Kennisbank · Glossarium
AI Begrippenlijst voor Nederlands MKB
Compleet woordenboek van AI-termen die u tegenkomt als MKB-ondernemer. Elke definitie linkt door naar een uitgebreide gids met praktische voorbeelden uit Nederlandse bedrijven.
80 termen · gesorteerd voor leesgemak
AI agent
Een AI agent is een autonoom softwareprogramma dat zelfstandig taken uitvoert, beslissingen neemt en met systemen of mensen interacteert om een doel te bereiken. In tegenstelling tot een chatbot kan een AI agent meerdere stappen overzien, externe systemen aanroepen en zonder menselijke tussenkomst tot een uitkomst komen.
Lees verder: gids over AI agent →AI receptionist
Een AI receptionist is een spraak-AI die telefoongesprekken aanneemt en autonoom afhandelt: intake voeren, afspraken plannen, klantvragen beantwoorden of escaleren naar een mens. Werkt 24/7 zonder personeelskosten en is geintegreerd met agenda- en CRM-systemen.
Lees verder: gids over AI receptionist →Voicebot
Een voicebot is een AI die natuurlijke spraak begrijpt en genereert via telefoon of voice-interface. Anders dan een traditioneel IVR-keuzemenu (druk 1 voor X) begrijpt een voicebot vrije gesproken taal en kan de bot intent en context herkennen.
Lees verder: gids over Voicebot →Chatbot
Een chatbot is een geautomatiseerde gespreksassistent op tekstkanalen zoals WhatsApp, Messenger, Instagram-DM of website-chat. Moderne AI-chatbots gebruiken LLMs voor natuurlijke taalbegrip; eenvoudige chatbots werken via vooraf-geprogrammeerde beslisbomen.
Lees verder: gids over Chatbot →LLM (Large Language Model)
Een Large Language Model is een neuraal netwerk getraind op grote hoeveelheden tekst, zoals GPT-4, Claude of Gemini. LLMs vormen de kern van moderne AI-assistenten en kunnen tekst genereren, vragen beantwoorden, samenvatten en redeneren over context.
Lees verder: gids over LLM (Large Language Model) →RAG (Retrieval-Augmented Generation)
RAG is een AI-techniek waarbij een LLM eerst relevante informatie uit een kennisbank ophaalt voordat het een antwoord genereert. Dit verhoogt accuraatheid en voorkomt hallucinaties. RAG is essentieel voor bedrijfs-AI die met eigen documenten en kennisbank werkt.
Lees verder: gids over RAG (Retrieval-Augmented Generation) →Conversational AI
Conversational AI is de overkoepelende term voor AI-systemen die menselijke conversatie kunnen voeren via spraak of tekst. Omvat voicebots, chatbots, virtuele assistenten en spraakgestuurde interfaces. Doel: natuurlijke, contextbewuste interactie met klanten of medewerkers.
Lees verder: gids over Conversational AI →Workflow automation
Workflow automation is het automatiseren van repetitieve bedrijfsprocessen via tools zoals n8n, Make, Zapier of custom scripts. AI-gedreven workflow automation voegt intelligente beslislogica toe: classificatie van inkomende leads, contextuele routing, sentimentanalyse.
Lees verder: gids over Workflow automation →n8n
n8n is een open-source workflow automation platform met 400+ ingebouwde integraties (CRM, e-mail, agenda, AI-modellen). Zelf-hostbaar voor data-soevereiniteit. Populair bij MKB voor het bouwen van AI-gedreven processen zonder vendor lock-in.
Lees verder: gids over n8n →WhatsApp Business API
De WhatsApp Business API is de officiele B2B-interface waarmee bedrijven WhatsApp-berichten kunnen automatiseren via geaccrediteerde providers (BSPs) zoals 360dialog, Twilio of CM.com. Vereist: groene check, template-goedkeuring, AVG-compliance.
