Een reflectie op de eerste experimenten met generatieve AI
Generatieve AI heeft de voorbije jaren een opmerkelijke ontwikkeling doorgemaakt. De introductie van krachtige taalmodellen zoals ChatGPT leidde tot een golf van experimenten, inzichten en toepassingen. Toch blijft de centrale vraag: hoe zet je deze technologie in op een manier die relevant, robuust en waardevol is?
Bij Sirris begeleiden we bedrijven bij het tastbaar maken van technologie. Onze aanpak is pragmatisch: we vertrekken vanuit reële noden en uitdagingen, niet vanuit hype. In het artikel “Vier maanden experimenteren met GenAI” deelden we eerder de inzichten uit een reeks interne trajecten. Eén van de drijvende krachten achter deze verkenning is Nick Boucart, senior technologisch adviseur bij Sirris.
Als expert in software, SaaS-modellen en digitale strategieën bracht hij zijn kritische blik én technische expertise samen in een reeks concrete experimenten. Wat volgt, is zijn persoonlijke verhaal over hoe hij generatieve AI in de praktijk heeft leren kennen en toepassen.
GenAI: van sceptische blik tot doelgerichte experimenten
Het moet ergens in de herfst van 2023 geweest zijn. De mainstream introductie van ChatGPT lag intussen bijna een jaar achter ons. Zelf had ik op dat moment nog geen structurele plannen om ermee aan de slag te gaan. Mijn eerste indruk? Een interessante technologie, maar ook veel ruis, onbetrouwbare output en een beperkte toegevoegde waarde voor mijn dagdagelijkse werking. Prompten had ik wel geprobeerd, maar zelden met overtuigend resultaat. Vaak gaf ik gewoon de voorkeur aan een klassieke zoekopdracht via Google.
Toch begon mijn interesse te groeien, mede door gesprekken met collega’s die via intensief oefenen wel degelijk waarde haalden uit ChatGPT. Dat zette mij aan het denken. Misschien moest ik de technologie toch een kans geven, maar dan wel op mijn eigen manier: via een concreet prototype, technisch onderbouwd en gericht op reële vragen.
Van idee tot toepassing: de eerste Sirris-chatbot
In oktober besloot ik om systematisch aan de slag te gaan. Ik ontwikkelde een eerste GenAI-prototype: een chatbot die antwoorden kon genereren op basis van de volledige inhoud van de Sirris-website. De werking was eenvoudig maar effectief:
- Ik gebruikte Python-code om onze website te scrapen,
- sloeg de gegevens op als embeddings in een vector database,
- en koppelde dit vervolgens aan een generatief taalmodel via LangChain.
Op die manier ontstond een RAG-architectuur (Retrieval Augmented Generation) die antwoorden formuleerde op basis van onze eigen content.
De resultaten waren gemengd. De chatbot presteerde degelijk bij vragen waarvan het antwoord expliciet op onze website stond. Maar in andere gevallen, zoals bij een vraag over wat men kon bereiden met zalm en vijgen, produceerde het systeem een recept. Uiteraard hebben wij geen culinaire sectie op onze site. Dit was een duidelijke illustratie van de beperkingen van taalmodellen zonder inhoudelijke controle.
Vier inzichten uit de praktijk
Na deze eerste oefening bleef ik verder experimenteren. Ik paste prompts aan, indexeerde de content opnieuw en testte met varianten in de configuratie. Gaandeweg groeide mijn inzicht in wat wel en niet werkt. Enkele kernlessen:
Laat technologie vertrekken van een duidelijke nood
Een chatbot inzetten zonder een helder probleem te willen oplossen, is zelden waardevol. Generatieve AI heeft enkel impact wanneer het een concrete behoefte invult. Anders blijft het een vrijblijvende technologiepush.
Generatieve AI is een Zwitsers zakmes, geen toverstok
Generatieve AI is geen tovermiddel, maar een flexibel instrument. De uitdaging ligt in het correct definiëren van de toepassing. Jobs-to-be-done blijft hierbij een waardevol denkkader.
Lange prompts maken geen korte metten
Taalmodellen voorspellen het meest waarschijnlijke volgende woord, op basis van enorme hoeveelheden data. Dit maakt ze krachtig, maar ook potentieel foutgevoelig. Wie betrouwbare output wenst, doet er goed aan eigen data te integreren via technieken als RAG (Retrieval Augmented Generation), tool calling en recentelijk MCP (Model Context Protocol).
Gebruikers zijn onvoorspelbaar. En dat is zacht uitgedrukt
Gebruikersinteracties zijn niet altijd voorspelbaar. Sommigen stellen onschuldige maar afwijkende vragen, anderen proberen het systeem bewust te testen. Het is belangrijk om na te denken over wat wel en niet toelaatbaar is, en het systeem hierop af te stemmen.
En vandaag?
Intussen heb ik tientallen prototypes ontwikkeld en met tal van bedrijven gesproken over de inzet van GenAI. De kernuitdagingen uit mijn eerste experiment blijven vandaag even actueel, maar sinds de lancering van ChatGPT is het enthousiasme bij een breder publiek geëxplodeerd. Voor bedrijven biedt dit kansen én uitdagingen. Hoe ga je als softwarebedrijf om met deze technologie? Hoe zorg je dat je applicaties robuust, betrouwbaar en veilig blijven, ook met GenAI-componenten?
Bij Sirris hanteren we het motto “made real”. Dat geldt ook voor generatieve AI. We helpen bedrijven om voorbij de buzzwords te kijken en technologie op een realistische, duurzame manier te implementeren.
Daarom is op 1 mei het Coock+ project LISA van start gegaan, een initiatief van Sirris en KULeuven DistriNet. In dit project onderzoeken we hoe je generatieve AI-toepassingen op een verantwoorde manier inzet in softwareontwikkeling.
Heeft u interesse om deel te nemen aan de gebruikersgroep van LISA?
Meer weten?
Lees ook het artikel "Vier maanden experimenteren met GenAI", waarin we de bredere lessen uit onze interne trajecten bij Sirris samenvatten.
