NLEN
Plan een gesprek

AI-engineering

Wat AI voor je organisatie kan doen.

Wij beginnen bij één concreet proces en een platform met governance, en we meten het resultaat op je eigen data.

Plan een gesprekVind je AI-startpunt

01 / Waar AI loont

Begin met één proces dat zich terugbetaalt

  • ConcreetEén documenttype, één vraag of één soort asset, zodat het resultaat te vergelijken is met het huidige proces.
  • BeheerdToegang, lineage en auditbewijs volgen dezelfde regels als de rest van je data.
  • OnderbouwdNauwkeurigheid en bespaarde tijd worden vóór productie gemeten op je eigen data.
  • Door jou te beherenDe pipeline is code in je eigen repositories en Azure-tenant, met een runbook.

AI loont meestal als het één herhaalbaar stuk werk overneemt en je het resultaat vergelijkt met de huidige situatie. Dat stuk kiezen we samen met je.

Veel organisaties horen over AI, maar zien niet waar het loont. Een kernteam en een netwerk van toegewijde engineers bouwen het, inclusief de AI-harnesses en -frameworks die het in productie betrouwbaar houden.

We bouwen het gekozen stuk op een platform met governance en laten een mens meekijken waar dat ertoe doet.

02 / Toepassingen

Zes realistische plekken om te starten

Gebaseerd op opgeleverd werk of op een track waarvoor we credentials hebben. Elke toepassing toont het probleem, hoe we haar bouwen en het resultaat waar we naartoe werken.

  • DocumentverwerkingFacturen, CMR's, orders en douanedocumenten worden met de hand overgetypt, wat traag is en fouten oplevert. Een pipeline leest elk document, zet het om in gestructureerde data en legt onzekere velden voor aan een mens ter controle, met een audittrail.
  • Self-service data-onboardingZakelijke gebruikers wachten op engineers telkens als er een nieuwe databron aan het platform moet worden toegevoegd. Via een configuratieplatform vragen data-eigenaren een bron aan. Na goedkeuring richten Terraform- en Asset Bundle-deployments die automatisch in.
  • LLM-beheer onder governanceJe wilt LLM's inzetten op gevoelige data, maar de eisen aan classificatie, soevereiniteit en audit zijn streng. LLM-workloads draaien op een platform met Unity Catalog-governance, zodat toegang, lineage en auditbewijs de regels van je andere data volgen.
  • Voorspellend onderhoud op basis van telemetrieAssets in het veld sturen sensordata met hoge frequentie, maar storingen worden nog te laat gevonden om onderhoud te plannen. Streamingpipelines op Azure Event Hubs en Databricks beoordelen telemetrie zodra die binnenkomt en markeren de assets die aandacht nodig hebben.
  • Agent-evaluatieAI-agents zijn makkelijk te demonstreren en moeilijk te vertrouwen, omdat niemand kan zeggen of een wijziging ze beter of slechter maakte. We bouwen een evaluatieset van je echte taken en draaien die bij elke wijziging, zodat kwaliteit wordt gemeten in plaats van besproken.
  • Een AI-harness voor je teamsElk team bouwt een eigen AI-prototype met eigen basis, en geen enkel team kan kwaliteit meten of betrouwbaar in productie draaien. We richten een gedeelde harness in: agent-orkestratie en toegang tot tools, een evaluatiesuite met regressiepoort, guardrails, tracing en kostenbeheersing. Teams voegen daarna nieuwe toepassingen toe op hetzelfde raamwerk.

Onzekere velden gaan naar een mens ter controle, met een audittrail.

DocumentverwerkingIllustratie

Uitgelezen velden

  • LeverancierDemoleverancier
  • DocumentnummerINV-10428
  • Datum9 nov 2026
  • Btw€ 184,14
  • Totaal€ 1.061,00
  • ReferentiePO-4471Controle

Probleem, aanpak en verwacht resultaat per toepassing

01

Documentverwerking

Het probleem
Facturen, CMR's, orders en douanedocumenten worden met de hand overgetypt, wat traag is en fouten oplevert.
Wat een AI-systeem doet
Een pipeline leest elk document, zet het om in gestructureerde data en legt onzekere velden voor aan een mens ter controle, met een audittrail.
Verwacht resultaat
Het doel is minder handmatig typen en een kortere doorlooptijd, zodat je team zich op uitzonderingen kan richten. In de case van DHL en RMA Logistics ging factuurverwerking van 2 dagen handmatig werk naar minder dan 10 seconden.
Hoe we opleveren
Gebouwd bij DHL en RMA Logistics. We meten de nauwkeurigheid op jouw eigen documenttypen.

