computable

De digitale transformatie blijft onderwijs en onderzoek ingrijpend veranderen. Ai, cloud en kwantum bieden kansen, maar vergroten ook risico’s. SURF benadrukt in Tech Trends 2026 dat samenwerking, veiligheid en autonomie cruciaal zijn om deze ontwikkelingen verantwoord te benutten. De digitale transformatie dendert door het Nederlandse onderwijs en onderzoek. Ai, cloud- en kwantumtechnologie beloven ongekende mogelijkheden, maar brengen ook nieuwe kwetsbaarheden en afhankelijkheden met zich mee. Terwijl instellingen experimenteren met slimme toepassingen in de klas en het lab, groeit de druk om publieke waarden, autonomie en veiligheid te bewaken. SURF, de ict-coöperatie van Nederlandse onderwijs- en onderzoeksinstellingen, schetst in Tech Trends 2026 (pdf) hoe samenwerking en duidelijke kaders onmisbaar zijn om deze technologische golf in goede banen te leiden. Wat valt daarin op? Digitale transformatie: ai als infrastructuur én als risico Ai wordt door SURF benoemd als systeemtechnologie die alle lagen van de digitale stack beïnvloedt. Binnen onderwijs en onderzoek leidt dit tot automatisering van lesplanning, feedback en administratieve processen. Tegelijkertijd ontstaan nieuwe afhankelijkheden van leveranciers en infrastructuur. Tom Hoven, woordvoerder van SURF, benadrukt echter tegen Computable: ‘Als SURF gaan wij niet over invulling van tech binnen het klaslokaal. De vorm en toepassing daarvan ligt bij onze leden zelf, die kunnen op basis van hun didactische onderwijsconcept zelf keuzes maken hierin.’ De inzet van ai vereist digitale vaardigheden, ethische kaders en robuuste governance. Een concreet voorbeeld is de toepassing van ai in online leeromgevingen, waar het wordt ingezet voor interactie en ondersteuning, maar waar het ook risico’s met zich meebrengt zoals geautomatiseerd spieken en deepfakes. SURF wijst daarom op de noodzaak van veilige ai-pijplijnen en strategieën die operationele veiligheid waarborgen. Ook interdisciplinair onderwijs krijgt aandacht, bijvoorbeeld rond slimme implantaten in de gezondheidszorg. Universiteiten en ziekenhuisonderzoeksgroepen werken bijvoorbeeld aan technologieën die traditionele metalen implantaten vervangen, wat vraagt om nieuwe curricula en samenwerking tussen disciplines. Om deze transformatie verantwoord vorm te geven, pleit SURF voor sectorbrede kaders voor ai-gebruik, met expliciete aandacht voor publieke waarden, autonomie en digitale vaardigheden. Digitale veiligheid: van cybersecurity tot databeheer De inzet van ai, iot en cloud-technologie vergroot de complexiteit van cybersecurity. Onderzoeksinstellingen profiteren van ai voor dreigingsmodellering en netwerkmonitoring, maar lopen ook risico door open access-beleid en internationale samenwerking. Hoven: ‘Datacapaciteit en cybersecurity zijn beide belangrijke onderwerpen waar we als sector en coöperatie hard aan werken.’ Privacyverhogende technologieën zoals federated learning* en synthetische data worden toegepast in projecten bij het AMC, SVB en UWV. Deze maken veilige datadeling mogelijk zonder directe toegang tot brondata. Tegelijkertijd vraagt dit om investeringen in infrastructuur en expertise. Ook datamanagement verandert: ai automatiseert taken zoals kwaliteitscontrole en integratie, maar vereist hoogwaardige en semantisch rijke data. SURF benadrukt dat instellingen hun digitale weerbaarheid moeten versterken door te investeren in crypto-agility, pet’s (privacy enhancing technologies) en semantische datakwaliteit. Dit vraagt om structurele samenwerking, technische vernieuwing en beleidsmatige verankering. Digitale autonomie: cloud, data spaces en identiteit De afhankelijkheid van Amerikaanse hyperscalers blijft groot. Europese alternatieven zoals EOSC en NextCloud worden wel ingezet, maar structurele afhankelijkheid blijft volgens SURF een risico. Tegelijkertijd groeit de behoefte aan veilige datadeling via gestandaardiseerde data spaces en TRUST*-principes. Ondertussen evolueert digitale identiteit via de EUDI Wallet en Self-Sovereign Identity, met organisatorische wallets als nieuwe norm voor samenwerking en compliance. Als voorbeeld van de geopolitieke urgentie noemt SURF de European Chips Act, die moet bijdragen aan technologische autonomie. De organisatie wijst op de noodzaak van een Europees microchip-ecosysteem, mede vanwege de afhankelijkheid van Aziatische productie en de schaarste aan grondstoffen. Volgens SURF is het noodzakelijk dat instellingen actief kiezen voor Europese cloud-alternatieven, TRUST- en FAIR*-principes breed implementeren, en infrastructuur opbouwen voor veilige digitale identiteit en datadeling. Dit versterkt de autonomie en veerkracht van de sector. Want, zo stelt Hoven, ‘vooral samenwerking binnen de sector als uniek punt maakt ons sterk.’ * Begrippenlijstje:– federated learning: ai trainen op lokale data en alleen die inzichten delen met centrale server.– FAIR-principe: findable, accessible, interoperable, reusable.– TRUST-principe: transparency, reliability, user control, security, trustworthiness.

