Op de pagina Hoe start je met AI staat dat de AI-poort in een eigen bedrijf is ontworpen en doorgevoerd. Hier staat hoe dat eruitziet in een bedrijfsplatform dat elke dag draait: welke lagen er zijn, wat elke laag afdwingt, wat AI niet zelf mag doen, en waar de grenzen van deze casus liggen.
VediCore is de bedrijfsapplicatie van Vedinet, een commercieel-administratief platform in de bouwsector tussen klant en onderaannemer. Leads, offertes, projecten, planning, regiebonnen, vorderingen en facturatie lopen erdoor. AI staat er niet naast, maar zit erin: als een permanente laag met eigen controles en eigen kostentransparantie. Hoe dat ontwerp uit zeven concrete faaloorzaken groeide, lees je in De zeven, van binnenuit.
Het hart van die laag is de AI-poort uit de video's. Technisch bestaat ze uit vijf lagen, en elke laag heeft een eigenaar. Dat laatste is geen detail: een laag zonder eigenaar veroudert stil. In VediCore liggen die vijf rollen bij één persoon; in een grote organisatie krijgt elke laag een eigen eigenaar in de lijn.
| Laag | Wat ze vastlegt | Eigenaar |
|---|---|---|
| Kennislaag | Wat een cijfer betekent, waar de valkuilen zitten, hoe deze organisatie beslist | Domeinexpert |
| Bestuurslaag | Welke gegevens bestaan, hun gevoeligheidsklasse en afbakening, en de gecertificeerde berekeningen | Data- en risicobeheer |
| De poort zelf | Handhaving bij elke vraag: mag deze gebruiker dit, voor dit doel, ja of nee? | Ontwikkeling |
| Redeneerlaag | Het model en zijn vaste instructies: kwaliteit, toon, formaat | Ontwikkeling |
| Bewijslaag | Herkomst en logboek: elk antwoord natrekbaar tot op de gegevens waarop het steunt | Data- en risicobeheer |
De referentiearchitectuur werkt deze vijf lagen domein- en leveranciersneutraal uit. VediCore is er de uitvoering van in één bedrijf.
Elke controle op AI valt in een van drie klassen. Bij elk ontwerp hoort dezelfde vraag: in welke klasse zit deze grens?
AI mag in VediCore handelingen voorbereiden: een offerte aanmaken, een lijn toevoegen, een taak plannen, een regiebon opstellen. Maar elke handeling is eerst een voorstel. Wat niet terug kan, zoals een offerte, factuur of vordering versturen, vraagt een uitdrukkelijke bevestiging met een bevestigingstoken. Geen enkele automatisering neemt zelf contact op met een klant: het opstellen wordt gedelegeerd, het verzenden niet.
Dat is dezelfde opbouw als in de video Je eerste digitale medewerker: meelopen, voorstellen, doen na een ja, en pas daarna zelf doen, binnen gestelde grenzen. In VediCore ligt de grens van die laatste stap bij de klant: operationele meldingen aan onderaannemers kunnen autonomie verdienen, wat naar een klant vertrekt nooit.
De ene gebruiker werkt met Claude, de andere met ChatGPT. Beide gaan via een MCP-koppeling door dezelfde AI-poort als Antonio. MCP (Model Context Protocol) is een open standaard waarmee een AI-assistent met een bedrijfsapplicatie praat. Het model is dus inwisselbaar; de regels niet. Een nieuwe assistent of een beter model krijgt exact dezelfde rechten en grenzen, zonder dat er een regel voor herschreven moet worden.
De gebruiker typt “maak een offerte voor die lead”. De poort geeft de feiten van de lead vrij, de vaste instructies bepalen hoe een offerte eruitziet, en de agent werkt 15 minuten zelfstandig. Daarna volgt 5 minuten controle. Vroeger kostte een offerte 20 minuten.
Een agent die zelfstandig naar nieuwe bouwprojecten zoekt, vond 71 nieuwe leads in september en 281 in de eerste helft van oktober, tegenover gemiddeld ongeveer 10 per maand vroeger. Dat is voorlopig activiteit, nog geen resultaat: of die leads opdrachten worden, is te vroeg om te zeggen.
In het begin gaf de AI veel weigeringen en mislukte antwoorden. De oorzaak was niet het model, maar te weinig kennis en te weinig toegang. Dus kreeg hij ook weinig vragen. De oplossing was betere kennisdocumenten en zorgvuldig uitgebreide toegang via het register, niet een ander model en zeker geen achterdeur.
