Prosus, de in Amsterdam genoteerde technologie-investeerder, voert dit jaar een groot AI‑experiment uit in zijn bedrijven en deelnemingen. Teams wereldwijd testen algoritmen voor klantenservice, zoeken, moderatie en betalingen. Veel pilots mislukken, maar een deel levert al meetbare winst op. Dit gebeurt terwijl de AVG en de Europese AI‑verordening op het moment van schrijven de spelregels aanscherpen voor bedrijven én overheid.
Prosus versnelt AI-experimenten
Het concern laat productteams kleinschalige proefprojecten draaien met duidelijke doelen. Zo kan snel worden bepaald of een functie kosten verlaagt of omzet verhoogt. Werkt een idee niet binnen weken, dan gaat het van tafel. Werkt het wel, dan volgt uitrol naar meer markten.
De focus ligt op concrete taken met directe waarde. Denk aan snellere afhandeling van klantvragen, betere zoekresultaten in platforms en slimmere detectie van misbruik. Die taken zijn goed meetbaar, waardoor management kan sturen op tijd- en geldwinst. Het verkleint ook het risico op onnodige complexiteit.
Prosus stuurt op hergebruik van bouwblokken. Een werkende chatbot of moderatietool kan naar meerdere platforms worden gebracht. Zo dalen ontwikkelkosten per product. Ook is er meer grip op kwaliteit en beveiliging.
Mislukkingen als leerproces
Veel ideeën stranden op data van wisselende kwaliteit of te brede ambities. Generatieve systemen schrijven overtuigende tekst, maar kunnen onjuiste informatie geven. In meertalige markten levert dat extra fouten op. Ook zijn rekenkosten en wachttijd soms te hoog.
Een groot taalmodel (LLM) is software die tekst voorspelt op basis van heel veel voorbeeldzinnen en code.
Teams beperken daarom de taak en het domein van het model. Ze trainen op eigen voorbeelden en testen streng met realistische scenario’s. Foutgevoelige stappen krijgen een “mens in de lus” die controleert. Zo blijft de klantervaring stabiel.
Evaluatie gebeurt met simpele, duidelijke maatstaven. Bijvoorbeeld de tijd tot een antwoord, het aantal correct afgehandelde tickets of het aandeel verwijderde ongepaste content. Die cijfers maken beslissen makkelijker. Ze voorkomen ook dat een mooi demo‑effect de doorslag geeft.
Besparen in klantcontact en fraude
De meeste tractie zit in klantenservice. Een AI‑assistent vat gesprekken samen, zoekt relevante helpteksten en stelt conceptantwoorden voor. Medewerkers werken zo sneller en consistenter. Klanten krijgen eerder duidelijkheid, wat wachtrijen vermindert.
Ook in fraudedetectie helpt AI, vooral bij voorselectie. Modellen scoren transacties, inlogpogingen of advertenties op risico. Verdachte gevallen gaan naar specialisten met meer context. Dit beperkt schade en handhaaft regels tegen witwassen en oplichting.
Bij zoek- en aanbevelingsfuncties zijn de effecten wisselend. Een betere matching verhoogt verkeer, maar te agressieve personalisatie kan diversiteit verlagen. Daarom worden drempels en uitleg toegevoegd. Gebruikers moeten snappen waarom ze iets zien en hoe ze voorkeuren kunnen aanpassen.
Data en Europese regels
Prosus verwerkt veel gebruikersdata en valt daarmee onder de AVG. Dat betekent dataminimalisatie, duidelijke doelen en versleuteling van gevoelige informatie. Voor menselijke beoordeling is een goed logboek nodig. Dit helpt ook bij klachten of verzoeken tot inzage.
De Europese AI‑verordening vereist op het moment van schrijven risicobeoordelingen, documentatie en toezicht. Systemen voor kredietwaardigheid of biometrie gelden als hoog risico en vragen strengere controles. Klantondersteuning en moderatie vallen meestal lager, maar moeten wel transparant zijn. Publieke instellingen die AI inkopen krijgen extra plichten; dat raakt leveranciers via aanbestedingen.
Voor grote platforms gelden naast de AI‑verordening ook de DSA‑regels over aanbevelingen en moderatie. Dat vraagt uitleg in begrijpelijke taal en opties voor gebruikers. Bedrijven die in meerdere EU‑landen actief zijn, moeten processen harmoniseren. Dat voorkomt dubbel werk en verschillende uitkomsten per markt.
Modellen en kosten afwegen
Teams kiezen tussen commerciële modellen en open bron. Commerciële diensten leveren vaak hogere taalkwaliteit, maar kosten meer per vraag. Open‑bronmodellen geven meer controle over data en kosten, vooral bij eigen hosting. De keuze hangt af van taak, schaal en gevoeligheid van data.
Veel toepassingen gebruiken retrieval augmented generation, ofwel RAG. Daarbij zoekt een systeem eerst feiten in eigen documenten en laat het model daarover antwoorden. Dit verkleint het risico op verzinsels. Het maakt updates ook makkelijker, omdat de kennisbasis buiten het model blijft.
Uiteindelijk draait de afweging om totale eigendomskosten. Niet alleen rekenkracht telt, maar ook integratie, beveiliging en toezicht. Door standaarden te hergebruiken kan Prosus sneller voldoen aan AVG en AI‑verordening. Dat maakt succesvolle pilots makkelijker op te schalen.