Lees verder: gids over WhatsApp Business API →AVG (Algemene Verordening Gegevensbescherming)
De AVG (in Engels: GDPR) is de Europese privacywetgeving die regelt hoe persoonsgegevens verwerkt mogen worden. Voor AI-tools: vereist verwerkersovereenkomst, EU-only verwerking aanbevolen, geen modeltraining op klantdata zonder expliciete toestemming.
Lees verder: gids over AVG (Algemene Verordening Gegevensbescherming) →NEN 7510
NEN 7510 is de Nederlandse norm voor informatiebeveiliging in de zorgsector, bovenop AVG. Vereist extra strikte logging, toegangscontrole en encryptie. Voor AI-tools die met patientendata werken (huisartsen, fysio, tandarts) is NEN 7510-bewuste verwerking noodzakelijk.
Lees verder: gids over NEN 7510 →EPD (Elektronisch Patientendossier)
Een EPD is een digitaal patientendossier zoals Promedico, MicroHIS, Medicom (huisartsen) of Intramed, FysioRoadmap (fysiotherapie). AI-koppelingen met EPDs vereisen NEN 7510-conforme verbindingen en strikte autorisatie.
Lees verder: gids over EPD (Elektronisch Patientendossier) →No-show
No-show: een afspraak waarbij de klant niet komt opdagen zonder annulering. Kost gemiddeld MKB met afspraken (zorg, beauty, garage) 8.000-25.000 euro per FTE per jaar. AI-WhatsApp-herinneringen reduceren no-show van 15-30 procent naar 4-9 procent.
Lees verder: gids over No-show →BANT-kwalificatie
BANT staat voor Budget, Authority, Need, Timeline — de vier criteria om B2B sales-leads te kwalificeren. AI-intake-bots gebruiken BANT-vragen om hot, warm en cold leads te scoren voordat een verkoper tijd investeert.
Lees verder: gids over BANT-kwalificatie →IVR (Interactive Voice Response)
IVR is een traditioneel keuzemenu via toetsdruk (druk 1 voor verkoop, druk 2 voor support). Klanttevredenheid IVR ligt rond 2,8 van 5; voicebots scoren 4,2 van 5 omdat ze natuurlijke taal begrijpen i.p.v. starre menus.
Lees verder: gids over IVR (Interactive Voice Response) →NPS (Net Promoter Score)
NPS meet klantloyaliteit op schaal -100 tot +100 via de vraag: hoe waarschijnlijk beveelt u ons aan? AI-WhatsApp-assistent verhoogt MKB-NPS gemiddeld met +18 tot +42 punten door snellere respons en consistente service.
Lees verder: gids over NPS (Net Promoter Score) →CRM (Customer Relationship Management)
CRM-systemen (HubSpot, Salesforce, Pipedrive, Teamleader) registreren klantgegevens, pipeline en interacties. AI-assistenten koppelen aan CRM voor automatische lead-creatie, contact-update en follow-up planning.
Lees verder: gids over CRM (Customer Relationship Management) →API (Application Programming Interface)
Een API is een standaardinterface waarmee softwaresystemen onderling communiceren. AI-agents gebruiken APIs om met agendas (Google Calendar), CRM (HubSpot), betaalsystemen (Mollie) en sectorspecifieke tools (Promedico, AFAS, Exact) te integreren.
Lees verder: gids over API (Application Programming Interface) →Webhook
Een webhook is een real-time HTTP-callback die getriggerd wordt door een gebeurtenis (bijv. nieuwe lead, betaling ontvangen). Gebruikt om AI-systemen direct te informeren bij externe events zonder polling.
Lees verder: gids over Webhook →Latency (responstijd)
Latency is de tijd tussen vraag en antwoord. Voor voicebots: <800ms voor natuurlijke conversatie, <1500ms acceptabel. Voor chatbots: <3 seconden gewenst. Aanloop AI Marco haalt gemiddeld 600-900ms voor Nederlands.
