Kennisbank
Kennis die klopt —
en geciteerd wordt
Geen contentmolen, maar stukken die uitleggen hoe betrouwbare AI écht werkt. Geschreven voor mensen die het serieus willen begrijpen — en gestructureerd zodat AI-assistenten ze correct overnemen (GEO).
Waarom RAG zonder bronvermelding waardeloos is
RAG is geen wondermiddel tegen hallucinatie. Zonder verificatie van de bron krijg je een model dat overtuigend liegt. Dit is het verschil tussen een demo en een productiesysteem.
Lees het artikelMeer uit de kennisbank
Hoe zie je wat je agent vannacht heeft gedaan?
Een agent die 's nachts autonoom taken uitvoert, moet je de ochtend erna kunnen naspelen. Wat je moet loggen, waarom tracing met bijvoorbeeld OpenTelemetry helpt, en hoe je een eenvoudig audit trail en dashboard bouwt.
LeesHoe geef je een AI-agent veilig toegang tot je bestanden?
Maak de toegang zo klein mogelijk: een expliciete allowlist in plaats van een denylist, gescheiden read- en write-rechten, backups vóór iedere mutatie en een tool-laag die de scope afdwingt buiten het model om.
LeesDe EU AI Act voor het mkb: wat moet je nú geregeld hebben?
Sinds 2 augustus 2026 gelden de transparantieregels van de AI Act en is de handhaving gestart. De regels voor hoog-risico-systemen zijn uitgesteld naar 2027/2028, maar AI-geletterdheid, verboden praktijken en chatbot-transparantie gelden al. Een praktisch overzicht voor het mkb — geen juridisch advies.
LeesWaarom je AI-beheerder niets mag mogen
Een agent die zelf mag ingrijpen voelt krachtig — en is precies daarom onbetrouwbaar. Over de scheiding tussen waarnemen, redeneren, handelen en onthouden, en de vangrails die daar minimaal bij horen.
LeesAI-agents voor het mkb: wat werkt al echt (en wat nog niet)
Niet elke "AI-agent" houdt wat hij belooft. Wat vandaag al betrouwbaar werkt voor het mkb — documenten doorzoeken, vaste workflows, bewaakte monitoring — en waar volledige autonomie nog een risico is in plaats van een oplossing.
LeesMoet je AI-gegenereerde content labelen?
De EU AI Act verplicht geen algemeen zichtbaar label op alle AI-content. Artikel 50 maakt onderscheid tussen technische markering door aanbieders, deepfakes en AI-teksten over onderwerpen van publiek belang. Een praktisch overzicht — geen juridisch advies.
LeesBlokkeer je AI-crawlers of laat je ze binnen?
Alle AI-crawlers blokkeren is meestal te grof. GPTBot, ClaudeBot, PerplexityBot, Google-Extended en CCBot hebben elk een andere functie — hoe je robots.txt gericht instelt op training versus zichtbaarheid.
LeesWelke AI-crawlers bezoeken je site — en hoe zie je dat in je logs?
GPTBot, ClaudeBot, PerplexityBot en meer doen niet hetzelfde: sommige verzamelen trainingsdata, andere bouwen een zoekindex, weer andere halen op verzoek van een gebruiker direct een pagina op. Zo filter en verifieer je ze in je logs.
LeesAI en de AVG: wat mag wel, wat mag niet, en hoe het wél kan
AI gebruiken met persoonsgegevens mag onder de AVG — mits je een grondslag hebt, dataminimalisatie toepast en weet waar de data naartoe gaat. Een praktische gids: van rechtsgrond tot DPIA, en waar de EU AI Act bovenop komt.
LeesKan AI jurisprudentie doorzoeken zonder te verzinnen?
AI kan jurisprudentie doorzoeken zonder uitspraken te verzinnen als antwoorden verplicht worden gebaseerd op echte bronnen. Hoe RAG, bronlinks en verificatieregels hallucinaties beperken.
LeesAI-geletterdheid (artikel 4): wat verwacht de wet van je personeel?