Repeterende klussen op- en afschalenDe Praktijk – Bij verzekeraar Achmea is de toepassing van ai een belangrijk en integraal onderdeel van de strategie en versnelt het de uitvoering van groeiplannen. Computable praat erover met Arnoud Boere, programmamanager AI bij Achmea.‘De nieuwe generatie ai-technologie biedt veel mogelijkheden om de klanten van Centraal Beheer, Interpolis, Zilveren Kruis en onze andere merken nog beter van dienst te zijn en onze collega’s te ondersteunen in hun werk. Daarbij is ai geen doel op zich, maar een middel om onze klanten sneller, persoonlijker en betrouwbaarder te helpen en om de meest vertrouwde financiële dienstverlener te zijn én te blijven. Dankzij de eerder ingezette rationalisatie van onze ict-systemen en de vrijwel afgeronde migratie naar de cloud, leggen we de basis om ai nog breder toe te passen en onze service verder te verbeteren’, zegt Arnoud Boere, programmamanager AI bij Achmea.Welke verzekeringsprocessen zijn geschikt om door ai-agents te worden uitgevoerd?‘Ai-agents hebben binnen de verzekeringsbranche veel potentieel voor processen of taken die kennis- en data-intensief zijn, veel herhaling kennen of gebaseerd zijn op duidelijke regels. Denk aan het afhandelen van schadeclaims, het beantwoorden van klantvragen via chatbots en het verwerken van mutaties in de polisadministratie, zoals adreswijzigingen of de aanpassing van dekking. Dit zijn processen die voor de klant het liefst snel moeten worden afgehandeld en die voor de verzekeraar eenvoudig op- of afgeschaald moeten kunnen worden. De ai-agents kunnen werk uit handen nemen en zorgen voor snelheid en consistentie.’Wat doen jullie al met ai-agents?‘Wij zijn actief bezig met het verkennen en ontwikkelen van ai-agents. Deze worden gezien als digitale assistenten die geheel of gedeeltelijk zelfstandig taken kunnen uitvoeren. Ze gaan verder dan traditionele chatbots en robotic process automation-scripts: ai-agents zijn contextbewust, kunnen plannen, leren en samenwerken.Ons uitgangspunt is dat er altijd sprake is van een ‘human in the loop’. Daarmee bedoelen we dat ai-toepassingen altijd worden gebruikt in combinatie met checks and balances waarbij mensen betrokken zijn. Zo voorkomen we eventuele ‘computer says no’-issues. Het gaat om een nieuwe technologie die nauwgezet gevolgd en gecontroleerd moet worden.Een concreet voorbeeld is een lopend onderzoek naar een zogeheten security-agent. Deze agent analyseert netwerkverkeer op pogingen van hackers om kwetsbaarheden uit te buiten. Door patronen te herkennen met behulp van ai, stelt de agent passende acties voor aan securityspecialisten, zoals het afsluiten van poorten of het verhogen van monitoring.De hier ontwikkelde techniek heeft potentieel voor bredere toepassingen waarbij snel en adequaat reageren op complexe data cruciaal is, bijvoorbeeld governance en controle.Verder onderzoeken we actief nieuwe toepassingen en testen die binnen verschillende bedrijfsfuncties, zoals schade-afhandeling, risicobeoordeling, klantinteractie en documentanalyse. De ambitie is om ai-agents alleen in te zetten waar ze daadwerkelijk waarde toevoegen en niet als gimmick.’Hoe check je ai en wat doe je als die fouten maakt?