Lees verder: gids over Latency (responstijd) →Hallucinatie
Een hallucinatie is wanneer een LLM feiten verzint die niet in de bron-data staan. Wordt voorkomen via RAG (kennisbank-koppeling), strikte system-prompts en escalatie-regels bij onbekende vragen — kritisch voor zorg, advocatuur en financiele dienstverlening.
Lees verder: gids over Hallucinatie →Prompt engineering
Prompt engineering is het ontwerpen van instructies voor een LLM om gewenste output te krijgen. Voor MKB-AI: bedrijfstoon, escalatieregels, kennisbank-grenzen en compliance-instructies in de system-prompt.
Lees verder: gids over Prompt engineering →Fine-tuning
Fine-tuning is het verder trainen van een bestaand LLM op specifieke data. Voor de meeste MKB-cases overbodig — RAG met kennisbank levert betere resultaten tegen lagere kosten en minder AVG-risico.
Lees verder: gids over Fine-tuning →TTS (Text-to-Speech)
TTS converteert tekst naar natuurlijke spraak. Aanloop AI gebruikt ElevenLabs en Cartesia voor Nederlandstalige TTS met natuurlijke intonatie en regionale accenten — essentieel voor voicebot-klanttevredenheid.
Lees verder: gids over TTS (Text-to-Speech) →STT (Speech-to-Text)
STT converteert spraak naar tekst. Voor Nederlandstalige voicebots gebruiken we Deepgram of Whisper met fine-tuning op Nederlandse accenten en vakterminologie (zorg, recht, bouw).
Lees verder: gids over STT (Speech-to-Text) →Vector database
Een vector database (Pinecone, Weaviate, Qdrant) slaat embeddings op voor semantische zoekopdrachten. Kern van RAG: vindt relevante kennisbank-fragmenten op betekenis i.p.v. exacte woordovereenkomst.
Lees verder: gids over Vector database →Sentiment analyse
Sentiment analyse classificeert tekst of spraak als positief, neutraal of negatief. AI-assistenten gebruiken sentiment om klachten direct te herkennen en te escaleren naar mensen i.p.v. zelf af te handelen.
Lees verder: gids over Sentiment analyse →Escalatie
Escalatie is het doorgeven van een gesprek door AI naar een mens. Triggers: negatief sentiment, onbekende vraag, expliciete klantverzoek of crisis-keywords. Goede AIs hebben 5-25 procent escalatieratio — niet te laag (verkeerde antwoorden) en niet te hoog (verspilde tijd).
Lees verder: gids over Escalatie →ROI (Return on Investment)
ROI = (Bespaarde tijdkosten + Extra omzet - Investering) / Investering. Voor AI in MKB Nederland gemiddeld 8-15x op 12-maand basis bij goede implementatie. Hoogste ROI in afspraak-intensieve sectoren (zorg, beauty, garage).
Lees verder: gids over ROI (Return on Investment) →Embedding
Een embedding is een numerieke representatie (vector) van tekst, beeld of audio die de betekenis weergeeft in een hoog-dimensionale ruimte. Embeddings stellen RAG-systemen in staat om semantisch zoeken te doen — vragen die qua woorden verschillen maar betekeniskundig hetzelfde zijn worden samen gegroepeerd.
Lees verder: gids over Embedding →Token
Een token is de kleinste tekst-eenheid die een LLM verwerkt — typisch 0,75 woord in het Nederlands. LLM-providers rekenen per 1.000 tokens (in en uit). Voor AI receptionist gemiddelde gespreksduur 1.500-2.500 tokens. Tokens bepalen kosten, latency en de maximale lengte van context.
Lees verder: gids over Token →Context window
Het context window is het maximale aantal tokens dat een LLM tegelijk kan zien (bijv. 200K bij Claude Sonnet 4.5, 1M bij Opus 4.7). Een groter window stelt AI-agents in staat langere gesprekken, complete dossiers of grote kennisbanken in een keer te verwerken zonder gegevensverlies.
