Minder handwerk. Snellere beslissingen. Lagere kosten.

Permissie-bewuste semantische zoekmachine over 50.000+ SharePoint-documenten. Zoektijd gedaald van 12 minuten naar 45 seconden, met nul permissieschendingen in productie.

We bouwden een permissie-bewuste semantische zoeklaag bovenop de bestaande SharePoint-omgeving: SharePoint Graph API-integratie voor documentindexering, permissiemapping en metadata-extractie Semantische vectorzoekopdrachten via Qdrant - zoekopdrachten in natuurlijke taal zoals "Vind het contractsjabloon dat we gebruikten voor overheidsopdrachten in 2023" Permissie-afdwinging op querytijd - gebruikers zien alleen resultaten waar ze toegang toe hebben, exact overeenkomend met SharePoints afdelingsgebaseerde toegangscontroles Azure OpenAI embeddingmodellen voor semantisch begrip, met query-expansie voor betere recall Gebouwd in TypeScript, uitgerold als productiesysteem binnen het Microsoft-ecosysteem van de klant De permissie-bewuste architectuur besloeg zo'n 40% van de totale projectinspanning - maar was niet onderhandelbaar voor een enterprise deployment.

Multi-tenant AI-klantenserviceplatform voor een Nederlandse energieleverancier met 20+ whitelabel merken. Elk merk krijgt een eigen tone-of-voice, kennisbank en escalatielogica - aangedreven door één LangGraph-pipeline met Azure OpenAI en diepe CRM-integratie.

We hebben een multi-tenant AI-supportplatform gebouwd waarin elk merk als geïsoleerde tenant opereert met een eigen kennisbank, systeemprompt, tone-of-voice en escalatieregels - allemaal draaiend op één gedeelde LangGraph-pipeline met Azure OpenAI. Brand-aware LangGraph agent: binnenkomende berichten worden gerouteerd door een stateful graph die de juiste merkcontext laadt, relevante kennis ophaalt (contracten, FAQ, beleid), en antwoorden genereert die passen bij de tone-of-voice en regels van dat merk Diepe CRM-integratie: de agent haalt real-time klantgegevens op (contracten, betaalstatus, meterstanden) om gepersonaliseerde antwoorden te geven - geen generieke FAQ-antwoorden Multi-channel ondersteuning: verwerkt zowel e-mail als live chat, met verschillende responsstrategieën per kanaal (gestructureerde e-mailantwoorden vs. conversationele chat) Intelligente escalatie: wanneer de AI detecteert dat een issue niet opgelost kan worden (klachten, complexe geschillen, randgevallen), wordt doorverwezen naar een menselijke agent met volledige gesprekscontext, klanthistorie en een samenvatting van wat al is geprobeerd Brand onboarding workflow: nieuwe whitelabel merken kunnen geconfigureerd worden met een eigen kennisbank, tone-of-voice en beleid zonder codewijzigingen - alleen content en configuratie De architectuur volgt onze drielaagse aanpak: Context (merkspecifieke kennisophaling en klantdata), Reasoning (LangGraph agent met Azure OpenAI), en Action (CRM-updates, e-mail opstellen, escalatie-routing). Dit houdt het systeem modulair - we kunnen modellen wisselen, kennis updaten of kanalen toevoegen zonder de kern te herbouwen.

Privaat AI-platform voor een wereldwijd maritiem engineeringbedrijf. Open-source modellen on-premise op Kubernetes - geen data verlaat het gebouw.

We bouwden een privaat AI-platform op hun bestaande Kubernetes-infrastructuur, ontworpen voor air-gapped werking zonder externe calls: Self-hosted open-source LLM's (Llama 3, Mistral) die on-premise draaien via Kubernetes - geen tokens verlaten het netwerk Qdrant vectordatabase voor beveiligde documentretrieval, draaiend als stateful Kubernetes-service met versleutelde opslag RAG-pipeline met LangChain voor engineering-documentzoekopdrachten - technische handleidingen, projectspecificaties en operationele procedures PII-redactielaag die persoonsgegevens verwijdert voordat documenten de AI-pipeline ingaan Volledige auditlogging op elke query en elk antwoord, met compliance-dashboards voor het securityteam GitOps-deploymentpipeline zodat het DevOps-team van de klant het platform zelfstandig kan onderhouden en uitbreiden Eerlijke afweging: open-source modellen scoren circa 85-90% van frontier model kwaliteit op domeinspecifieke taken, maar met volledige datacontrole en voorspelbare kosten. Voor deze klant was die afweging helder.

Een 4-weken Proof of Concept dat laat zien hoe een RAG-agent ruwe ESG-data en CSRD-vereisten omzet naar consistente, controle-klare narratieve teksten - zodat duurzaamheidsteams een goede eerste versie krijgen in plaats van een blanco pagina.

We bouwden een LangGraph-agent met een Qdrant vectorstore die de volledige ESRS-standaarden en CSRD-regelgeving bevat. De agent neemt gestructureerde ESG-data (CSV/Excel-exports) als input, haalt de relevante toelichtingsvereisten per onderwerp op, en genereert narratieve teksten die verwijzen naar de onderliggende cijfers. Azure OpenAI verzorgt de tekstgeneratie, terwijl de RAG-pipeline ervoor zorgt dat de output gebaseerd blijft op daadwerkelijke regelgeving in plaats van verzonnen vereisten. Tijdens de 4-weken PoC testten we de agent op 8 ESRS-onderwerpen (E1-E5, S1, G1, G2) met voorbeelddata. De gegenereerde concepten dekten ~70% van de vereiste toelichtingen correct in de eerste ronde. Het duurzaamheidsteam reviewde en bewerkte de output - hun feedback was dat de agent de structuur en regelgevingsafstemming goed had, terwijl zij zich richtten op het toevoegen van context en nuance die alleen domeinexperts kunnen bieden.

Een 4-weken Proof of Concept dat laat zien hoe een AI-agent automatisch klanten screent tegen sanctielijsten en openbare bronnen, en gestructureerde risicoprofielen opstelt die analisten kunnen beoordelen en goedkeuren.

In een 4-weken Proof of Concept bouwden we een multi-stap LangGraph-agent die een bedrijfsnaam en jurisdictie als input neemt, en vervolgens zelfstandig EU/VN-sanctielijsten, het KvK-register en open nieuwsbronnen bevraagt. De agent gebruikt Azure OpenAI voor redenering en Qdrant om het risicokader van de klant op te slaan en op te halen - zodat de output hun specifieke beleid volgt, niet generieke regels. Het resultaat is een gestructureerd risicoprofiel met bronvermeldingen, risicoclassificatie en gemarkeerde items die menselijke aandacht vereisen. Tijdens de PoC testten we tegen 25 historische klantdossiers - de agent identificeerde alle eerder gemarkeerde risico's correct en vond drie aanvullende bevindingen die de analisten als terecht bevestigden. De analist neemt altijd de eindbeslissing; de agent doet het voorwerk.