---
title: "Borgh beantwoordt nu elke productvraag over 15.000+ SKU's in seconden"
description: "Hoe What's Next voor Borgh een AI-agent bouwde die elke productvraag over 15.000+ SKU's in seconden beantwoordt."
canonical: "https://www.whatsnext-ai.com/nl/cases/borgh-answers-every-product-question-in-seconds-across-15000-skus"
published: "2026-08-28T00:00:00.000Z"
updated: "2026-09-11T15:42:12.712Z"
client: "Borgh"
---

# Borgh beantwoordt nu elke productvraag over 15.000+ SKU's in seconden

Hoe What's Next voor Borgh een AI-agent bouwde die elke productvraag over 15.000+ SKU's in seconden beantwoordt.

![Construction worker in a steel-framed building holding a tape measure, wearing a hard hat and tool belt](https://fgzcpjbyiakhjifaciaj.supabase.co/storage/v1/object/public/media/borgh-construction-worker.jpg)

## Overview

Borgh is dé bevestigings- en gereedschapsspecialist voor de bouw, industrie en installatie, sinds 1978 en met 200+ mensen actief in Europa en Zuid-Amerika. In een vestiging kiest een vertegenwoordiger in een minuut het juiste gereedschap voor een klus, maar online viel diezelfde vraag in een tragere e-maillus via een specialist. What's Next bouwde een eigen AI-aanbevelingsagent die elke productvraag over 15.000+ Milwaukee- en Makita-SKU's in seconden beantwoordt, op voorraad.

## Details

- Industry: Gereedschap- en bevestigingsdistributie
- Region: Europa & Zuid-Amerika
- Company size: 200+ medewerkers
- Timeline: 3 maanden

## Challenge

Een professionele tegelzetter appt Borgh: "Ik zoek een M18 SDS-boormachine die kan hameren én beitelen om badkamertegels te verwijderen." Dat is een precieze vraag. Merk, productlijn, twee functionele eisen, en het moet op voorraad zijn. Eén onderdeel fout en het antwoord is erger dan nutteloos, want de persoon aan de andere kant staat op een klus, niet te browsen.

Borgh beantwoordt dat soort vragen al goed sinds 1978. Ze zijn dé bevestigings- en gereedschapsspecialist voor de bouw, industrie en installatie, 200+ mensen actief in Europa en Zuid-Amerika, en hun hele reputatie draait om klanten adviseren richting de juiste oplossing. In een vestiging doet een vertegenwoordiger dat in een minuut. Online viel diezelfde vraag in een tragere lus: een bericht naar het team, een e-mail naar een productspecialist, heen-en-weer mailen met opvolging, en het antwoord teruggekoppeld, soms pas de volgende werkdag.

Dit overlaten aan een standaard chatbot was nooit een optie. Over een assortiment van 15.000+ SKU's aan Milwaukee- en Makita-gereedschap verzint een kant-en-klare assistent artikelnummers, adviseert uitgefaseerde of uitverkochte machines, en ziet het verschil niet tussen een kale machine en een complete set. Voor een professionele koper is een zelfverzekerd verkeerd artikelnummer een risico voor het merk, geen gemak.

De directie wilde antwoord op vier vragen. Kunnen we elke online klant hetzelfde "juiste product voor de klus"-advies geven dat onze vertegenwoordigers persoonlijk geven, zonder extra adviseurs aan te nemen? Kan een AI 15.000+ SKU's over twee merken aan die hun data volledig anders structureren, zonder ooit een artikelnummer te verzinnen of iets aan te raden dat we niet op voorraad hebben? Hoeveel van het advieswerk dat nu via het team en een specialist loopt, kan in plaats daarvan direct beantwoord worden? En kan Borgh voorop lopen met AI in zijn markt, in plaats van toe te kijken hoe een concurrent het eerst doet?

Zonder ingrijpen bleef juist datgene waar Borgh op verkoopt, expertadvies, opgesloten achter kantooruren en een handmatige specialistenlus zodra een klant online ging.

## Approach

Dit begon als een onderzoek, niet als een bouwproject.

