Wanneer is AI in bedrijfssoftware zinvol — en wanneer niet?

De afgelopen twee jaar is de interesse in taalmodellen ook bij het MKB sterk toegenomen. Leveranciers beloven dat AI je klantenservice automatiseert, je offertes schrijft en je processen optimaliseert. De werkelijkheid is genuanceerder. Een taalmodel is een krachtig gereedschap voor specifieke taken, maar het is geen vervanging voor goed doordachte software-architectuur. Weten wanneer je welk middel inzet, dat is het echte werk.

Wat zijn LLMs en wat kunnen ze in maatwerksoftware?

Een large language model (LLM) is een type AI dat is getraind op grote hoeveelheden tekst en daardoor in staat is taal te begrijpen, samen te vatten, te genereren en te redeneren. Bekende voorbeelden zijn GPT-4 van OpenAI en Claude van Anthropic. Ze werken niet op basis van vaste regels, maar op statistische patronen in taal.

In maatwerksoftware kun je een LLM inzetten als een slimme laag bovenop je bestaande gegevens. Denk aan een module die binnenkomende e-mails van klanten samenvatten, of een assistent die op basis van eerder gemaakte offertes een concepttekst genereert. Het model begrijpt context en kan variatie aan, iets wat traditionele regelgebaseerde systemen niet kunnen.

MIT Technology Review rapporteerde recent dat de volgende generatie LLM-toepassingen zich onderscheidt door redeneren en contextbehoud, niet alleen door de hoeveelheid data waarop ze zijn getraind. Dat verschuift de vraag van “is het groot genoeg” naar “past het bij mijn probleem”

Samenvatten van klantcommunicatie. Stel dat je klantenserviceteam dagelijks tientallen e-mails verwerkt over klachten, leveringsstatus of garantievragen. Een LLM kan die berichten automatisch samenvatten en categoriseren, zodat de medewerker meteen ziet wat de kern is. Dat scheelt niet alleen tijd, het vermindert ook het risico dat iemand iets over het hoofd ziet.

Genereren van offerteteksten. In sectoren zoals automotive en logistiek zijn offertes vaak gedeeltelijk standaard, maar vereisen ze ook klantspecifieke toelichting. Een LLM kan op basis van productgegevens, klanthistorie en eerdere offertes een concepttekst genereren die een medewerker vervolgens controleert en aanpast. De tijdsbesparing kan aanzienlijk zijn: voor sommige MKB-bedrijven kost een offerte nu twee tot drie uur; met AI-ondersteuning is dat terug te brengen naar een halfuur, mits de invoergegevens op orde zijn.

Signaleren van afwijkingen in tekst en data. Een LLM kan ook worden ingezet om ongestructureerde gegevens te doorzoeken op patronen. Denk aan contracten die afwijken van de standaard, reviews die een negatieve trend laten zien, of inkooporders die niet overeenkomen met de verwachting. Het model herkent afwijkingen die een mens bij grote volumes zou missen.

Interne kennisbank doorzoekbaar maken. Veel MKB-bedrijven hebben waardevolle kennis opgesloten in documenten, handleidingen en e-mails. Met een LLM kun je die kennis doorzoekbaar maken via een chatinterface. Medewerkers stellen een vraag in gewone taal en krijgen een relevant antwoord terug, inclusief de bron.

Wanneer kies je beter voor een gewone koppeling?

Dit is de vraag die leveranciers je zelden stellen. Een LLM is niet altijd het juiste gereedschap, en soms is het ronduit de verkeerde keuze.

Wanneer precisie absolute voorwaarde is. Voor financiële berekeningen, voorraadbeheer of logistieke planning heb je deterministische logica nodig. Een LLM kan plausibele maar foutieve uitkomsten produceren, ook wel “hallucineren” genoemd. Dat risico is in kritieke bedrijfsprocessen onaanvaardbaar. Een API-koppeling met je ERP of WMS is hier altijd betrouwbaarder.

Wanneer de data gestructureerd en voorspelbaar is. Als je altijd dezelfde gegevens op dezelfde manier van systeem A naar systeem B wilt sturen, gebruik dan een gewone integratie. Dat is sneller, goedkoper en makkelijker te onderhouden. Een LLM inzetten om een factuur-XML te verwerken is een kanon op een mug.

Wanneer je geen grip hebt op de invoer. Een LLM werkt goed als de invoer redelijk consistent en begrijpelijk is. Werken jullie met sterk wisselende, slecht gedocumenteerde of deels incorrecte gegevens, dan is de uitvoer van het model even onbetrouwbaar. Garbage in, garbage out geldt hier dubbel.

Wanneer de kosten niet opwegen tegen de baat. API-calls naar een LLM kosten geld, en bij hoge volumes loopt dat snel op. Voor een proces dat je goedkoper kunt automatiseren met een eenvoudige regelset of een bestaande integratie, is een LLM economisch gezien de verkeerde keuze.

Kernpunt: Een LLM is geen vervanging voor solide software-architectuur. Het is een extra laag die meerwaarde toevoegt waar taal, context en variatie het verschil maken. Overal AI inzetten zonder die afweging is geen digitale strategie, het is hype volgen.

Wat brengt de volgende generatie LLMs?

De ontwikkeling gaat snel. Waar de eerste generatie taalmodellen vooral indruk maakte met het genereren van coherente tekst, richten de nieuwste modellen zich op meerstapsredeneren: het doorlopen van een logische keten om tot een antwoord te komen. Modellen als GPT-4o en de o-serie van OpenAI zijn hier voorbeelden van.

Dat vergroot de mogelijkheden voor bedrijfssoftware. Een model dat kan redeneren, kan niet alleen een e-mail samenvatten, maar ook een aanbeveling formuleren op basis van meerdere gegevensbronnen tegelijk. Voor MKB-software betekent dit dat de grens tussen “AI als assistent” en “AI als beslissingsondersteuner” geleidelijk verschuift.

Dat is zowel een kans als een reden voor voorzichtigheid. Beslissingsondersteuning vereist aantoonbaar betrouwbare modellen, heldere logging van wat het model heeft gedaan en waarom, en duidelijke afspraken over wie eindverantwoordelijk is. Die infrastructuur bouwen we mee als we AI integreren in maatwerksoftware.

Hoe gaan wij bij Divtag hiermee om?

Wij beginnen bij het bedrijfsproces, niet bij de technologie. Dat klinkt als een open deur, maar in de praktijk zien we regelmatig dat bedrijven AI willen “omdat het kan”, zonder dat er een concreet probleem achter zit.

Onze aanpak is: eerst het proces in kaart brengen, dan bepalen welk gereedschap past. Soms is dat een LLM-integratie. Soms is dat een slimme API-koppeling tussen twee systemen. Soms is het een combinatie: een betrouwbare koppeling voor de gestructureerde data, met een LLM-laag voor de tekstuele verrijking.

We bouwen in Laravel, Vue en Inertia, en integreren LLMs via de OpenAI API of vergelijkbare diensten. Daarbij houden we rekening met dataveiligheid, want klantgegevens mogen niet zomaar naar externe servers, en met beheersbaarheid op lange termijn. Een AI-module die niemand meer begrijpt na zes maanden, is geen aanwinst.

We zien bij klanten als Schotpoort Logistics en vanBERNARD dat de grootste winst niet zit in spectaculaire AI-toepassingen, maar in het slim combineren van betrouwbare integraties met gerichte automatisering op de plekken waar het echt tijdwinst oplevert.