02

Self-service data-onboarding

Het probleem
Zakelijke gebruikers wachten op engineers telkens als er een nieuwe databron aan het platform moet worden toegevoegd.
Wat een AI-systeem doet
Via een configuratieplatform vragen data-eigenaren een bron aan. Na goedkeuring richten Terraform- en Asset Bundle-deployments die automatisch in.
Verwacht resultaat
Het doel is AI-toepassingen een beheerste, snel uitbreidbare datatoevoer te geven. De casestudy van het RIVM meldt dat de onboardingtijd van dagen naar uren ging.
Hoe we opleveren
Gebouwd bij het RIVM. Het is zelf geen AI-model: het is de beheerste toevoer waarop AI-toepassingen voortbouwen.

03

LLM-beheer onder governance

Het probleem
Je wilt LLM's inzetten op gevoelige data, maar de eisen aan classificatie, soevereiniteit en audit zijn streng.
Wat een AI-systeem doet
LLM-workloads draaien op een platform met Unity Catalog-governance, zodat toegang, lineage en auditbewijs de regels van je andere data volgen.
Verwacht resultaat
Het doel is LLM's te gebruiken met het bewijs waar een auditor om vraagt.
Hoe we opleveren
LLM-beheer maakt deel uit van onze opdracht bij het RIVM. We bouwen het op jouw data en met jouw regels.

04

Voorspellend onderhoud op basis van telemetrie

Het probleem
Assets in het veld sturen sensordata met hoge frequentie, maar storingen worden nog te laat gevonden om onderhoud te plannen.
Wat een AI-systeem doet
Streamingpipelines op Azure Event Hubs en Databricks beoordelen telemetrie zodra die binnenkomt en markeren de assets die aandacht nodig hebben.
Verwacht resultaat
Het doel is onderhoud van reactief naar gepland te brengen en de kosten van streaming af te wegen tegen de latency die je nodig hebt. De casestudy van het energienet meldt 31% minder ongeplande storingen in het eerste jaar.
Hoe we opleveren
Gebouwd voor een netbeheerder in de energiesector. We beginnen met één type asset en meten het resultaat op jouw assets en data.

05

Agent-evaluatie

Het probleem
AI-agents zijn makkelijk te demonstreren en moeilijk te vertrouwen, omdat niemand kan zeggen of een wijziging ze beter of slechter maakte.
Wat een AI-systeem doet
We bouwen een evaluatieset van je echte taken en draaien die bij elke wijziging, zodat kwaliteit wordt gemeten in plaats van besproken.
Verwacht resultaat
Het doel is je team bewijs te geven voordat een agent bij gebruikers komt.
Hoe we opleveren
We hebben de Databricks Delivery Expert-training voor Agent Evaluation afgerond. We bouwen elke evaluatieset op jouw eigen taken.

06

Een AI-harness voor je teams

Het probleem
Elk team bouwt een eigen AI-prototype met eigen basis, en geen enkel team kan kwaliteit meten of betrouwbaar in productie draaien.
Wat een AI-systeem doet
We richten een gedeelde harness in: agent-orkestratie en toegang tot tools, een evaluatiesuite met regressiepoort, guardrails, tracing en kostenbeheersing. Teams voegen daarna nieuwe toepassingen toe op hetzelfde raamwerk.
Verwacht resultaat
Het doel is nieuwe AI-toepassingen sneller van prototype naar productie te brengen, met kwaliteit gemeten bij elke wijziging.
Hoe we opleveren
We hebben zulke harnesses voor klanten ingericht. We beginnen met één toepassing en vormen het harness naar hoe je teams werken. We hebben de Databricks Delivery Expert-training voor Agent Evaluation afgerond.

Alle AI-oplossingen AI-engineering

Voice agents

Voice agents die de telefoon opnemen

Gebouwd met LiveKit voor realtime audio en ElevenLabs voor spraak. We hebben er veel gebouwd.

