We Do Dev Work
We Do Dev Work
AI development
• 01 Jun 2025 • Bijgewerkt op 04 Nov 2026

AI-ontwikkeling: wat het is, wat het kost, echte voorbeelden

AI-ontwikkeling: wat het is, wat het kost, echte voorbeelden

Het korte antwoord: AI-ontwikkeling is software bouwen die een AI-model gebruikt (een taalmodel, een beeldmodel of een eigen getraind model) voor werk dat met vaste regels niet lukt, zoals documenten lezen, vragen beantwoorden of maten afleiden uit een foto. Het meeste werk is gewone software rond het model: je data erin krijgen, de antwoorden controleren, het koppelen aan je systemen en de kwaliteit na de lancering in de gaten houden. De rekening voor het model is meestal de kleinste kostenpost. Hieronder: wat het kan, de stappen, wat de kosten bepaalt, wanneer je bouwt of koopt, en twee echte projecten.

Laten we duidelijk zijn: in deze blogpost schrijven we niet over “vibe-coding”. We onderzoeken liever de extra complexiteit die komt kijken bij het inzetten van kunstmatige intelligentie als oplossing voor een technisch probleem.


AI-technologie heeft de laatste jaren een snelle ontwikkeling doorgemaakt, maar echt nieuw is ze niet. Diepe neurale netwerken worden al sinds de jaren 1950 onderzocht. En in 1985 was de markt voor AI-onderzoek al meer dan 1 miljard Amerikaanse dollar waard.

Wat is er dan veranderd?

  • We hebben nu enorme hoeveelheden rekenkracht beschikbaar, dankzij cloudinfrastructuur die op aanvraag toegankelijk is.

  • Big tech heeft toegang tot extreem grote datasets uit tientallen jaren digitale registratie.

  • Open-sourceframeworks geven gratis toegang tot het implementeren van AI-oplossingen en verlagen de drempel.


Door deze verschuivingen is wat vroeger academisch onderzoek was, een praktische engineeringdiscipline geworden.


AI-ontwikkeling is het proces van het creëren van computersystemen die een AI-component bevatten. Het omvat beeldherkenning, patroondetectie, besluitvorming, taalherkenning en nog veel meer. Anders dan bij traditionele software komt het gedrag van een AI-systeem voort uit data en een model, en niet alleen uit regels die jij hebt geschreven. De meeste bedrijfssystemen trainen zichzelf vandaag niet opnieuw; ze gebruiken een vooraf getraind model, en de kwaliteit verandert wanneer het model, de prompt of je data verandert.

Uitdagingen van AI-ontwikkeling

Het ontwikkelen van AI-systemen brengt nieuwe lagen complexiteit mee. Net zoals een software engineer de besturingssystemen moet begrijpen waarop zijn applicaties draaien, moet een AI-engineer de AI-technologieën begrijpen die hij in zijn oplossingen implementeert.


Als AI-ontwikkelaar moet je machine-learningmodellen, deep-learningarchitecturen, neurale netwerken, vectorruimtes en evaluatiemetrics begrijpen en zelfs beslissingen nemen op ethische gronden over het gebruik van AI.


Gelukkig voor AI-ontwikkelaars hebben grote taalmodellen (LLM's) het makkelijker gemaakt om aan de traditionele onderdelen van softwareontwikkeling te werken, want die kennen nog steeds hun uitdagingen, zoals deployment, schaalbaarheid van het systeem en frontend-ontwikkeling. Je hebt tenslotte nog altijd een manier nodig om met het systeem te communiceren, en het systeem moet beschikbaar zijn voor gebruik.


AI-ontwikkeling kan krachtig zijn, maar het is geen automatisch proces. Je kunt niet zomaar de e-mail van een klant in een model gooien en een volledig uitgewerkt computersysteem verwachten. Het vraagt zorgvuldig nadenken, iteratieve ontwikkeling, testen en een diep begrip van het probleem dat je probeert op te lossen.


