Software met AI laten maken: vorm, kosten en rendement

Nederlandse bedrijven met 10 of meer medewerkers gebruiken massaal AI: 33% in 2025, tegen 23% in 2024 en 14% in 2023, aldus het CBS. Het rendement is een ander verhaal.

In een aparte CBS-analyse lijken AI-gebruikers ongeveer 8% productiever, maar na correctie voor bedrijfskenmerken blijft "slechts een klein verschil (1,5 procent) over, dat bovendien niet significant is" — en bij bedrijven met 10 tot 19 medewerkers is het verschil zelfs negatief.

Dat gat verklaart waarom deze gids niet over "AI gebruiken" gaat, maar over AI die als functie ín je software zit.

De Europese Investeringsbank (2026) meet wél een productiviteitswinst van 4%, met de kanttekening dat die "concentrated in medium and large firms" is en dat "complementary investments in software, data, and workforce training are essential".

Losse tools veranderen weinig; een AI-functie die in je werkproces staat, verandert wel iets.

Deze gids beantwoordt drie vragen achter elkaar: welke vorm past bij jouw situatie, wat kost elk AI-patroon, en wanneer loont het niet. Daarvoor gebruiken we de AI-Inbouwtest: vier poorten die een AI-functie moet passeren voordat hij in software thuishoort.

Kosten zijn onze eigen prijzen, geen marktgemiddelden.

Waar dit over gaat, en waar niet. Deze gids gaat over AI als productfunctie. Zoek je welke bedrijfssoftware je überhaupt laat bouwen, dan is maatwerk software de beslisgids.

Wil je processen automatiseren rondom je bestaande systemen, dan staat dat in AI automatisering.

Vier vormen om AI in je software te krijgen#

De eerste keuze is geen technische. Het is de vraag waar de AI komt te wonen: bovenop wat je hebt, in iets nieuws, als zelfstandige uitvoerder, of in de stroom tussen twee systemen.

De vormen sluiten elkaar niet uit. In de praktijk begint het merendeel van de trajecten bij een AI-laag en verschuift pas naar eigen software zodra de AI-functie zelf waarde begint te dragen.

Andersom is zeldzaam en meestal duur.

Het omslagpunt in één regel. Onder de €8.500 verdient een ingebouwde feature zichzelf zelden terug; dan is een AI-laag op je bestaande software de goedkopere route. Boven dat punt begint AI-software laten maken te lonen, omdat je dan ook de data, de schermen en de escalatie zelf in de hand hebt.

De vijf patronen: wanneer, wat het kost, welk model#

Vrijwel alles wat "AI in software" heet, is één van vijf patronen of een combinatie ervan. Ze verschillen in prijs, in risico en in welk model je nodig hebt — en dat verschil is groter dan bureaus doorgaans laten zien.

Twee dingen vallen op. Voorspelling is het duurste patroon en het enige waarvoor een taalmodel meestal de verkeerde keuze is.

En een agent kost in setup minder dan een RAG-assistent, terwijl hij het grootste risico draagt — schrijfrechten in je systemen zijn geen detail.

De keuze tussen RAG en hertrainen komt bij elke assistent terug; die afweging staat apart uitgewerkt in RAG vs. fine-tuning. Of je überhaupt zelf bouwt of een kant-en-klaar product neemt, behandelen we in custom AI vs. kant-en-klare AI.

Wat het model zelf kost — en waarom dat zelden de grootste post is#

Modelkosten zijn de post waar iedereen naar vraagt en die bijna nooit het probleem is. Reken mee met de lijstprijzen per miljoen tokens van Anthropic: Haiku 4.5 kost $1 in en $5 uit, Sonnet 5 $2 in en $10 uit, Opus 5 $5 in en $25 uit.

Eén classificatie met 2.000 tokens invoer en 200 tokens antwoord kost daarmee $0,003 op Haiku 4.5, $0,006 op Sonnet 5 en $0,015 op Opus 5. Bij 10.000 classificaties per maand is dat $30, $60 of $150.

Een RAG-vraag is zwaarder omdat de opgehaalde passages meegaan: 8.000 tokens invoer en 500 tokens antwoord kost $0,021 op Sonnet 5, oftewel $42 bij 2.000 vragen per maand.

Dat is de hele rekening voor het model. Daarnaast lopen hosting en beheer door — bij ons vanaf €750 per maand voor een ingebouwde AI-functie, plus modelkosten die met je gebruik meebewegen.

