LANDING · AI DEV
AI laten bouwen voor jouw business.
Computer vision, RAG-pipelines en LLM-integraties vanaf €8.000. Claude, GPT en lokale modellen. Productie-AI die maanden draait.
Computer vision, RAG-pipelines en LLM-integraties vanaf €8.000. Claude, GPT en lokale modellen. Productie-AI die maanden draait.
AI laten bouwen kost bij NedDev vanaf circa €8.000 voor een afgebakende toepassing en loopt op naarmate de koppelingen en de schaal toenemen. Wij bouwen AI die in productie draait: RAG-kennisbanken, document-extractie, voice-agents en LLM-integraties op een Laravel- of FastAPI-backend, met logging, fallbacks en kostenbewaking ingebouwd. Een eerste werkende versie op echte data staat doorgaans in 6 tot 10 weken live. Wij leveren geen demo die op een laptop blijft hangen. NedDev is een Haags atelier, KvK 65641922.
AI laten bouwen betekent dat je een softwaresysteem laat maken dat taken uitvoert waar voorheen een mens voor nodig was: documenten lezen, vragen beantwoorden op basis van je eigen kennis, gesprekken voeren of gegevens uit formulieren halen. Het verschil met een speeltje is dat een echte AI-oplossing onderdeel wordt van een werkproces en daar dag in dag uit op draait.
De prijs hangt af van de complexiteit en de koppelingen. Een AI-assistent die antwoorden geeft op basis van je eigen documenten is goedkoper dan een voice-agent met telefoniekoppeling of een systeem dat tekeningen leest en hoeveelheden berekent. Naast de bouw heb je doorlopende kosten voor het gebruik van de AI-modellen zelf, die wij vooraf inzichtelijk maken en met harde limieten bewaken.
Onze prijsranges voor AI laten bouwen:
De meeste AI-projecten stranden niet op het model, maar op alles eromheen. Een demo werkt in een gecontroleerde situatie. Productie betekent omgaan met rommelige input, hoge belasting, kosten die kunnen oplopen en gebruikers die het systeem gebruiken op een manier die niemand had voorzien. Daar zit het echte werk, en daar onderscheidt een werkend systeem zich van een indrukwekkende presentatie.
Wij bouwen daarom vanaf de eerste week met productie in gedachten. Dat betekent logging op elke AI-aanroep, vaste limieten op kosten en een terugvaloptie wanneer het model onzeker is. Voor onze AI-collega Cor bouwden we een platform met RAG-geheugen dat per klant gescheiden blijft. Voor Lexi AI leverden we een assistent die CAO-vragen beantwoordt op basis van vastgelegde bronnen, met verwijzing naar het artikel waarop het antwoord steunt. Voor JinSulate verving een geometrische teller de losse AI-schattingen, zodat dezelfde tekening altijd hetzelfde resultaat geeft.
Werkt AI ook als ik geen technisch team heb? Ja. Wij leveren het systeem inclusief beheer, bewaking en een dashboard waarin je zelf ziet wat er gebeurt. Je hoeft geen prompt-engineer in dienst te nemen om er waarde uit te halen. Wij zorgen dat het draait, jij gebruikt het.
Wat wij standaard inbouwen bij AI laten bouwen:
De grootste angst bij AI is dat het zelfverzekerd onzin verkoopt. Dat risico is reeel als je een model los inzet zonder controle eromheen. Wij verkleinen het met RAG, waarbij het model alleen antwoordt op basis van vastgelegde bronnen in plaats van uit het geheugen te gokken. Het antwoord verwijst naar de bron, zodat een gebruiker het kan controleren in plaats van blind te vertrouwen.
Voor cijfermatige taken gaan we nog een stap verder: daar vervangen we de gok van het model door een vaste berekening. Bij CaseMeister en FlexUren betekende dat betrouwbare uitkomsten in plaats van wisselende AI-schattingen. Het stappenplan dat we volgen bij een AI-traject:
Welk AI-model gebruiken jullie? Wij zijn modelonafhankelijk. We kiezen per taak het model met de beste verhouding tussen kwaliteit en kosten, en we bouwen zo dat je later kunt wisselen zonder de hele applicatie te herschrijven. Voor gevoelige data adviseren we waar nodig modellen die binnen de EU draaien.
Verantwoord AI-gebruik is geen bijzaak. De Rijksoverheid publiceert hierover praktische richtlijnen, zie rijksoverheid.nl. Wij houden daar rekening mee, zeker bij toepassingen die met persoonsgegevens of besluitvorming te maken hebben.
Onze AI draait op dezelfde stack als de rest van ons werk, zodat het beheersbaar blijft. De backend is meestal Laravel of FastAPI, met een aparte laag voor de AI-aanroepen. Voor platformen die meerdere klanten bedienen koppelen we dit aan onze multi-tenant SaaS-architectuur, zodat data van klanten nooit door elkaar loopt en elke klant zijn eigen afgeschermde kennisbank houdt.
