Nederlandse bedrijven en overheden willen kunstmatige intelligentie slimmer inzetten. Steeds vaker kiezen zij voor een “company brain”: een centrale kennislaag die alle data en AI-toepassingen verbindt. Dit gebeurt nu in Nederland en breder in Europa, op het moment van schrijven. De reden is duidelijk: losse chatbots leveren versnipperde kennis op en raken sneller in de knel met de Europese AI-verordening en de gevolgen voor overheid en bedrijfsleven.
Bedrijven zoeken kennislaag
Een company brain is een intern systeem dat kennis bundelt en veilig beschikbaar maakt voor medewerkers. Het koppelt documenten, processen en tools aan taalmodellen, zoals GPT-4o van OpenAI of Claude 3.5 van Anthropic. Zo blijft bedrijfskennis in eigen beheer en worden antwoorden consistenter en beter onderbouwd.
In veel organisaties bestaan al losse hulpmiddelen, zoals Microsoft Copilot, Google Gemini of eigen chatbots. Die werken vaak per afdeling en zonder gedeelde context. Daardoor krijgen gebruikers verschillende antwoorden op dezelfde vraag en ontbreekt een duidelijk bronspoor.
Met een gedeelde kennislaag kunnen teams sneller werken en fouten voorkomen. Nieuwe medewerkers vinden sneller de juiste informatie. Managers zien welke bronnen een antwoord hebben gevoed en kunnen beleid beter handhaven.
“Een company brain is een centrale, veilige kennislaag bovenop bedrijfsdata die AI-systemen voedt met context, bronnen en beleidsregels.”
Losse tools schieten tekort
Populaire AI-tools, zoals ChatGPT, Microsoft Copilot en Google Gemini, zijn sterk in algemene vragen. Zonder toegang tot interne data missen zij echter bedrijfscontext. Dat leidt tot algemene, soms onjuiste adviezen en hogere risico’s bij besluitvorming.
Bovendien zitten veel gegevens vast in SaaS-systemen, denk aan Salesforce, ServiceNow of Jira. Koppelingen via API’s zijn beperkt en wisselen per leverancier. Zonder centrale laag blijft kennis verspreid over afdelingen en applicaties.
Europese organisaties letten ook op datalocatie en soevereiniteit. Zij kiezen vaker voor EU-hosting of eigen modellen, zoals Mistral Large of Llama 3.1 van Meta, draaiend via Azure’s EU Data Boundary of op eigen servers. Zo blijft gevoelige informatie binnen Europese regels.
Architectuur met RAG
Technisch leunt een company brain vaak op RAG: retrieval augmented generation. Dat is een methode waarbij een AI-model eerst relevante interne stukken ophaalt en die meeneemt in het antwoord. Vector-databases zoals Weaviate (Nederlands), Pinecone of Milvus vinden teksten op betekenis, niet alleen op trefwoord.
Een kennisgrafiek helpt daarbij door relaties tussen begrippen vast te leggen. Zo ziet het systeem dat “Wbp” historisch samenhangt met “AVG” en “privacybeleid”. Tools zoals Neo4j of GraphDB ondersteunen zo’n netwerk van begrippen en bronnen.
De modelkeuze hangt af van het doel en de data. Organisaties combineren vaak GPT-4o, Claude 3.5, Gemini 1.5, Llama 3.1 of Mistral, via Azure OpenAI Service, Google Cloud Vertex AI of AWS Bedrock. Een router kiest per vraag het beste model, wat kosten en kwaliteit in balans brengt.
AI-verordening stuurt keuzes
De Europese AI-verordening (AI Act) verplicht risicobeoordelingen, technische documentatie en menselijk toezicht. Toepassingen in HR, onderwijs, zorg of overheid kunnen in de hoge-risicoklasse vallen. Dan zijn uitlegbaarheid, logging en strikte kwaliteitscontroles vereist.
De AVG blijft leidend voor persoonsgegevens. Dataminimalisatie, versleuteling en heldere doelen zijn nodig, net als een DPIA bij hogere risico’s. Rollen moeten helder zijn: wie is verwerkingsverantwoordelijke en wie is verwerker bij gebruik van cloud- en modelaanbieders?
Praktisch betekent dit EU-datalokatie, audittrails en toegangsbeheer op bron- en documentniveau. Organisaties loggen prompts en uitkomsten, en bewaren bronverwijzingen. Modelkaarten en beleid voor contentfilters maken het systeem toetsbaar voor toezichthouders en interne audits.
Kosten en adoptie
De grootste kosten zitten in datawerk: opschonen, rechten vastleggen en bronbeheer. Rekenkosten voor modellen tellen op, maar zijn te drukken met prompt-caching en kleinere, taakgerichte modellen. Een fasering met pilots beperkt risico en maakt resultaten meetbaar.
Legacy-systemen koppelen blijft lastig. ESB’s en iPaaS-diensten helpen, maar vragen tijd en standaardisatie. Training van medewerkers en duidelijke richtlijnen voorkomen verkeerd gebruik en verhogen acceptatie.
Heldere KPI’s sturen de uitrol: juistheid, bronvermelding, responstijd en gebruik per team. Een governanceboard bewaakt privacy, security en bias-controles. Zo blijft het company brain betrouwbaar en bruikbaar op lange termijn.
Relevantie voor Nederland
Voor de overheid kan een company brain helpen bij Woo-verzoeken, beleidsanalyses en service aan burgers. Door RAG met interne dossiers te gebruiken, daalt de kans op foutieve antwoorden. Toezicht en risicoklassen uit de AI Act zijn hier direct van toepassing.
In de zorg en het onderwijs spelen privacy en beveiliging extra mee. NEN 7510 en AVG-eisen vragen om strikte datatoegang en goede logging. Lokale inzet van Mistral of Llama, met Weaviate als vectorlaag, houdt data binnen de EU.
Europese leveranciers, zoals Mistral en Aleph Alpha, en Nederlandse spelers als Weaviate, bieden alternatieven voor Amerikaanse diensten. Dat sluit aan bij aanbestedingsregels en wensen rond digitale soevereiniteit. Zo wordt het company brain ook een strategische keuze voor de Nederlandse en Europese markt.