Een AI chatbot is een programma dat gesprekken voert in gewone taal, waarbij een taalmodel de bedoeling achter je vraag herkent en het antwoord zelf formuleert in plaats van een vooraf geschreven tekst op te halen. Je typt een vraag zoals je hem aan een collega zou stellen en er komt een antwoord terug, zonder keuzemenu en zonder wachtrij.
Onder dat ene woord zitten twee heel verschillende dingen. ChatGPT is een AI chatbot en de assistent op de website van je energieleverancier ook, maar de eerste gebruik je zelf als gereedschap en de tweede zet een organisatie in om met klanten te praten. De vragen die daarbij horen, lopen totaal uiteen, en de mechaniek van hoe werkt AI verklaart waarom.
Voor een professional in een kennisintensief kantoor is de eerste vorm dagelijkse praktijk en de tweede een investeringsbeslissing. Die twee door elkaar halen leidt tot offertes aanvragen voor iets wat je niet nodig hebt, of tot een tool wegwuiven die je wel had kunnen gebruiken.
Wat volgt is het onderscheid tussen de twee soorten techniek, waar professionals een chatbot zelf voor gebruiken, wanneer een eigen chatbot voor je kantoor zin heeft, en wat er verandert zodra een model namens jouw kantoor tegen een cliënt praat.
Wat is het verschil tussen ChatGPT en een chatbot op een website?
Het verschil tussen ChatGPT en een AI chatbot op een website zit in wie het antwoord leest voordat het ergens landt. ChatGPT open je zelf, je beoordeelt wat eruit komt en je beslist wat je ermee doet. Een chatbot op een website antwoordt rechtstreeks aan een klant, zonder tussenstap, met de naam van de organisatie eronder.
Beide draaien op vergelijkbare techniek, en dat is precies waarom het woord verwarring geeft. De verschillen zitten niet in het model maar in de inrichting eromheen: welke informatie het systeem mag raadplegen, wie de output ziet en wie aanspreekbaar is als er iets misgaat.
Aan de gebruikerskant staan de algemene assistenten die je zelf opent, zoals ChatGPT, Claude en Gemini, waar je documenten in zet en teksten mee opstelt. Aan de andere kant staat de bot die een organisatie op haar eigen kanalen zet, gekoppeld aan een kennisbank en meestal aan een systeem waar de antwoorden vandaan komen.
Beide verschillen bovendien van wat vijf jaar geleden een chatbot heette. Die eerdere systemen zochten naar trefwoorden en gaven een vooraf geschreven antwoord terug, wat werkte zolang de vraag binnen het script viel en meteen strandde zodra dat niet zo was. De frustratie die veel mensen bij het woord chatbot voelen, komt uit die periode en zegt weinig over wat er nu mogelijk is.
Welke van de twee je voor je hebt, bepaalt welke vragen relevant zijn. Bij de eerste gaat het over hoe je het aanstuurt en of je de output controleert. Bij de tweede gaat het over investering, aansprakelijkheid en wat het systeem over je cliënten mag weten.
Hoe verschilt een AI-gestuurde chatbot van een regelbot?
Een AI-gestuurde chatbot werkt met geleerde patronen, waar een regelbot vooraf geprogrammeerde regels volgt. De eerste herkent trefwoorden en zinnen die iemand heeft ingevoerd, de tweede herkent de bedoeling achter een formulering die nog nooit langs is gekomen.
In de praktijk merk je dat verschil bij de eerste afwijking. Vraagt iemand “wanneer wordt mijn bestelling geleverd”, dan doen beide systemen het goed. Vraagt iemand “is mijn pakket al onderweg”, dan valt het regelsysteem stil terwijl het model doorheeft dat dit dezelfde vraag is. Elke variant vooraf programmeren is onbegonnen werk, want mensen formuleren eindeloos verschillend.
De meeste chatbots die je vandaag tegenkomt, zijn AI-gestuurd en draaien op een groot taalmodel. Diezelfde technologie zit achter generatieve AI, die tekst opbouwt op basis van waarschijnlijkheid in plaats van een antwoord op te zoeken in een lijst.
Voor organisaties bestaat er een tussenvorm die belangrijker is dan het onderscheid hierboven. Bij retrieval-augmented generation, kortweg RAG, zoekt het systeem eerst het juiste stuk uit jouw eigen documenten en laat het model daarna alleen daarop het antwoord formuleren. Het model verzint dan minder, want het put uit een bron die jij hebt aangeleverd in plaats van uit alles wat het ooit heeft gelezen.