Wat AI in de praktijk voor een bedrijf kan doen:
Het kenmerk van een goede AI-oplossing is voorspelbaarheid: je weet wat het kost per maand, je ziet wat het systeem doet, en je kunt teruglezen waarom het een bepaald antwoord gaf. Wil je weten of jouw proces zich leent voor AI, bekijk dan onze aanpak voor AI-ontwikkeling en hoe we dat combineren met SaaS-platformen.
Onze interne stack-pakketten voor multi-tenant SaaS. Laravel + Filament starter, audit-trail engine, tenant-impersonation pakket dat 12 klanten draait.
8 PACKAGES · 2.4K STARS EDITORIAL · LONG-FORM ↗Onze schrijfsels over wat we leren. Case-studies, technische write-ups, design-decisions. Geen content-marketing, wel echte kennis.
42 ESSAYS · MAANDELIJKS RESEARCH · AI EXPERIMENTS ↗Side-projects en R&D. Voice-agent prototypes, RAG-pipelines, AI knowledge-graph experimenten. Sommige worden product. De rest leert ons iets.
14 EXPERIMENTEN · LIVE DEMOSAI laten bouwen start bij ons vanaf circa €8.000 voor een afgebakende toepassing, zoals een RAG-assistent op je eigen documenten. AI met koppelingen en een beheeromgeving kost doorgaans tussen €15.000 en €40.000. Een AI-platform met voice, document-extractie of computer vision begint rond €40.000 en groeit mee met de schaal. Naast de bouw heb je doorlopende kosten voor het gebruik van de AI-modellen zelf, plus hosting en beheer. Die maandlasten maken wij vooraf inzichtelijk en bewaken we met harde limieten, zodat een uitschieter in gebruik nooit voor een verrassing op de rekening zorgt. Wij geven liever een eerlijke bandbreedte na een kort gesprek dan een te mooi getal vooraf.
Een eerste werkende versie op echte data staat doorgaans binnen 6 tot 10 weken live. Wij werken in korte sprints met wekelijkse demo's, zodat je het systeem ziet groeien en kunt bijsturen voordat het af is. De eerste weken na livegang kijken we mee op echte input, omdat dat het moment is waarop blijkt of het systeem ook buiten de testomgeving klopt. Een groot, organisatiebreed AI-platform kost uiteraard meer tijd, maar wij knippen dat op in onderdelen die los waarde leveren, zodat je niet maanden hoeft te wachten op een eerste resultaat. Zo zie je vroeg of de aanpak werkt voordat het hele budget op is.
Dat risico bestaat als je een model los inzet zonder controle eromheen. Wij verkleinen het door te werken met RAG, waarbij het model alleen antwoordt op basis van vastgelegde bronnen in plaats van uit het geheugen te gokken. Het antwoord verwijst naar de bron, zodat een gebruiker het kan controleren. Daarnaast bouwen we een terugvaloptie in voor wanneer het model onzeker is, en loggen we elk antwoord zodat je kunt terugzien waarom iets gezegd werd. Voor cijfermatige taken vervangen we de gok van het model door een vaste berekening, zoals we bij JinSulate deden. Zo wordt het resultaat voorspelbaar en controleerbaar in plaats van een gok die toevallig goed of fout uitpakt.
Ja, na oplevering is de broncode van jou, inclusief de beheeromgeving en de documentatie. Je zit niet vast aan ons. Wat bij AI wel anders is dan bij gewone software: de AI-modellen zelf draaien meestal bij een externe aanbieder, en het gebruik daarvan kost geld per maand. Wij bouwen het systeem zo dat je van model kunt wisselen zonder de hele applicatie te herschrijven, zodat je niet vastzit aan een enkele leverancier. De kennisbank, de logica en de koppelingen zijn van jou. Wil je later een ander team de doorontwikkeling laten doen, dan kan dat met de gedocumenteerde code die wij opleveren.
Het gebruik van de AI-modellen wordt afgerekend per gebruik, meestal per hoeveelheid verwerkte tekst, en die kosten lopen via jouw account bij de modelaanbieder of via ons als je dat liever uitbesteedt. De hoogte hangt af van hoeveel het systeem gebruikt wordt en welk model we kiezen. Voor een assistent met een paar honderd vragen per maand is dat bescheiden, voor een druk gebruikt platform loopt het op. Daarom bouwen wij standaard kostenbewaking in, met harde limieten per gebruiker en per maand, zodat een uitschieter nooit voor een onverwachte rekening zorgt. Wij maken deze maandlasten vooraf inzichtelijk, zodat je weet waar je aan toe bent voordat het systeem live gaat.