‘We nemen onze verantwoordelijkheid als financiële dienstverlener uiterst serieus. Daarom wordt streng gelet op veiligheid, transparantie en compliance. Alle denkbare technische maatregelen worden genomen, zoals het toevoegen van contentfilters en testprocedures, denk aan red teaming, om risico’s te beperken, en het borgen dat ai-modellen gedeactiveerd kunnen worden wanneer deze niet goed functioneren.Wij hanteren een strikt toetsingskader, gebaseerd op wettelijke vereisten zoals de AI Act en ethische richtlijnen zoals de Unesco AI-principes. Daarnaast wordt het NIST AI Risk Management Framework gebruikt als referentie om de volledigheid van beheersmaatregelen te toetsen. Elk ai-systeem bij ons wordt vooraf gecontroleerd en tijdens gebruik gemonitord en geëvalueerd.Er vinden ethische én juridische toetsen plaats. Juridisch wordt onder andere gekeken naar naleving van de AI Act en de AVG: is de verwerking van gegevens rechtmatig, zijn de risico’s voldoende ingeschat, en is de besluitvorming uitlegbaar? Ook wordt beoordeeld of het systeem voldoet aan interne richtlijnen zoals het Ethisch Kader Datagedreven Besluitvorming dat we samen met het Verbond van Verzekeraars hebben ontwikkeld. Bij fouten is er altijd een vangnet.Dat betekent dat er menselijke tussenkomst mogelijk is bij bepaalde uitkomsten, bijvoorbeeld wanneer een ai-systeem een claim afwijst of een risicoscore toekent. Er zijn duidelijke verantwoordingslijnen: het is vooraf vastgelegd wie verantwoordelijk is voor het ontwerp, het gebruik en het toezicht op het ai-systeem. Zo kan bij een incident snel worden vastgesteld waar het misging en wie actie moet ondernemen. Op deze manier borgen wij dat ai veilig, transparant en verantwoord wordt ingezet.’“Ai wordt niet als losstaand ict-project gezien, maar als organisatiebrede ontwikkeling die samenwerking tussen vakgebieden vereist”Hoe borg je als bedrijf de uitlegbaarheid van ai?‘Achmea legt over de gehele verwerkingsketen digitale sporen vast van hoe beslissingen tot stand komen, zodat de datakwaliteit geborgd kan worden. Hierdoor kan worden aangetoond dat het ai-systeem correct functioneerde.’Risicomanagement valt meestal onder de cfo, maar ai is ook ict, dus dat valt onder de cio. En het betreft security, dus de ciso is betrokken en dan is er nog legal… hoe doen jullie dat?‘We zien dat een verantwoordelijke inzet van ai vraagt om een brede betrokkenheid van disciplines uit ons bedrijf, met ons Responsible AI framework als basis. Het gaat dan bijvoorbeeld om samenwerking tussen compliance, risk management, it, legal en security. Daarom hebben wij centrale sturing en governance ingericht, met vertegenwoordigers van al deze rollen. Zo wordt ai integraal aangestuurd, met aandacht voor risico, technologie, veiligheid en juridische aspecten. Ai wordt op deze manier niet als losstaand ict-project gezien, maar als organisatiebrede ontwikkeling die samenwerking tussen vakgebieden vereist.’Wat komt er nog meer kijken bij toepassing van ai in de organisatie?‘Ai is een veelbelovende techniek die wij inzetten op plekken waar het daadwerkelijk waarde toevoegt voor klanten, de organisatie en collega’s. Bij de ontwikkeling en toepassing van ai kijken we niet alleen naar technologische mogelijkheden, maar ook naar de bredere gevolgen voor mens en maatschappij. Zo wordt bijvoorbeeld gelet op het energieverbruik van ai-systemen en het verantwoord gebruik van data en middelen, zoals koelwater van datacenters. Medewerkers worden gestimuleerd om ai bewust en doelgericht in te zetten, met efficiëntie en relevantie als uitgangspunt.Daarnaast benaderen we ai vanuit een bredere esg-visie. Ethische aspecten, transparantie en inclusiviteit worden meegenomen in ontwerp en besluitvorming. Ai moet bijdragen aan een toekomst die eerlijk, betrouwbaar en duurzaam is – zowel binnen de organisatie als in de dienstverlening aan klanten. Tot slot willen we benadrukken dat we ons ervan bewust zijn dat het gebruik van ai het werk verandert. Daarom besteden we, naast de ontwikkeling van ai-toepassingen en – tool, veel aandacht aan de veranderingen die dit met zich meebrengt. We kijken naar de nieuwe vaardigheden die hiervoor nodig zijn en bieden medewerkers diverse leerpaden om deze te ontwikkelen.’Dit artikel staat ook in Computable Magazine 2025 #6.

