truck8.ai

ChatGPT of maatwerk: AI op je eigen bedrijfsdata

Een zakelijke ChatGPT, een no-code werkstroom of een eigen agent op je systemen: wat elke stap kan, waar hij ophoudt en wat er met je data gebeurt.

8 min leestijdTom Mekenkamp

ChatGPT of maatwerk: drie treden voor AI op je bedrijfsdata

'Kunnen we ChatGPT op onze eigen data laten werken?' Die vraag krijg ik in bijna elk eerste gesprek. De een bedoelt: ik wil onze handleidingen kunnen doorzoeken. De ander: ik wil dat AI zelf orders in ons ERP zet. Dat zijn twee heel verschillende dingen, met een ander prijskaartje en een ander risico.

Ik zie het als een trap met drie treden. Onderaan een zakelijk abonnement op ChatGPT, Claude of Copilot, waarin je bestanden uploadt en koppelingen legt met je mail en je drive. In het midden no-code automatisering die AI-stappen in je bestaande werkstromen hangt. Bovenaan een eigen agent die in je systemen werkt, met rechten per gebruiker en een logboek van alles wat hij doet.

De meeste bedrijven hoeven niet naar de bovenste trede. Een paar wel. Hieronder lees je per trede wat hij kan, waar hij ophoudt en hoe je weet waar jij staat.

Trede 1: een veilige zakelijke GPT met je eigen bestanden

Een zakelijk abonnement doet meer dan veel mensen denken. Je zet documenten in een project, deelt dat project met collega's en stelt er vragen over. Via connectors koppel je de assistent aan Google Drive, SharePoint, je mailbox of je agenda. ChatGPT Business (vroeger Team) en Enterprise zoeken met company knowledge in meerdere gekoppelde bronnen tegelijk, en respecteren daarbij de rechten die iemand in die bronnen al heeft. Bij Claude zet een beheerder een connector zoals die voor Microsoft 365 eerst aan voor de organisatie, daarna koppelt elke medewerker zijn eigen account.

Microsoft 365 Copilot zit er het dichtst op als je bedrijf al in Microsoft 365 werkt. Het werkt met je mail, Teams-chats en SharePoint-documenten, en toont alleen informatie waar de gebruiker zelf leesrechten op heeft.

Wanneer is dit genoeg? Als mensen vooral vragen stellen, schrijven en samenvatten op basis van documenten die al ergens netjes staan. Een salesmedewerker die een offerte voorbereidt met de productsheets in een project. Een HR-medewerker die het personeelshandboek doorzoekt. Een directeur die vijf rapporten naast elkaar legt. Welke van de drie het best bij jouw bedrijf past, lees je in ChatGPT vs Copilot vs Claude voor bedrijven.

Waar het ophoudt: alles begint bij een gesprek. Een medewerker vraagt, de assistent antwoordt of voert een losse actie uit. Een vaste werkstroom die bij elke binnenkomende aanvraag dezelfde stappen doorloopt, met jouw regels en controles, bouw je er niet mee. En de systemen waar je bedrijf echt op draait, zoals je ERP, je planningssoftware of een branchepakket, hebben vaak geen connector.

Trede 2: no-code AI-automatisering voor het MKB

De volgende stap is een werkstroom die vanzelf loopt. Met tools als Make, Zapier of n8n hang je een AI-stap tussen twee systemen: er komt een mail binnen, AI haalt de gegevens eruit, de gegevens gaan naar je CRM en iemand krijgt een melding. Op deze trede halen veel MKB-bedrijven het meeste rendement, omdat er geen developer aan te pas komt en het werk elke dag vanzelf gebeurt.

Het werkt goed bij klantvragen sorteren, gegevens uit pdf's en formulieren halen en conceptantwoorden klaarzetten. Hoe je zo'n eerste werkstroom opzet, beschrijf ik stap voor stap in zelf AI-agents maken.

