #### Wie in mijn organisatie bouwt wat? Vier routes, afhankelijk van bouwcomplexiteit, onderhoudscomplexiteit en externe kosten. Persoonlijke productiviteit bouwen mensen zelf met prompts en templates binnen bestaande licenties. Werkstromen voor een team configureert een superuser in een afgeschermde omgeving. Specialistische oplossingen koop je, en echt complexe AI laat je programmeren. #### Moet ik hiervoor programmeurs inhuren? Meestal niet. Tekst verwerken, samenvatten, velden uit een document halen, een risico-inschatting, een dossiercontrole: low-code doet dat allemaal goed, en die platforms hebben inmiddels monitoring, observability, foutafhandeling en versiebeheer. De specialistische use case waarvoor je echt zelf moet bouwen komt in de meeste organisaties simpelweg niet voor. Dat programmeren de standaardkeuze is komt vaker voort uit voorkeur dan uit noodzaak. #### Hoeveel tijd kost zo'n aanpak de eigen organisatie? Beperkt maar niet nul. Je hebt iemand nodig die bouwt, iemand die coordineert en tijd van de mensen die het werk doen, vooral in de verfijnfase. Hoeveel precies 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 organisatie die de AI inzet, altijd. Een leverancier neemt dat niet over. Daarom leg je per assistent vooraf vast wat hij nooit mag doen en waar een mens goedkeurt. Doet hij iets uit die lijst toch, dan gaat hij niet naar productie. #### Waar zet je een mens in de lus en waar juist niet? Bij alles wat naar buiten gaat of een gevolg heeft voor de klant: klantcommunicatie, acceptatie, schadebesluit, afwijzing. Bij interne hulpmiddelen die de medewerker toch al leest, zoals een samenvatting, is een aparte controlestap dubbel werk. Vuistregel: hoe onomkeerbaarder het gevolg, hoe eerder de mens. #### Hoe houd je een AI die zelfstandig stappen zet onder controle? Drie maatregelen samen: instructies die het gedrag strak kaderen, een afgeschermde omgeving waarbinnen het systeem alleen mag handelen, en een mens die periodiek incheckt en kritieke acties goedkeurt. Laat je de derde weg, dan verlies je grip op wat er namens je organisatie gebeurt. #### Wat moet je vastleggen om aantoonbaar in control te zijn? Per assistent: 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. Plus de twee beslismomenten met wie er tekende. Dat register is tegelijk je bouwbriefing en je verantwoordingsdocument. #### Wat mag je met klantgegevens in AI? Dat hangt af van welke versie je gebruikt en hoe die is ingesteld. Consumentenversies mogen je invoer vaak gebruiken voor training; zakelijke versies bieden meestal de mogelijkheid dat uit te zetten, met afspraken over waar data blijft en hoe lang. Voor bijzondere persoonsgegevens, zoals gezondheidsgegevens in een schadedossier, gelden zwaardere eisen dan voor gewone klantdata. #### Wat betekent de AI-verordening voor financiele dienstverleners? De verordening deelt toepassingen in naar risico. 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. Let op: over uitstel en aanpassing van delen van het tijdpad wordt op Europees niveau nog besloten, dus check de actuele stand voordat je hierop plant. #### 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. Los van de regel: 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, die je bij elke wijziging opnieuw draait, plus een steekproef op productie. Je toetst niet op letterlijke gelijkheid maar op 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](/whitepapers/modelkeuze). #### Wat gebeurt er als je leverancier het model onder je verandert? Modellen worden vervangen en uitgefaseerd, en dan verandert gedrag dat je zorgvuldig had afgestemd. Leg vast welke modelversie je gebruikt, maak afspraken over hoe lang die beschikbaar blijft, en draai je testset opnieuw na elke wijziging. Voor financiele 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](/whitepapers/modelkeuze). #### 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. Hoe dat samenhangt met de keuze tussen reuse, buy