Beschikbaar voor nieuwe opdrachten per september 2026
AI-integratie in .NET-landschappen
De Nederlandse enterprise draait op .NET. De AI-golf komt uit de Python- en startup-wereld — en kent de enterprise-realiteit van legacy, compliance en releaseprocessen niet. Ik werk precies op dat snijvlak: LLM-functionaliteit bouwen ín bestaande .NET-systemen, op een manier die productie overleeft.
De vierde transitie
Ik heb dit soort overgangen eerder begeleid: van WebForms naar MVC, van SVN naar Git, van tweewekelijkse releases naar continuous deployment. Elke keer hetzelfde recept: eerst met één concreet stuk software bewijzen dat het werkt, daarna het traject opzetten om het hele landschap mee te nemen. AI is de vierde — en grootste — stap in die reeks.
Tijdens mijn sabbatical heb ik me daarin verdiept: van de werking en (post-)training van LLM's en BERT tot het bouwen van een eigen systeem met vector search, lokale Whisper-transcriptie, structured output-extractie en BERT-classificatie. Die verdieping loopt door — onder meer in Semantic Kernel en het Microsoft Agent Framework, dé frameworks voor agentic workflows in .NET.
Wat ik bouw
LLM-functionaliteit die werk uit handen neemt binnen uw bestaande systemen en processen:
Triage & categorisering
Inkomende e-mails, tickets of aanvragen automatisch beoordelen, routeren en prioriteren — met een klein, snel classificatiemodel (BERT) waar dat goedkoper en consistenter is dan een LLM-call.
Data-extractie met structured output
Ongestructureerde tekst — documenten, gesprekken, formulieren — omzetten naar getypte, gevalideerde data die uw systemen direct kunnen verwerken.
RAG over bedrijfsdata
Vraag-en-antwoord en samenvatting over uw eigen documentatie en data, met vector search als basis. Retrieval-augmented generation in .NET, binnen uw eigen muren.
Agentic workflows
Meerstaps-AI-processen die tools aanroepen en taken afronden. Dit bied ik aan als aanpak in opbouw: de patronen en tooling gebruik ik dagelijks, een publiek demo-project in modern .NET is in ontwikkeling.
Geen demo's, maar productie — als werkwijze
Dat is een belofte over hoe ik bouw, niet een geclaimde staat van dienst: mijn eerste LLM-feature bij een klant moet nog live gaan, mijn productie-discipline is 18 jaar oud. Systemen die ik bouwde dragen al jaren order-fulfillment bij een telecomprovider; de testsuites en CI/CD-straten die dat mogelijk maken heb ik zelf opgezet. Diezelfde lat leg ik bij AI-functionaliteit:
- Structured output robuust maken in plaats van hopen dat het antwoord goed parst
- Kleine, goedkope modellen (classificatie) naast LLM-calls waar kosten, latency of consistentie dat vragen
- Testbaar en beheersbaar: AI-gedrag dat je kunt valideren vóór het naar productie gaat
- Eerst één werkend bewijs in uw landschap, daarna opschalen — zoals bij elke eerdere transitie
De enterprise-realiteit hoort daarbij: veel organisaties willen of mogen geen data naar publieke AI-diensten sturen. Dat verhaal ken ik van binnenuit — bij mijn laatste opdracht (Odido) was AI-gebruik verboden, en mijn eigen kennissysteem draait om diezelfde reden op lokale transcriptie. De weg naar "veilig binnen de muren" loopt in de praktijk via Azure OpenAI en de Azure AI-stack; daar richt mijn verdieping zich dan ook op.
Teams meenemen in AI
AI-functionaliteit bouwen is de helft van het verhaal; de andere helft is een team dat AI-tooling effectief en verantwoord gebruikt. Als team lead heb ik eerder kwaliteits- en procestransformaties door teams heen geleid, en Copilot en Claude Code zijn mijn dagelijkse gereedschap. Binnen een opdracht neem ik die adoptie mee: van werkafspraken en reviewpraktijk tot architectuurbewaking bij AI-gegenereerde code.
Bewijs: eigen R&D in plaats van beloftes
Mijn kennissysteem — eerlijk gelabeld als eigen R&D-project, geen klantopdracht — laat de volledige pipeline zien: audio → lokale Whisper-transcriptie → LLM-extractie met structured output → een kennisgraaf met vector search. De architectuurkeuzes en afwegingen staan in de case beschreven.