Artikel 4 AI-verordening verplicht aanbieders en gebruiksverantwoordelijken om maatregelen te nemen die AI-geletterdheid van personeel ondersteunen — context- en risicoafhankelijk, zonder verplicht certificaat. Sinds 2 februari 2025 van kracht, in 2026 aangepast.
LeesAI in de juridische praktijk: wat kan een kantoor er vandaag mee?
Contractanalyse, jurisprudentieonderzoek en dossiers doorzoeken werken al goed — mits elke bewering herleidbaar is naar een echte bron. Wat een kantoor er vandaag mee kan, waarom hallucinatie het kernrisico is, en waarom cliëntvertrouwelijkheid vraagt om na te denken over on-prem of EU-hosting.
LeesAI in de zorg: waarom on-prem daar bijna altijd het antwoord is
Gezondheidsgegevens zijn bijzondere persoonsgegevens onder de AVG. Dat maakt on-prem of een strikt gecontroleerde private omgeving vaak de meest verdedigbare architectuur voor AI die met patiëntdossiers werkt — geen absoluut verbod op cloud-AI, wel een hogere lat.
LeesWat kost een AI-agent nou echt? Een maand meten in plaats van gokken
De maandrekening komt binnen en niemand weet welk onderdeel hem veroorzaakte. Zo log je AI-kosten per call — en waarom input-tokens bij agents de echte kostenpost zijn.
LeesMonitoring van AI-diensten: welke signalen doen er echt toe?
Een AI-dienst kan technisch volledig "up" zijn terwijl gebruikers trage, dure of inhoudelijk foute antwoorden krijgen. Welke signalen naast uptime — latency, kosten, drift, hallucinaties — je monitoring wél moet vangen.
LeesAI voor accountants: waar zit de winst en waar het risico?
De winst van AI voor accountants zit in het versnellen van documentverwerking, journaalpost-voorstellen en periodieke afsluiting. Het risico zit in hallucinatie bij cijfers en fiscale interpretatie, AVG en aansprakelijkheid.
LeesAI voor gemeenten: beleidsstukken doorzoekbaar maken
Beleidsstukken, raadsverslagen, vergunningendossiers en verordeningen worden met RAG doorzoekbaar op betekenis in plaats van alleen trefwoorden, met citaten naar het originele document. Waarom de Woo en datasoevereiniteit daarbij meespelen, en wanneer een gemeentelijke AI-toepassing onder de AI Act als hoog-risico kan gelden.
LeesAir-gapped AI: kan een taalmodel zonder internet?
Ja — een taalmodel kan volledig los van elk netwerk draaien. Wat air-gapped AI is, hoe het verschilt van gewoon on-prem, wat het technisch vraagt, en waarom de meeste bedrijven het niet nodig hebben.
LeesArtikel 50 uitgelegd: wanneer moet je zeggen dat het AI is?
Artikel 50 van de EU AI Act verplicht bedrijven niet om bij ieder gebruik van AI dit te vermelden. De transparantieplicht geldt specifiek bij chatbots, AI-gegenereerde content, deepfakes en emotieherkenning. Een praktisch overzicht voor het mkb — geen juridisch advies.
LeesCaching voor AI: welke antwoorden mag je hergebruiken?
AI-antwoorden mag je vooral hergebruiken wanneer dezelfde vraag onder dezelfde omstandigheden hetzelfde geldige antwoord hoort op te leveren. Tijdgevoelige, gepersonaliseerde of creatieve antwoorden meestal niet — en semantische caching heeft zijn eigen risico's.
LeesChatbot-disclosure: hoe zeg je het zonder je bezoeker af te schrikken?
Een chatbot-disclosure hoeft geen juridische waarschuwing te zijn. Waar de melding moet staan, vijf concrete voorbeeldzinnen van subtiel tot expliciet, en wanneer je in zorg, financiën of bij minderjarigen explicieter moet formuleren.
LeesChunking: hoe knip je een document op zonder de betekenis te slopen?
Goede chunking bepaalt wat je RAG-systeem überhaupt kan terugvinden. Waarom chunking vaak misgaat, hoe je chunkgrootte en overlap kiest, en hoe je chunking per documenttype (pdf, tabellen, code) aanpakt.
