Skip to main content Skip to navigation
blob 1 blob 2 blob 3
AI in je bedrijf

ChatGPT of eigen AI-assistent: wat kies je bij klantgegevens?

CreativeStudio
4 min leestijd
ChatGPT of eigen AI-assistent: wat kies je bij klantgegevens?

Je gebruikt ChatGPT al dagelijks. Offertes herschrijven, klantmails inkorten, notulen samenvatten. En dan komt het moment waarop er een naam in staat, een e-mailadres, een klacht die nog loopt of een offerte met bedragen van een klant. De vraag is dan niet welk model het slimst is, maar welke datastroom je inricht. Een chatmodel onthoudt je gesprek niet vanzelf, maar het platform eromheen slaat wél iets op. Dit artikel laat zien hoe beide opties onder de motorkap werken, zodat je zelf kunt kiezen.

Optie A: een zakelijke ChatGPT-werkruimte. Bij een zakelijke werkruimte staat het leren van jouw inhoud standaard uit. Prompts, uploads en antwoorden gaan dan niet in het model. Wat wél overblijft: gesprekken worden opgeslagen, beheerders kunnen logs inzien, mensen met supportrechten kunnen inhoud openen, en de bewaartermijn en opslagregio staan in je contract en je beheerinstellingen, niet in de chat zelf. Check daarom als eerste twee dingen. Heeft iedereen een zakelijk account? Persoonlijke accounts vallen buiten die regels, en daar gaat het mis zodra iemand een klantmail in zijn eigen gratis account plakt. En staan de feedbackknoppen en deelprogramma's uit? Dan pas klopt de vlag. Het voordeel van deze route is snelheid: vandaag werkend, overal dezelfde kwaliteit, geen platform dat jij beheert. Het nadeel: je bent afhankelijk van welke functies, regio's en voorwaarden de leverancier op dat moment aanbiedt.

Optie B: een eigen assistent op je eigen documenten. Dat werkt met retrieval-augmented generation (rag): het systeem zoekt eerst zelf relevante stukken tekst op en laat het model dáár een antwoord op geven. In vijf stappen: kies je bronnen en haal overbodige kolommen en bijlagen weg, knip teksten in stukken van enkele alinea's, zet die stukken in een zoekindex samen met de rechten van het document, laat een vraag de beste stukken opzoeken, en stuur alleen die stukken plus de vraag naar het model, met bronvermelding in het antwoord. De techniek zit in stap drie. Geef je documentrechten niet door aan de zoeklaag, dan laat medewerker A per ongeluk document B zien. Voordeel: je kennis blijft in eigen omgeving, je kiest zelf welk model, welke cloud of welke server, en bij elk antwoord staat welke passage erachter zit. Open modellen zoals Llama, Mistral, Qwen en Gemma draaien inmiddels op bescheiden hardware of in een eigen cloudruimte, dus een eigen datahal is niet nodig. Nadeel: beveiliging, back-ups, kwaliteitscontrole en toezicht op prompt-injectie (een tekst in een document die het model een instructie geeft) zijn jouw verantwoordelijkheid. Meer daarover in hoe je een ai-ready datafundament bouwt.

Optie C, en wat we zelf vaak bouwen: een eigen gateway ertussen. De vraag komt binnen bij jouw gateway. Die herkent persoonsgegevens en vervangt ze door een vaste code zoals KLANT_001. Daarna gaan alleen de ingekorte vraag en de nodige passages naar welk model dan ook. De gateway zet de code terug om, maar alleen als het antwoord erom vraagt. Je logboek blijft schoon, en je regelt op één plek wie welk model mag gebruiken, hoeveel het mag kosten en welke leverancier erachter draait. Wissel later van model zonder je gebruikers iets te laten merken. Eén waarschuwing: detectie is nooit perfect. Een unieke combinatie van functietitel, plaats en leeftijd maakt iemand ook herkenbaar zonder naam. Houd de sleutel tussen code en klant buiten de modelomgeving, met beperkte toegang en een korte bewaartermijn. En noteer in je instructies dat het model codes nooit mag reconstrueren.

Wanneer kies je welke? Een administratiekantoor of makelaar met dossiers en strakke documentrechten kiest voor een eigen assistent, omdat aantoonbaar moet zijn uit welke geautoriseerde bron een antwoord komt en wie wat heeft gezien. Een bouwbedrijf dat offerteteksten en acquisitiemails scherper wil, wint meer aan een zakelijke ChatGPT-werkruimte: geen beheer, morgen aan de slag, en de gegevens zijn matig gevoelig. Een webshop met een drukke klantenservice past de gateway: productkennis in eigen index, het model erachter vrij wisselbaar. De beslisregel is simpel. Hoe gevoeliger de gegevens en hoe strenger de eis dat antwoorden uit geautoriseerde bronnen komen, hoe meer je richting optie B of C gaat. De kosten van beide wegen hangen af van het aantal gebruikers, de diepte van je koppelingen, waar je draait en hoeveel test en beheer erbij hoort, zie wat ai kost voor terugkerend werk. Zet in elke offerte de bewaartermijn van logs, de opslagregio, de lijst met subverwerkers, de supporttoegang en een verwerkersovereenkomst. Twijfel je tussen losse tools en één systeem dat meegroeit? Vergelijk het met maatwerksoftware of een standaardpakket.

Drie dingen die je deze week nog kunt doen. Eén: maak per toepassing één regel op papier met welke gegevens erin gaan, waar ze vandaan komen en hoe lang ze blijven staan, dat is je bewijs richting de Europese privacywet (avg). Twee: loop na of iedereen een zakelijk account heeft, zet modelverbetering uit op persoonlijke accounts en verwijder gesprekken met klantgegevens uit die accounts. Drie: schrijf één zin op wat nooit in een chatbot mag, zoals klantnamen, medische gegevens en loonstappen, en neem die op in je teamafspraken. Deze aanpak werkt omdat je twee vragen uit elkaar haalt: hoe goed is een model, en wat mag erin. Wie de tweede vraag eerst beantwoordt, kiest daarna bijna vanzelf het goede spoor. We denken er graag over mee vanuit Veghel, ook als het bij één beleid en één koppeling blijft.