Een model is nog geen oplossing
Een nieuw model kan beter redeneren, langere context verwerken of sneller antwoorden. Dat zijn nuttige eigenschappen, maar ze vertellen nog niet of een toepassing in jouw organisatie gaat werken.
Een LLM krijgt pas betekenis wanneer het onderdeel wordt van een route: informatie ophalen, een beslissing voorbereiden, een actie uitvoeren en iemand de uitkomst laten controleren. De kwaliteit van die route bepaalt vaak meer dan het verschil tussen twee modellen.
Context maakt het verschil
De meeste praktische problemen ontstaan niet doordat een model niets weet. Ze ontstaan doordat het model niet de juiste informatie op het juiste moment krijgt. RAG, goede bronselectie en duidelijke instructies zijn daarom geen losse trucjes, maar onderdelen van dezelfde ontwerpkeuze.
- Welke bronnen zijn betrouwbaar genoeg om te gebruiken?
- Hoe weet je of de opgehaalde context relevant is?
- Wat moet er gebeuren als de informatie ontbreekt of elkaar tegenspreekt?
Als je die vragen niet beantwoordt, bouw je al snel een demo die vooral overtuigt zolang iemand precies de verwachte vraag stelt.
Begin bij een terugkerende beslissing
De beste start is meestal geen chatbot voor alles. Zoek een terugkerende stap waar mensen veel tijd verliezen aan lezen, vergelijken, samenvatten of controleren. Maak daar een kleine route van met een duidelijke invoer, een controleerbare uitvoer en een eigenaar die kan ingrijpen.
Daarna kun je meten wat er werkelijk verandert: minder zoektijd, minder overdrachten, een kortere doorlooptijd of betere voorbereiding. Pas wanneer dat helder is, heeft het zin om meer modellen, tools of agents toe te voegen.
Mijn praktische filter
Bij iedere nieuwe AI-mogelijkheid stel ik daarom drie vragen: welk probleem lost dit op, in welke stap van het proces gebeurt dat, en hoe merken we dat het werkt? Als daar geen concreet antwoord op komt, is het waarschijnlijk nog inspiratie — geen implementatie.
A model is not a solution yet
A new model may reason better, handle more context or answer faster. Those are useful properties, but they do not tell you whether an application will work in your organisation.
An LLM becomes meaningful when it is part of a route: retrieve information, prepare a decision, take an action and let someone review the outcome. The quality of that route often matters more than the difference between two models.
Context makes the difference
Most practical problems do not happen because a model knows nothing. They happen because it does not receive the right information at the right moment. RAG, source selection and clear instructions are therefore not isolated tricks, but parts of the same design choice.
- Which sources are reliable enough to use?
- How do you know whether retrieved context is relevant?
- What should happen when information is missing or contradictory?
Without those answers, it is easy to build a demo that works mainly while someone asks exactly the expected question.
Start with a recurring decision
The best starting point is usually not a chatbot for everything. Find a recurring step where people lose time reading, comparing, summarising or checking. Turn it into a small route with clear input, reviewable output and an owner who can intervene.
Then measure what actually changes: less search time, fewer handovers, shorter lead time or better preparation. Only when that is clear does it make sense to add more models, tools or agents.
My practical filter
For every new AI capability, I ask three questions: what problem does it solve, in which process step does it help, and how will we know it works? Without a concrete answer, it is probably still inspiration — not implementation.