AI-functies voor SaaS-producten
We bouwen AI voor SaaS-bedrijven die functies willen waar hun klanten voor betalen: assistenten die antwoorden uit klantdata, zoeken in records en documenten, en workflows die taken in het product afronden. We bouwen in je codebase, met evaluaties, scheiding per tenant en kostenbewaking, zodat de functie blijft werken als het gebruik groeit.
Waar het werk vastloopt.
AI-functies die haperen op echte data
Een snelle koppeling met een model beantwoordt de testvragen van het team goed en de vragen van klanten slecht. Zonder evaluaties weet niemand of een aangepaste prompt het beter of slechter maakte.
Multi-tenant data en rechten
Zoeken in klantdata moet bij elke zoekopdracht tenants, workspaces en rollen respecteren. Gaat het één keer fout, dan heb je een beveiligingsincident bij je grootste klant.
Modelkosten die meegroeien met het gebruik
Tokenkosten stijgen met elke actieve gebruiker en elke lange context. De brutomarge lijdt eronder als niemand de kosten per functie of per tenant meet.
Wat we bouwen voor SaaS-bedrijven.
Elke toepassing stemmen we af op je systemen en regels, en bij elke toepassing houdt een mens de regie over de beslissingen die ertoe doen.
Assistent in het product
Een assistent beantwoordt vragen uit de records en documenten van de klant en uit je helpcontent, vermeldt waar elk antwoord vandaan komt en past de rechten van de ingelogde gebruiker toe. Kan hij een vraag niet beantwoorden, dan draagt hij over aan support.
Semantisch zoeken in klantdata
Zoeken dat de betekenis begrijpt van records, documenten en opmerkingen binnen elke tenant, met hybride ranking en de filters die je gebruikers al kennen. Indexen blijven per tenant gescheiden.
AI-workflows als productfunctie
Taken met meerdere stappen die je gebruikers nu met de hand doen, zoals records afstemmen of een rapport voorbereiden, draaien als agent in het product, met een controlestap voordat wijzigingen worden doorgevoerd. We leggen elke run vast voor support en debugging.
MCP-server voor je product
Een MCP-server geeft Claude, ChatGPT en andere AI-clients toegang tot de data en acties van je product, begrensd door je OAuth- en API-rechten. Klanten gebruiken je product vanuit de AI-tools waarin ze al werken.
Evaluaties en monitoring voor AI-functies
Testsets uit echt gebruik, automatische controles in CI en tracing in productie tonen kwaliteit, snelheid en kosten per functie en per tenant. Een modelupgrade wordt zo een beslissing op basis van metingen.
Documentherkenning in het product
Geüploade facturen, contracten of formulieren worden gestructureerde data die je product kan gebruiken, met een betrouwbaarheidsscore per veld. Gebruikers corrigeren velden met een lage score in een controlescherm, en die correcties komen in de testset.
Gebouwd rond de regels.
Hier ontwerpen we vanaf de eerste week voor. Je juristen en compliance-afdeling houden het laatste woord.
AVG (GDPR) als verwerker
Klantdata gaat door je AI-functies, dus modelaanbieders worden subverwerkers. We helpen je kiezen voor opties die in de EU draaien of niets bewaren, je lijst met subverwerkers bij te werken en persoonsgegevens waar mogelijk uit prompts te houden.
Rollen en transparantie onder de AI-verordening
Door AI aan een SaaS-product toe te voegen kun je onder de AI-verordening (EU AI Act) aanbieder worden, en gebruikers moeten weten wanneer ze met een AI-systeem werken. We controleren of een functie raakt aan een toepassing met hoog risico, zoals werving of kredietbeoordeling, en documenteren de rest.
Overstapregels in de Dataverordening (EU Data Act)
De Dataverordening geldt sinds september 2025 en verplicht cloud- en SaaS-aanbieders om klanten te laten overstappen en hun data mee te laten nemen. AI-functies die we bouwen houden afgeleide data, zoals embeddings en instellingen, exporteerbaar.