Waar het ophoudt: no-code werkt zolang de stroom recht is. Komen er uitzonderingen bij (een klant met afwijkende voorwaarden, een aanvraag die half compleet is, een order die over twee vestigingen gaat), dan groeit je scenario uit tot een kluwen van vertakkingen die niemand meer overziet. En de AI-stap ziet alleen wat jij hem in die ene stap meegeeft. Hij kan niet zelf besluiten om nog even de klanthistorie of de voorraad op te zoeken.

Trede 3: een AI-agent op je eigen data en systemen

Een eigen agent is software die een taalmodel combineert met toegang tot jouw bronnen en systemen. Het verschil met de eerste twee treden zit in vier dingen.

  • Zoeken in je eigen documenten (retrieval). Bij elke vraag zoekt de agent de relevante passages op in je handleidingen, contracten, prijslijsten en oude offertes, en antwoordt op basis daarvan, met de bron erbij. Jij bepaalt welke documenten erin gaan en welke versie geldt.
  • Werken in je systemen (tool use). De agent zoekt zelf een klant op in je CRM, checkt de voorraad in je ERP of zet een conceptorder klaar. Hij kiest per stap welke gegevens hij nodig heeft, in plaats van alleen te werken met wat een vaste stap hem meegeeft.
  • Rechten per gebruiker. De agent ziet en doet alleen wat de persoon achter de vraag mag. Een planner ziet andere gegevens dan de directeur, en een agent die namens sales werkt kan geen facturen aanpassen.
  • Een logboek. Elke vraag, elke bron, elke actie en elk akkoord wordt vastgelegd. Belt een klant over drie maanden over een verkeerde prijs, dan zie je wat de agent las, wat hij voorstelde en wie het goedkeurde.

Wanneer heb je een eigen agent nodig?

Als het werk door meerdere systemen loopt, als er beslissingen in zitten die afhangen van gegevens die je pas onderweg ophaalt, of als je moet kunnen aantonen wie wat besloot. Dat laatste weegt zwaarder dan veel mensen denken.

Ik bouw zulke agents zelf, met Claude als model en het Model Context Protocol (MCP) voor de koppelingen met systemen. Het principe werkt ook met andere modellen. Een uitgewerkt voorbeeld, van inkomende aanvraag tot order in het ERP, lees je in AI voor offertes en orderinvoer.

Wat er misgaat met AI op bedrijfsdata

Op elke trede zie ik dezelfde drie problemen terug. Ze hebben weinig met het model te maken en alles met de data.

Verouderde documenten

Een assistent die de prijslijst van vorig jaar vindt, citeert die met dezelfde stelligheid als de nieuwe. In een gedeelde drive staan vaak vijf versies van hetzelfde document. Wijs per onderwerp één bron aan, ruim de rest op of sluit hem uit, en maak iemand verantwoordelijk voor die bron. Dat werk is saai en levert meer op dan welk model dan ook. Daarom begint een AI-implementatie bij mij bijna altijd in de gedeelde drive, niet in de AI-tool.

Toegangsrechten die niet kloppen

Connectors respecteren de rechten in je bronsysteem. Dat klinkt geruststellend, tot je ontdekt dat de map met salarissen al jaren voor iedereen openstaat. Eerder vond niemand die map. Nu vindt de assistent hem binnen een seconde voor wie ernaar vraagt. Loop je rechten na voordat je een connector aanzet, niet erna.

Verzonnen antwoorden bij ontbrekende data

Staat het antwoord niet in je documenten, dan vult een taalmodel het gat graag zelf in. Vraag naar de levertijd van een product dat niet in de catalogus staat, en je krijgt een plausibel getal. Bij een eigen agent kun je dat afvangen: laat hem alleen antwoorden met een bron, en laat hem 'dat weet ik niet' zeggen als die bron er niet is. Bij een standaardabonnement hangt het af van de discipline van de gebruiker.

Veilige AI voor bedrijven: waar blijft je data?

Over veiligheid gaat de tweede vraag in elk gesprek. Dit zijn de feiten die ertoe doen.

