ChatGPT, Claude en Gemini zijn fantastische hulpmiddelen, maar ze kennen jouw bedrijf niet. Ze weten niet wie je klanten zijn, hoe jouw offertes eruit zien, welke producten je verkoopt of wat er in je orderhistorie staat. Voor veel MKB-bedrijven is dat het kantelpunt: een publieke AI volstaat voor algemene taken, maar voor échte impact heb je een AI-assistent nodig die jouw eigen kennis begrijpt.
Wat publieke AI-tools wel én niet kunnen
ChatGPT en collega's zijn getraind op enorme hoeveelheden publieke tekst. Ze schrijven prima e-mails, vertalen, vatten artikelen samen en helpen je bij brainstorms. Dat soort werk kun je morgen al uitbesteden aan een publiek model, vaak voor minder dan tien tientjes per maand per medewerker.
Wat ze niet kunnen: jouw klantkaart openen. Jouw offertehistorie analyseren. Weten dat klant X vorige week een klacht had. Of dat productcategorie Y deze maand in de aanbieding is. Daar houdt de generieke versie op. Wie zijn AI alleen op publieke modellen baseert, krijgt een veelweter zonder geheugen.
Wanneer wél een eigen AI-assistent op jouw data?
Een eigen AI-assistent loont zodra je antwoord wilt op vragen als:
- “Welke klanten kopen al drie maanden niets meer en zaten daarvoor boven gemiddeld?”
- “Genereer een offerte voor klant X op basis van onze laatste vijf deals met vergelijkbare scope.”
- “Welke open tickets gaan over hetzelfde productprobleem?”
- “Wat staat er in onze interne handboeken over procedure Y?”
Stuk voor stuk vragen die alleen beantwoord worden als de AI toegang heeft tot jouw eigen data: CRM-records, e-mails, documenten, ordergeschiedenis. Daar begint private AI.
Drie manieren om AI op eigen data te zetten
1. Prompt engineering
De eenvoudigste vorm: relevante informatie meegeven in het bericht zelf. Werkt voor kleine, statische datasets, een handleiding van vijf pagina's, een set FAQ's. Schaalt slecht zodra je data groeit of dynamisch is.
2. RAG (Retrieval-Augmented Generation)
De meest gebruikte aanpak voor MKB. Jouw documenten en database-records worden in stukjes geknipt en geïndexeerd in een vector-database. Op het moment dat een gebruiker een vraag stelt, zoekt het systeem eerst de relevante stukken op en geeft die met de vraag mee aan het AI-model. Resultaat: een antwoord dat jouw data gebruikt, zonder dat je een eigen model hoeft te trainen.
3. Fine-tuning
Een bestaand model aanvullend trainen op jouw data. Klinkt logisch, is in de praktijk zelden de juiste keuze voor MKB. Duur, traag en gevoelig voor “vergeten” van bestaande kennis. We zetten dit vrijwel nooit in tenzij je hele specifieke schrijfstijl of toon nodig hebt.
Wat kost een eigen AI-assistent?
Een no-nonsense RAG-implementatie voor het MKB start bij ons rond de €395 per maand voor de eerste casus. Daarmee koppelen we één databron (bijvoorbeeld je documentenbibliotheek of CRM), bouwen we een chat- of zoekinterface en richten we de hosting in Europa in. Schaalt op naar meerdere bronnen en gebruikers naarmate je meer waarde ziet.
Privacy en hosting: laat je data niet weglekken
Standaard publieke AI-tools sturen jouw input naar Amerikaanse servers. Voor algemene prompts geen probleem; voor klantdata of bedrijfsgevoelige info wél. Wij bouwen daarom standaard op Europese infrastructuur (Supabase Frankfurt, Vercel EU-regio's) en gebruiken modellen via API's waarin jouw data niet wordt gebruikt voor modeltraining. AVG-compliance staat zo vanaf dag één.
Waar begin je?
Begin niet bij het model. Begin bij de vraag. Welke beslissingen kosten je nu tijd omdat het antwoord verspreid in tools en documenten staat? Welke vraag krijgt je supportteam dagelijks? Welke offerte schrijven jullie elke keer opnieuw? Dáár zit de winst, en dat is precies de vraag waarmee een eigen AI-assistent begint.
Bekijk onze pagina over AI & automatisering voor concrete voorbeelden, of lees verder over een stappenplan voor AI-implementatie in het MKB.