Lokale AI-kennisassistenten voor kennisintensieve Belgische KMO's.
Wij combineren open source LLM's — volledig lokaal gehost op uw eigen infrastructuur — met gecontroleerde kennisbronnen zodat uw medewerkers betrouwbare antwoorden krijgen. Met bronvermelding, jurisdictie-correct, en nooit gemengd met buitenlandse regelgeving. Uw data gaat nooit de cloud in — zodat vertrouwelijke klantdossiers GDPR-compliant blijven en nooit terechtkomen bij externe servers, modeltraining of derde partijen.
De realiteit op de werkvloer
Estate planners en verzekeringsmakelaars gebruiken vandaag ChatGPT, Copilot of Gemini voor complexe dossiers. Maar die tools kennen geen gewestgrenzen, geen actuele VLABEL-rulings, geen FSMA-circulaires — en maken geen verschil tussen Vlaamse erfbelasting en Nederlandse successierecht. Voor successieplanning en verzekeringsadvies is dat onaanvaardbaar riskant.
Een vraag over erfbelasting krijgt een antwoord dat Vlaamse, Waalse, Nederlandse én Franse regelgeving door elkaar haalt. Geen enkel groot taalmodel kent het verschil tussen VLABEL en de federale FOD Financiën.
LLM-modellen worden getraind op een snapshot. Wetswijzigingen, nieuwe VLABEL-standpunten of recente FSMA-circulaires na die datum zijn onbekend — of worden gewoon verzonden.
Een foutief advies op basis van AI — zonder bronvermelding, zonder datum — legt het aansprakelijkheidsrisico bij de adviseur. Dat is onaanvaardbaar in fiscale of verzekeringsadvies.
"Onze medewerkers gebruiken AI, maar vertrouwen de antwoorden niet omdat het model Belgische, Nederlandse, Franse en internationale regelgeving door elkaar haalt."
Hoe MPC het oplost
Wij bouwen een RAG-systeem (Retrieval-Augmented Generation) dat uw eigen, actuele Belgische bronnen combineert met een taalmodel. Elk antwoord is traceerbaar naar een specifieke bron.
Uw medewerker stelt een vraag zoals ze dat normaal ook aan een collega zouden doen.
Het systeem zoekt de meest relevante fragmenten uit uw curated bronnen: Belgische wetgeving, VLABEL-rulings, FSMA-circulaires, interne documenten.
Het taalmodel formuleert een antwoord op basis van die bronnen — niet op basis van zijn globale training.
U krijgt het antwoord, de gebruikte bronnen, hun datum, en — indien relevant — een waarschuwing bij meerdere jurisdicties.
Kennisbasis afgestemd per gewest. Vlaamse vragen krijgen Vlaamse bronnen. Nooit meer gewesten-mix.
Bronvermelding, artikelnummer, datum van de regelgeving — altijd zichtbaar naast het antwoord.
Nieuwe VLABEL-standpunten of FSMA-circulaires worden toegevoegd aan de kennisbasis. Geen verouderde antwoorden.
Uw data verlaat uw omgeving niet. Lokale deployment of private cloud — geen training op uw dossiers.
Van 25 minuten handmatig opzoeken naar 2 minuten met de kennisassistent. Per vraag.
Business propositie
We starten met de twee sectoren waar de nood het grootst is en de markt nog vrijwel leeg: successieplanning en onafhankelijke verzekeringsmakelaars.
Voor notarissen, estate planners en fiscale adviseurs die dagelijks navigeren door het Belgische erfrecht.
Voor FSMA-geregistreerde makelaarskantoren die snel en correct inhoudelijke klantvragen willen beantwoorden, leads willen screenen en klantportefeuilles willen doorlichten.
Van probleem naar oplossing
We werken pragmatisch en resultaatgericht. Geen maandenlange projecten, geen enterprise-overhead.
We brengen uw meest voorkomende vragen, huidige kennisdocumenten en use cases in kaart. Gratis en vrijblijvend.
In 2 tot 4 weken bouwen we een werkende demo op uw documenten en uw meest gestelde vragen.
Uw medewerkers testen de kennisassistent in echte dossiers. We meten kwaliteit, snelheid en vertrouwen.
Uitrol naar alle gebruikers, training, onboarding en continue updates van de kennisbasis.
Waarom Maes Project Consultancy
De grote consultants bouwen generieke oplossingen voor de grote spelers. Wij bouwen scherpe, domeinspecifieke kennisassistenten voor kennisintensieve Belgische KMO's — met een focus op vertrouwen, bronvermelding en jurisdictie-correctheid.
Geen internationale template. Onze kennisbases zijn opgebouwd rond Belgische wetgeving, VLABEL-standpunten, FSMA-circulaires en gewestspecifieke regelgeving.
Bronvermelding, artikelnummer, datum — bij elk antwoord. Uw medewerkers en klanten zien waar het antwoord vandaan komt.
Wij gebruiken open source LLM's — niet omdat ze gratis zijn, maar omdat we ze volledig lokaal kunnen draaien. De data verlaat uw omgeving nooit, ongeacht welk model we inzetten. Het model maakt niet uit. De locatie maakt alles uit.
Cloud AI — ook met open source modellen via externe API's — verwerkt uw klantdata buiten uw omgeving. Dat is een GDPR-risico, ongeacht de vendor.
