AI Engineering

    AI engineers voor uw team — productiefeatures bouwen, geen demo's

    LLM integratie, retrieval systemen, agent workflows. We plaatsen senior AI engineers in uw team of bouwen de AI-laag van uw product direct. EU-tijdzone, geen hype, echte evals.

    Senior
    AI engineers, vooraf gescreend
    CET
    EU-tijdzone, realtime samenwerking
    Evals eerst
    We meten, dan leveren we
    Bespreek uw AI-projectBekijk team extension model

    Drie manieren waarop we AI in uw business inpluggen

    Begin waar de ROI het duidelijkst is. We hebben genoeg fraaie demo's in productie zien sneuvelen — die leveren wij niet.

    LLM features in uw applicatie

    Beste keuze als: u een SaaS of intern tool heeft en chat / samenvatten / classificeren / genereren wilt toevoegen

    Voeg LLM-gedreven features toe aan bestaande producten. Streaming UI's, prompt versioning, A/B tests tegen deterministische baselines, fallback paden wanneer het model er naast zit.

    • Anthropic Claude + OpenAI SDK met provider fallback
    • Streaming met cancellation, retries, rate-limit handling
    • Prompt versioning + evals tegen golden datasets

    AI agents & workflows

    Beste keuze als: u repetitief multi-step werk heeft dat mensen vandaag handmatig doen

    Bouw agents die echte taken afronden — onderzoek, classificatie, drafting, multi-step automatiseringen. Begrensde scopes, observability, human-in-the-loop waar nodig.

    • Tool-use loops met sterke evals + tracing
    • Human approval gates voor acties met hoge impact
    • Cost + latency budgets afgedwongen tijdens runtime

    Retrieval (RAG) over uw data

    Beste keuze als: u een verzameling docs / tickets / wikis / contracten heeft waar uw team dagelijks in zoekt

    Doorzoekbare kennis over uw data. Hybrid retrieval (semantisch + keyword), citations, freshness controls, access controls afgestemd op uw bestaande rechten.

    • pgvector of Qdrant als vector store — uw keuze
    • Citation tracking — elk antwoord linkt terug naar de bron
    • Reranking + filters op metadata (datum, eigenaar, ACL)

    Waar we daadwerkelijk goed in zijn

    De onderdelen die werkende AI scheiden van indrukwekkende demo's.

    Prompt engineering

    Versioned prompts, structured outputs (JSON Schema, tool calls), guardrails tegen prompt injection. We behandelen prompts als code — reviewed, getest, gedeployed.

    Evals & monitoring

    Golden datasets, LLM-as-judge met gekalibreerde rubrics, regressiedetectie bij elke model/prompt change. Productielogs worden gesampled naar eval sets.

    Vector DBs & embeddings

    pgvector, Qdrant, Weaviate — elk heeft trade-offs. We kiezen op basis van schaal + uw bestaande infra, niet op vendor voorkeur. Hybrid search (BM25 + cosine).

    Agent orchestration

    LangGraph, custom state machines of simpele tool-use loops — wat het beste bij het probleem past. Distributed tracing over agent stappen. Resumable bij failure.

    Cost optimization

    Model routing (goedkoop voor makkelijke queries, slim voor lastige), prompt caching, batch APIs, response caching. Doorgaans 40–70% kostenreductie zonder kwaliteitsverlies.

    Privacy & on-prem

    On-prem deployments voor gevoelige data (open-source LLMs via vLLM / Ollama), zero-retention policies bij commerciële APIs, EU data residency, GDPR-conform.

    AI-tech waarmee we shippen

    Tools die we in productie hebben gedraaid, niet alleen in demo decks.

    Claude (Anthropic)

    LLM

    GPT (OpenAI)

    LLM

    LangGraph

    Orchestration

    pgvector / Qdrant

    Vector DB

    Python

    Taal

    TypeScript

    Taal

    Waarom niet gewoon een van die AI hype-shops inhuren?

    Het meeste AI-werk faalt in productie — niet omdat het model slecht is, maar omdat de engineering eromheen broos is. Onze achtergrond is in de eerste plaats software engineering (ERP, POS, mobile), dus we behandelen AI features als elk ander productiesysteem: evals, monitoring, rollback paden, kostencontrole. Toegewijde AI engineers in uw team nodig in plaats van een one-shot project? Ons Team Extension model dekt dat ook.

    Bekijk Team Extension model

    Hoe we AI features bouwen

    Discovery eerst. Geen demo's die naar productie gaan.

    Discovery & eval plan

    Wat is de taak, wat is de gebruikersimpact, wat telt als 'goed'? Definieer de eval vóór het model. Als we het niet kunnen meten, bouwen we het niet.

    Snel prototype

    Kleinst mogelijke end-to-end slice die echte data + echte gebruikers raakt. Throwaway code indien nodig — snelheid naar leren weegt zwaarder dan herbruikbare scaffolding.

    Productioniseren

    Zodra de evals slagen, harden we het. Rate limiting, observability, fallbacks, cost budgets, security review, deployment pipeline.

    Operationeel houden & verbeteren

    Monitor evals in productie. Detecteer drift. Itereer op prompts/models. We blijven na launch in het team — AI features worden beter met feedback, niet minder.

    Een AI feature in gedachten?

    Vertel ons het probleem dat u oplost — niet het model dat u wilt gebruiken. We komen terug met een eval plan, een eerlijke kijk op of AI hier de juiste oplossing is, en een grove scope. Meestal binnen 48 uur.

    Start een AI-project

    Geen hype. Geen demo-video's. Zonder evals telt het niet.