Generatieve AI en RAG op je eigen bedrijfsdata

Een losse modelaanroep maakt nog geen bruikbaar systeem. Wij bouwen de pipelines die taalmodellen binnen een bedrijf waardevol maken: je documenten inlezen, de juiste passages terugvinden, gestructureerde output leveren en met cijfers aantonen dat de kwaliteit goed genoeg is om op te vertrouwen.

Kort antwoord

elitics ontwikkelt generatieve AI voor bedrijven met een senior team in Prishtina, Kosovo. We bouwen LLM-systemen op je eigen data: RAG-zoekfuncties en AI-chatbots met bronvermelding, documentextractie, samenvattingen en contentgeneratie, elk gemeten tegen een evaluatieset. We helpen ook bij de modelkeuze en bij de vraag of fine-tuning loont. Je betaalt € 45–65 per engineer-uur, of je begint met een pilot tegen vaste prijs.

per engineer-uur voor LLM- en RAG-werk
€ 45–65
elk antwoord verwijst naar de passage waar het vandaan komt
Bronnen
vooraf afgesproken en bij elke wijziging opnieuw gedraaid
Evaluatieset
eerst getekend; code, prompts en indexen zijn van jou
NDA + IP

Generatieve AI-systemen die we bouwen

RAG-zoeken in bedrijfskennis
Beleid, contracten, technische handleidingen en oude tickets doorzoekbaar in gewone taal, met hybride keyword- en vectorzoeken, bronvermelding en toegangsregels, zodat mensen alleen documenten terugkrijgen die ze mogen openen.
Een AI-chatbot laten maken op je eigen kennis
Een assistent voor klanten of medewerkers die antwoordt op basis van jouw documenten, zijn bron laat zien, zegt wanneer hij het antwoord niet weet en het gesprek aan een collega overdraagt als dat nodig is.
Documentextractie
Facturen, contracten, pakbonnen en verzekeringsformulieren omgezet in gestructureerde velden die tegen een schema worden gevalideerd. Waarden met lage zekerheid gaan naar een beoordelaar in plaats van direct je systemen in.
Samenvatten op schaal
Lange rapporten, gesprekstranscripten en dossiers teruggebracht tot briefings in een vast format, zodat lezers dezelfde onderdelen steeds op dezelfde plek vinden.
Content binnen jouw regels
Productteksten, conceptoffertes en vertaalde varianten gegenereerd uit je data en stijlgids, met een controlestap voordat er iets wordt gepubliceerd.
Classificeren en labelen
Inkomende e-mails, documenten en feedback gelabeld op onderwerp, urgentie of sentiment, bij volumes waarop handmatig sorteren niet meer bij te houden is.

Wat een project met generatieve AI omvat

De aanroep van het model is maar een klein deel van het systeem. De kwaliteit van de output hangt vooral af van de datapipeline ervoor en de metingen eromheen.

Inlezen en indexeren
Pdf’s, scans, spreadsheets en HTML parsen; opknippen volgens de documentstructuur; metadata toevoegen zoals eigenaar, datum en toegangsgroep; en volgens schema opnieuw indexeren in Pinecone of Weaviate.
Evaluatie samen met je vakexperts
Een testset van echte vragen en documenten, gescoord op retrieval-recall, trouw aan de bronnen en nauwkeurigheid per geëxtraheerd veld, gerapporteerd bij elke release.
Modelkeuze en besluiten over fine-tuning
Twee of drie modellen vergeleken op jouw taken voor kwaliteit, snelheid en prijs. Fine-tuning stellen we alleen voor als de evaluatie een gat laat zien dat prompting en retrieval niet dichten.
Grip op kosten en latency
Caching van herhaalde verzoeken, kleinere modellen voor eenvoudige stappen, batchverwerking voor offline werk en een tokenbudget per verzoek, zodat de maandrekening voorspelbaar blijft.

Zo start een project

  1. 01

    Een gesprek van 30 minuten

    Je beschrijft het product, de deadline en je huidige team. Je spreekt met een engineering lead, niet met een verkoper.

  2. 02

    Voorstel binnen 24 uur

    Scope, team, planning en prijs op papier, als vaste prijs of als maandelijks team.

  3. 03

    Start binnen ongeveer 48 uur

    Zodra je de engineers hebt goedgekeurd, worden NDA en IP-overdracht ondertekend en wordt het team ingericht in je repositories en tools.

  4. 04

    Twee weken proefperiode

    Ben je niet tevreden, dan betaal je die twee weken niet, en wie niet goed past, wordt zonder extra kosten vervangen.

Vragen voor een partij die generatieve AI ontwikkelt

Een demo op tien uitgekozen documenten bewijst weinig. Deze vragen laten zien of een leverancier het systeem overeind houdt op je hele archief.