Waar het geld wél zit. Bij onze eigen RAG-assistent op een eigen tekstcorpus ligt het zwaartepunt vóór het chatvenster: het corpus opschonen en in bruikbare stukken knippen, embeddings genereren en actueel houden, en evalueren of de assistent de júiste passage ophaalt. Wie alleen het modelgebruik begroot, loopt precies daar vast.

De modelkeuze is bovendien geen eenmalige keuze. Meet de kosten per functie, niet per applicatie, dan kun je een zwaar model inruilen voor een licht model zodra blijkt dat het werk dat toelaat.

Wij zijn Claude-first, met een onderbouwing die je nareken kunt in Claude zakelijk inzetten.

De AI-Inbouwtest: vier poorten#

Scoringsmodellen geven een cijfer en laten de conclusie aan jou. Deze test doet het omgekeerde: vier poorten op volgorde, en bij de eerste die je niet passeert, stopt het.

Dat is expres, want de duurste AI-functies zijn de functies die poort 1 nooit haalden.

Toegepast op een echte situatie. Bij een verhuurder met analoge tussenmeters leverde een ronde langs de meterkasten hooguit een paar momentopnames per maand op, terwijl een eerlijke verdeelsleutel een veel fijnmaziger reeks vraagt.

Poort 1 haalde de gebouwde keten daarmee ruim: elke aangesloten meter wordt nu elke 15 tot 30 minuten afgelezen. Poort 2 ook, want elke foto is anders belicht en een vaste regel leest daar geen tellerwerk uit.

Poort 3 was de scherpe. Een verkeerde meterstand verdwijnt ongemerkt in de servicekostenafrekening van een huurder.

Die poort bepaalde het ontwerp. In de meterstanden-case geeft de beeldherkenning per aflezing een waarde mét een betrouwbaarheidsscore, en bij een onleesbare foto expliciet geen waarde in plaats van een gok.

Poort 4 was al geregeld: de camera's leveren de bron zelf aan. Het resultaat staat in het huurdersportaal.

Wanneer software met AI niet loont#

De eerlijkste sectie van deze gids, en de sectie die je bij aanbieders zelden vindt. Vijf situaties waarin wij afraden om AI in te bouwen:

• Onder de 100 gevallen per maand. De besparing haalt de beheerlast niet in.
• Als de invoer al gestructureerd is. Een veld is een veld; daar is een query goedkoper, sneller en exact.
• Als niemand de uitkomst controleert én de fout duur is. Bouw dan eerst de controle, of doe het niet.
• Als de data in losse bestanden staat. Het model weet niet wat "goed" is als jij dat zelf niet vastlegt.
• Als het doel "iets met AI doen" is. Dat is geen functie, dat is een begroting zonder eigenaar.

De cijfers ondersteunen die terughoudendheid. Volgens Deloitte (2026) heeft "slechts 25% van de respondenten ten minste 40% van hun AI-pilots in productie" gebracht, en gebruikt 37% AI "vooral oppervlakkig, zonder wezenlijke veranderingen in de onderliggende bedrijfsprocessen".

Die oppervlakkigheid is precies het verschil tussen een tool en een functie. Een functie zit in het proces en heeft een eigenaar; een tool staat ernaast.

Betrouwbaarheid is een ontwerpkeuze, geen modelkeuze#

Een beter model maakt minder fouten, maar verandert niets aan wat er gebeurt als het er één maakt. Dat regel je in het ontwerp, en je legt het vast in de opdracht.

Vier dingen die wij standaard inbouwen en die je in elke offerte zou moeten terugvinden:

• Een betrouwbaarheidsscore per uitkomst, zodat twijfel zichtbaar is in plaats van weggemiddeld.
• Een expliciete drempel waaronder de software niet doorgaat maar escaleert naar een mens.
• Een evaluatieset van echte gevallen waartegen je meet, vóór livegang en na elke modelwissel.
• Geen gok als er niets te lezen valt. Een ontbrekende waarde is herstelbaar, een verzonnen waarde niet.

Dat laatste is bij ons geen richtlijn maar productgedrag: in de meterstanden-pijplijn levert een onleesbare foto expliciet geen waarde op, met betrouwbaarheid nul.

Meetbaarheid per patroon verschilt. Extractie meet je op veldniveau — bij onze OCR ligt de nauwkeurigheid boven 98% na 30 tot 50 documenten, en boven 99% na 50 tot 100 documenten per leverancier bij factuurverwerking. Een RAG-assistent meet je niet op het antwoord maar op de vraag of de juiste passage is opgehaald, want daar gaat het mis.