LeesWaarom je AI-agents elke sessie opnieuw beginnen — en hoe je dat oplost
Het duurste probleem in agentwerk is geheugenverlies: elke sessie begint blanco. Over de geheugenlaag die van losse gesprekken één doorlopend, herleidbaar brein maakt.
LeesData-residency: wat betekent 'EU-regio' bij een Amerikaanse cloud echt?
Een EU-cloudregio houdt data niet automatisch onder Europese controle. Wat opslaglocatie, toegang, de Amerikaanse CLOUD Act en cloudsoevereiniteit voor jouw AI-project echt betekenen.
LeesHoe anonimiseer je documenten voordat ze een model in gaan?
Documenten anonimiseer je vóór verwerking door het AI-model door persoonsgegevens automatisch te detecteren en te verwijderen, maskeren of vervangen — bij voorkeur lokaal, voordat tekst een externe model- of embedding-API bereikt. Pseudonimiseren is vaak praktischer dan volledig anonimiseren, maar de gegevens blijven dan persoonsgegevens onder de AVG.
LeesWat is een DPIA en wanneer heb je er een nodig voor AI?
Voor AI heb je een DPIA nodig zodra de verwerking van persoonsgegevens waarschijnlijk een hoog risico voor mensen oplevert. AI op zichzelf is niet de juridische trigger; de combinatie van persoonsgegevens, doel, schaal, technologie en mogelijke gevolgen is dat wel.
LeesEen eigen model trainen? Begin met RAG.
Veel organisaties dromen van "ons eigen LLM". In de praktijk is dat bijna altijd de duurste route naar het verkeerde doel. Waarom RAG plus lichte fine-tuning meestal wint — en wanneer trainen wél zinvol is.
LeesEmbeddings kiezen: welk model begrijpt Nederlandse tekst het best?
Er is geen embeddingmodel dat zonder eigen test objectief "het beste voor Nederlands" is. Modellen als E5-NL, Qwen3 Embedding, Jina Embeddings v5, BGE-M3 en multilingual-e5 zijn kandidaten — de MTEB-NL-benchmark en een eigen retrievaltest bepalen de winnaar.
LeesFallback-ketens: wat doet je systeem als de provider eruit ligt?
Een fallback-keten combineert alternatieve AI-providers of modellen met health-checks, timeouts, retries en circuit breakers. Niet alleen downtime telt als storing — ook meetbare kwaliteitsdegradatie.
LeesWaarom presteert je FAQ-pagina slechter dan één goede vraag per pagina?
Een lange FAQ-pagina laat meerdere onderwerpen om aandacht concurreren, terwijl zoek- en retrievalsystemen content vaak in kleinere blokken verwerken. Wanneer verdient een vraag een eigen kennisbankpagina, en wanneer hoort hij gewoon in de FAQ?
LeesGEO: zo word je geciteerd door ChatGPT en Gemini
SEO bracht je in Google. GEO brengt je in het antwoord dat de gebruiker daarna leest. Wat Generative Engine Optimization is, hoe AI-assistenten hun bronnen kiezen, en wat je vandaag kunt doen om geciteerd te worden.
LeesGevonden worden door AI-assistenten: wat GEO wél is
Klassieke SEO optimaliseert voor een resultatenlijst. GEO optimaliseert om als bron geciteerd te worden in een gegenereerd antwoord. Wat dat technisch en redactioneel betekent — inclusief checklists.
LeesWelke hardware heb je nodig om een taalmodel lokaal te draaien?
RAM, VRAM, quantisatie en opslag bepalen welk taalmodel lokaal past. Praktische vuistregels voor 7B tot 70B+ modellen op CPU, GPU en Apple Silicon.
LeesHoe kiezen ChatGPT, Perplexity en Gemini welke bron ze citeren?
Een positie in Google is niet hetzelfde als een citatie in een AI-antwoord. Hoe ChatGPT Search, Perplexity en Gemini bronnen ophalen, beoordelen en koppelen aan specifieke beweringen — en wat dat betekent voor GEO.
LeesHoeveel documenten heb je nodig voordat RAG zin heeft?