Die opzet is de reden dat een bedrijfschatbot iets anders is dan ChatGPT met een logo erop. De kwaliteit hangt vrijwel volledig af van de documenten die je erin stopt, en een verouderd document levert een verouderd antwoord op dat er even overtuigend uitziet als een correct antwoord.
Waarvoor gebruiken professionals zelf een AI chatbot?
Professionals gebruiken een AI chatbot vooral als werktool voor taken die eerder volledig handmatig waren. Documenten samenvatten, een concept opstellen, een lange tekst structureren, een tweede blik op een redenering: dat zijn de taken waar de winst zit voor iemand die met kennis en tekst werkt.
De tijdwinst is daarbij minder interessant dan het soort werk dat verschuift. Een uur bezig zijn met de opzet van een adviesbrief wordt tien minuten schetsen en vijftig minuten aanscherpen, waarbij het denkwerk verschuift van formuleren naar beoordelen. Wie alleen op snelheid stuurt, levert sneller middelmatig werk af.
Welk model daarbij het best past, hangt af van het soort werk dat je doet en niet van welke tool het meest genoemd wordt. Voor wie die afweging wil maken, staat de vergelijking van welke AI is het beste per taaktype uitgewerkt, van lange documenten tot code en actuele informatie.
De vaardigheid die het verschil maakt, is niet het kiezen van de tool maar het aansturen ervan. Een vage vraag levert een vaag antwoord op, en een antwoord dat je niet controleert is een aanname. Wie die werkwijze gestructureerd wil opbouwen, met promptopbouw en outputcontrole als één geheel, vindt die opbouw in de ChatGPT cursus van LearnLLM.
Wanneer heeft jouw kantoor een eigen chatbot nodig?
Een eigen AI chatbot loont pas bij voldoende volume aan herhaalvragen, en dat volume halen de meeste kennisintensieve kantoren niet. Een bot voor klantcontact verdient zichzelf terug doordat hij honderden keren per maand dezelfde vraag afvangt, niet doordat hij modern oogt.
Reken dat eerlijk door voordat je een offerte aanvraagt. Een notariskantoor met twintig medewerkers krijgt per week een handvol inhoudelijke vragen, en die zijn zelden hetzelfde: elke vraag hangt aan een dossier, een situatie en een termijn. Een bot die de openingstijden en de route naar het kantoor kan noemen, vervangt geen enkel uur werk. Bureaus rekenen voor zo’n traject al snel enkele duizenden tot tienduizenden euro’s, en dat verdient zich alleen terug bij een vragenstroom die er niet is.
Wat op die schaal wel werkt, is de omgekeerde richting. Een assistent die intern draait op je eigen kennisbank, waarin medewerkers opzoeken welke procedure geldt, welk sjabloon de laatste is en wat er vorige keer met een vergelijkbaar dossier is gebeurd. Daar zit wel herhaling in, en een fout blijft binnen de muren waar iemand hem kan corrigeren.
Tussen niets doen en een bot laten bouwen zit bovendien een stap die weinig kost. In een projectomgeving van ChatGPT of Claude zet je je eigen sjablonen, procedures en voorbeelden één keer klaar, waarna iedereen in het kantoor daar vragen aan stelt zonder dat er iets gebouwd hoeft te worden. Dat is geen chatbot in de commerciële betekenis van het woord, maar het lost wel het probleem op waarvoor kantoren er meestal een overwegen.
De drempelvraag is dus niet of de techniek kan wat je wilt, want dat kan hij vrijwel altijd. De vraag is of dezelfde vraag vaak genoeg terugkomt om automatisering te rechtvaardigen, en of een fout in het antwoord acceptabel is op de plek waar het antwoord terechtkomt.
Wat verandert er zodra een chatbot namens je kantoor praat?
Zodra een AI chatbot namens je kantoor praat, verschuift de verantwoordelijkheid voor elk antwoord naar jou. Een medewerker die zich vergist, corrigeert dat in het volgende gesprek. Een bot die zich vergist, doet dat consequent, bij iedereen, tot iemand het merkt.
