De AI-stack uitgelegd: van fundament tot gebruiker

Wat is een AI-stack en waarom maakt het uit?

Als iemand zegt 'we willen iets met AI doen', bedoelt diegene zelden hetzelfde als de persoon naast hem. De één denkt aan een chatbot op de website, de ander aan geautomatiseerde analyses, en een derde aan een volledig nieuwe manier van werken. Dat is geen gebrek aan visie — het is gewoon hoe AI werkt: het raakt tegelijk de techniek, de data en de mensen.

De AI-stack is het conceptuele raamwerk dat ik gebruik om die verwarring op te ruimen. Het beschrijft de vier lagen die elke organisatie nodig heeft om AI zinvol in te zetten: infrastructuur, data, model en interface. Elke laag bouwt voort op de vorige. Sla er één over, of laat hem half liggen, en je krijgt een AI-project dat vastloopt.

Voor MKB-ondernemers is dit geen abstracte architectuurschets. Het is een praktische checklist: waar sta je nu, en waar moet je investeren voordat je aan de volgende stap toekomt?

Laag 1 — Infrastructuur: de basis onder alles

Infrastructuur is de rekenkracht, opslag en beveiliging waarop alle andere lagen draaien. Denk aan servers, cloudplatforms zoals Azure, AWS of Google Cloud, en de netwerkbeveiliging die bepaalt wie bij welke data kan.

Voor de meeste MKB-bedrijven is de keuze tegenwoordig duidelijk: begin in de cloud. Je betaalt naar gebruik, je schaalt op als de vraag groeit en je hoeft geen IT-team te onderhouden dat servers beheert. De keerzijde is dat je data buiten je eigen muren verwerkt wordt — en dat is precies waar GDPR om de hoek komt kijken.

On-premise — eigen hardware op eigen locatie — is zinvol als je met sterk gevoelige persoonsgegevens werkt, of als wet- en regelgeving (zoals NEN 7510 in de zorg of BIO bij de overheid) dat vereist. Maar het brengt ook kapitaaluitgaven en een onderhoudslast mee die voor een klein team zwaar kan wegen.

De meest pragmatische keuze voor MKB is een hybride aanpak: gevoelige data blijft on-premise of in een Europese private cloud, terwijl generieke AI-taken via een publieke clouddienst draaien. De sleutelvraag is simpel: welke data mag waar naartoe?

Laag 2 — Data: hier gaat het mis of goed

Als ik één ding heb geleerd na tientallen AI-trajecten, is het dit: de meeste projecten mislukken niet bij het model. Ze mislukken bij de data.

Data heeft drie dimensies die allemaal in orde moeten zijn. Ten eerste kwaliteit: een AI-systeem versterkt wat het aantreft. Schone, consistente data levert bruikbare output. Rommelige, verouderde of tegenstrijdige data levert rommelige antwoorden — alleen sneller en met meer zelfvertrouwen verpakt.

Ten tweede toegankelijkheid: de data bestaat, maar kan het AI-systeem er bij? In de praktijk zitten bedrijfsgegevens verspreid over een boekhoudpakket, een CRM, een SharePoint-map en de hoofden van drie medewerkers. Silo's, verouderde formats en ontbrekende koppelingen blokkeren het gebruik net zo effectief als een vergrendelde deur.

Ten derde governance: wie mag welke data inzien? Hoe lang bewaar je het? Is er een verwerkersovereenkomst? Wie is verantwoordelijk als er iets misgaat? Dit zijn geen IT-vragen — dit zijn bedrijfsvragen die je vooraf moet beantwoorden.

Er is ook een meer fundamenteel probleem dat ik het 80/20-vraagstuk noem. Ongeveer 20 procent van de kennis in een organisatie zit in gestructureerde systemen: databases, spreadsheets, ERP. De overige 80 procent zit in e-mails, pdf-rapporten, vergadernotities en de ervaring van mensen die al twintig jaar in het vak zitten. AI heeft juist die 80 procent nodig om echt nuttig te zijn — en die is zelden in een bruikbaar formaat beschikbaar.