Lees verder: gids over Context window →Function calling (tool use)
Function calling — ook tool use genoemd — is het mechanisme waarmee een LLM externe systemen aanroept (agenda boeken, CRM updaten, factuur opzoeken) op basis van conversatie-context. Dit transformeert een passief chatmodel in een actiegerichte agent. Essentieel voor AI receptionists.
Lees verder: gids over Function calling (tool use) →Knowledge base
De knowledge base is de gestructureerde verzameling FAQ, productinfo, escalatieregels en bedrijfstoon waar de AI uit put. Voor MKB-AI typisch 50-500 documenten plus 100 voorbeeld-conversaties. Hoe rijker de kennisbank, hoe nauwkeuriger en menselijker de AI klinkt — en hoe lager de escalatie-ratio.
Lees verder: gids over Knowledge base →Sub-verwerker
Een sub-verwerker is een derde partij die persoonsgegevens verwerkt namens uw verwerker (bijv. OpenAI of Anthropic onder Aanloop AI). AVG vereist transparantie over alle sub-verwerkers en een DPA-clausule voor wijzigingen met opt-out-recht. Aanloop AI publiceert sub-verwerkerslijst standaard.
Lees verder: gids over Sub-verwerker →SIP-trunk
Een SIP-trunk (Session Initiation Protocol) is de digitale verbinding tussen het telefoonnetwerk en een AI-receptionist via VoIP. Aanloop AI koppelt Marco via SIP-trunk aan uw bestaande nummer (KPN, Voys, Twilio) zonder nummerwijziging. Verbinding latency typisch 50-150 ms.
Lees verder: gids over SIP-trunk →Deflection rate
Deflection rate is het percentage klantvragen dat een AI volledig zonder menselijke escalatie afhandelt. Branchegemiddelde 60-75 procent voor goed-getrainde AI; Aanloop AI haalt typisch 70-85 procent na 30 dagen training. Hoe hoger, hoe lager de personeelskosten en hoger de ROI.
Lees verder: gids over Deflection rate →CSAT (Customer Satisfaction)
CSAT is een KPI gemeten via korte enquete na klantcontact (vaak 1-5 sterren). Voor AI-klantenservice geldt 4,2+ als goed, 4,5+ als excellent. CSAT vergelijken voor en na AI-implementatie geeft inzicht of de AI de klantervaring verbetert of verzwakt — niet alleen kosten verlaagt.
Lees verder: gids over CSAT (Customer Satisfaction) →SLA (Service Level Agreement)
Een SLA is een contractuele toezegging over beschikbaarheid (bijv. 99,9 procent uptime), responstijd (bijv. AI antwoordt binnen 2 sec) en herstel-tijd bij incidenten. Aanloop AI biedt standaard 99,5 procent SLA op Marco/Emma; enterprise-pakketten 99,9 procent met financiele credits bij onderschrijding.
Lees verder: gids over SLA (Service Level Agreement) →Agentic AI
Agentic AI is een paradigma waarin AI-systemen zelfstandig doelen plannen, taken opdelen, tools aanroepen en hun eigen voortgang evalueren — niet enkel reageren op een prompt. Voor MKB betekent dit een AI-medewerker die volledig een afsprakenproces, offerte-uitstuur of follow-up afrondt zonder dat een mens elke stap stuurt.
Lees verder: gids over Agentic AI →Multi-agent system
In een multi-agent system werken meerdere gespecialiseerde AI-agents samen — bijvoorbeeld een intake-agent, planning-agent en factuur-agent — die elkaar taken doorgeven. Voor MKB belangrijk omdat een team van smalle agents in de praktijk betrouwbaarder is dan een enkele "alleskunner" en gemakkelijker te onderhouden.