  • Gesprekken beantwoorden en doorverbinden naar het juiste team of de juiste persoon
  • Intake en afspraken plannen, met de gegevens weggeschreven in je systemen
  • Meertalig, ook Nederlands, met overdracht aan een mens

Probleem, aanpak en verwacht resultaat

VA

Voice agents voor inkomende gesprekken

Het probleem
Buiten kantoortijd neemt niemand op of bij piekdrukte loopt de wachtrij op, en medewerkers besteden tijd aan routinevragen en aan het doorverbinden van bellers.
Wat een voice agent doet
Een agent neemt op, begrijpt de vraag, verbindt door naar het juiste team, legt gegevens vast en plant afspraken in. Hij spreekt meerdere talen, ook Nederlands, en draagt over aan een mens als hij het niet zeker weet.
Verwacht resultaat
Het doel is wachttijd te verkorten en je team routinegesprekken uit handen te nemen. Dit zijn verwachte resultaten, geen behaalde resultaten: gespreksvolume, talen en koppelingen bepalen wat realistisch is, daarom doen we een pilot op één echte gespreksstroom.
Hoe we opleveren
We hebben veel voice agents gebouwd met LiveKit en ElevenLabs. We meten hoe goed het werkt op jouw eigen gespreksstroom.

Waar de inhoud van gesprekken gevoelig is, kunnen we het taalmodel draaien op infrastructuur die jij beheert. ElevenLabs is een gehoste dienst, dus een volledig zelf gehoste voice agent gebruikt in plaats daarvan open spraakmodellen, nadat we hebben geëvalueerd of die goed genoeg zijn voor je talen.

Soevereine en zelf gehoste AI Praat met de demo voice agent

Inkomend gesprekIllustratie
Live
  • Goedemiddag, ik wil graag een afspraak maken.
  • Natuurlijk. Welke dag komt je uit?

Doorgezet naarAfspraken

Jouw AI, op jouw voorwaarden

Jouw AI, op jouw voorwaarden

Sommige data mag niet naar een externe AI-dienst. We bouwen zelf gehoste AI op open-weightmodellen, gefinetuned op je data en draaiend waar jij besluit.

  1. Je dataDocumenten, gesprekken, records
  2. FinetunenIn een omgeving die jij beheert
  3. Open-weightmodelVan jou, getest op je taken

  4. Jij kiest waar het draait

    1. Nebius, Europese regio's
    2. Je eigen servers
    3. Azure, EU-regio

Waarom het ertoe doet

Voor Europese organisaties die soevereiniteit en eigendom van hun data belangrijk vinden.

  • Je data blijft waar ze is. Finetunen en inferentie draaien in een omgeving die jij beheert, zodat documenten en gesprekken niet naar een externe AI-API gaan.
  • Jouw model, geëvalueerd. Een open-weightmodel dat van jou is, getest op je eigen taken en vergeleken met een gehost model voordat je kiest.
  • Jouw keuze van host. Nebius in Europese regio's, je eigen servers of Azure in een EU-regio, overgedragen zodat je team het beheert.

Bekijk soevereine en zelf gehoste AI

Governance voor AI

Eén gateway voor elk model, elke agent en elke tool

Elke aanroep van teams, agents en coding tools loopt via Unity AI Gateway, zodat toegang, kosten en logs dezelfde regels volgen als de rest van je data.

  1. Teams, agents, coding toolsWie een model aanroept
  2. Unity AI GatewayRechten, budgetten, limieten, beleid, logging
  3. Modellen, MCP-servers, toolsOp Databricks gehost en extern
  • ToegangUnity Catalog-rechten bepalen wie wat mag gebruiken.
  • Budgetten en limietenKosten en aantal verzoeken hebben een plafond per use case.
  • BeleidRegels gelden voor verzoeken en antwoorden.
  • LoggingElke aanroep komt voor audit in Delta-tabellen.
  • RouteringVerkeer wordt over modellen verdeeld, met failover.

Zo zetten we het op

  • De gateway en het beleid staan als code in de repository en worden door een pipeline uitgerold, nooit met de hand samengeklikt.
  • Eén service per use case, elk met een eigen budget en een eigenaar die erop aanspreekbaar is.
  • Inference-tabellen met een bewaartermijn en toegangsgroepen, zodat logs bruikbaar zijn en geen risico vormen.
  • Dashboards op system tables voor tokens, kosten en latency per team.
  • Coding agents zoals Claude Code lopen via de gateway, met repositoryregels en reviewpoorten erbovenop.
  • Fallbacks testen we vóór de livegang, door een bestemming bewust uit te zetten.
  • Smart Routing houden we buiten productie zolang het in Beta zit.