Stap 1: De data eerlijk in kaart brengen. We hebben alles bekeken wat beschikbaar was: de dagelijkse XML-productfeed, de live voorraadkoppeling en de sectorcontent van Milwaukee op nl.milwaukeetool.eu. De bevinding die alles bepaalde: Milwaukee en Makita structureren hun productdata op onverenigbare manieren. SKU-formaten komen niet overeen. Categorieboomstructuren sluiten niet op elkaar aan. Het ene merk zegt "slagschroevendraaier", het andere gebruikt andere terminologie. En elke machine valt uiteen in varianten (kale machine, met koffer, complete set met accu's en lader). De uitkomst was een heldere kaart van waar de data betrouwbaar was (merk, prijs, voorraad) en waar rommelig (omschrijvingen, specificaties, categorieën).

Stap 2: Vaststellen wat "correct" eigenlijk betekent. Samen met Borgh legden we vast wat een juiste aanbeveling is: juist merk, juiste lijn (M12 vs. M18), de genoemde functionele eisen, op voorraad, en nooit een accessoire, wat Borgh hier als strikte regel niet verkoopt. Dit werden regels die het systeem structureel moet afdwingen, niet beleefd verzoeken.

Stap 3: De voor de hand liggende aanpakken bewust laten breken. Puur semantisch zoeken gaf Makita terug toen de klant Milwaukee zei, en een machine van €450 tegen een budget van €250, omdat de omschrijvingen op elkaar leken. Hard filteren op categorie vooraf miste producten, omdat de twee merken hetzelfde artikel onder verschillende categorieën plaatsen. Het model vrij laten schrijven leverde output op die de webshop niet betrouwbaar kon verwerken. Elke mislukking bewees hetzelfde punt: dit vroeg om een architectuur waarin elke laag één taak doet en netjes faalt, niet om een slimme prompt.

Stap 4: De gefaseerde bouw afbakenen. We spraken af dat het eerste wat gebouwd werd de aanbevelingsagent was die "het juiste product voor de klus" beantwoordt, ontworpen als fundament voor een bredere e-commerce-agent later, met observability en governance vanaf dag één ingebouwd.

De onderzoekshelft was niet optioneel. Het is de reden dat de bouwhelft nooit hoefde te gokken.

## Solution

What's Next bouwde voor Borgh een agent die zich gedraagt als hun beste adviseur. Als een vraag specifiek is, adviseert hij meteen. Als die vaag is ("ik zoek een boormachine"), stelt hij eerst één gerichte vraag, merk, categorie of budget, precies zoals een vertegenwoordiger zou doen. Hij geeft maximaal drie echte opties die op voorraad zijn, elk met het SKU, de belangrijkste specificaties, de prijs en voor wie hij bedoeld is. Eronder ligt een stack van vier lagen met één leidend principe: de AI improviseert nooit, hij bouwt zoekopdrachten op tegen het eigen assortiment van Borgh.

Een agent die eerst verheldert: het model kletst niet, het beslist. Analyseer de vraag, verhelder of zoek, bouw de voorwaarden, haal op, filter, formatteer. Die opgelegde structuur houdt hem accuraat over een gesprek van vier of vijf berichten, zonder het eerder genoemde budget of merk van de klant te verliezen.

Hybride retrieval die de rommelige data respecteert: SQL-filters behandelen de precieze eigenschappen (merk, prijs, voorraad). Semantisch zoeken over embeddings behandelt de vage (omschrijvingen, specificaties). Hij zoekt eerst nauw binnen een categorie en verbreedt automatisch als hij minder dan drie matches vindt. Die tweetraps-aanpak lost de categoriemismatch tussen de merken op, in plaats van erover te struikelen.

Waarborgen ingebouwd in de structuur, niet in de bewoording: een model vertellen "raad geen accessoires aan" houdt geen stand. Dus het uitfilteren van accessoires, de limiet van drie opties en het SKU-eerst-format zijn afgedwongen in de architectuur. De agent kan alleen codes teruggeven die in het live assortiment bestaan.

Een assortiment dat zichzelf onderhoudt: een dagelijkse delta-sync vanuit Magento her-embeddet alleen wat is veranderd, en de live voorraadkoppeling zorgt dat niets wat uitverkocht is ooit wordt getoond. Het advies is altijd actueel zonder dat iemand er iets aan hoeft te doen.