Lees verder: gids over Multi-agent system →GraphRAG
GraphRAG is een variant van RAG waarbij de kennisbank in een kennisgraaf is gestructureerd (entiteiten en relaties) i.p.v. losse tekstfragmenten. Dit verhoogt accuraatheid bij vragen die meerdere documenten combineren — zoals klant-historiek over jaren of complexe productrelaties — en reduceert hallucinaties verder.
Lees verder: gids over GraphRAG →MCP (Model Context Protocol)
MCP is een open protocol van Anthropic dat LLMs op een gestandaardiseerde manier verbindt met tools, databases en bedrijfssystemen. Voor MKB belangrijk omdat MCP vendor lock-in vermindert: dezelfde integraties (CRM, agenda, e-mail) werken over Claude, ChatGPT en andere modellen heen.
Lees verder: gids over MCP (Model Context Protocol) →LangChain
LangChain is een populair open-source framework (Python en JavaScript) voor het bouwen van LLM-applicaties met chaining, retrieval, geheugen en tool-integraties. In de MKB-praktijk bouwen ontwikkelaars met LangChain RAG-pijplijnen, eerstelijns chatbots en backofficeworkflows zonder elke laag zelf te schrijven.
Lees verder: gids over LangChain →LangGraph
LangGraph is een uitbreiding van LangChain voor het modelleren van AI-agents als gerichte grafen met expliciete state, vertakkingen en lussen. Ideaal voor langere workflows zoals multi-stap intake of complexe afhandelroutes, omdat het beter te debuggen, te testen en te observeren is dan een lineaire chain.
Lees verder: gids over LangGraph →GPT-4o
GPT-4o is het multimodale vlaggenschipmodel van OpenAI dat tekst, audio en beeld in een enkel model verwerkt. Vaak ingezet voor algemene MKB-chatbots en spraakassistenten waar brede kennis en lage latency belangrijker zijn dan diepe redenering. Per 2026-05 nog steeds een veelgebruikte werkpaard-keuze.
Lees verder: gids over GPT-4o →Claude 3.5
Claude 3.5 is de modelfamilie van Anthropic (Sonnet en Haiku) bekend om sterke instructie-opvolging, lange context en betrouwbare tool use. Voor MKB-AI vaak gekozen waar accuraatheid en compliance zwaar wegen — denk aan zorg, juridisch en financieel. Inmiddels opgevolgd door Claude 4-serie, maar 3.5 blijft breed gebruikt.
Lees verder: gids over Claude 3.5 →Gemini 1.5
Gemini 1.5 is de LLM-familie van Google DeepMind met sterke multimodale verwerking en context windows tot 1-2 miljoen tokens. In MKB-context aantrekkelijk wanneer integratie met Google Workspace (Gmail, Drive, Calendar) zwaar weegt of wanneer hele jaardossiers in een keer verwerkt moeten worden.
Lees verder: gids over Gemini 1.5 →Llama 3
Llama 3 is de open-source modelfamilie van Meta (8B, 70B en 405B parameters) die zelf-gehost kan worden op eigen infrastructuur. Voor MKB belangrijk omdat het volledige data-soevereiniteit mogelijk maakt — geen klantdata buiten EU of richting US-leveranciers — tegen voorspelbare hardware-kosten.
Lees verder: gids over Llama 3 →Mistral
Mistral AI is een Frans (EU) AI-bedrijf met sowel open-source modellen (Mistral, Mixtral) als gehoste API-modellen. Voor MKB in Nederland aantrekkelijk vanwege EU-jurisdictie, sterke meertalige prestaties en de keuze tussen self-host en managed hosting binnen de EU.
Lees verder: gids over Mistral →Constitutional AI
Constitutional AI is een trainingsmethode van Anthropic waarbij een model leert zichzelf te corrigeren aan de hand van een expliciete set principes (een "grondwet") in plaats van uitsluitend menselijke labels. Resultaat: AIs die consistenter weigeren onveilige of ongepaste verzoeken, relevant voor MKB-toepassingen met klanten en patienten.