Algemeen beschikbaar. Smart Routing zit in Beta. Laatst gecontroleerd: 10 november 2026. Documentatie van Unity AI Gateway

AI-agents

Agents die je kunt meten en betalen

We bouwen agents met tools, geheugen, evaluatie en een budget, op het model van jouw keuze, en we meten en verlagen de kosten per taak zonder kwaliteit te verliezen.

AI-agents in detail Kosten- en tokenoptimalisatie

03 / Een eerste opdracht

Van quickscan naar productie

  1. Data & AI quickscan

    2 tot 3 dagen

    Data- en documentstromen in kaart, drie toepassingen gerangschikt.

  2. Pilot documentverwerking

    3 tot 4 weken

    Eén documenttype, menselijke controle en een rapport over nauwkeurigheid en bespaarde tijd.

  3. Productie

    Als de pilot waarde laat zien

    Gereviewde pipelines, een runbook en een afgesproken beheerder.

Elke stap levert iets op waarover je kunt oordelen. Je kunt na elke stap stoppen.

04 / Wat je nodig hebt

Wat er moet klaarstaan

  • Data waar je bij kuntEén documentstroom of dataset is genoeg, met iemand die goede uitvoer herkent.
  • Een vaste eigenaarEén persoon die bepaalt wat juist is en uitzonderingen beoordeelt.
  • GovernanceAfgesproken regels voor gevoelige data, waar modellen draaien en wie resultaten ziet. We volgen onze leveringsstandaarden.
  • Een platform, naarmate je opschaaltToepassingen die systemen combineren hebben een dataplatform met governance nodig.

Een eerste project vraagt hier weinig van. Een tweede vraagt meer.

Waarom een modern dataplatform loont

05 / Begin hier

De Data & AI quickscan

Doorlooptijd: 2 tot 3 dagen

Data & AI quickscan

In 2 tot 3 dagen brengen we in kaart hoe data en documenten nu door je organisatie stromen en rangschikken we de drie AI- of datatoepassingen met de meeste waarde voor de minste inspanning.

  • Huidige situatie van systemen, data en handmatig werk
  • Drie toepassingen, gerangschikt op waarde, inspanning en risico
  • Roadmap met een pilotvoorstel
  • Sessie met het management om het resultaat te bespreken

De gebruikelijke eerste stap voor een AI-opdracht. Planning en offerte volgen na een eerste gesprek.

Vraag een offerte aan

Elk begint met een gesprek over je scope.

Academy

Leer AI-engineering, van nul tot professioneel.

academy.nexops.nl heeft leerpaden met de beste bestaande cursussen, plus projecten en checklists. Voor live sessies geven we workshops aan bedrijven en studenten.

Open de academy Workshops

Gratis check

Doe de check

Een score van 0 tot 100 en een volgende stap, in ongeveer drie minuten.

Alle zes de checks

06 / FAQ

Vragen over AI-projecten

Is onze data veilig en waar draaien de modellen?

De pilot voor documentverwerking draait in je eigen Azure-tenant. We passen privacy by design toe: alleen de data die een toepassing nodig heeft, EU-regio's voor EU-klanten en geen persoonsgegevens uit productie in dev of test. We sturen geen klantdata naar externe AI-diensten zonder je schriftelijke akkoord.

Hebben we eerst een dataplatform nodig?

Niet voor een eerste pilot op één documenttype. Toepassingen die meerdere systemen combineren hebben een platform met governance nodig, en de quickscan laat zien in welke situatie je zit.

Hoe lang duurt een eerste project?

De quickscan duurt 2 tot 3 dagen en een pilot voor documentverwerking 3 tot 4 weken. De timing van productie hangt af van het resultaat van de pilot.

Wat als de toepassing zich niet terugverdient?

De quickscan rangschikt toepassingen op waarde, inspanning en risico, zodat je kunt besluiten niet door te gaan. De pilot eindigt met een rapport over nauwkeurigheid en bespaarde tijd, zodat je beslist op basis van bewijs.

Beloven jullie een percentage besparing?

Nee. We beschrijven verwachte resultaten en noemen alleen uitkomsten uit opgeleverde casestudy's. Jouw resultaat hangt af van je data en proces, en daarom meten we in een pilot.

Volgende stap

Benieuwd waar AI past?

Vertel ons over één proces dat je wilt verbeteren. We zeggen of AI het juiste middel is en wat een eerste opdracht inhoudt.

Bespreek je use caseStuur een berichtof mail info@nexops.nl direct

Open voor projecten in Q4 2026