Verspreide kennis omzetten in een AI-gestuurde onderzoeksmotor
Vijf jaar aan verspreide bestanden werd één private, in de EU gehoste onderzoeksmotor die binnen 30 seconden antwoord geeft — 640× goedkoper per voorstel.
- Sector
- Sport-driven impact agency
- Regio
- Netherlands
- Bedrijfsgrootte
- 30 employees
- Doorlooptijd
- 12 weeks (discovery to production)
in plaats van urenlang zoeken
ten opzichte van handmatig zoeken
binnen seconden beschikbaar
More2Win is een sportgedreven impact agency uit ’s-Hertogenbosch die organisaties helpt maatschappelijke, ecologische en zakelijke waarde te ontsluiten via sport. Vijf jaar aan institutionele kennis werd onzichtbaar juist op het moment dat het team die het hardst nodig had.
De uitdaging
More2Win wint opdrachten op de kracht van wat ze al weten.
Vijf jaar aan gemeentelijke beleidsstukken, partnerresearch, programmaschetsen en impactrapporten stond verspreid over OneDrive-mappen, per project en per teamlid anders benoemd. Elk nieuw voorstel begon op dezelfde manier: een strateeg die mappen opende, gokte naar bestandsnamen en probeerde te herinneren welke collega in 2022 aan een soortgelijke pitch had gewerkt.
De kennis van het bureau zat er wel. Ze was alleen onzichtbaar op het moment dat je haar nodig had.
De vragen waar de directie geen antwoord op had:
Hoeveel declarabele uren per week verliest het team aan archeologie in mappen?
Waarom kost het inwerken van een nieuwe strateeg weken, terwijl het meeste van wat hij nodig heeft al ergens opgeschreven staat?
Hoe hergebruiken we inzichten uit eerdere programma's zonder afhankelijk te zijn van het geheugen van wie er toevallig bij was?
En hoe houden we deze kennis binnen de EU, op onze eigen data, zonder haar aan een extern model te voeren?
De kosten van niets doen waren verborgen maar echt: elk voorstel droeg een researchbelasting, elke nieuwe medewerker kwam traag op gang, en elk stuk bedrijfskennis dat niet werd hergebruikt was in feite verloren.
Hoe we het aanpakten
We pakten dit aan als een kennisvraagstuk, niet als een zoekvraagstuk.
Stap 1, Breng het kennislandschap in kaart.
We hielden een scopingsessie met het team van More2Win en inventariseerden vijf kerncategorieën content: interne rapporten, gemeentelijke en landelijke beleidsstukken, financierings- en partnerresearch, programmaschetsen en impactrapporten. We brachten in kaart hoe strategen vandaag echt zochten (het antwoord: slecht, en uit het hoofd) en waar de wrijvingspunten zaten.
Stap 2, Stel vast waarom het zoeken stuk was.
De eigen zoekfunctie van OneDrive geeft bestandsnamen terug, geen betekenis. Een strateeg die vraagt "wat hebben we gedaan rond meidenvoetbal in Brabant" had semantisch begrip nodig over documenten in twee talen heen, geen zoeken op trefwoorden. Die diagnose bepaalde de architectuur.
Stap 3, Ontwerp voor waarde die zich opbouwt.
We bouwden de ingestiepijplijn als een fundament, niet als een eenmalige tool. Elk document dat het systeem binnenkomt, wordt geclassificeerd op klant, propositietype, documenttype, gemeente en betrouwbaarheidsscore. Die metadatalaag maakt Fase 2 (geautomatiseerd voorstellen schrijven) en Fase 3 (intake en kwalificatie automatiseren) later mogelijk zonder opnieuw te bouwen.
Stap 4, Test de datagrens onder druk.
De data van More2Win mocht de EU niet verlaten en mocht geen externe modellen trainen. We bouwden op Pinecone (EU-regio), Microsoft Graph voor de OneDrive-ingestie, en een opzet waarbij de AI uitsluitend werkt op de eigen content van More2Win. Geen externe training, geen datalek, geen vendor lock-in op het corpus.
