# AI-oplossingen en AI-agents die echt werk overnemen

> Assistenten op je eigen data en agents die taken afhandelen, meetbaar en beheersbaar.

Wij bouwen AI-oplossingen die verder gaan dan een demo: assistenten die antwoorden op basis van je eigen documenten en databases, agents die taken in je processen uitvoeren, en AI-functies in software die je al hebt. Elke oplossing krijgt een evaluatie, zodat je weet hoe goed hij werkt voordat je erop vertrouwt.

73% van de Nederlandse bedrijven die AI overwogen maar er niet mee begonnen, noemt gebrek aan ervaring als belangrijkste reden. Eén op de zes bedrijven gebruikt in 2025 AI, twee keer zoveel als twee jaar eerder. (Bron: [CBS, ICT-gebruik bij bedrijven 2025](https://www.cbs.nl/nl-nl/nieuws/2025/50/bedrijven-gebruiken-ai-vaakst-voor-marketing-of-verkoop))

## Wanneer je ons belt

- Je hebt een proof of concept die indruk maakte, maar niet naar productie komt.
- Medewerkers zoeken dagelijks in documenten, tickets of databases naar antwoorden.
- Je wilt AI toevoegen aan een bestaand product zonder het opnieuw te bouwen.
- Je weet niet of je probleem AI nodig heeft of gewoon goede software.

Niet voor wie alleen een chatbot-widget zoekt zonder koppeling met eigen data of processen; daar bestaan goedkopere standaardproducten voor.

## Wat je krijgt

- **Assistenten op eigen data (RAG).** Zoeken en antwoorden over je documenten en databases, met bronvermelding en rechten per gebruiker.
- **AI-agents in je proces.** Agents die een taak van begin tot eind uitvoeren, met beperkte rechten, logging en een menselijke goedkeuringsstap waar dat nodig is.
- **Vragen stellen aan je database.** Text-to-SQL op een afgeschermde, alleen-lezen kopie, zodat analisten in gewone taal cijfers kunnen opvragen.
- **Evaluatie en bewaking.** Een testset met echte vragen, meetbare kwaliteit per versie en inzicht in kosten per taak.

## Zo pakken we het aan

1. **Eerst het probleem, dan het model.** We toetsen of AI de juiste oplossing is en welke kwaliteit minimaal nodig is om bruikbaar te zijn.
2. **Klein beginnen met echte data.** Een werkende eerste versie op een afgebakend deel van je data, gemeten tegen een testset.
3. **Productierijp maken.** Rechten, logging, kostenbewaking, terugval tussen modellen en bescherming tegen prompt-injectie.

## Techniek

RAG, pgvector, LiteLLM, OpenRouter (EU), Amazon Bedrock (EU), Open WebUI, MCP, Python, Kotlin, TypeScript

## Bewijs uit ons eigen werk

- Private AI-platform voor een Europese financiële dienstverlener, met modelniveaus per taak en text-to-SQL op gemaskeerde data. ([Een private AI-platform voor een financiële dienstverlener](https://mg-devs.nl/cases/private-ai-platform-fintech/))
- Onze eigen ontwikkelstraat: AI-agents die wijzigingen voorbereiden, testen en als pull request met preview aanbieden. ([Software opleveren met AI-agents, veilig en controleerbaar](https://mg-devs.nl/cases/software-opleveren-met-ai-agents/))
- Een chatassistent in de carnavalsapps die antwoordt op basis van de eigen content van de organisatie. ([Eén platform, zeven apps: het carnavalsplatform](https://mg-devs.nl/cases/carnaval-app-platform/))

## Veelgestelde vragen

### Wat is het verschil tussen een AI-assistent en een AI-agent?

Een assistent beantwoordt vragen, meestal op basis van je eigen data. Een agent voert ook handelingen uit: gegevens opzoeken, iets aanmaken in een systeem, een wijziging voorbereiden. Agents krijgen daarom beperkte rechten en logging.

### Wat is RAG?

RAG staat voor retrieval-augmented generation. Het model zoekt eerst relevante passages in je eigen documenten of database en baseert zijn antwoord daarop. Daardoor kan het actuele, bedrijfseigen informatie gebruiken en zijn bronnen noemen.

### Hoe weet ik of een AI-oplossing goed genoeg werkt?

Door te meten. We stellen samen een testset op met echte vragen en verwachte antwoorden en meten elke versie daartegen. Zo zie je of een aanpassing de kwaliteit verbetert of verslechtert.

---
Source: https://mg-devs.nl/diensten/ai-oplossingen/