Nieuwe richtlijnen verduidelijken hoe grote online platforms tegelijk moeten voldoen aan de DMA en de AVG. De Europese Commissie en toezichthouders willen hiermee meer duidelijkheid bieden aan bedrijven en extra bescherming garanderen voor gebruikers.De Europese privacytoezichthouders (EDPB) en de Europese Commissie hebben nieuwe richtlijnen gepubliceerd over de samenhang tussen de Digital Markets Act (DMA) en de Algemene Verordening Gegevensbescherming (AVG). Grote platforms, zoals aanbieders van app-winkels, berichtendiensten en zoekmachines, krijgen hiermee meer houvast bij het naleven van beide wetten.De DMA bevat regels voor digitale ‘poortwachters’ met een sterke marktpositie. Zij moeten eerlijke concurrentie mogelijk maken door onder meer het koppelen van diensten te beperken en data te delen met andere aanbieders. Veel van deze verplichtingen raken direct aan de bescherming van persoonsgegevens, waardoor afstemming met de AVG noodzakelijk is.Richtlijnen voor bedrijven en gebruikersDe nieuwe richtlijnen leggen uit wanneer platforms expliciet toestemming moeten vragen voor het combineren van gegevens uit verschillende diensten. Ook wordt verduidelijkt hoe gebruikers transparant moeten worden geïnformeerd over het gebruik van hun data.Voor bedrijven bieden de richtlijnen praktische handvatten om hun verplichtingen onder de DMA uit te voeren zonder in strijd te komen met de AVG. Voor gebruikers betekent dit extra zekerheid dat hun privacyrechten ook gelden wanneer platforms aan de DMA-regels moeten voldoen.Consultatie tot vier decemberDe richtlijnen zijn nog in concept. Tot en met vier december 2025 kan iedereen reageren via een openbare consultatie op de website van de EDPB. Daarna wordt de definitieve versie vastgesteld.Volgens de toezichthouders is het doel om bedrijven duidelijkheid te geven en tegelijkertijd de positie van gebruikers te versterken: ‘veel van deze verplichtingen raken direct aan de bescherming van persoonsgegevens.’

Conversatie-ai-assistenten zoals Copilot, Claude en Gemini zijn krachtig, maar hun hallucinaties blijven een groot risico. Wat kunnen organisaties doen om dit gevaar technisch en organisatorisch te beperken zónder de voordelen te verliezen? Ai‑assistenten zijn razendsnel en overtuigend, maar juist dat maakt hun fouten verraderlijk. Een hallucinerende Copilot, Claude of Gemini is geen incidentje, maar een ingebakken eigenschap: het model vult gaten in met plausibele onzin. Voor organisaties die afhankelijk zijn van betrouwbare informatie creëert dat een reëel risico. De eerste stap is dus acceptatie: ja, ai-assistenten zúllen hallucineren. De echte aandacht? Hoe herken je hallucinaties, hoe beperk je ze en hoe maak je ze beheersbaar. Computable heeft dat op een rijtje gezet. Risico’s in de praktijk ‘Een onnauwkeurigheid in een juridisch document kan de uitkomst van een zaak beïnvloeden,’ waarschuwt onder andere het Amerikaanse ict-vakblad Computerworld. Zulke fouten kunnen niet alleen rechtszaken doen kantelen, maar ook investeerders afschrikken en beleidskeuzes ondermijnen. Onderzoek van Stanford University laat zien dat zulke ai-assistenten, algemene large language modellen (llm), in zo’n drie kwart van juridische queries hallucineren. Zelfs domeinspecifieke modellen geven in één op de drie of vier gevallen nog foutieve citaties. Deloitte rapporteerde dat vier op de tien executives verkeerde beslissingen nemen op basis van foutieve ai-output. Voor cio’s en risk officers betekent dit dat ai-governance niet optioneel is. Zonder controles en verificatieprocessen kan een enkele fout doorwerken in beleid, investeringsbeslissingen of juridische claims. Data en retrieval als fundament ‘Als de input verouderd of inconsistent is, kun je geen betrouwbare output