  • Training. Op zakelijke abonnementen trainen de grote aanbieders standaard niet op je data. OpenAI zegt dat voor ChatGPT Business, Enterprise en de API, Anthropic voor Claude for Work en de API en Microsoft voor Microsoft 365 Copilot. Bij gratis en persoonlijke accounts ligt dat anders.
  • Feedback. Geeft iemand in een Claude-organisatie feedback op een antwoord, dan mag Anthropic dat gesprek wel gebruiken. Een beheerder kan die feedbackknop voor de hele organisatie uitzetten.
  • Opslag in Europa. OpenAI biedt dataopslag in Europa voor Enterprise, Edu en de API, niet voor Business. Microsoft 365 Copilot valt voor Europese klanten onder de EU Data Boundary, met uitzondering van de Claude-modellen die Microsoft in Copilot aanbiedt.
  • Wie wat ziet. Bij connectors bepaalt het bronsysteem wat iemand te zien krijgt. Bij een eigen agent bepaal je dat zelf, per rol en per systeem.
  • Welk model, welke regio. Met een eigen agent kies je zelf het model, de aanbieder en de regio waar de verwerking plaatsvindt. Met een standaardabonnement kies je uit wat de leverancier aanbiedt.

De basisregels blijven gelden

Een zakelijk abonnement neemt niet weg dat je nadenkt over wat je invoert. Welke gegevens nooit in een AI-tool horen en welke afspraken je onder de AVG nodig hebt, lees je in ChatGPT veilig zakelijk gebruiken.

Wat kost AI-integratie in je bedrijf?

Trede 1 kost vooral licenties en inrichting: projecten opzetten, bronnen opruimen, connectors aanzetten en je team leren werken met bronvermelding. Trede 2 kost bouwtijd per werkstroom, plus onderhoud als een van de gekoppelde systemen verandert. Trede 3 is het grootste werk, en het meeste daarvan zit niet in het bouwen. Het zit in het uitzoeken van het proces, de rechten en de uitzonderingen.

Een vergelijking met projectprijzen, en de kosten die je vaak vergeet, staat in wat AI-implementatie kost.

ChatGPT of maatwerk AI: zo kies je

Sla geen trede over omdat de bovenste spannender klinkt. Een team dat nooit met een zakelijke assistent heeft gewerkt, weet niet wat het van een agent moet vragen. En een agent op rommelige data maakt dezelfde fouten, alleen sneller. Kies de laagste trede die het werk aankan.

  • Trede 1 als je team vooral vragen stelt en schrijft op basis van documenten die al op orde zijn.
  • Trede 2 als hetzelfde werk elke dag op dezelfde manier terugkomt en tussen twee of drie systemen loopt.
  • Trede 3 als het werk door meerdere systemen gaat, rechten per persoon verschillen of je achteraf moet kunnen laten zien wie wat besloot.

Belangrijkste inzichten

  • AI op je eigen bedrijfsdata kent drie treden: een zakelijk abonnement met connectors, no-code automatisering en een eigen agent in je systemen.
  • Een zakelijke ChatGPT, Claude of Copilot is genoeg zolang mensen vragen stellen en schrijven op basis van documenten die op orde zijn.
  • Een eigen agent voegt retrieval met bronvermelding, acties in je CRM of ERP, rechten per gebruiker en een logboek toe.
  • De grootste risico's zitten in de data: verouderde documenten, rechten die te ruim staan en antwoorden op vragen waar geen bron voor is.
  • Zakelijke abonnementen trainen standaard niet op je data. Opslag in Europa en controle per rol verschillen per aanbieder en per abonnement.
TM

Geschreven door

Tom Mekenkamp

AI-consultant & oprichter van truck8.ai

15+ jaar transformaties geleid bij o.a. AB-InBev en Royal BAM. Nu bouwt hij AI-producten en helpt hij het MKB met AI.

Welke trede past bij jouw bedrijf?

Ik kijk met je naar je werk, je data en je systemen, en richt in wat past: een zakelijk AI-abonnement dat veilig staat, een werkstroom die vanzelf loopt of een eigen agent op je ERP.

Bekijk AI-implementatie