en build lees je in [Reuse, buy of build: de juiste volgorde](/whitepapers/reuse-vs-buy-vs-build). #### Mag je AI-gegenereerde teksten en beelden zakelijk gebruiken? In de meeste gevallen wel. De grens is: imiteren mag, kopieren 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 van een ander is wel een probleem. #### 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, en Nebius biedt een route via Finland waarbij je data in de EU blijft. Wil je zekerheid boven prijs, kies dan Mistral: Europees en degelijk. ### Mensen en adoptie #### Waarom bepaalt adoptie het rendement en niet de techniek? Omdat een assistent die half gebruikt wordt ook maar de helft oplevert, terwijl de bouwkosten volledig zijn gemaakt. 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, geen technische vraag. #### Wat doe je als het team de assistent gewoon niet gebruikt? Eerst uitzoeken of ze hem niet willen of niet kunnen vinden. Niet-gebruiken heeft bijna altijd een reden die klopt: hij staat buiten de werkstroom, hij zat er twee keer naast op een dossier, of nakijken kost meer dan zelf doen. Repareer die reden of zet hem uit; een ongebruikte assistent in de lucht houden kost geld en ondermijnt het vertrouwen in de volgende. #### Hoe ga je om met weerstand en met angst voor banenverlies? Neem de vraag serieus in plaats van hem weg te wuiven. Wat verdwijnt is meestal het administratieve deel van een functie, niet de functie. En weerstand komt vaker voort uit een slecht werkende eerste versie dan uit angst. Laat de mensen die het werk doen meebeslissen over wat de assistent wel en niet doet. #### Wat verandert er aan het werk van een medewerker? Van uitvoeren naar controleren en beoordelen. Dat is niet vanzelf lichter: continu andermans werk nakijken vraagt een ander soort aandacht dan zelf doen, en bij hoge kwaliteit sluipt automatische goedkeuring erin. 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?](/whitepapers/toolkeuze). #### Wat moeten medewerkers hierover leren? Waar het gereedschap sterk in is, waar het onbetrouwbaar is, hoe je een opdracht formuleert en wanneer je moet controleren. Dat is een dagdeel, geen opleiding. De AI-verordening verplicht organisaties die AI inzetten bovendien tot een basisniveau AI-kennis bij hun medewerkers. ### 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. #### Welke vragen beslissen of het reuse, buy of build wordt? Vier, in deze volgorde. Raakt dit proces een systeem dat we al hebben en zit daar een koppeling op (ja is reuse); onderscheidt dit proces ons van een concurrent die hetzelfde pakket koopt; dekt een bestaand pakket ruwweg 80 procent en kunnen wij ons proces daarop aanpassen (ja is buy); en 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 echt, over vijf jaar? In een uitgewerkt voorbeeld 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 procent onderhoud per jaar, eigen security en pentests, en 15.000 euro per keer dat wetgeving je dwingt iets aan te passen. Die 18 procent is een vuistregel: lager bij een stabiel proces, hoger zodra er koppelingen in zitten die met elke release van de tegenpartij meebewegen. De vaste prijs van een pilot staat op [Mijn diensten](/diensten). #### AI-codeassistenten maken bouwen goedkoper. Verandert dat de rekensom? Nauwelijks, en daar zit de val. Codeassistenten hebben de bouwkosten de afgelopen twee jaar verlaagd, maar patches, pentests, koppelingen die je moet aanpassen en een aanspreekbare beheerder blijven precies even duur. Dat zijn juist de posten die over vijf jaar het verschil maken, 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 financiele instelling aanspreekbaar op het ICT-risico bij derden; kopen verplaatst het werk, 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 vol: je hebt een omgevingsstrategie nodig, naamgevingsafspraken en een aanwijsbare eigenaar per flow. Zonder die drie sta je binnen twee jaar met tientallen flows die niemand durft aan te raken. #### Wat kost AI-gebruik