Lees verder: gids over Constitutional AI →Few-shot prompting
Bij few-shot prompting krijgt het model een handvol voorbeelden (vraag + gewenst antwoord) mee in de prompt, zodat het het patroon overneemt. Voor MKB krachtig omdat enkele bedrijfseigen voorbeelden van klantinteracties vaak voldoende zijn om de gewenste toon en escalatieregels te bereiken zonder fine-tuning.
Lees verder: gids over Few-shot prompting →Chain-of-thought (CoT)
Chain-of-thought is een prompttechniek waarbij het model gevraagd wordt eerst stap-voor-stap te redeneren voordat het een antwoord geeft. Verhoogt accuraatheid bij rekentaken, planning en juridische redenering — handig in MKB-cases zoals offertesamenstelling, urenberekening of regelgeving-checks.
Lees verder: gids over Chain-of-thought (CoT) →Tree-of-thought (ToT)
Tree-of-thought breidt chain-of-thought uit door meerdere redeneerpaden parallel te verkennen en te evalueren voordat het beste pad wordt gekozen. Inzetbaar bij complexe MKB-vraagstukken zoals routeplanning, voorraad-allocatie of meerstaps-onderhandeling, waar de eerste-beste oplossing zelden de juiste is.
Lees verder: gids over Tree-of-thought (ToT) →ReAct prompting
ReAct (Reasoning + Acting) laat een AI-agent afwisselen tussen redeneren ("ik moet de agenda controleren") en acteren ("agenda-API aanroepen"). Dit patroon is de basis van veel agentische systemen en zorgt voor traceerbare beslissingen — belangrijk voor MKB-audits en debugging van fouten.
Lees verder: gids over ReAct prompting →Self-reflection (LLM)
Self-reflection is een patroon waarin de LLM zijn eigen antwoord nakijkt op fouten, ontbrekende informatie of toon, en herschrijft voordat de gebruiker het ziet. Voor MKB nuttig in e-mailgeneratie, juridische conceptbrieven en klachtafhandeling, omdat het kostbare misstappen voorkomt zonder menselijke review per bericht.
Lees verder: gids over Self-reflection (LLM) →Grounding
Grounding is het verankeren van AI-antwoorden aan geverifieerde bronnen — de eigen kennisbank, productcatalogus of CRM — met letterlijke bronvermelding. Cruciaal voor MKB in zorg, recht en financien: zonder grounding kan een LLM plausibel-klinkende maar onjuiste informatie geven die de organisatie aansprakelijk maakt.
Lees verder: gids over Grounding →Retrieval
Retrieval is de stap waarin een AI-systeem de meest relevante documenten of fragmenten ophaalt uit een kennisbank voordat het antwoord wordt gegenereerd. Kwaliteit van retrieval bepaalt grotendeels de eindkwaliteit van een RAG-systeem — slechte retrieval leidt onvermijdelijk tot zwakke of onjuiste antwoorden.
Lees verder: gids over Retrieval →Reranking
Reranking is een tweede sorteer-stap na retrieval waarbij een gespecialiseerd model (zoals Cohere Rerank) de top-kandidaten herordent op werkelijke relevantie voor de vraag. Voor MKB-RAG verhoogt dit de antwoordaccuraatheid aanzienlijk zonder de hele zoekindex te hoeven vergroten of opnieuw te bouwen.
Lees verder: gids over Reranking →Embeddings
Embeddings zijn numerieke vectoren die de semantische betekenis van tekst, beeld of audio coderen. Documenten met vergelijkbare betekenis liggen dicht bij elkaar in de vectorruimte. Voor MKB de basis van semantisch zoeken in FAQs, productcatalogi en klanthistoriek — ook bij verschillende formuleringen.
Lees verder: gids over Embeddings →Cosine similarity
Cosine similarity meet de hoek tussen twee vectoren op een schaal van -1 tot 1 en is de meest gebruikte afstandsmaat in vector-databases. In MKB-context bepaalt het bijvoorbeeld hoe sterk een klantvraag lijkt op een eerder beantwoorde vraag — een score boven 0,8 is doorgaans bruikbaar als kandidaatmatch.