Verwachtingen rond SOC 2 en ISO 27001
Grote zakelijke klanten beoordelen AI-functies in hun securityvragenlijsten. We leveren architectuurnotities, diagrammen van gegevensstromen en logging die passen bij je SOC 2- of ISO 27001-controls.
Werkt met wat je al gebruikt.
Heeft een systeem een API, een database, een export of een mailbox, dan kunnen we erop bouwen. Deze systemen komen we het vaakst tegen.
- GitHub
- Linear
- Jira
- AWS
- Google Cloud
- Azure
- Vercel
- Postgres
- Stripe
- Intercom
Waar je begint.
Eén AI-functie achter een feature flag
We kiezen één functie met duidelijke waarde voor klanten en een meetbare uitkomst, bouwen de testset uit echte data (met toestemming) en brengen de functie achter een feature flag uit bij een groep designpartners. Zo heb je cijfers over gebruik, kwaliteit en kosten voordat je besluit over een algemene release.
Bespreek het met onsWat het omvat
- Testset en nulmeting van de kwaliteit
- Functie gebouwd in je codebase en CI
- Scheiding per tenant en controle op rechten
- Tracing met kosten per tenant
Gerelateerde cases.
- Software en tech
Hoe bouwen met AI-agents een SaaS-scale-up 60% sneller op de markt bracht
60%sneller op de markt- Bouwen met AI-agents
- Claude Code
- OpenAI Codex
- Verkoop
Hoe een AI-agent voor sales elke verkoper 6 uur accountonderzoek per week bespaart
6 uurterug per verkoper, elke week- AI-agents
- Salesautomatisering
- HubSpot
Gidsen.
Software zelf bouwen of kopen: een beslisgids voor operations- en productteams
Een praktische gids om te kiezen tussen standaardsoftware en maatwerksoftware, met een kostenvergelijking, een beslismatrix en een checklist voor je team.
10 min leestijd
Beveiligingsvragenlijst voor AI-leveranciers: wat je vraagt voordat je koopt of bouwt
De vragen die je een AI-leverancier of je eigen team stelt over data, modelaanbieders, toegang, logging, kwaliteit, incidenten, AVG en exit, en hoe je de antwoorden scoort.
8 min leestijd
Verder lezen.
LLM evals: zo test je AI voor elke release
Een praktische aanpak voor LLM-evaluaties: bouw een testset uit echte zaken, combineer controles in code met beoordeling door een model en houd releases tegen die slechter scoren.
5 min leestijd
RAG vs fine-tuning: wat past bij je bedrijf?
RAG geeft een model je kennis op het moment dat het antwoordt. Fine-tuning vormt zijn gedrag. Hoe je kiest, wanneer je ze combineert en wat elke aanpak kost.
4 min leestijd
RAG evalueren: retrieval-metrics, faithfulness en golden sets
Zo meet je een RAG-systeem goed: houd retrieval en antwoorden apart, controleer faithfulness per bewering en bouw een golden set die je kunt vertrouwen.
5 min leestijd
Veelgestelde vragen.
Op wat bij de functie past: Claude, GPT, Gemini, Mistral of open-weight-modellen in je eigen cloud. We zetten het model achter een interface, zodat je kunt wisselen als prijzen of kwaliteit veranderen. De testset laat zien of een wissel veilig is.
Ja. We bouwen in je eigen talen, frameworks en cloud, bijvoorbeeld TypeScript op Vercel, Python op AWS of .NET op Azure, en volgen je proces voor code review en deployment.
We meten vanaf het begin de kosten per request, functie en tenant. Daarna gebruiken we caching, kleinere modellen voor eenvoudige stappen en kortere contexten waar de kwaliteit dat toelaat. Limieten en budgetten per tenant beschermen je marge.
Meestal komen retrieval en goed ontworpen prompts eerst, omdat die goedkoper te onderhouden en makkelijker bij te werken zijn. Fine-tuning helpt bij specifieke outputformaten of smalle taken met veel volume. We testen het tegen de aanpak met retrieval voordat we het aanraden.
Van jou: code, prompts, testsets en eventuele fine-tuned gewichten. Alles staat vanaf het begin in je eigen repositories en cloudaccounts.