Volledige observability en governance: elk gesprek wordt geversioneerd en getraceerd in LangFuse, met geautomatiseerde controles bij elke wijziging (Is het relevant? SKU-eerst? Maximaal drie opties? Accessoires uitgefilterd?). Dat is regressietesten voor AI: pas de prompt aan, en zie precies wat er breekt voordat klanten dat doen.

Zo ziet de economie daarvan eruit, per gesprek:

AanpakMenselijke tijd per vraagKosten per gesprekKosten bij ~1.500 gesprekken/jaar*Handmatige specialistenlus~15 min over 2 mensen~€10-25~€15.000-37.500Eigen stack van Borgh (gpt-5-mini + infra)geen~€0,005~€8

*Het volumecijfer is illustratief (ongeveer 3 tot 5 gesprekken per dag) en wordt vervangen door Borgh's eigen cijfer. Rekensom: handmatig = ~15 min blended over de betrokken mensen tegen een belaste ~€60/uur. Zelfs bij een conservatieve €5 handmatig is de eigen stack 1.000× goedkoper per gesprek.

Het diepere punt is niet de prijs. Het is eigenaarschap. De guided-selling SaaS-tools in deze categorie (Neocom, Rep AI, Zoovu en vergelijkbare) rekenen een vast maandabonnement of je ze gebruikt of niet, en schalen tegen je op naarmate je assortiment en verkeer groeien. De agent van Borgh is een bezit dat Borgh in eigendom heeft: hun data, hun embeddings, hun prompts, hun traces. Als What's Next morgen zou verdwijnen, houdt Borgh een werkend systeem over, geen opgezegd abonnement.

De precisie is ook bewust. De agent is gebouwd om te vragen wanneer een vraag echt dubbelzinnig is, en om te weigeren en door te verwijzen wanneer een vraag off-topic is, in plaats van te bluffen. Voor een professionele koper wint een verhelderende vraag het elke keer van een zelfverzekerd verkeerd antwoord.

En elk gesprek telt op. Borgh ziet nu wat klanten daadwerkelijk vragen, waar de assortimentsdata dun is en welke producten met elkaar vergeleken worden. Dat is de basis voor fase twee, de bredere e-commerce-agent.

## Outcome

Een professionele koper die vraagt om "een M18 SDS-boormachine die kan hameren en beitelen om badkamertegels te verwijderen" krijgt nu drie echte opties op voorraad, met de juiste specificaties en SKU's, in seconden, op elk moment, in plaats van de oude lus van een bericht naar het team, een e-mail naar een specialist, en heen-en-weer mailen met opvolging tot het antwoord er was, soms pas de volgende werkdag. Elk antwoord kost Borgh ongeveer een halve cent.

Operationeel draait het advies dat vroeger achter kantooruren en een specialistenwachtrij zat nu vanzelf, correct, de klok rond. Het team is bevrijd van routinematige "welke heb ik nodig"-vragen om de echt complexe op te pakken.

Strategisch kan Borgh nu zijn persoonlijke adviesstandaard online aanbieden, 24/7, zonder één adviseur extra, en het bezit een beheersbaar, inzichtelijk AI-systeem dat het kan uitbreiden in plaats van huren. De directie zette in op voorop lopen met AI in zijn markt, in plaats van toekijken. Dit is het bewijs dat ze productie-AI kunnen bouwen die de nauwkeurigheidslat van een professionele koper haalt, geen demo die goed oogt op een screenshot.

Van onderzoek tot live productie in drie maanden. De onderzoekshelft is de reden dat de bouwhelft nooit hoefde te gokken, en beide waren even essentieel om een agent te leveren die een professionele koper echt kan vertrouwen.

## Results

- **1.000×** goedkoper per gesprek dan handmatig specialistadvies (~€0,005 vs. handmatig)
- **Seconden** tot een correcte aanbeveling op voorraad, terug van een mailwisseling met de leverancier
- **24/7** specialistisch advies over 15.000+ SKU's, zelfde team, geen extra adviseurs

## Quote

> What's Next is professioneel in hun vakgebied en weet zich tegelijk goed te verplaatsen in ons werk, alsof ze op de werkvloer meedraaien. Het opknippen van het project in kleinere opleveringen zorgde voor snel zichtbaar resultaat. En wat ik ook heel mooi vind: deze AI praat echt als een Borghman, niet als een standaard tool, maar met de normen en waarden van Borgh.
> — Remco Nagtegaal, Marketing Manager, Borgh