Prosus zet een groot AI-experiment op in zijn bedrijvenportfolio. Het Amsterdamse technologieconcern test op dit moment tientallen toepassingen, van klantenservice tot moderatie. Veel proefprojecten sneuvelen, maar enkele laten al meetbare winst zien. De inzet: snellere diensten, lagere kosten en voldoen aan de Europese AI-verordening gevolgen overheid en bedrijven.
Prosus test breed met AI
Prosus, op het moment van schrijven een van de grootste Europese techinvesteerders, probeert generatieve systemen in meerdere dochterbedrijven. Denk aan OLX voor marktplaatsen en Stack Overflow voor softwareontwikkeling en kennisdeling. De toepassingen lopen uiteen: het samenvatten van klantvragen, automatische taggen van content en het opsporen van misbruik.
Generatieve AI gebruikt grote taalmodellen om tekst te begrijpen en te maken. Dat kan werk versnellen, maar leidt ook tot fouten als het model “verzint” (hallucineert). Daarom experimenteert Prosus eerst in afgebakende taken met duidelijke kwaliteitscontroles.
De eerste lessen gaan over data, veiligheid en schaal. Bedrijven moeten hun eigen gegevens goed opschonen en beveiligen om de modellen bruikbaar te maken. Daarna volgt de vraag of de winst opweegt tegen kosten voor rekenkracht en toezicht.
Veel pilots mislukken bewust
Een groot deel van de pilots haalt de eindstreep niet. Soms is de kwaliteit onvoldoende, soms pakt het proces trager uit dan de bestaande methode. Ook kan een model te duur worden bij veel gebruik, bijvoorbeeld door hoge reken- en opslagkosten.
Dat mislukken is onderdeel van het plan. Prosus hanteert een “test-en-stop”-aanpak: snel proberen, streng meten en dan doorpakken of stoppen. Zo leert het bedrijf wat wél werkt, zonder grote risico’s in productie.
Succesvolle pilots delen enkele kenmerken. Ze hebben schone, representatieve data, duidelijke beoordelingscriteria en menselijk toezicht waar het fout kan gaan. Pas daarna gaan ze stap voor stap live, bijvoorbeeld eerst in één land of productlijn.
Een groot taalmodel (LLM) is een algoritme dat op veel tekst is getraind en daardoor woorden kan voorspellen. Het kan samenvatten, vertalen en vragen beantwoorden, maar maakt ook fouten.
Kosten en modelkeuze tellen
De keuze tussen gesloten modellen van grote aanbieders en open modellen weegt zwaar. Gesloten diensten bieden vaak betere prestaties, maar brengen hogere en variabele kosten mee. Open modellen geven meer controle en kunnen lokaal draaien, wat gunstig is voor privacy en kostenbeheersing.
Voor platforms als OLX en Stack Overflow speelt ook leveranciersonafhankelijkheid. Door meerdere modellen te testen, kan Prosus wisselen als prijs, kwaliteit of beschikbaarheid verandert. Dit verkleint het risico op vastzitten aan één partij.
Databeveiliging is een tweede kostenpost. Het versleutelen van gegevens en het scheiden van productie- en trainingsdata zijn nodig om aan de AVG te voldoen. Dit vraagt extra infrastructuur en interne audits, maar maakt opschaling later eenvoudiger.
AI-verordening: gevolgen overheid
De Europese AI-verordening zet de kaders voor ontwerp, testen en uitrol. Aanbevelingssystemen op platforms vallen meestal in de categorie “beperkt risico” met transparantie-eisen. Financiële algoritmen die mensen beoordelen, zoals kredietbeoordeling, kunnen “hoog risico” zijn en vragen strengere documentatie en menselijk toezicht.
Voor Prosus-bedrijven in Europa betekent dit meer interne governance. Denk aan modelkaarten (korte fiches met doel, data en tests), dataminimalisatie en risicoanalyses. Overheden die inkopen of samenwerken met deze diensten krijgen zo beter zicht op veiligheidsmaatregelen en restfouten.
De Autoriteit Persoonsgegevens en, waar relevant, de Autoriteit Consument & Markt letten op naleving. Voor grote online platforms geldt daarnaast de Digital Services Act, met regels voor moderatie en transparantie. Deze wetten grijpen in elkaar en bepalen hoe AI in Europa veilig mag draaien.
Nederlandse impact voor gebruikers
Voor Nederlandse gebruikers kan AI sneller antwoord in klantenservice en betere zoekresultaten opleveren. Bij klachtenafhandeling kan een algoritme dossiers samenvatten, waarna een medewerker de beslissing neemt. Dit scheelt tijd, maar vereist duidelijkheid over wanneer een mens ingrijpt.
Transparantie wordt zichtbaar in de interface. Berichtjes die met hulp van een model zijn geschreven, moeten als zodanig herkenbaar zijn. Dat helpt vertrouwen en maakt bezwaar mogelijk als de uitkomst onjuist is.
Privacy blijft een kernpunt onder de AVG. Bedrijven moeten niet méér data vragen dan nodig is en gevoelige gegevens extra beveiligen. Voor gebruikers betekent dit dat ze recht hebben op inzage en uitleg over geautomatiseerde beslissingen die hen raken.
Voorzichtig optimisme bij resultaten
De pilots die slagen, richten zich vaak op interne efficiëntie. Voorbeelden zijn het automatisch indelen van tickets, code-assistentie voor ontwikkelaars en het opschonen van duplicaten in databanken. De winst is meetbaar in doorlooptijd en foutreductie, maar blijft per team en taak verschillend.
Nieuwe functies richting de gebruiker komen trager. Daar is de foutmarge zichtbaarder en de schade groter als iets misgaat. Prosus lijkt daarom te kiezen voor kleine uitrolgolven met heldere fallback naar menselijk werk.
De lijn is daarmee nuchter: minder hype, meer meetbare waarde. Veel mislukkingen horen bij het experiment, maar de beste toepassingen schuiven door naar productie. De komende maanden zal blijken of de winst schaalbaar is in meerdere landen en producten.