Home / Private AI-assistent

Generatieve AI

Een private AI-assistent op uw eigen documenten

Normen, handleidingen, contracten, auditbevindingen, productdocumentatie: de kennis waar uw organisatie op draait, zit in documenten die niemand goed kan doorzoeken. Een private assistent beantwoordt vragen uit die documenten, laat de passage zien die hij gebruikte, en draait op infrastructuur die u beheert. Deze pagina beschrijft hoe wij er een bouwen, wat het kost, en welke vragen een RFP moet stellen.

Door Tom Joseph · Laatst bijgewerkt: 8 september 2026

Gratis consult Prijzen

In het kort

Een private AI-assistent is een zoeksysteem met een taalmodel erbovenop, gehost waar uw data al staat, dat alleen uit uw documenten antwoordt en elke keer zijn bron toont. De technische term is RAG, retrieval-augmented generation. Wat het privaat maakt, is niet het model maar de architectuur: de documenten worden geïndexeerd in een vectordatabase binnen uw Azure- of AWS-tenant of op uw eigen server, het model ziet alleen de passages die voor één vraag zijn opgehaald, en niets wordt gebruikt om iets te trainen. Crux Digits bouwt ze tegen een vaste prijs: een audit van €2.500 van uw documenten en toegangsregels, een Productieklare MVP van €20.000 op uw echte corpus met een testset, productie vanaf €50.000 met rollen, logging en overdracht. Oplevering rekent u in weken.

Zo wordt het gebouwd

Van een map documenten naar een antwoord met een bron

Vijf onderdelen, en elk bepaalt of de assistent vertrouwd of genegeerd wordt.

Inname
Elk document, elke versie
Pdf’s, Word, SharePoint, het normenarchief, de auditbevindingen. Gelezen, opgeknipt, gedateerd, en opnieuw gelezen zodra een versie verandert.
Index
Een vectordatabase die van u is
pgvector, Azure AI Search of OpenSearch, in uw tenant of op uw server. Niets verlaat het pand.
Ophalen
De juiste passage, niet het hele boek
Hybride zoeken: trefwoord en betekenis samen, gefilterd op document, datum en doelgroep.
Antwoord
Twee kolommen, harde bronvermelding
Links het antwoord, rechts de exacte passage waar het vandaan komt. Geen passage, geen antwoord.
Bewaking
Rollen, logging, evaluatie
Wie wat mag zien, wat gevraagd is, wat geantwoord is, en een testset die bij elke wijziging draait.

Wie dit vraagt

De organisaties die er een nodig hebben, en waarom nu

De aanvragen die wij ontvangen, lezen bijna identiek. Een normstellende organisatie met 1.400 audits per jaar en een bibliotheek aan normdocumenten waar auditors en bedrijven niet doorheen komen. Een agritechbedrijf met een technische blauwdruk en domeinexperts die het corpus en de testcases aanleveren. Een uitgever wiens redactiearchief het product is. Een fabrikant wiens onderhoudskennis in twintig jaar pdf’s zit. Wat ze delen: de waarde zit in de documenten, de documenten zijn te veel om te lezen, en het antwoord moet controleerbaar zijn, want iemand gaat ernaar handelen.

Ze delen ook drie eisen waar een publieke chatbot niet aan voldoet: datasoevereiniteit (het corpus en de vragen blijven in de EU, in hun tenant), een harde bronvermelding bij elk antwoord (een auditor kan niet verwijzen naar "de AI zei het"), en een vaste prijs, omdat een kennisproject met een open budget precies het project is waar de meeste besturen al eens hun vingers aan brandden.

De vraag is meetbaar. Het CBS zet text mining, het lezen van documenten door software, op 9,8 procent van de Nederlandse microbedrijven in 2025, tegen 3,1 procent in 2023, de snelste groei van de zeven AI-technologieën die het volgt. Documenten lezen is de AI-toepassing die Nederlandse bedrijven werkelijk adopteren; deze pagina gaat over het doen met een bron erbij.

Architectuur

Wat we bouwen, onderdeel voor onderdeel

Elke keer dezelfde vijf onderdelen, per project gekozen. De keuzes hieronder zijn onze standaard voor een Nederlandse organisatie met enkele duizenden tot enkele honderdduizenden pagina’s.