AVG en de AI Act: wat nu al geldt#

Twee regimes tegelijk, met verschillende klokken. Ze raken je ook als je alleen een AI-functie in je eigen software zet.

AVG. De Autoriteit Persoonsgegevens is expliciet: "Wilt u gebruik gaan maken van algoritmische systemen en worden daarbij persoonsgegevens verwerkt? Dan is het verplicht een data protection impact assessment (DPIA) uit te voeren." Dat geldt ook voor pilots en proefprojecten — de plek waar bedrijven de verplichting het vaakst overslaan.

Ga er ook niet van uit dat een model met persoonsgegevens vanzelf anoniem is. De EDPB (2024) stelt dat modellen die met persoonsgegevens zijn getraind "cannot, in all cases, be considered anonymous".

AI Act. De transparantieplicht uit artikel 50 geldt sinds 2 augustus 2026: gebruikers moeten weten wanneer ze met AI te maken hebben, en die informatie moet er volgens de AP zijn "uiterlijk voor de eerste interactie". Voor een assistent in je klantportaal is dat een concrete ontwerpeis, geen juridische voetnoot.

De hoogrisico-verplichtingen zijn opgeschoven. Via de Digitale omnibus AI, Verordening (EU) 2026/1744 gelden ze vanaf 2 december 2027 voor de systemen uit bijlage III en vanaf 2 augustus 2028 voor bijlage I.

Dezelfde verordening verzacht de AI-geletterdheidsplicht: die "houdt niet in dat aanbieders of gebruiksverantwoordelijken een bepaald niveau van AI-geletterdheid moeten waarborgen voor personen".

Wat dat praktisch betekent. Voor de meeste MKB-toepassingen — classificatie, extractie, een assistent op eigen documenten — is de AVG het bindende kader en de AI Act vooral een transparantie- en documentatieplicht. Behandel de uitgestelde datums niet als uitstel van je eigen dossier: de DPIA en de evaluatieset heb je sowieso nodig.

Zelf bouwen of laten bouwen#

De belangrijkste drempel is overal dezelfde. Volgens Eurostat (2025) is de meestgenoemde reden om geen AI te gebruiken "lack of relevant expertise (70.89%)", gevolgd door onduidelijkheid over juridische gevolgen (52,52%) en privacyzorgen (48,83%).

Dat pleit niet automatisch voor uitbesteden. Het pleit ervoor om de vraag op te knippen: het patroon kiezen en de poorten langslopen kun je zelf, het bouwen en het meten meestal niet.

Wij bouwen zelf met AI — agentic coding als onderdeel van het ontwikkelproces, met een testsuite als poort. Dat is geen marketingpunt maar een kostenpost die verschuift: minder uren in standaardcode, meer uren in scoping, evaluatie en datawerk.

Onze eigen RAG-assistent draait op ongeveer 2.381 commits sinds december 2025 en dient als testomgeving voor precies de vragen die een klantopdracht ook oproept.

Wat je een bouwpartij zou moeten vragen: welk patroon, welk model en waarom dat model, hoe betrouwbaarheid wordt gemeten, van wie de embeddings en promptlogs zijn, en wat er gebeurt bij een modelwissel. Een partij die op alle vijf een concreet antwoord heeft, heeft het eerder gedaan.

Verder in dit cluster#

Deze gids is het vertrekpunt; de verdieping per onderwerp staat hieronder en groeit mee.

• AI-agent laten maken: kosten, aanpak en wanneer het loont — de agent-vorm helemaal uitgewerkt, inclusief zelf bouwen versus laten bouwen.
• Claude zakelijk inzetten in het MKB — modelkeuze, licentievormen en de AVG-kant van zakelijk modelgebruik.
• RAG vs. fine-tuning — wanneer je ophaalt en wanneer je hertraint.
• Custom AI vs. kant-en-klare AI — bouwen of kopen, met de kostenkant erbij.
• Maatwerk software — welke bedrijfssoftware je laat bouwen, met het omslagpunt per soort.
• AI automatisering — processen automatiseren rondom je bestaande systemen.

Weet je welk patroon je nodig hebt maar niet wat het in jouw situatie kost? Loop de vier poorten langs en vraag de gratis AI-scan aan, of plan een gesprek van 30 minuten.