Geen 6-maanden implementatietraject. Binnen 4 weken een werkende PoC op uw eigen documenten en use cases.
Hybrid retrieval, reranking, confidence scores en jurisdictie-detectie — bewezen technische bouwstenen, toegepast op uw domein.
U werkt rechtstreeks met de expert, niet met een junior consultant. Korte lijnen, snelle beslissingen, geen enterprise-overhead.
Realisaties
Van gerealiseerde PoC tot toekomstige use cases in kennisintensieve sectoren.
Syntra Antwerpen & Vlaams-Brabant · Eindproject opleiding GDPR-Conforme AI Implementatie
Een volledig lokale, GDPR-conforme RAG-kennisassistent voor interne IT-documentatie. Medewerkers stellen vragen in natuurlijke taal en krijgen accurate antwoorden met bronvermelding — zonder data die de organisatie verlaat. De oplossing combineert hybrid retrieval (dense vector + BM25 sparse), reranking, een lokaal LLM (Qwen3-4B via LM Studio) en een evaluatieframework op basis van RAGAS-methodologie met LLM-as-a-judge scoring.
PoC in overweging · Doelgroep: successieplanners & notarissen
RAG-kennisassistent op basis van Belgische successieregelgeving per gewest — VLABEL-rulings, Vlaamse Codex Fiscaliteit, FOD Financiën publicaties en interne kantoorrichtlijnen. Medewerkers krijgen jurisdictie-correcte antwoorden met bronvermelding, zonder landen- of gewesten-mix.
PoC in overweging · Doelgroep: onafhankelijke verzekeringsmakelaars
RAG-kennisassistent op basis van Algemene Voorwaarden van tientallen verzekeraars, FSMA-praktijkgidsen en AssurMiFID-documentatie. Medewerkers beantwoorden inhoudelijke klantvragen in seconden — zonder handmatig AV's te doorspitten. Met lead screening en klantportefeuille gap-analyse als uitbreiding.
Kosten-Baten Analyse
Lokale LLM-implementatie: alle data blijft binnen uw omgeving. Geen cloud API-kosten, geen GDPR-risico. Conservatieve, realistische aannames.
Implementatiekosten (vast)
Eenmalige investering (Y0)
Jaarlijks terugkerende kosten
Cumulatief over 36 maanden — break-even punt gemarkeerd
Jaarlijkse netto ROI (jaar 1) en break-even maand bij variërend aantal medewerkers — overige parameters constant op uw instellingen.
Methodologische toelichting & bronvermelding
Zoektijd per vraag (standaard: 15 min)
Gebaseerd op Humbrela Insurance Broker Productivity Report (oktober 2025): verzekeringsmakelaars besteden gemiddeld 6-8 uur per week aan documentbeheer en het opzoeken van polisdocumenten en Algemene Voorwaarden. Bij een gemiddelde van 5 inhoudelijke klantenvragen per medewerker per dag (25 vragen/week) resulteert dit in ~14-19 minuten zoektijd per vraag. De standaardwaarde van 15 minuten is het conservatieve midden van dit bereik.
Tijdsbesparing (standaard: 70%)
Humbrela (2025) rapporteert 20-30% reductie bij generieke AI-tools. RAG-gebaseerde kennissystemen scoren significant hoger door domeinspecifieke retrieval. De standaardwaarde van 70% is gebaseerd op sectorervaring met gerichte kennisassistenten; conservatief t.o.v. de 80-90% die sommige implementaties rapporteren.
Implementatiekosten
Conservatieve aannames gebaseerd op MPC projectervaring (Syntra IT Knowledge Assistant benchmark, 2024), gecorrigeerd voor productie-klare RAG-pipeline met evaluatie, governance en gebruikersinterface. Ontwikkelkost €24.000 reflecteert een volledig productie-klare implementatie. Hardware: GPU-workstation voor lokale LLM-inferentie (Nvidia RTX-klasse). Volledig lokale deployment: geen cloud API-kosten, GDPR-conform.
Berekening
Jaarlijkse baat = medewerkers × vragen/dag × zoektijd (uur) × 220 werkdagen × uurloon × besparingscoëfficiënt. Break-even = maand waarop cumulatieve baten de cumulatieve kosten (Y0 + maandelijks onderhoud) overstijgen.
Bronnen: Humbrela, "The Hidden Cost of Administrative Work: How Insurance Brokers Lose €50K+ Annually" (okt. 2025) · Zywave Broker Services Survey 2024 · MPC Syntra IT Knowledge Assistant Project (2024) · Loonberekening.be "Loonkost Werkgever België" (2024): totale loonkost bediende = ~136% van brutoloon incl. patronale RSZ (~25%), dubbel vakantiegeld, eindejaarspremie en groepsverzekering. Bij een bruto maandloon van €3.200-3.500 (gekwalificeerde klantmedewerker verzekeringssector) resulteert dit in €37-42/uur effectieve loonkost.
Klaar om te starten?
We analyseren in een vrijblijvend gesprek uw use case en geven een eerlijk beeld van wat haalbaar is - en wat niet.
¹ Dahl et al. (2024), Large Legal Fictions, Journal of Legal Analysis – Stanford/Yale University