AI-ontwikkeling brengt ook een nieuw soort fout mee: onbruikbare computeroutput. Vroeger was elke fout in een traditioneel systeem een menselijke fout, bugs in de code. Nu kan de computer vreemde of fundamenteel foute resultaten geven, soms "hallucinaties” genoemd. De AI-ontwikkelaar moet weten hoe hij met dit soort fouten omgaat door nieuwe validatiestrategieën, fine-tuning van modellen en fallbacklogica te implementeren.


Een andere opmerking is dat een AI-ontwikkelaar, door de snelle vooruitgang van de beschikbare AI-technologieën, voortdurend op de hoogte moet blijven van nieuwe tools om concurrerend te blijven.

Wat kan AI vandaag voor een bedrijf doen?

De meeste nuttige AI-projecten zijn niet exotisch. Het zijn taalmodellen of classificatiemodellen die aan een gewoon systeem gekoppeld zijn. Dit zijn de toepassingen die we zien werken, elk met de grens waarmee je rekening moet houden.

ToepassingWat het goed doetEerlijke grens
Klantenservice-assistentBeantwoordt veelgestelde vragen uit je eigen documenten, stelt antwoorden op voor medewerkersAntwoordt soms overtuigd maar fout; heeft een overdracht naar een mens nodig
DocumentverwerkingHaalt velden uit facturen, contracten en formulieren en zet ze om in gestructureerde dataSlechte scans en ongebruikelijke lay-outs mislukken; iemand moet resultaten met lage zekerheid nakijken
Zoeken in je eigen contentVindt antwoorden in handleidingen, tickets en wiki's op betekenis, niet op trefwoordenAlleen zo goed als de documenten; verouderde of tegenstrijdige bestanden geven verouderde antwoorden
Classificatie en routeringLabelt e-mails, leads of tickets en stuurt ze naar het juiste teamRandgevallen en nieuwe categorieën vragen monitoring
Opstellen en samenvattenEerste versies, vergadersamenvattingen, productbeschrijvingenEen mens blijft eigenaar van de eindtekst
Voorspellen en anomaliedetectieVraag, churn en fraudesignalen uit je historische dataHeeft genoeg schone historie nodig; kan niet voorspellen wat nooit is gebeurd

Als een regel het probleem kan oplossen ("als de bestelling meer dan 5,000 baht bedraagt, vraag dan om goedkeuring"), schrijf dan de regel. AI verdient zijn plaats waar de invoer rommelig, taalzwaar of te gevarieerd is voor regels. Voor de technische achtergrond, zie the foundations of AI.

Hoe ziet een AI-project er stap voor stap uit?

  1. Definieer het probleem en de succesmaat. "De eerste reactietijd bij support halveren" is een doel. "AI toevoegen" is dat niet.
  2. Controleer de data. Heb je ze, mag je ze gebruiken en zijn ze schoon genoeg? Hier verandert bij veel projecten de scope.
  3. Bouw een klein prototype. Een paar dagen werk met een gehost model vertelt je of het idee überhaupt haalbaar is.
  4. Bouw een evaluatieset. Verzamel 50 tot 200 echte voorbeelden met de juiste antwoorden en beoordeel elke wijziging ertegen. Zonder dit gok je maar.
  5. Bouw het echte systeem. Prompts of retrieval, validatie van outputs, terugval op een mens, logging en de interface die mensen echt gebruiken.
  6. Integreer. Koppel aan je CRM, ERP, inbox of website, met rechten en foutafhandeling.
  7. Lanceer voor een kleine groep en monitor dan. Volg kwaliteit, kosten per verzoek, reactietijd en correcties door gebruikers. Modellen, prompts en je eigen data veranderen, dus de kwaliteit drijft weg.

Stap 2, 4 en 7 worden het vaakst overgeslagen, en ze maken het verschil tussen een demo en een product. Dezelfde kloof bestaat bij elk prototype; zie is my vibe-coded product ready?