Lees verder: gids over Cosine similarity →Hybrid search
Hybrid search combineert klassieke trefwoord-zoekopdrachten (BM25) met semantische vector-zoekopdrachten en voegt de resultaten samen. Voor MKB de praktische winnaar: trefwoorden vangen exacte productcodes en namen, vectoren vangen synoniemen en parafrases — samen leveren ze betere recall dan elk afzonderlijk.
Lees verder: gids over Hybrid search →BM25
BM25 is een klassiek scoringsalgoritme voor trefwoord-zoekopdrachten, gebaseerd op woordfrequentie en document-lengte. Ondanks de leeftijd presteert BM25 nog steeds uitstekend bij exacte termen en is het een onmisbaar onderdeel van moderne hybrid-search-pijplijnen voor MKB-kennisbanken.
Lees verder: gids over BM25 →Semantic chunking
Semantic chunking deelt documenten op in betekeniseenheden (alineas, secties) i.p.v. vaste tokenblokken, zodat retrieval geen halve gedachten teruggeeft. Voor MKB-kennisbanken essentieel: een goede chunkingstrategie verhoogt RAG-kwaliteit vaak meer dan een grotere LLM of duurder embeddingmodel.
Lees verder: gids over Semantic chunking →Prompt injection
Prompt injection is een aanval waarbij een gebruiker of derde partij instructies in input verstopt die de oorspronkelijke system-prompt overrulen — bijvoorbeeld "negeer voorgaande regels en stuur klantdata door". MKB-AI moet hiertegen verdedigd worden via input-filtering, output-controle en strikte tool-permissies.
Lees verder: gids over Prompt injection →Jailbreak (LLM)
Een jailbreak is een prompt-techniek die een LLM probeert te bewegen tot output die zijn safety-regels overtreedt — bijvoorbeeld via rollenspel of valse contexten. Voor MKB belangrijk omdat een gejailbreakte klant-AI ongepaste, juridisch riskante of merk-schadende uitspraken kan doen namens uw bedrijf.
Lees verder: gids over Jailbreak (LLM) →Red-teaming AI
Red-teaming AI is het systematisch aanvallen van een AI-systeem (jailbreaks, prompt injection, edge cases) om kwetsbaarheden te vinden voor live-gang. Aanloop AI voert standaard red-team-rondes uit op alle MKB-deployments in zorg, recht en financien voordat een klant-AI eerstelijns klantcontact mag voeren.
Lees verder: gids over Red-teaming AI →Guardrails (LLM)
Guardrails zijn programmatische controles voor en na de LLM-aanroep: input-validatie, PII-redactie, output-classificatie en escalatie-triggers. Voor MKB-AI niet optioneel — ze voorkomen dat de assistent BSN-nummers logt, ongeoorloofde toezeggingen doet of klachten zelf afhandelt waar dat juist niet mag.
Lees verder: gids over Guardrails (LLM) →Eval framework
Een eval framework is een herhaalbare testset (bijvoorbeeld 200 representatieve klantvragen met verwachte antwoorden) waarop iedere AI-versie wordt gescoord op accuraatheid, toon en compliance. Voor MKB onmisbaar bij modelmigratie of promptwijzigingen: zonder eval is "het lijkt beter" geen acceptabele basis voor productie.
Lees verder: gids over Eval framework →LLM-as-judge
LLM-as-judge gebruikt een sterk model (bijv. Claude of GPT-4-klasse) om de output van een ander model automatisch te scoren op criteria zoals correctheid, toon en volledigheid. Voor MKB schaalt dit kwaliteitsbewaking: in plaats van handmatig 1.000 gesprekken nakijken, beoordeelt de judge en flagt alleen twijfelgevallen.