Onderdeel	Standaardkeuze	Wat de keuze bepaalt
Inname	Connectors naar SharePoint, Google Drive, een fileshare of een S3-bucket; verwerking van pdf, Word, HTML en gescande pagina’s (OCR); opknippen per paragraaf, niet per aantal tekens	Waar de documenten staan, hoe vaak ze wijzigen, of tabellen en figuren behouden moeten blijven
Vectordatabase	pgvector op PostgreSQL in uw tenant; Azure AI Search of OpenSearch waar dat platform al standaard is	Bestaand platform, verwachte corpusomvang, wie de database beheert
Ophalen	Hybride: BM25-trefwoordzoeken plus dense vectors, herrangschikt; filters op document, versie, datum en doelgroep	Technische corpora met exacte termen (artikelnummers, onderdeelcodes) hebben trefwoordzoeken nodig; verhalende corpora semantisch zoeken; de meeste allebei
Model	Een in Europa gehost frontier-model via Azure OpenAI of AWS Bedrock in een EU-regio; een open-weight model (Mistral, Llama) op uw eigen GPU waar niets het pand mag verlaten	Beleid rond dataresidentie, taalkwaliteit in het Nederlands, kosten per vraag
Interface	Twee kolommen: het antwoord met genummerde bronverwijzingen, de aangehaalde passages ernaast, een link naar het brondocument op de pagina. Ook een API voor uw eigen applicaties	Of de assistent door mensen, door andere software, of door beide wordt gebruikt
Beheer	Rollen overgenomen uit het bronsysteem, een log van elke vraag en elk antwoord, een testset van 50 tot 200 vraag-antwoordparen die bij elke wijziging draait, een regel "geen bron, geen antwoord"	EU AI Act-classificatie, auditeisen, wie verantwoordelijk is voor een fout antwoord

Hosting

Azure, AWS of uw eigen server

Drie opties, en de keuze is een beleidsbesluit voordat het een technisch besluit is.

Uw eigen Azure- of AWS-tenant, EU-regio. De standaard voor de meeste organisaties. De vectordatabase, de applicatie en het modelendpoint draaien in uw abonnement, onder uw identity provider, met uw logging. Wij zetten het erin en dragen de infrastructuur als code over.
Zelf gehost op eigen servers. Voor organisaties waarvan het beleid elke externe modelaanroep verbiedt. Een open-weight model op een of twee GPU’s verwerkt een corpus van tienduizenden pagina’s voor een afdeling. De kwaliteit in het Nederlands ligt lager dan bij een frontier-model en de testset laat zien hoeveel; de afweging is expliciet.
Hybride. Zoeken en opslag aan uw kant, de modelaanroep naar een EU-endpoint zonder dataretentie. Het gebruikelijkste compromis als het corpus gevoelig is maar de vragen niet.

Bewijs

Hoe u weet dat het werkt voordat u productie betaalt

Het proof of concept is geen demo. Het draait op uw corpus, tegen een testset die uw domeinexperts schrijven, en het levert een getal op.

Voordat wij bouwen, schrijven uw experts 50 tot 200 vragen met het antwoord en de passage die het onderbouwt. Die set is het acceptatiecriterium. Het proof of concept rapporteert welk deel correct wordt beantwoord met de juiste bron, welk deel terecht wordt geweigerd, en waar het misgaat, per documenttype en vraagtype. Productie wordt tegen dat rapport geprijsd, en dezelfde set draait daarna bij elke wijziging, zodat een modelupgrade of een nieuwe batch documenten het niet stilletjes slechter kan maken. De evaluatiemethode is dezelfde die we gebruiken voor LLM-optimalisatie van assistenten die anderen bouwden.

Wat het kost

Wat een private AI-assistent kost in Nederland

Vast, per stap, exclusief btw en exclusief uw cloudverbruik (dat we in de audit ramen en dat meestal bescheiden is: zoeken is goedkoop in rekenkracht, en het model wordt één keer per vraag aangeroepen).

