AI-basis voor bedrijven: LLM's, RAG, agents en fine-tuning uitgelegd

Bij We Do Dev Work gebruiken we AI niet alleen (om blogposts te schrijven), we bouwen er elke dag mee. Maar het vocabulaire zit vol buzzwords en het is moeilijk te zien welke ertoe doen voor een bedrijf. Deze gids is voor oprichters, productmanagers, ontwikkelaars en nieuwsgierige geesten die de echte bouwstenen van moderne AI-systemen willen begrijpen, en weten waar je het best mee begint.
Wil je de versie in één alinea: het meeste zakelijke AI-werk betekent vandaag een bestaand taalmodel nemen en het jouw informatie geven (RAG) en soms ook de mogelijkheid om te handelen (agents). Een model hertrainen (fine-tuning) is de uitzondering, niet het startpunt.
De belangrijkste begrippen in één oogopslag
| Begrip | In gewone taal | Goed voor | Let op |
|---|---|---|---|
| Machine learning | Software die patronen uit data leert in plaats van met de hand geschreven regels te volgen. | Voorspellingen en classificatie: vraag voorspellen, fraude signaleren, tickets sorteren. | Heeft goede, relevante data nodig. De output is een waarschijnlijkheid, geen garantie. |
| LLM (groot taalmodel) | Een machine-learningmodel dat getraind is op enorme hoeveelheden tekst en taal kan lezen en schrijven. | Opstellen, samenvatten, vragen beantwoorden, data halen uit rommelige tekst. | Het kan met overtuiging verkeerde dingen beweren, en het kent alleen wat het getraind kreeg plus wat jij het geeft. |
| Prompt engineering | Duidelijke instructies en voorbeelden schrijven zodat het model nuttige output geeft. | De goedkoopste eerste stap. Vaak genoeg voor eenvoudige taken. | Resultaten kunnen variëren; test prompts op echte voorbeelden, niet op één gelukkige poging. |
| Embeddings en vectordatabases | Tekst omgezet in getallen die de betekenis vastleggen, opgeslagen zodat je op betekenis kunt zoeken in plaats van op exacte woorden. | Zoeken in je eigen documenten, vergelijkbare items vinden, aanbevelingen. | De zoekkwaliteit hangt af van hoe documenten worden opgedeeld en actueel gehouden. |
| RAG (retrieval-augmented generation) | Eerst relevante passages uit je documenten opzoeken en die dan aan de LLM geven om uit te antwoorden. | Supportbots, intern zoeken in kennis, antwoorden die je beleid moeten volgen. | Als het juiste document niet gevonden wordt, is het antwoord slecht. Vraagt nette brondocumenten. |
| AI-agents | Systemen waarbij een LLM stappen bepaalt en tools gebruikt (zoeken, agenda, database, e-mail) om een doel te bereiken. | Werk in meerdere stappen: verzoeken triëren, rapporten voorbereiden, gegevens bijwerken. | Meer bewegende delen, meer manieren om te falen. Laat een mens alles goedkeuren wat risicovol is. |
| Fine-tuning | Een basismodel verder trainen op je eigen voorbeelden om te veranderen hoe het zich gedraagt. | Een consistente toon of outputformaat, of een smalle taak op schaal. | Vraagt kwalitatieve trainingsdata en inspanning, en het resultaat ligt vast tot je opnieuw traint. |
| Multimodale AI | Modellen die naast tekst ook beelden, audio of video verwerken. | Facturen en screenshots lezen, gesprekken transcriberen, productfoto's beschrijven. | Controleer de nauwkeurigheid op je eigen bestanden, niet op demo's. |
Machine learning, de overkoepelende term
Machine learning is het brede vakgebied. Een model leert van voorbeelden en past wat het leerde toe op nieuwe data. Spamfilters, vraagvoorspellingen en aanbevelingslijsten zijn allemaal machine learning, en ze bestonden lang voor chatbots. Als iemand in een vergadering "AI" zegt, vraag dan of hij dit oudere type bedoelt (een getal of label voorspellen uit je data) of het nieuwere type taalmodel (tekst produceren). Ze lossen verschillende problemen op en vragen andere data.
Grote taalmodellen (LLM's)
LLM's zijn de motoren achter tools als ChatGPT, Claude en Gemini, en open modellen zoals Llama, Mistral en DeepSeek. Ze zijn getraind op enorme hoeveelheden tekst om mensachtige taal te genereren.
Voorbeeld van een toepassing: schrijfhulp, rapporten samenvatten, klantvragen beantwoorden.
Zie LLM's als het algemene brein dat kan antwoorden en tekst kan genereren op basis van patronen die het heeft geleerd.
Wat dat voor een bedrijf betekent: een LLM is uitstekend in taalwerk en onbetrouwbaar als bron van waarheid. Het kent je prijzen, je contracten of de beslissingen van vorige week niet, tenzij je ze geeft. Die kloof pakken de volgende onderdelen aan.