Het ontdekken bakende niet alleen de bouw af. Het bepaalde een fundament dat More2Win jaren kan uitbreiden zonder opnieuw te hoeven ontwerpen.
Het resultaat
Wat we bouwden is een private AI-onderzoeksmachine, gehost in de EU, die draait op de eigen kennis van More2Win.
Ingestiepijplijn. Gekoppeld aan de OneDrive van More2Win via Microsoft Graph. Documenten worden automatisch herkend zodra ze worden toegevoegd, omgezet naar tekst, opgedeeld en voorzien van metadata: klant, propositietype, documenttype, gemeente, betrouwbaarheidsscore. Geen handmatig indexeren.
Vectorkennislaag. Alle verwerkte content wordt als embeddings opgeslagen in Pinecone, opgedeeld per klant en regio om verwarring tussen contexten te voorkomen (zodat een voorstel voor Utrecht niet per ongeluk beleidshaakjes uit een Rotterdams project oppikt).
AI Research Agent. Een chatinterface waar het team vragen stelt in het Nederlands of Engels. De agent haalt de meest relevante fragmenten op, geeft een onderbouwd antwoord en koppelt elke bewering terug aan het bronbestand. Een laag met menselijke controle markeert classificaties met lage betrouwbaarheid, zodat de kennisbank schoon blijft terwijl hij groeit.
Bij de kosten houdt dit op een zoektool te zijn en wordt het infrastructuur.
Researchkosten per voorstel | Kosten bij 60 voorstellen/jaar | |
|---|---|---|
Handmatig mappen doorzoeken (4 uur à €80/uur belast) | €320 | €19.200 |
Eigen AI-onderzoeksmachine (LLM + Pinecone + Graph) | €0,50 | €30 |
Dat is ongeveer 640× goedkoper per voorstel, met de curve de goede kant op: een zesde voorstel in een drukke week kost evenveel als het eerste.
Het diepere punt is eigenaarschap. Het systeem draait op de data van More2Win, in een EU-gehoste omgeving, zonder dat er een extern model mee getraind wordt. Als een concurrent van Pinecone volgend jaar iets beters levert, verhuist het corpus mee. Als What's Next morgen zou verdwijnen, houdt More2Win nog steeds de data, de prompts en de configuratie. Dat is het verschil tussen een SaaS-abonnement kopen en een strategisch bezit bouwen.
De laag met menselijke controle is een bewuste keuze, geen beperking. De agent haalt antwoorden op en onderbouwt ze. De strateeg beslist nog steeds wat er in de pitch komt. Het systeem maakt het team sneller in denken, het vervangt het denken niet.
Het voorwerk dat per voorstel een halve dag kostte, kost nu 30 seconden per vraag.
Operationeel heeft de manier van werken een andere vorm gekregen. Schrijvers van voorstellen openen geen mappen meer om een pitch te starten. Ze vragen het de machine, krijgen onderbouwde antwoorden met bronlinks, en gaan meteen door naar het schrijven. Nieuwe strategen werken zich in tegen het corpus in plaats van tegen de beschikbaarheid van collega's. De kennisbank groeit vanzelf zodra nieuwe bestanden in OneDrive landen, zonder onderhoudslast voor het team.
Strategisch kan het team nu meedingen naar voorstellen die het eerder zou hebben afgeslagen vanwege capaciteit. Bedrijfskennis die feitelijk vastzat in mappenstructuren benoemd naar wie ze opsloeg, bouwt zich nu op: elke nieuwe klantopdracht voegt toe aan het corpus, elke toevoeging aan het corpus maakt de volgende pitch sneller. Het fundament staat ook klaar voor Fase 2 (geautomatiseerd voorstellen schrijven) en Fase 3 (intake en kwalificatie), die beide aansluiten op dezelfde kennislaag.
Totale doorlooptijd: 12 weken van ontdekken tot productie. De helft die uit ontdekken bestond, was geen optie. Het is de reden dat de bouwhelft schaalt.
Wil je ook zulke resultaten?
Praat met ons over wat AI voor jouw team kan opleveren.
- Gratis adviesgesprek van 30 min
- Geen verplichtingen
- Een specialist, geen sales rep