Audit, €2.500. We inventariseren het corpus (formaten, omvang, versies, locatie), de toegangsregels, de hostingbeperkingen en de vragen die mensen werkelijk stellen. U ontvangt de architectuur voor uw situatie, het hostingadvies, het testsetplan en een vaste prijs voor het proof of concept. Doet een product dat u al licenseert dit goed genoeg, dan staat dat in de audit.
Productieklare MVP, €20.000. De volledige keten op uw echte documenten in uw tenant, de tweekolomsinterface, de testset gedraaid en gerapporteerd. Vier tot zes weken.
Productie, vanaf €50.000. Rollen en rechten, inname die documentwijzigingen bijhoudt, logging, monitoring, de API voor andere systemen, documentatie, overdracht en een periode van afstemmen op echte vragen. Grotere corpora, meerdere talen of integratie in audit- of formulierworkflows worden per scope geprijsd.

Wat een chatbot kost, ter vergelijking Alle vaste prijzen

Voor de RFP

De vragen die u elke leverancier stelt, ook ons

Waar staat elke byte? Documenten, index, logs, modelaanroepen. Vraag om een tekening met regio’s erop.
Wat gebeurt er als er geen bron is? Het juiste antwoord is "dat zegt hij, en dan stopt hij". Al het andere is een chatbot.
Wie schrijft de testset en wat is het acceptatiegetal? Kan de leverancier geen maatstaf noemen, dan heeft het project geen finish.
Wat is aan het eind van ons? Code, infrastructuurdefinities, de index, de prompts, de testset. Bij ons: alles.
Hoe past het in de EU AI Act? De meeste documentassistenten zijn beperkt risico (transparantieplichten), tenzij ze een hoogrisicobeslissing voeden zoals een auditoordeel. De classificatie hoort in de audit op papier, niet later ontdekt.
Wat kost een fout antwoord, en wie vangt het op? Het beheerontwerp volgt uit dat antwoord.

Verdieping

De techniek achter de pagina

Voor de engineers aan uw kant van de tafel:

Vectordatabases voor RAG vergeleken RAG versus GraphRAG Tabellen in RAG: BM25 versus vector search AI-kennismanagement voor normstellende organisaties Geheugen voor AI-agents

Koopgidsen

Verder vergelijken

Wat kost een chatbot?AI-agent laten bouwen LLM-optimalisatie Generatieve AI AI-implementatie: kosten en doorlooptijd

FAQ

Veelgestelde vragen

Wat is een private AI-assistent?

Een vraag-antwoordsysteem dat passages uit uw eigen documenten ophaalt en een taalmodel alleen uit die passages een antwoord laat opstellen, met de bron erbij. Het draait in uw cloudtenant of op uw servers, en noch de documenten noch de vragen worden gebruikt om een model te trainen.

Is dit hetzelfde als RAG?

RAG (retrieval-augmented generation) is de techniek. Een private AI-assistent is RAG als opgeleverd systeem: inname, een index die van u is, ophalen met filters, een interface met bronvermelding, rollen en logging. De techniek is een week; het systeem is het project.

Kan het volledig on-premise draaien zonder externe API?

Ja, met een open-weight model op uw eigen GPU. De kwaliteit in het Nederlands ligt lager dan bij een frontier-model en het proof of concept meet het verschil op uw eigen testset, zodat het besluit op cijfers wordt genomen in plaats van op beleid alleen.

Hoe nauwkeurig is het?

Dat hangt van het corpus af en is precies wat het proof of concept rapporteert: het aandeel testvragen dat correct met de juiste bron wordt beantwoord, het aandeel dat terecht wordt geweigerd, en de faalvormen. Goed gestructureerde technische corpora scoren doorgaans hoog; gescande, inconsistente archieven lager tot de inname is afgesteld.

Hoe gaat het om met documentversies en vertalingen?

Elk fragment draagt zijn document, versie en datum, zodat een vraag alleen uit de huidige versie of uit een benoemde versie kan worden beantwoord. Bij meertalige corpora bevat de index elke taal en antwoordt de assistent in de taal van de vraag, met verwijzing naar het origineel.

Wat kost het per maand om te draaien?

Vooral cloudverbruik: een kleine database, een kleine applicatieserver en modelaanroepen per vraag. Voor een assistent op afdelingsschaal is dat doorgaans tientallen tot enkele honderden euro’s per maand; de audit raamt het voor uw volume. Beheer is een aparte vaste afspraak als u wilt dat wij het actueel houden.

Heeft u een corpus en een set vragen?

Stuur de RFP als die er is. De audit van €2.500 levert de architectuur voor uw situatie, een hostingadvies en een vaste prijs voor een proof of concept op uw echte documenten.

Plan een gesprek