Prompt engineering
Bij prompt engineering gaat het om invoer opstellen die betere output van een LLM oplevert. Het kan de resultaten sterk beïnvloeden en kost bijna niets om te proberen.
Voorbeeld van een toepassing: een vage prompt als "Schrijf over marketing" herschrijven naar "Schrijf een samenvatting van 3 alinea's over moderne B2B-markettrends in overtuigende taal."
Geweldige prompts = geweldige resultaten. Goede prompts = onzekere resultaten.
Embeddings en vectordatabases
Een embedding zet tekst om in een vector (een lijst getallen) die de betekenis ervan weergeeft. Zo kunnen computers betekenis vergelijken, niet alleen exacte woorden. Zodra je embeddings hebt, heb je een plek nodig om ze op te slaan en te bevragen. Daar komen vectordatabases als Pinecone, Weaviate of pgvector (gebruikt in ons geliefde Supabase) om de hoek kijken.
Voorbeeld van een toepassing: in een kennisbank zoeken naar vergelijkbare documenten, ook als andere woorden gebruikt worden, zodat je chatbot het juiste interne document kan vinden.
Embeddings en vector-databases maken AI-apps "bewust" van je eigen data.
Retrieval-augmented generation (RAG)
RAG is een techniek die relevante documenten ophaalt met embeddings en ze doorgeeft aan de LLM voordat die een antwoord genereert. Het model antwoordt uit jouw materiaal in plaats van uit het geheugen, en je kunt tonen uit welk document een antwoord komt.
Voorbeeld van een toepassing: een klantenservicechatbot die beleid uit je bedrijfshandboek haalt voordat hij antwoordt.
RAG is meestal flexibeler en goedkoper dan fine-tuning, omdat een antwoord bijwerken betekent dat je een document bijwerkt, niet dat je een model hertraint.
AI-agents
Agents zijn systemen die LLM's gebruiken om acties uit te voeren. In tegenstelling tot een passieve chatbot kan een agent nadenken over een doel, context onthouden, tools aanroepen en meerdere stappen aan elkaar koppelen.
Voorbeeld van een toepassing: een virtuele assistent die je week plant door je agenda te lezen, reizen te boeken en herinneringen te sturen.
Een agent is niet alleen chat; hij kan dingen doen op basis van de output van de LLM.
Hoe meer een agent kan doen, hoe voorzichtiger je moet zijn. Geef hem de kleinst mogelijke rechten die werken, log wat hij doet, en zet een mens in de lus voor alles wat geld uitgeeft, data verwijdert of klanten contacteert.
Fine-tuning
Bij fine-tuning neem je een basis-LLM en train je die verder op je eigen voorbeelden. Zo ontstaat een nieuwe modelversie die specifiek is voor jouw toepassing, bijvoorbeeld een die consequent in jouw tone of voice schrijft.
Voorbeeld van een toepassing: een model getraind op je eerdere supportantwoorden, zodat het antwoordt in je huisstijl en formaat.
Fine-tuning is krachtig, maar rekenintensief en statisch.
Een veelgemaakte fout is fine-tunen om een model feiten bij te brengen. Feiten veranderen, en een gefinetunet model weet daar niets van tot je opnieuw traint. Gebruik RAG voor kennis en bewaar fine-tuning voor gedrag en stijl.
Multimodale AI
Sommige AI-systemen verwerken niet alleen tekst maar ook beelden, audio en video: spraak naar tekst, tekst naar beeld, een screenshot of een ingescande factuur lezen.
Voorbeeld van een toepassing: een AI die screenshots analyseert, audio transcribeert of regelitems uit een gefotografeerd bonnetje haalt.
Open source versus gesloten modellen
Open-weightmodellen (zoals Llama, Mistral en DeepSeek) kun je downloaden, zelf hosten en aanpassen. Gesloten modellen (zoals die van OpenAI, Anthropic en Google) gebruik je via een API en kunnen niet gewijzigd worden, al zijn veel ervan aan te passen via prompts en in sommige gevallen via fine-tuning door de leverancier.
Voorbeeld van een toepassing: je eigen model hosten wanneer data op je eigen servers moet blijven, tegenover een API aanroepen wanneer je het sterkste model met zo weinig mogelijk setup wilt.
Open = controle en flexibiliteit, maar jij beheert het. Gesloten = gemak en kunnen, maar je hangt af van een leverancier.
Let op: "lagere kosten" komt niet automatisch met open modellen: je betaalt voor servers en de mensen die ze beheren. De echte lopende kosten bespreken we in The cost is not zero.
Welke heb je nodig? Vuistregels
- Antwoorden uit je documenten: begin met RAG.
- Voorspellen of classificeren op basis van je eigen cijfers (churn, vraag, fraude): klassieke machine learning, geen LLM.