verwachten’, verwoordt ai-beveiliger Knostic het bekende ‘garbage in, garbage out’. In de praktijk betekent dit dat organisaties hun kennisbanken net zo zorgvuldig moeten beheren als hun financiële administratie. Retrieval-augmented generation (rag) kan hallucinaties beperken, mits de pijplijn robuust is ingericht, legt de cybersecurityexpert uit. Dat betekent: vectorindexen opschonen, embeddings valideren, documentversies beheren en retrieval-resultaten monitoren. Zonder die discipline kan een oud hr-document zomaar als actuele regelgeving worden gepresenteerd. Wie rag inzet, moet dus niet alleen investeren in techniek, maar ook in processen voor datakwaliteit en monitoring. Alleen zo kan de belofte van betrouwbaardere output worden waargemaakt. Gebruikersgedrag maakt verschil ‘Als je vraagt om vijf voorbeelden terwijl er maar vier bestaan, gaat het model het ontbrekende voorbeeld gewoon verzinnen,’ illustreert OpenAI zelf de rol van de menselijk gebruiker bij hallucinerende ai’s. Zulke promptfouten ontstaan vaak onbewust, maar vergroten de kans dat medewerkers hallucinaties voor waar aannemen. Best practices voor gebruikers zijn daarom: hypothetische scenario’s expliciet markeren, abrupte onderwerpwisselingen vermijden en formuleren in termen van ‘tot vijf voorbeelden’ in plaats van een exact aantal. Ook helpt het om Copilot te instrueren in een zakelijke toon en contextuele informatie mee te geven. Voor organisaties betekent dit dat training in promptvaardigheden een noodzakelijke investering is, om de betrouwbaarheid van ai-output te vergroten. Zo adviseert Microsoft zelf de ICE-methode voor betere prompts: Instructies die direct en specifiek zijn, Condities om duidelijke grenzen te stellen (‘alleen uit deze documenten’) en Escalatie om terugvalgedrag te definiëren (zeg ‘Ik weet het niet’ als je het niet zeker weet’). Typen hallucinaties herkennen ‘Je kunt pas effectief mitigeren als je weet met welk type hallucinatie je te maken hebt,’ verdiept Microsoft de aanpak van foute ai’s. Pas dan kan er gericht naar een oplossing gezocht worden. Men onderscheidt zes typen hallucinatie: feitelijke, temporele, contextuele, linguïstische, extrinsieke en intrinsieke hallucinaties. Feitelijke fouten vragen om strakkere bronverificatie, temporele fouten om actuele datasets, linguïstische fouten om domeinspecifieke modellen. Ook hyperparameters spelen een rol: lagere temperatuurinstellingen (0,1–0,4) reduceren variatie en daarmee de kans op verzinsels. Door patronen in fouten te analyseren, kunnen organisaties gericht maatregelen nemen. Zo kan een team dat vooral contextuele hallucinaties ziet, de retrieval-pijplijn aanscherpen, terwijl linguïstische fouten juist vragen om gespecialiseerde modellen. Daarbij zet ai-expert Datamatics wel een belangrijke kanttekening: hoewel zulke specifiekere oplossingen (vaak small language models, slm genoemd) vaak betere antwoorden geven en doorgaans minder vatbaar zijn voor hallucineren, zijn ze zeker niet immuun. Governance boven techniek ‘Hallucinaties zijn geen productfouten die met een firmware-update kunnen worden gepatcht, maar een ontwerp- en governance-probleem,’ vat WindowsForum het allemaal samen. De focus moet verschuiven van techniek naar organisatiebrede borging. Het forum benadrukt dat governance-onderzoeken blijvende zorgen signaleren over provenance en databeheer, ondanks dat Copilot bijvoorbeeld gebruik maakt van tenant-grounding en gelicentieerde content. Voor organisaties betekent dit dat ze beleid moeten opstellen voor bronverplichting en groundedness-checks, logging en auditability, escalatieprocedures en rolgebaseerde toegang. Cruciaal is ook de menselijke factor: outputs in hoog-risico-domeinen moeten áltijd door experts worden nagekeken. Want hoe goed ook, elke ai-assistent ‘maakt fouten op onvoorspelbare momenten, kan waarheid niet van onwaarheid onderscheiden en heeft geen notie van betekenis,’ herhaalt Pascal Wiggers, sinds kort lector Responsible IT aan de Hogeschool van Amsterdam. ‘Deze tekortkomingen zullen nooit volledig verdwijnen. Nadenken is de enige remedie.’ To do’s om ai-hallucinaties te voorkomen:1: Duidelijke prompts Formuleer vragen zakelijk, concreet en met voldoende context: ‘ICE ICE baby!’.2: Betrouwbare bronnen Gebruik rag en koppel de ai-assistenten aan gecontroleerde databronnen.3: Redenering & verificatie Vraag om stap-voor-stap uitleg en controleer citaties en feiten.4: Hertraining & controle Verzamel feedback, hertrain de modellen en laat outputs in risicodomeinen nakijken door experts.5: Governance & opleiding Bouw processen in voor monitoring en train medewerkers in verificatievaardigheden. Verklarende woordenlijst voor ai-modellen Domeinspecifieke modellenAi-modellen die getraind zijn op data uit een specifieke sector of vakgebied.Bijvoorbeeld een medisch taalmodel voor radiologieverslagen, of een juridisch model voor contractanalyse. EmbeddingsNumerieke vectorrepresentaties van woorden, zinnen of documenten waarmee semantische overeenkomsten berekend kunnen worden.Bijvoorbeeld zoeken naar soortgelijke producten in een webshop, of clusteren van nieuwsartikelen. Gelicentieerde contentData of materiaal dat met toestemming en onder contractuele voorwaarden gebruikt wordt voor training of output.Bijvoorbeeld: een dataset van een uitgeverij, of stockfoto’s met gebruikslicentie. Groundedness-checksMechanismen om te controleren of een ai-antwoord gebaseerd is op betrouwbare bronnen of context.Bijvoorbeeld: verificatie dat een samenvatting overeenkomt met de originele tekst, of fact-checking tegen een kennisbank. Hallucinatie, de zes typen1. Contextuele: antwoord past niet bij de vraag. Bijvoorbeeld bij een vraag over netwerken een recept voor appeltaart geven.2. Extrinsieke: informatie wordt verzonnen die niet in de bron staat. Bijvoorbeeld een niet-bestaande auteur toevoegen aan een artikel.3. Feitelijke: feitelijke onjuistheden. Bijvoorbeeld zeggen dat Parijs in Duitsland ligt.4. Linguïstische: grammaticaal correct maar betekenisloos. Bijvoorbeeld “De kwantumwolk harmoniseert de semantische vector.”5. Intrinsieke: interne tegenstrijdigheden in het antwoord. Bijvoorbeeld eerst zeggen dat een bedrijf in 2010 is opgericht en later in dezelfde tekst 2015 noemen.6. Temporele: verkeerde tijdsaanduidingen. Bijvoorbeeld beweren dat Windows 95 in 2005 is uitgebracht. HyperparametersInstelbare waarden die het leerproces van een model sturen, maar niet door het model zelf geleerd worden.Bijvoorbeeld leersnelheid, of aantal lagen in een neuraal netwerk. ProvenanceHerkomst en traceerbaarheid van data of informatie.Bijvoorbeeld bronvermelding bij een dataset, of logbestanden die laten zien waar een document vandaan komt. Retrieval-augmented generation (rag)Techniek waarbij een model externe documenten ophaalt en combineert met generatieve output.Bijvoorbeeld een chatbot die actuele wetgeving ophaalt, of een zoekfunctie die documenten samenvat. TemperatuurParameter die de mate van creativiteit of variatie in modeluitvoer bepaalt.Bijvoorbeeld gebruik van lage temperatuur voor feitelijke antwoorden, of hoge temperatuur voor creatieve teksten. Tenant-groundingHet koppelen van ai-antwoorden aan de specifieke data en context van één organisatie of gebruiker.Bijvoorbeeld een ai-bedrijfsassistent die alleen interne documenten van dat bedrijf gebruikt. VectorindexenDatabasestructuren die embeddings opslaan en efficiënt doorzoekbaar maken.Voorbeeld: een vectorindex voor semantische zoekopdrachten in klantmails, een index voor beeldherkenning.