Geen beschouwingen, geen voorspellingen. Implementatiedetails van agents die nu in productie draaien — wat werkte, wat brak, en de cijfers achter allebei.
Het meeste dat als 'AI-agent' wordt verkocht, is een prompt in een lus. Dit is de echte anatomie — model, tools, context en controlelus — en hoe je bepaalt of je überhaupt een agent nodig hebt.
Vectorzoeken op chunks van 512 tokens is een demo, geen systeem. Chunking, hybride retrieval, reranking, metadatafilters en de retrieval-evals die voorkomen dat je blind vliegt.
Testen op gevoel is de reden dat AI-projecten blijven steken op 'veelbelovende demo'. Een praktische gids voor evaluatiesets, metrieken, LLM-als-jury zonder jezelf voor de gek te houden, en het opsporen van regressies.
Hallucinatie is geen mysterieus modelgebrek — het is een ontwerpfout met bekende oorzaken en bekende oplossingen. Retrieval-grounding, beslisgrenzen, betrouwbaarheidsdrempels en validatie van bronvermeldingen.
Prompt caching, modelroutering, batching en contextdiscipline. Vier hefbomen die betrouwbaar een orde van grootte van een AI-rekening afhalen — inclusief waarom caching stilletjes faalt.
Moderne modellen hebben geen slimme formuleringen nodig. Ze hebben de juiste informatie nodig, in de juiste volgorde, met verder niets in het venster. Wat er echt in een productiecontext hoort — en wat je moet schrappen.
Een stapsgewijs plan om een e-commerce supportwachtrij te automatiseren — welke tickettypen je eerst pakt, waar het deflectieplafond echt ligt, en de metrieken die voorkomen dat je het verkeerde optimaliseert.
Leest je agent onvertrouwde content én kan hij acties uitvoeren, dan heb je een injectie-oppervlak. Waarom filteren niet werkt, en welke architectonische maatregelen wel.
Benchmarks kiezen je model niet. Een beslissingskader op basis van taakvorm, routering per stap, redeneerdiepte, en de migratiekosten die niemand meerekent.
De meeste AI-businesscases zijn gebouwd op bespaarde uren die nooit van de loonlijst verdwenen. Een methode om te meten wat er echt veranderde — basislijnen, contrafeitelijken en de vier categorieën echt rendement.
Orchestrators, subagents en parallelle fan-out zijn echt krachtig en worden routinematig verkeerd ingezet. Hoe je het verschil ziet, en hoe je er een bouwt die niet 5× kost voor hetzelfde resultaat.
De demo werkte. Negen maanden later draait er niets in productie. Zeven structurele redenen waarom AI-projecten stranden tussen staging en live — en wat teams die wél leveren anders doen.
Een auditgesprek van 30 minuten. We brengen je workflows in kaart en benoemen de drie agents met de meeste impact, inclusief wat ze opleveren.