eigenlijk? Per miljoen tokens, peildatum augustus 2026: 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. --- ## Certificaten en opleidingen - MS Certified: AI Transformation Leader (2026) - MS Certified: Agentic AI Business Solutions Architect (2026) - MS Certified: AI Business Professional (2026) - Digital Architecture in the Age of GenAI — VU Amsterdam (2026) - MS Certified: Azure AI Fundamentals AZ-900 (2024) - SAFe® 6 Lean Portfolio Manager (2025) - Lean Six Sigma Green Belt (2025) - Professional Scrum Product Owner 2 — PSPO2 (2024) --- ## Pagina's op jaaphoeve.com - [Homepagina](https://jaaphoeve.com/) — Aanpak, diensten en social proof - [Mijn diensten](https://jaaphoeve.com/diensten) — Drie diensten met prijzen, deliverables en ROI - [Over mij](https://jaaphoeve.com/over-mij) — Achtergrond, werkervaring en certificaten - [FAQ](https://jaaphoeve.com/faq) — 67 veelgestelde vragen over AI-implementatie - [Contact](https://jaaphoeve.com/contact) — Contactformulier, bedrijfsgegevens en locatie - [Blog](https://jaaphoeve.com/blog) — Inzichten over AI voor assurantiekantoren en volmachtbedrijven - [Whitepapers](https://jaaphoeve.com/whitepapers) — Diepgaande uitwerkingen en analyses - [RSS feed](https://jaaphoeve.com/feed.xml) — RSS 2.0 feed van alle blogpublicaties ### Blogposts - [5 misverstanden over AI die ondernemers tijd kosten](https://jaaphoeve.com/blog/5-misverstanden-over-ai-die-ondernemers-tijd-kosten) — AI is geen hype: dit zijn 5 misverstanden over AI bij ondernemers en hoe je het praktisch inzet om tijd en werk te besparen. - [AI-swarms uitgelegd: hoe gebruik je ze & wat zijn de risico's?](https://jaaphoeve.com/blog/ai-swarms-uitgelegd) — Eén AI is niet meer genoeg. AI-swarms werken als teams aan jouw taken. Dit betekent het voor je werk, productiviteit en controle. - [Embedding AI in Daily Banking Work: From Quick Wins to Scalable Support](https://jaaphoeve.com/blog/embedding-ai-in-daily-banking-work) — In an enterprise environment like Rabobank, value doesn't come from a smarter model. It comes from solid integrations into daily workflows. ### Whitepapers - [Welk AI-model kies je? Afweging voor 2026](https://jaaphoeve.com/whitepapers/modelkeuze) — Elke keer als er een nieuw model uitkomt barst het weer opnieuw los op het internet: welk model moeten we nu hebben. Ik heb negen GenAI-assistenten naar productie gebracht en bij geen daarvan was het model de reden dat het wel of niet werkte. De harness bepaalt je resultaat, niet het model. - [Reuse, buy of build: de juiste volgorde](https://jaaphoeve.com/whitepapers/reuse-vs-buy-vs-build) — De architectuurdiscussie begint bijna altijd bij de vraag of je iets koopt of bouwt. In je enthousiasme om iets te bouwen wordt meestal vergeten te kijken naar wat je al hebt en hoe je dat kan hergebruiken. De volgorde die altijd standaard aanhoudt is: eerst reuse, dan buy, build alleen als het niet anders kan. - [Welke tools gebruik je voor AI-assistenten?](https://jaaphoeve.com/whitepapers/toolkeuze) — De vraag waarin je AI-assistenten bouwt is de meest fundamentele keuze. In de praktijk valt het mee als je het landschap kent. Vier lagen AI-werk, vier vragen die de keuze maken, en een gereedschapskist met n8n, Copilot en LangSmith Fleet. De belangrijkste vraag is niet welk platform, maar wat voor AI-applicatie je gaat bouwen. - [AI implementeren met rendement](https://jaaphoeve.com/whitepapers/ai-implementatie-framework) — Een praktische aanpak om AI te implementeren met rendement. Op basis van een simpel register met matrix wordt er gedegen geprioriteerd. Door een verdeling tussen winst nu te pakken en nieuwe mogelijkheden in de toekomst te realiseren wordt er op basis van een vliegwieleffect snel waarde gerealiseerd zodat de business ook de toegevoegde waarde merkt. En dit allemaal op basis van een roadmap om per assistent van idee naar productie te gaan in vier tot zes weken. - **LinkedIn:** https://www.linkedin.com/in/jaaphoeve