AI is geen bijzaak of feature — het is een integraal onderdeel van hoe het platform werkt. De AI-laag ondersteunt gebruikers bij het structureren, analyseren, documenteren en beslissen. Tegelijkertijd blijft de mens altijd in control.

Drie niveaus van AI-inzet

Niveau	Beschrijving	Voorbeeld
Assistentie	Reactief helpen op verzoek	"Vat dit project samen", "Wat zijn de risico's?"
Signalering	Proactief attenderen op patronen	"Dit commitment is 2 weken over deadline", "Deze projecten hebben overlap"
Agentisch	Autonome taken uitvoeren binnen grenzen	Embeddings genereren, documenten classificeren, overdrachtscheck uitvoeren

2. AI-architectuur

┌─────────────────────────────────────────────────┐
│                  LARAVEL APP                     │
│                                                  │
│  Gebruiker ──▶ Chat Interface ──▶ AI Gateway    │
│                                       │          │
└───────────────────────────────────────┼──────────┘
                                        │ REST API
                                        ▼
┌─────────────────────────────────────────────────┐
│              PYTHON AI-SERVICE                   │
│                                                  │
│  ┌─────────────┐    ┌──────────────────────┐    │
│  │ Router /    │───▶│ LangGraph Orchestrator│    │
│  │ Classifier  │    └──────────┬───────────┘    │
│  └─────────────┘               │                │
│                    ┌───────────┼───────────┐    │
│                    ▼           ▼           ▼    │
│              ┌─────────┐ ┌─────────┐ ┌────────┐│
│              │ Project │ │ Kennis  │ │ Analyse ││
│              │ Agent   │ │ Agent   │ │ Agent   ││
│              └────┬────┘ └────┬────┘ └───┬────┘│
│                   │           │           │     │
│                   ▼           ▼           ▼     │
│              ┌──────────────────────────────┐   │
│              │       Tool Layer             │   │
│              │  - DB Query (read-only)      │   │
│              │  - Document Retrieval (RAG)  │   │
│              │  - Embedding Search          │   │
│              │  - Calculation               │   │
│              │  - Report Generation         │   │
│              └──────────────────────────────┘   │
└─────────────────────────────────────────────────┘

3. Agentische taken

3.1 Projectassistent

Taken:

Projectsamenvatting genereren
Risico's identificeren op basis van projectbeschrijving
Vergelijking met soortgelijke projecten
Voortgangsanalyse en signalering

Autonomie: Laag — genereert voorstellen, gebruiker beslist

3.2 Kennisassistent

Taken:

Semantisch zoeken over documenten en lessons learned
Context ophalen uit projecthistorie
Relevante documenten suggereren bij nieuwe projecten
Samenvatten van lange documenten

Autonomie: Laag — zoekt en presenteert, schrijft niet

3.3 Documentassistent

Taken:

Structuurvoorstel voor documenten
Tekstsuggesties en aanvullingen
Consistentiecheck over documenten
Generatie van concept-overdrachtsrapporten

Autonomie: Midden — genereert concepten, gebruiker reviewt en bevestigt

3.4 Analysator

Taken:

Portfolioanalyse (overlap, gaps, risico's)
Trendanalyse over projecten
Budget- en bestedingsanalyse
Overdrachtgereedheidscheck

Autonomie: Laag — analyseert en rapporteert

3.5 Uitleg-agent (Etalage & Studenten)

Taken:

Technische projectbeschrijvingen vertalen naar jargonvrije uitleg
Concept etalage-items genereren, afgestemd op doelgroep (bestuur, collega's, studenten, extern)
Taalregister aanpassen per doelgroep ("doelgroep-switch")
Studentopdrachten verduidelijken en structureren
Eerder gepubliceerde etalage-items als referentie gebruiken voor consistente toon

Autonomie: Midden — genereert concepten en vertalingen, maar publicatie naar de etalage vereist altijd menselijke review en bevestiging

Zie Studenten en Etalage voor de volledige beschrijving.