Wat bepaalt de kosten van een AI-project?

  • Model- en API-gebruik. Gehoste modellen worden per token gefactureerd (ongeveer driekwart woord). Input- en outputtokens hebben aparte prijzen, en output kost meer.
  • Datavoorbereiding. Opschonen, labelen, rechten regelen en data uit oude systemen halen is vaak de grootste post in het eerste project.
  • Evaluatie. Testsets bouwen en resultaten beoordelen vraagt echte tijd van mensen die je bedrijf kennen.
  • Integratie. Koppelen aan je bestaande systemen, inloggen en de gebruikersinterface.
  • Monitoring en onderhoud. Dashboards, alerts, prompt- en modelupdates en regelmatige kwaliteitsreview.

Voorbeeld: wat API-gebruik kost

In oktober 2026 vermeldt Anthropic deze API-prijzen per miljoen tokens op zijn prijspagina:

ModelInputOutput
Haiku 5.5 (prompts tot 100K tokens)$0.10$0.50
Sonnet 5.5$2$10
Opus 5.5$4$20
Fable 5.1$10$50

De pagina vermeldt ook 50% korting voor batchverwerking en veel goedkopere reads voor gecachete prompttekst. Prijzen veranderen vaak, dus controleer de pagina van de leverancier voordat je een budget opstelt.

Een snelle berekening van onszelf: een support-assistent die 1,000 gesprekken per dag afhandelt, elk met ongeveer 3,000 input- en 500 outputtokens, gebruikt dagelijks 3 miljoen input- en 0,5 miljoen outputtokens. Op Sonnet 5.5 is dat $6 + $5 = $11 per dag, ongeveer $330 per maand. De modelrekening is vaak klein; de mensen en de engineering eromheen niet. Daarom is the cost is not zero ook als de tool goedkoop is.

Twee echte AI-projecten

UniMeasureAI: lichaamsmaten via de browser van je telefoon

Online shoppers bestellen vaak de verkeerde maat. UniMeasureAI wilde een lichaam opmeten met een smartphone, in de browser, zonder app. We bouwden het vanaf dag één samen met hen: het AI-deel, en het webproduct eromheen dat shoppers echt gebruiken. Lees de UniMeasureAI-case.

Ons eigen ticketbord, gekoppeld aan Claude

In oktober 2026 koppelden we ons eigen ticketbord via een MCP-server aan Claude, zodat de AI tickets, reacties en uren kan lezen en schrijven met de eigen toegangsrechten van elke persoon. Het werd gebouwd op 14 oktober en ging live op 21 oktober. In de eerste 10 dagen voerde het via Claude 1.338 wijzigingen door. Het moeilijke deel was niet het model, maar de rechten, het loggen van elke schrijfactie en de limieten. Hoe we het deden: je software koppelen aan Claude of ChatGPT.

Het patroon in beide: het model koop je in, het product eromheen bouw je. Daar gaan de meeste tijd en het meeste budget naartoe.

Zelf bouwen of kopen?

  • Koop wanneer het probleem gangbaar is (vergadernotities, generieke chatbots, transcriptie) en een product het al goed doet. Je betaalt een abonnement en aanvaardt de beperkingen ervan.
  • Bouw wanneer de AI je eigen data, workflow of klanten raakt, wanneer je controle nodig hebt over gedrag en kosten, of wanneer het deel uitmaakt van wat je verkoopt.
  • Combineer in de meeste gevallen: koop het model via een API, bouw de onderdelen eromheen die specifiek voor jou zijn.

De bredere afweging komt aan bod in build it or buy it: the calculation has changed. Wil je een team om het samen met je te bouwen, bekijk dan onze AI-ontwikkelingsdienst en enkele eerdere projecten.

Wat zijn de risico's?

