Wat ik leer door te doen

Waarom lokale AI beter is dan de cloud voor jouw bedrijfsdata — en wanneer niet

Ik draai al maanden lokale LLMs op mijn RTX 4080 Super. Geen data naar Google, OpenAI of welke server ook. Alles blijft thuis. Dat klinkt als het beste van twee werelden — en dat is het ook, maar niet altijd.

Wat ik heb geleerd: voor gevoelige bedrijfsdata (offertes, klantgegevens, financiën) is lokaal onverslaanbaar. Je data gaat nooit weg. Geen AVG-hoofdpijn. Geen abonnementskosten per token.

Voor MKB is mijn aanbeveling: begin met een hybride aanpak. Lokaal voor alles wat met klantdata te maken heeft. Cloud voor brainstormen, schrijven en publieke taken. Kost minder en levert meer op dan alles in één systeem proppen.

De grootste fout die MKB maakt met AI — het is niet de tool die je kiest

Ik spreek regelmatig met ondernemers over AI. De vraag is altijd: "Welke tool moet ik gebruiken?" ChatGPT? Copilot? Gemini?

Verkeerde vraag. De juiste vraag is: welk probleem wil ik oplossen?

De meeste bedrijven beginnen met een tool en zoeken dan een probleem. Dat levert op: een ChatGPT-abonnement van €20 per maand dat na drie weken stof vergaart. Ik ken er tientallen.

Ik heb dit zelf ook fout gedaan. In 2023 bouwde ik een automatisering die technisch perfect werkte maar een probleem oploste dat ik niet echt had. Drie weken werk. Nooit gebruikt. Dat was een dure les in tool-first denken.

Mijn eerste AI-agent die écht geld bespaart — een eerlijk verslag

Ik bouwde een agent die automatisch mijn administratie bijhoudt. Inkomende documenten verwerken, categoriseren, samenvatten. Klinkt simpel. Was het niet.

Wat werkte: documentherkenning is verrassend goed. Facturen, offertes, brieven — de agent pakt ze op en zet ze in de juiste map met de juiste labels. Dat scheelt me elke week minimaal een uur.

Wat crashte: de eerste versie stuurde me drie keer per nacht notificaties omdat hij elke bijlage als "urgent" classificeerde. Ik sliep slecht. De agent niet. Dat was scheve verhouding.

Na wat aanpassingen: nu draait hij stil op de achtergrond. Ik check hem één keer per dag. Tijdswinst per week: ongeveer 90 minuten. Voor een solopreneur is dat goud.

De automatisering die ik bouwde en direct weer afbrak

Niet alles werkt. Dit is zo'n verhaal.

Ik probeerde een AI-systeem te bouwen dat automatisch LinkedIn-berichten genereerde en inplande op basis van mijn notes. Idee: ik schrijf een losse gedachte, de AI maakt er een post van, pakt een goede tijd, en plaatst het.

Het probleem: de posts klonken als AI. Logisch, want dat waren ze. Mijn connecties merkten het. Eén reageerde: "Dit klinkt niet als jij." Dat was genoeg.

Wat ik nu doe: AI helpt me structureren en redigeren, maar de eerste zin en de kern schrijf ik altijd zelf. Dat is de grens die werkt voor mij.

Mijn huidige AI-stack — wat ik gebruik en waarom

Transparantie: dit zijn de tools die ik dagelijks gebruik. Geen affiliate deals, geen gesponsorde content.

Lokaal (op mijn eigen hardware): Ollama voor het draaien van open-source modellen. Llama 3, Mistral, Qwen. Voor taken waarbij data thuis blijft.

Cloud: Claude (Anthropic) voor complexe redeneer-taken en het schrijven van langere content. De context-window maakt het onmisbaar voor mij.

Orchestratie: mijn eigen OpenClaw setup — een multi-agent systeem dat taken verdeelt over de juiste modellen. Dit is waar de echte tijdswinst zit.

Totale maandkosten voor de cloud-laag: onder de €30. De lokale setup was een eenmalige investering in hardware die ik toch al had voor sim racing.