Er is geen minimum-aantal. RAG wordt zinvol zodra documenten niet meer in één contextvenster passen, content vaak verandert, meerdere gebruikers moeten zoeken, of bronvermelding nodig is — niet bij het aantal bestanden.
LeesWat is een hoog-risico-AI-systeem — en ben jij er een?
Niet elk geavanceerd AI-systeem is hoog-risico onder de EU AI Act, en niet elke eenvoudige toepassing valt erbuiten. Artikel 6 en Annex III bepalen het — met de deadlines die de Digital Omnibus medio 2026 verschoof. Een praktisch overzicht voor het mkb — geen juridisch advies.
LeesMag je klantgegevens door ChatGPT halen?
Onder de AVG mag het onder voorwaarden: een geldige grondslag, dataminimalisatie en — als OpenAI als verwerker optreedt — een verwerkersovereenkomst. Maar een persoonlijk ChatGPT-account is iets anders dan ChatGPT Business, Enterprise of de API.
Leesllms.txt: het nieuwe robots.txt — wat het is en of je het nodig hebt
llms.txt is een voorgesteld bestand in de root van je site dat AI-systemen in platte tekst vertelt wat er staat en waar. Herkomst, opbouw, en een eerlijk antwoord op de vraag of jouw site het nodig heeft.
LeesLokale modellen in 2026: Llama, Qwen en Gemma eerlijk vergeleken
Voor on-prem AI heb je een open model nodig dat op eigen hardware past. Een eerlijke stand van zaken medio 2026: licentie, formaten en context van Llama 4, Qwen 3.5/3.6 en Gemma 4 — en waarom "welke is het beste" de verkeerde vraag is.
LeesMeet je AI-zichtbaarheid: sta jij in het antwoord, of je concurrent?
Een positie in Google zegt niets meer over of ChatGPT, Perplexity of Gemini jouw bedrijf noemen. Hoe je zelf meet of je in AI-antwoorden voorkomt — en wat je doet als het antwoord nee is.
LeesModel-routing: waarom niet elk verzoek naar het duurste model moet
Niet elke AI-taak vraagt om het zwaarste model. Hoe je routeert op taakcomplexiteit, latency, kosten en betrouwbaarheid — met classifiers, regels, fallbacks en kostenplafonds.
LeesMulti-agent-orkestratie: hoe laat je meerdere AI-agents samenwerken zonder chaos?
Meer agents inzetten lost zelden het probleem op — het verplaatst het naar de coördinatie ertussen. Over één gedeeld draaiboek, vaste rollen en één logboek als waarheid, met lessen uit ons eigen lab.
Leesn8n of code: wanneer is een workflow-tool genoeg?
Wanneer is n8n genoeg en wanneer kies je beter voor code? Waar workflow-tools sterk in zijn, wanneer maatwerkcode beter past, en waarom een hybride aanpak vaak de sterkste architectuur is voor AI-automatisering.
LeesOllama, vLLM of llama.cpp: welke runtime past bij jouw situatie?
llama.cpp is de C/C++ inference-engine, Ollama de gebruiksvriendelijke laag eromheen voor lokaal experimenteren, en vLLM de productie-serving-engine voor GPU’s met veel gelijktijdige gebruikers. Welke past bij jouw workload.
LeesOn-prem AI: wanneer is het de investering waard?
Cloud-AI is makkelijk — tot je rekening en je AVG-functionaris meekijken. Een eerlijke afweging: wanneer draait AI beter op eigen hardware, en wanneer niet.
LeesPrompt-injectie: hoe een e-mail jouw agent kan kapen
Een AI-agent die e-mail leest en acties uitvoert, kan door tekst in die e-mail worden gemanipuleerd — zonder wachtwoord, zonder hack. Wat indirecte prompt-injectie is, en hoe least privilege en mens-in-de-loop de schade beperken.
LeesHoe meet je of je RAG-systeem beter wordt?
Zonder vaste eval-set is verbeteren giswerk. Hoe je retrieval-precision en -recall, antwoordkwaliteit, latency en kosten meet — en hoe je regressie voorkomt bij wijzigingen aan chunking, embeddings of prompts.