- Opstellen, samenvatten, informatie uit tekst halen: een LLM met een goede prompt, zonder extra techniek.
- Werk dat meerdere systemen en stappen omvat: een agent, met menselijke goedkeuring bij risicovolle stappen.
- Consistente stem, formaat of een smalle taak met hoog volume: overweeg fine-tuning, nadat prompts en RAG tekortschieten.
- Gevoelige data die je infrastructuur niet mag verlaten: kijk naar open modellen die je zelf host, of naar leveranciersvoorwaarden die bij je compliance-eisen passen.
Hoe begin je
- Kies één concreet probleem. Iets repetitiefs, tekstzwaars en vervelends, zoals dezelfde supportvragen beantwoorden of lange documenten samenvatten. Vermijd "AI overal aan toevoegen".
- Controleer je data. Zijn de documenten actueel, vindbaar en mogen ze gebruikt worden? Rommelige bronnen leveren rommelige antwoorden op.
- Maak een prototype met een bestaand model en prompts. Probeer echte voorbeelden uit je eigen werk, ook de lastige.
- Voeg RAG toe als het jouw kennis nodig heeft, en pas dan een agent als het acties moet uitvoeren. Fine-tune als laatste.
- Meet tegen een nulmeting. Vergelijk kwaliteit en bespaarde tijd met hoe het werk nu gebeurt, en laat in het begin een persoon de output nakijken.
- Plan voor lopende kosten en risico: gebruikskosten, monitoring en wat er gebeurt als het model het mis heeft. Zie The cost is not zero.
Voor het grotere plaatje, lees What is AI development? en how AI changed software development. Wil je hulp bij het afbakenen van een eerste project, bekijk dan onze AI-ontwikkelingsdienst of de prijzen.
Slotgedachte
Deze concepten begrijpen helpt je AI niet als magie te zien, maar als een gereedschapskist. Een gereedschapskist waarmee je betere oplossingen kunt engineeren voor je bedrijf of klanten. De toekomst is aan wie de stukjes aan elkaar kan puzzelen, klein begint en eerlijk meet.
Wil je met deze technologie bouwen? Laten we praten. Bij We Do Dev Work helpen we bedrijven AI-tools om te zetten in praktische, schaalbare oplossingen.
Niet elke AI-taak vraagt een groot taalmodel. Voor snelle, gestructureerde beslissingen zoals routering of scoring, lees LLM vs System One models.
Veelgestelde vragen
Wat is het verschil tussen machine learning en een LLM?
Machine learning is het brede vakgebied van software die van data leert. Een LLM is één soort machine-learningmodel, getraind op tekst om taal te lezen en te schrijven.
Wat is RAG in gewone woorden?
RAG zoekt eerst relevante passages uit je eigen documenten op en geeft ze aan de LLM, zodat die antwoordt uit jouw materiaal in plaats van uit het geheugen.
Moet ik RAG of fine-tuning gebruiken?
Gebruik RAG wanneer het model jouw kennis nodig heeft, omdat een document bijwerken makkelijker is dan hertrainen. Overweeg fine-tuning alleen voor een consistente stijl, een vast formaat of een smalle taak.
Wat is een AI-agent en hoe verschilt die van een chatbot?
Een chatbot antwoordt met tekst. Een agent gebruikt een LLM om stappen te plannen en tools aan te roepen, zoals een agenda of database, om een taak uit te voeren.
Heb ik een eigen model nodig om AI in mijn bedrijf te gebruiken?
Meestal niet. De meeste zakelijke toepassingen starten met een bestaand model via een API, aangevuld met jouw data via RAG. Een open model hosten is vooral belangrijk bij strikte datacontrole.
Hoe begin ik met AI in mijn bedrijf?
Kies één repetitief, tekstzwaar probleem, controleer je data, maak een prototype met een bestaand model en meet het resultaat tegen hoe het werk nu gebeurt.
Gerelateerde artikelen

Claude Fable 5.2 getest op twee echte bugs: de moeite waard?
Claude Fable 5.2 kwam uit op 9 nov 2026. We gaven het en Opus 5.5 twee echte bugs van onze eigen site: beide vonden de oorzaak, Opus voor minder dan de helft.


Je software koppelen aan Claude of ChatGPT: wat komt er kijken bij een MCP-server?
Een MCP server laat Claude of ChatGPT je eigen software lezen en bijwerken. Wij bouwden er in een dag een: 1.338 wijzigingen in 10 dagen. Zo werkt het.


LLM versus System One-model: Claude en ChatGPT tegenover Jev en SubQ Snap
LLM's zoals Claude en ChatGPT schrijven antwoorden; System One-beslissingsmodellen zoals Jev en SubQ Snap kiezen ze. Het verschil, de prijzen en wanneer je welk gebruikt.