Uit de bankenpraktijk neem ik drie vragen mee die je bij elke AI-taak stelt: welke data gaat erin, welke claims baseer je op de uitkomst en wie is aansprakelijk voor het resultaat. Bij een chatbot voor cliënten worden alle drie scherper. De data is je eigen dossier- of kennisbestand, de claims zijn uitspraken die een cliënt als advies kan opvatten, en de aansprakelijkheid ligt bij het kantoor.
Voor gereglementeerde beroepen komt daar het beroepsgeheim bij. Een bot die toegang heeft tot dossierinformatie om een vraag te kunnen beantwoorden, heeft per definitie toegang tot informatie die niet bij een andere cliënt terecht mag komen. Dat is een inrichtingsvraag die je vooraf beantwoordt, niet een instelling die je later aanzet. Wat je een systeem wel en niet geeft, hoort tot verantwoord AI gebruik en hoort vastgelegd te zijn voordat de eerste vraag binnenkomt.
De wetgeving raakt dit eveneens rechtstreeks. Een chatbot moet duidelijk maken dat de gebruiker met een systeem praat en niet met een mens, en er gelden eisen aan de informatie die je daarover geeft. Die verplichtingen vallen onder AI Act compliance, samen met de afspraken over verwerking en vastlegging.
Niet elke taak heeft daarbij hetzelfde risicoprofiel. Een bot die de openingstijden noemt, staat mijlenver af van een bot die uitleg geeft over een lopende procedure. Die weging maak je per type vraag, en voor het zwaardere deel geldt de regel die ik uit de bankenjaren meeneem: er gaat geen antwoord met inzet naar buiten zonder tweede controle, ook niet als een model het heeft geschreven.
Wat zijn de beperkingen van een AI chatbot?
Een AI chatbot kan overtuigend klinkende onzin produceren, en dat is de beperking die alle andere overschaduwt. Het model kiest het meest waarschijnlijke antwoord en niet het aantoonbaar juiste, waardoor een AI hallucinatie in dezelfde toon binnenkomt als een correct antwoord.
De kwaliteit hangt daarnaast af van de data waarop het model is getraind of waaruit het put. Een publiek model kent de wereld tot een bepaalde datum en weet niets van wat er daarna is gebeurd. Een bedrijfsbot weet precies zoveel als de documenten die je hebt aangeleverd, inclusief de fouten en de verouderde versies daarin.
Privacy is het derde punt, en het meest onderschatte. Wat je in een publieke chatbot typt, wordt verwerkt op de servers van de aanbieder, en bij sommige accounttypes kan die informatie worden gebruikt om modellen te verbeteren. Cliëntgegevens en persoonsgegevens horen daar niet in, ongeacht hoe handig het op dat moment uitkomt.
De vierde beperking krijgt zelden aandacht en kost in klantcontact het meeste. Een model schat slecht in wanneer het moet stoppen. Waar een medewerker aanvoelt dat een vraag te gevoelig wordt of dat iemand geïrriteerd raakt, praat een bot rustig door met een antwoord dat op papier klopt. Een goede opzet legt daarom vooraf vast bij welke onderwerpen en signalen er automatisch naar een mens wordt doorgeschakeld.
Hoe bepaal je of je met AI chatbots gaat werken?
Of je met AI chatbots gaat werken, bepaal je per taak en niet als principebesluit voor het hele kantoor. Begin bij de vraag welke taken vaak terugkomen en veel tijd kosten, en kijk daarna pas welke daarvan met een taalmodel sneller kunnen zonder dat de kwaliteit eronder lijdt.
Die volgorde voorkomt de twee dure vergissingen. De eerste is een chatbot laten bouwen voor een vragenstroom die er niet is. De tweede is medewerkers zelf laten uitzoeken welke tool ze pakken, waardoor niemand weet welke informatie waar terechtkomt.
Zet daarom eerst het controlepunt neer. Bepaal per taak wat er gebeurt als het antwoord fout is en wie dat merkt, want dat antwoord bepaalt of iets ongecontroleerd door mag lopen. De aanpak die ik hanteer begint bewust klein, met één tot drie processen, zodat wat je in het eerste proces leert het tweede sneller maakt.
Kantoren die dat gestructureerd willen inrichten, met afspraken per taaktype en controlepunten die blijven staan als een leverancier iets verandert, herkennen dit als de eerste fase van AI implementatie voor het MKB. De keuze voor een tool komt daarin niet als eerste, maar als gevolg van de processen die je hebt uitgekozen.