3.6 Systeemtaken (achtergrond)

Taken:

Embeddings genereren bij document-updates
Automatische tagging van documenten
Deadline-signalering
Samenvattingen cachen

Autonomie: Hoog — draait autonoom, maar alleen voor technische/ondersteunende taken

4. Grenzen van autonomie

Wat autonoom mag

Embeddings genereren en bijwerken
Documenten classificeren en taggen
Samenvattingen genereren (als concept)
Semantisch zoeken en resultaten presenteren
Signaleringen genereren (deadlines, risico's)

Wat alleen na goedkeuring mag

Documenten publiceren of wijzigen
Statusovergangen van projecten
Commitments aanmaken of wijzigen
Notificaties versturen naar andere gebruikers
Besluiten registreren
Overdrachtsplannen genereren

Wat nooit autonoom mag

Data verwijderen
Autorisaties wijzigen
Namens gebruikers communiceren naar buiten
Bestuurlijke besluiten nemen
Financiële mutaties doorvoeren

5. RAG-strategie

Retrieval-Augmented Generation

Gebruikersvraag
      │
      ▼
┌─────────────┐     ┌──────────────┐
│ Query       │────▶│ pgvector     │──▶ Top-K relevante chunks
│ Embedding   │     │ Similarity   │
└─────────────┘     └──────────────┘
                           │
                           ▼
                    ┌──────────────┐
                    │ Context      │
                    │ Assembly     │──▶ Prompt met context
                    └──────────────┘
                           │
                           ▼
                    ┌──────────────┐
                    │ LLM          │──▶ Antwoord met bronverwijzingen
                    └──────────────┘

Bronnen voor RAG

Bron	Chunking-strategie	Update-trigger
Projectbeschrijvingen	Per sectie	Bij wijziging
Documenten	Per paragraaf (overlap)	Bij upload/wijziging
Lessons learned	Per artikel	Bij aanmaak/wijziging
Besluiten	Per besluit	Bij registratie
Kennisartikelen	Per sectie	Bij publicatie

Kwaliteitswaarborgen

Bronverwijzing bij elk antwoord (welk document, welk project)
Confidence indicator ("gebaseerd op 3 bronnen" vs. "geen directe bronnen gevonden")
Mogelijkheid voor gebruiker om feedback te geven op antwoorden
Periodieke evaluatie van RAG-kwaliteit

6. Scheiding systeembron en AI-gedrag

Principe

Het systeem moet altijd duidelijk maken wat feitelijke data is en wat AI-gegenereerd is.

Implementatie:

AI-gegenereerde content krijgt een visueel label ("AI-suggestie", "Concept")
Gebruiker moet expliciet bevestigen voordat AI-content systeem-status krijgt
Audit log registreert of content door mens of AI is aangemaakt
AI heeft read-only toegang tot domeindata, schrijft alleen via gebruikersbevestiging

7. Logging en terugkoppeling

Verplichte logging

Alle AI-requests en -responses (geanonimiseerd waar nodig)
Welke tools/agents zijn ingezet per request
Welke bronnen zijn gebruikt voor RAG
Gebruikersfeedback op AI-antwoorden (thumbs up/down)
Foutmeldingen en time-outs

Doel van logging

Kwaliteitsverbetering van prompts en retrieval
Inzicht in gebruikersbehoeften
Detectie van onjuiste of misleidende antwoorden
Basis voor iteratieve verbetering

8. MVP AI-scope

In MVP

Chat-interface binnen projectcontext
Projectsamenvatting genereren
Semantisch zoeken over documenten
Basis-RAG met bronverwijzing

Niet in MVP

Gespecialiseerde agents per domein
Proactieve signalering
Automatische tagging
Portfolioanalyse
Documentgeneratie

Motivatie

Start eenvoudig, meet gebruik en kwaliteit, breid uit op basis van echte behoeften. Een basale maar betrouwbare AI-ervaring is waardevoller dan een brede maar onbetrouwbare.

9. Open vragen

Welke LLM-provider is beschikbaar? (Claude API, OpenAI, Azure OpenAI, lokaal?)
Is er een embedding-model voorkeur? (OpenAI ada-002, lokaal model?)
Mag projectdata naar een externe API worden gestuurd, of moet alles lokaal?
Wat is het acceptabele latentieniveau voor AI-responses? (<5s, <10s, <30s?)
Moeten AI-gesprekken per gebruiker of per project worden opgeslagen?
Is er behoefte aan meertalige ondersteuning? (Nederlands + Engels?)