Laag 3 — Model en applicatie: de motor

Dit is de laag waar de meeste discussies over AI beginnen: welk model gebruik je? Maar zoals je nu begrijpt, heeft die vraag pas zin als de lagen eronder op orde zijn.

Voor het model zijn er twee hoofdroutes. Via een API gebruik je een model van een externe aanbieder — je stuurt een verzoek, je krijgt een antwoord terug. Dit is de snelste en goedkoopste manier om te beginnen. De meeste MKB-bedrijven zijn hier goed mee geholpen. Het nadeel: je data verlaat jouw omgeving, en je betaalt per gebruik.

Self-hosting betekent dat je een open model draait op je eigen infrastructuur. Dit geeft volledige controle over je data en kan bij hoog volume goedkoper uitpakken, maar vraagt wel om GPU-hardware, technische expertise en doorlopend beheer. Voor de meeste MKB-bedrijven is dit alleen zinvol als privacy of compliance het vereist.

Tussen het model en je data zit de middelste laag: de orchestratie. Dit is waar RAG (Retrieval-Augmented Generation) plaatsvindt — het koppelen van het model aan jouw eigen kennisbank zodat het antwoorden geeft op basis van jouw bedrijfsinformatie. Dit is ook waar agentframeworks leven, die meerdere stappen kunnen uitvoeren en tools kunnen aanroepen. Deze laag is technisch, maar het is ook wat AI van een demo naar een werkend product tilt.

Laag 4 — Interface: de laag die je het eerste ziet maar het laatste bouwt

De interface is wat mensen zien en aanraken: een chatvenster, een knop in je bestaande software, een dashboard met AI-gegenereerde inzichten. Het is ook de laag waar organisaties het vaakst mee beginnen — en dat is precies de verkeerde volgorde.

Een prachtige chatinterface is nutteloos als de datalagen eronder niet gevoed kunnen worden. Een AI-knop in je CRM doet niets als het model geen toegang heeft tot de klantgeschiedenis. De interface is het resultaat van een goed gebouwde stack, niet het startpunt.

Naast de technische interface is er de menselijke kant: adoptie. Het beste systeem faalt als medewerkers niet weten hoe ze het moeten gebruiken, of als ze er wantrouwen in hebben. Training, goede uitleg en een feedbackmechanisme zijn geen nice-to-have — ze bepalen of jouw AI-investering rendement oplevert.

Praktisch: welke stack past bij jouw bedrijf?

De complexiteit van je stack hangt af van je schaal en context, niet van je ambities.

Voor een klein team van vijf tot twintig mensen is de aanbeveling helder: gebruik een enterprise-abonnement bij een bestaande aanbieder (zoals Microsoft 365 Copilot of Claude for Work), koppel dat aan je bestaande tools en bouw geen eigen infrastructuur. Opzetten duurt dagen, niet maanden.

Een middelgroot bedrijf van vijftig tot tweehonderd medewerkers heeft baat bij een hybride opzet: een cloud-API voor het model gecombineerd met een interne RAG-pipeline die je eigen kennisbank doorzoekbaar maakt. Dit vraagt om een gestructureerd datatrajct en twee tot drie maanden doorlooptijd.

Pas bij grotere organisaties of bij specifieke compliance-eisen — zorg, finance, overheid — is een volledig eigen stack met self-hosted modellen en een private GPU-omgeving gerechtvaardigd. Reken dan op een half jaar tot een jaar.

Mijn advies aan bijna elk MKB: start klein, gebruik wat er al is en breid uit zodra je weet wat werkt. De bedrijven die het snelst resultaat boeken zijn niet de bedrijven met de dikste AI-budgetten, maar de bedrijven die hun data op orde hebben en een concreet beginscenario kiezen.