Privacy en gegevensbescherming

Alles wat je naar een model stuurt, verlaat je systemen. Bepaal wat verstuurd mag worden, controleer de voorwaarden van de leverancier over gegevensbewaring en training voor jouw abonnement, verwijder persoonsgegevens waar je kunt, en controleer lokale regels zoals de PDPA van Thailand of de AVG als je EU-klanten bedient.

Hallucinaties

Modellen kunnen vloeiend onwaarheden beweren. Verklein het risico door alleen te antwoorden uit aangeleverde documenten, outputs te valideren tegen een schema of database, bronnen te tonen en onzekere gevallen naar een persoon te sturen. Je kunt het niet tot nul terugbrengen, dus ontwerp voor het falen.

Vendor lock-in

Prompts, gefinetunede modellen en speciale functies binden je aan één aanbieder. Houd het model achter één interface in je code, bewaar je evaluatieset, en je kunt op een middag een goedkoper of beter model testen.

Kostenverrassingen en kwaliteitsdrift

Stel gebruikslimieten en alerts in, en voer je evaluatieset opnieuw uit na elke wijziging van model of prompt.

Voor maatwerk, lees maatwerk webapplicatie laten ontwikkelen: kosten en proces. Heeft een AI-tool al een deel van je app gebouwd, check dan of die klaar is voor echte gebruikers.

Slotbeschouwing

Hoewel er veel AI-technologieën via API's beschikbaar zijn voor snelle implementatie, draait AI-ontwikkeling niet alleen om een goede prompt schrijven en daar een interface op vibe-coden. Leren hoe je de output van de machine vertrouwt, verifieert en corrigeert, onderscheidt een proof of concept van een productieklare AI-oplossing. Stel jezelf, voor je een AI-gedreven oplossing gaat bouwen, de volgende vragen:

  • Hebben we genoeg kwalitatieve data?

  • Hoe kunnen we succes meten?

  • Zijn we klaar om een systeem te onderhouden dat in de loop van de tijd leert en zich aanpast?

AI is niet de toekomst, het is het heden. Maar het is een engineeringdiscipline zoals elke andere, die kennis, kritisch denken en creativiteit vraagt om echt resultaten te leveren.

Niet elke AI-taak vraagt een groot taalmodel. Voor snelle, gestructureerde beslissingen zoals routering of scoring, lees LLM vs System One models.

Bronnen

Veelgestelde vragen

Wat is AI-ontwikkeling?

Het is software bouwen die een AI-component bevat, zoals een taalmodel of classificatiemodel, voor taken als vragen beantwoorden, data extraheren of verzoeken routeren. Het meeste werk blijft engineering rond het model.

Hoeveel kost AI-ontwikkeling?

Dat hangt af van de scope. API-kosten van modellen worden per token gefactureerd en kunnen enkele honderden dollars per maand bedragen voor een drukke assistent, terwijl datavoorbereiding, evaluatie, integratie en monitoring het grootste deel van de projectkosten uitmaken.

Hoe worden AI-API's geprijsd?

Per miljoen tokens, met aparte prijzen voor input en output. In oktober 2026 vermeldt Anthropic Sonnet 5.5 aan $2 input en $10 output per miljoen tokens, met 50% korting voor batchverwerking.

Moet ik een AI-oplossing bouwen of kopen?

Koop wanneer het probleem gangbaar is en een product het al oplost. Bouw wanneer de AI je eigen data of workflow gebruikt, en combineer in de meeste gevallen een gekocht model met maatwerksoftware eromheen.

Kan AI fouten maken in een bedrijfssysteem?

Ja. Modellen kunnen overtuigde maar foute antwoorden geven. Gebruik antwoorden die op je documenten gebaseerd zijn, valideer outputs en stuur onzekere gevallen naar een persoon.

Hoe vermijd ik vendor lock-in met AI?

Houd het model achter één interface in je code en bewaar je eigen evaluatieset. Dan kun je een ander model testen en overstappen zonder het systeem te herschrijven.

Een developerprobleem?

Je hoeft niet precies te weten wat er mis is. Dat is juist het punt.

Stuur het signaal