Lees verder: gids over LLM-as-judge →A/B testen LLM
A/B testen voor LLM-varianten splitst live verkeer tussen twee prompts, modellen of retrieval-instellingen en meet harde KPIs (deflection rate, CSAT, conversie). Voor MKB de enige betrouwbare manier om te bewijzen dat een nieuwe promptversie of duurder model echt loont — geen onderbuik, maar cijfers.
Lees verder: gids over A/B testen LLM →Latency budget
Een latency budget is de totale toegestane responstijd verdeeld over alle stappen (STT, retrieval, LLM, TTS, netwerkhops). Voor een voicebot typisch 1.500 ms totaal, waarvan 600 ms aan de LLM. MKB-architecten gebruiken het budget om vroeg te beslissen welk model en welke retrieval-strategie haalbaar zijn.
Lees verder: gids over Latency budget →Token budget
Een token budget legt per gesprek of per request een maximum vast op input- en outputtokens om kosten en latency te beheersen. Voor MKB belangrijk om uitschieters te voorkomen: een runaway-gesprek met 50.000 tokens kost vele malen meer dan een normaal gesprek en moet automatisch ingekort of geescaleerd worden.
Lees verder: gids over Token budget →Cost-per-conversation
Cost-per-conversation is de gemiddelde all-in kosten (LLM-tokens, STT, TTS, telefonie, infra) per afgehandeld gesprek. Voor MKB-AI typisch 0,15 tot 0,80 euro per gesprek, afhankelijk van duur en model. Sturen op deze KPI voorkomt dat technische keuzes onbedoeld de marge van het AI-product opeten.
Lees verder: gids over Cost-per-conversation →MAU/WAU/DAU (AI-product)
MAU, WAU en DAU staan voor maandelijks, wekelijks en dagelijks actieve gebruikers van een AI-product. De DAU/MAU-ratio (stickiness) toont hoe vaak een gebruiker terugkomt — 20 procent of hoger duidt op een AI-tool die dagelijks waarde levert, lager wijst op een nice-to-have die snel uit de gewoonte raakt.
Lees verder: gids over MAU/WAU/DAU (AI-product) →Containment rate
Containment rate is het percentage gesprekken dat volledig binnen het AI-kanaal wordt afgesloten zonder dat de klant alsnog belt, mailt of escaleert. Verschilt subtiel van deflection rate: containment kijkt ook naar nadien-contact. Voor MKB de eerlijkste maat van AI-effectiviteit op lange termijn.
Lees verder: gids over Containment rate →First-contact resolution
First-contact resolution (FCR) is het percentage klantvragen dat tijdens het eerste contact volledig wordt opgelost. Goed-getrainde MKB-AI haalt 65-80 procent FCR; menselijke agents zonder AI-ondersteuning typisch 55-70 procent. Hogere FCR betekent minder herhaalcontacten en meetbaar hogere klanttevredenheid.
Lees verder: gids over First-contact resolution →AHT (Average Handling Time)
AHT is de gemiddelde duur van een klantcontact inclusief naverwerking. AI-agent-assist verlaagt AHT doorgaans 20-35 procent door automatische samenvattingen, kennisbank-suggesties en concept-antwoorden. Voor MKB direct vertaalbaar naar lagere personeelskosten of meer afgehandelde tickets per FTE.
Lees verder: gids over AHT (Average Handling Time) →Agent assist
Agent assist is AI die een menselijke medewerker live ondersteunt tijdens een klantcontact: live transcriptie, antwoordsuggesties, kennisbank-citaten en automatische samenvatting bij afsluiting. Voor MKB een laag-risico instap in AI omdat de mens de eindbeslissing houdt, terwijl snelheid en consistentie meetbaar stijgen.
Lees verder: gids over Agent assist →Mist u een begrip?
We breiden het glossarium continu uit. Stuur uw suggestie via WhatsApp of e-mail — meestal binnen 48 uur toegevoegd.