AI-ontwikkelbedrijven: een gescreend team inhuren

Wat AI-ontwikkeling inhoudt

AI-ontwikkeling is tegenwoordig vooral de engineering rondom een model, niet het model zelf. De meeste commerciële projecten starten bij een foundation model — GPT, Claude, Gemini, Llama — en bestaan uit retrieval, tooling, evaluatie, guardrails en uitrol. Een model helemaal zelf trainen is zeldzaam buiten onderzoekslabs en een handvol goed gefinancierde productbedrijven.

Dat verandert waar je bij een leverancier op moet letten. Data-engineering, contextontwerp, evaluatieopstellingen, kostenbeheersing en MLOps bepalen of een systeem het in productie houdt. Een team dat alleen een notebook kan demonstreren, loopt vast precies waar latentie, nauwkeurigheid en kosten per verzoek gaan tellen.

Wat teams het vaakst bouwen

• Assistenten met retrieval (RAG). Zoeken en antwoorden over eigen documenten, tickets en wiki's, met verwijzing naar de bron.
• Agentic workflows. Meerstapsautomatisering die tools en API's aanroept, met menselijke goedkeuring op alles wat onomkeerbaar is.
• Document- en data-extractie. Facturen, contracten, formulieren en e-mail omgezet naar gestructureerde records voor ERP of CRM.
• Voorspellende modellen. Vraagvoorspelling, verloop, scoring, predictief onderhoud — klassieke ML, in de meeste sectoren nog altijd de meest rendabele categorie.
• Computer vision. Defectdetectie, tellen, OCR, ondersteuning bij beeldvorming en videoanalyse.
• Aanbevelen en rangschikken. Gepersonaliseerde feeds, zoekrelevantie, prijsstelling en matching.

Hoe kies je een AI-partner

• Vraag wat er in productie draait, niet wat er geprototypeerd is. In dat gat verdwijnen de meeste AI-budgetten.
• Vraag hoe kwaliteit gemeten wordt. Zonder evaluatieset en regressiesuite kan niemand zeggen of een wijziging beter of slechter uitpakte.
• Controleer de omgang met data: waar gaat die heen, welke modelaanbieders zien haar, wordt er iets bewaard voor training, en kan alles in je eigen cloud of on-premise draaien?
• Laat de exploitatiekosten becijferen, niet alleen de bouwkosten. Inferentie, vectoropslag en observability zijn terugkerend, en een slecht ontworpen pipeline kost per maand meer dan de bouw kostte.
• Eis een begrensde eerste fase. Vier tot zes weken discovery of pilot met een gedefinieerde succesmetriek is goedkoper dan in maand zeven ontdekken dat de use case nooit haalbaar was.

Budgetten, doorlooptijd en teamsamenstelling

Een afgebakende pilot — één use case, één databron, een werkende interface — kost doorgaans $15.000–60.000 over zes tot twaalf weken. Een productiesysteem met integraties, evaluatie, monitoring en toegangscontrole ligt meestal tussen $80.000 en $400.000, en onderhoud van modellen en pipelines vraagt 15–25% van de bouwkosten per jaar.

Uurtarieven verschillen meer per regio dan per vaardigheid: ruwweg $120–250 in de VS en West-Europa, $40–90 in Oost-Europa en Latijns-Amerika, $25–60 in Zuid- en Zuidoost-Azië. Een typisch team is één ML-engineer, één backend-ontwikkelaar, een data-engineer in deeltijd en een product owner die het domein goed genoeg kent om een juist antwoord van een plausibel antwoord te onderscheiden.