LeesRAG uitgelegd: zo bouw je een AI die niet liegt
RAG (retrieval-augmented generation) koppelt een taalmodel aan een live zoekopdracht over je eigen documenten, zodat elk antwoord terug te voeren is op een bron. Hoe het werkt, waar het misgaat, en wat er nog bij moet om hallucinatie echt te stoppen.
LeesVan RAG-demo naar productie: de vijf dingen die stukgaan
Een RAG-demo bouw je in een middag. In productie breekt hij op vijf voorspelbare plekken: retrieval, chunking, verzonnen citaties, het ontbreken van een meetlat, en schaal. Wat wij tegenkwamen op 3,6 miljoen rechterlijke uitspraken.
LeesRate limits en quota: hoe voorkom je dat je dienst stilvalt?
Rate limits en quota kunnen AI-diensten onverwacht afremmen of stilleggen. Retries, queues, model-routing, budget-guards en monitoring zorgen samen voor gecontroleerde capaciteit in plaats van volledige uitval.
LeesSchema.org voor AI: welke gestructureerde data begrijpen assistenten echt?
Schema.org vertelt een machine expliciet wát een pagina is, in plaats van het te laten raden. Welke types daadwerkelijk iets opleveren voor AI-assistenten, hoe je ze aan elkaar knoopt met @id, en waar het in de praktijk misgaat.
LeesSchrijven voor mens én model: een opbouw die allebei bedient
Content die goed werkt voor mensen werkt vaak ook goed voor taalmodellen — als je met dezelfde discipline schrijft. Waarom het antwoord vooraan moet staan, wanneer een lijst of tabel helpt, en hoe je chunkbare content schrijft zonder dat het robotisch aanvoelt.
LeesVan score 36 naar 85+: wat een agent-leesbaarheidsscore écht verhoogt
Een webshop scoorde 36 op AI-leesbaarheid en steeg naar 85+ zonder één regel in het CMS te wijzigen. Wat dat cijfer meet, welke fixes het verschil maakten, en waarom ze via een edge-worker gingen in plaats van het CMS.
LeesWanneer moet een AI-assistent 'dat weet ik niet' zeggen?
Een AI-assistent die nooit weigert, is voorspelbaar onbetrouwbaar. Hoe je met relevantiedrempels, contextdetectie en citatieverificatie een RAG-systeem bouwt dat "dat weet ik niet" zegt wanneer het dat moet zeggen.
LeesWanneer moet een mens goedkeuren? Een beslisboom voor autonomie
Niet elke actie van een AI-agent hoort hetzelfde vrijheidsniveau te krijgen. Een praktisch afwegingskader langs omkeerbaarheid, impact, schaal en betrouwbaarheid van de input — met een concrete beslisboom voor wanneer een mens eerst moet goedkeuren.
LeesWat is MCP (Model Context Protocol) en waarom verandert het agents?
MCP is het open protocol waarmee AI-agents op een gestandaardiseerde manier tools, data en systemen aanspreken. Wat het is, hoe het zich verhoudt tot API’s, function calling en RAG, en wat het betekent voor beveiliging en on-prem AI.
LeesWat is reranking en wanneer heb je het nodig?
Reranking is de tweede stap in een RAG-pipeline die kandidaat-documenten herordent op relevantie. Wanneer voegt dat echt waarde toe, en wanneer is het onnodige complexiteit?
LeesWat kost AI echt? Van API-token tot eigen server
API’s rekenen per token, een eigen server rekent in aanschaf, stroom en beheer. Wat een miljoen tokens werkelijk kost bij Anthropic en OpenAI, wanneer eigen hardware zich terugverdient, en welke verborgen kostenposten de rekening opdrijven.
LeesAI in de bouw: bestekken, normen en tekeningen ontsluiten
Bestekken, vergunningen, NEN-normen en technische tekeningen staan zelden netjes bij elkaar. Hoe RAG die documenten doorzoekbaar maakt, waarom het een lastige usecase is, en waarom on-premises verwerking hier vaak de voorkeur heeft.
Lees