Dit is één onderneming met een handvol gebruikers. De mechanismen zijn dezelfde als in een organisatie van duizend mensen: één poort, rechten per gebruiker, een register met gevoeligheidsklassen, doelbinding, voorstellen in plaats van handelingen, een logboek. Maar een grote organisatie vraagt werk dat hier klein bleef: koppeling met het bestaande identiteitsbeheer, veel meer rollen, de classificatie van jaren aan bestaande gegevens, en eigenaars voor elke laag in de lijnorganisatie.
Dat werk is precies de 80% die op de pagina Hoe start je met AI staat. De techniek van de poort is het kleinste deel.
Wie met deze aanpak aan de slag gaat en op een vraag stuit, of het ergens grondig mee oneens is: ik hoor het graag. Een methode wordt beter van tegenspraak.
dodeurs@gmail.comof bel +32 478 544 682
The page How to start with AI says the AI gate was designed and implemented in an own company. This page shows what that looks like in a business platform that runs every day: which layers there are, what each layer enforces, what AI may not do on its own, and where the limits of this case lie.
VediCore is the business application of Vedinet, a commercial and administrative platform in the construction sector between client and subcontractor. Leads, quotes, projects, planning, time-and-materials dockets, progress claims and invoicing all run through it. AI does not sit next to it but inside it: as a permanent layer with its own controls and its own cost transparency. How that design grew out of seven concrete failure causes is set out in The seven, from the inside.
At the heart of that layer is the AI gate from the videos. Technically it consists of five layers, and every layer has an owner. That last point is not a detail: a layer without an owner quietly goes stale. In VediCore all five roles sit with one person; in a large organisation every layer gets its own owner in the line.
| Layer | What it records | Owner |
|---|---|---|
| Knowledge layer | What a number means, where the pitfalls are, how this organisation decides | Domain expert |
| Governance layer | Which data exists, its sensitivity class and scope, and the certified calculations | Data and risk management |
| The gate itself | Enforcement on every request: may this user do this, for this purpose, yes or no? | Development |
| Reasoning layer | The model and its standing instructions: quality, tone, format | Development |
| Evidence layer | Provenance and log: every answer traceable to the data it rests on | Data and risk management |
The reference architecture works out these five layers in a domain- and vendor-neutral way. VediCore is its implementation in one company.
Every control on AI falls into one of three classes. Every design starts with the same question: which class is this limit in?
In VediCore, AI may prepare actions: create a quote, add a line, schedule a task, draft a docket. But every action is a proposal first. Anything that cannot be undone, such as sending a quote, an invoice or a progress claim, requires an explicit confirmation with a confirmation token. No automation contacts a client on its own: drafting is delegated, sending is not.
It is the same structure as in the video Your first digital employee: shadowing, proposing, acting after a yes, and only then acting alone, within set limits. In VediCore the limit for that last step lies with the client: operational notices to subcontractors can earn autonomy, anything that goes to a client never does.
One user works with Claude, the other with ChatGPT. Both go through the same AI gate as Antonio, via an MCP connection. MCP (Model Context Protocol) is an open standard that lets an AI assistant talk to a business application. So the model is replaceable; the rules are not. A new assistant or a better model gets exactly the same permissions and limits, without a single rule being rewritten.
The user types “make a quote for that lead”. The gate releases the facts of the lead, the standing instructions decide what a quote looks like, and the agent works on its own for 15 minutes. Then follows a 5-minute check. A quote used to take 20 minutes.
An agent that searches for new building projects on its own found 71 new leads in September and 281 in the first half of October, against an average of about 10 a month before. For now that is activity, not yet a result: it is too early to say whether those leads become contracts.
At first the AI produced many refusals and failed answers. The cause was not the model but too little knowledge and too little access. So it was asked very little. The fix was better knowledge documents and carefully extended access through the register, not a different model and certainly not a back door.
This is one company with a handful of users. The mechanisms are the same as in an organisation of a thousand people: one gate, permissions per user, a register with sensitivity classes, purpose limitation, proposals instead of actions, a log. But a large organisation needs work that stayed small here: integration with existing identity management, many more roles, classifying years of existing data, and owners for every layer within the line organisation.
That work is exactly the 80% described on the page How to start with AI. The technology of the gate is the smallest part.
If you put this approach to work and run into a question — or disagree with something — I would like to hear it. A method gets better through challenge.
dodeurs@gmail.comor call +32 478 544 682