  1. 01

    Hoe testen jullie de antwoordkwaliteit op onze documenten?

    Een sterk antwoord beschrijft een testset van echte vragen, aparte scores voor het ophalen en voor het gegenereerde antwoord, en cijfers die je vóór livegang ziet in plaats van erna.

  2. 02

    Moeten we een model fine-tunen of volstaat RAG?

    Zoek naar „dat hangt van de taak af”: retrieval voor feiten die veranderen of een bron nodig hebben, fine-tuning voor vorm en consistentie bij een smalle taak, plus de kosten om een getuned model actueel te houden.

  3. 03

    Hoe respecteert het systeem onze documentrechten?

    Toegangsfilters horen uit het bronsysteem te komen en al bij het ophalen te gelden, niet pas na het genereren, en ze worden getest met accounts uit verschillende rollen.

  4. 04

    Wat kost elk verzoek, en hoe verandert dat bij groei?

    Verwacht een schatting per vraag op basis van gemeten tokenaantallen, en een lijst knoppen om aan te draaien, zoals caching, routing en kortere context, als het volume stijgt.

  5. 05

    Wat gebeurt er als een brondocument wordt gewijzigd of verwijderd?

    De pipeline hoort wijzigingen incrementeel te herindexeren, verwijderde content uit de index te halen en versiegeschiedenis te bewaren, zodat een oud antwoord terug te voeren is op de tekst die het gebruikte.

Manieren om te starten

RAG- of extractiepilot tegen vaste prijs
Eén documentcollectie, een evaluatieset die je met je vakexperts afspreekt en een go/no-go-besluit op basis van scores in plaats van indrukken.
AI-duo
Een AI-engineer en een full-stack engineer die de inleespipeline, de API en het scherm opleveren waar je mensen de resultaten echt gebruiken.
Vast team met data-engineering
Vanaf € 15.000 per maand, voor meerdere toepassingen van generatieve AI die één inleeslaag, één zoekindex en één evaluatieomgeving delen.

Zo werk je met ons samen

Teamuitbreiding

Senior engineers die aanschuiven bij je stand-ups en in je eigen tools werken.

Geschikt als

Je hebt een roadmap en hebt extra capaciteit of specifieke expertise nodig.

Dedicated team

Een multidisciplinair team (product, engineering, QA, DevOps) dat verantwoordelijk is voor een product of feature.

Geschikt als

Je wilt een product laten bouwen of opnieuw opzetten zonder je eigen organisatie te laten groeien.

Build-Operate-Transfer

Je eigen ontwikkelcentrum in Kosovo, door ons opgezet en beheerd.

Geschikt als

Je plant een blijvende engineeringaanwezigheid in Europa.

Bekijk de volledige dienst: AI-implementatie & machine learning voor bedrijven

Veelgestelde vragen

Wat kost de ontwikkeling van generatieve AI?

Engineering kost € 45–65 per engineer-uur. Pilots hebben een vaste prijs, die we afgeven nadat we een steekproef van je documenten hebben bekeken, en een mvp begint vanaf € 15.000. We schatten ook de modelkosten per verzoek, omdat die het lopende budget bepalen zodra het systeem live is.

Wat is RAG, en waarom gebruiken jullie het?

RAG staat voor retrieval-augmented generation: het systeem zoekt eerst de relevante passages in je eigen documenten en laat het model alleen op basis daarvan antwoorden, met verwijzing naar de bron. Zo blijven antwoorden actueel zonder een model opnieuw te trainen, en kan iedereen controleren waar een antwoord op steunt.

Worden onze documenten gebruikt om het model van een ander te trainen?

Nee. We zetten de opties bij de aanbieder zo dat je prompts en documenten buiten modeltraining blijven, hosten de index en vectorstore in je eigen AWS- of GCP-account en houden productiedata steeds in jouw omgeving.

Met welke LLM’s en tools werken jullie?

Meestal Gemini en de OpenAI API, LangChain voor pipelines, Pinecone of Weaviate voor vectorzoeken, en Python met FastAPI voor de services. We bouwen op de aanbieder die je bedrijf heeft goedgekeurd en houden de code modelonafhankelijk.

Kunnen jullie werken met gescande documenten en complexe tabellen?

Ja. Scans gaan eerst door OCR, daarna houdt een parser die rekening houdt met de opmaak koppen, tabellen en leesvolgorde intact. Tabelcellen worden als gestructureerde data uitgelezen en de nauwkeurigheid wordt per veld gemeten, zodat zwakke plekken zichtbaar zijn.

Laten we bouwen wat hierna komt.

Vertel ons wat je wilt bouwen of opschalen. Binnen 24 uur ontvang je een voorstel met een inschatting.

Of mail ons direct

hello@elitics.io+383 49 171 069

Dukagjini Center, Prishtina, Kosovo