Add "AI en Agentstrategie"

2026-03-31 15:48:38 +00:00
parent b58f1febc3
commit 1413d79cbf

248
AI-en-Agentstrategie.md Normal file

@@ -0,0 +1,248 @@
# AI- en Agentstrategie
## 1. Rol van AI binnen het platform
### Kernprincipe
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 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
1. Welke LLM-provider is beschikbaar? (Claude API, OpenAI, Azure OpenAI, lokaal?)
2. Is er een embedding-model voorkeur? (OpenAI ada-002, lokaal model?)
3. Mag projectdata naar een externe API worden gestuurd, of moet alles lokaal?
4. Wat is het acceptabele latentieniveau voor AI-responses? (<5s, <10s, <30s?)
5. Moeten AI-gesprekken per gebruiker of per project worden opgeslagen?
6. Is er behoefte aan meertalige ondersteuning? (Nederlands + Engels?)