Domeinkennis wordt in de AI-economie schaarser, en dus waardevoller, dan de onderliggende modellen zelf. Voor ons als software-industrie is dat misschien wel de belangrijkste strategische verschuiving van dit decennium. Wie het negeert bouwt verfijnde apps op commodity-fundament; wie erop inzet bouwt platforms met blijvend onderscheidend vermogen.
Drie jaar geleden telde vooral modelgrootte. Nu zie je het tegenovergestelde. Generieke modellen worden snel gelijkwaardig, open-source haalt commerciële providers bij, en de marges op puur “model access” staan onder druk. Wat overblijft als differentiator is hoe goed een platform het vak van zijn klanten snapt. Dat is een bouwopgave die wij als platform bouwers alleen via sector-specifiek ontwerp oplossen.
Waarom generieke AI stopt bij de eerste specifieke vraag
Iedere peer-aanbieder die demo’s heeft gedaan in gereguleerde sectoren herkent het patroon. De eerste demo is spectaculair. De tweede ook. En dan komt de eerste écht specifieke vraag vanuit de klant: een juridische casus met verwijzing naar een specifiek wetsartikel, een boekingsregel die om nuance vraagt, een adviessituatie die afwijkt van het standaardgeval.
Op dat moment wordt duidelijk wat generieke AI wél en niet kan. Hij begrijpt taal, maar niet het vak. Hij hallucineert, verwijst naar verkeerde context, geeft een gemiddeld antwoord waar een correct antwoord nodig is. Dat is nuttig voor e-mails schrijven, maar onbruikbaar voor het echte werk. In combinatie met compliance-eisen ook onverantwoord. Als industrie moeten we eerlijk zijn over die grens.
Domeinkennis bestaat uit drie lagen, en alleen laag één digitaliseert vanzelf
Een veelgehoorde aanname in onze industrie: “Train het model op klantdata.” Alsof domeinkennis een upload-kwestie is. In onze ervaring werkt dat niet. Domeinkennis bestaat uit drie lagen, die elk eigen ontwerpkeuzes vragen.
De eerste laag is expliciete kennis: wetsartikelen, normenkaders, productspecificaties. Digitaliseerbaar, relatief makkelijk in een model te brengen.
De tweede laag is impliciete kennis: hoe een ervaren specialist tussen de regels leest, welke combinatie van signalen een alarmbel doet rinkelen, wanneer de letter van een regel afwijkt van de geest. Deze kennis zit in hoofden en wordt zelden opgeschreven.
De derde laag is werkpraktijkkennis: hoe een vak dagelijks echt draait, welke uitzonderingen gangbaar zijn, welke klantsignalen werkelijk betekenen. Deze kennis zit in workflows en jarenlange ervaring.
Een platform dat alleen laag één gebruikt, is een zoekmachine met betere verpakking. Een platform dat alle drie combineert, wordt een collega-in-software. Dat verschil ontwerp je bewust in de architectuur.
Onze keuze: domeinexperts in de productontwikkeling zelf
Wij bouwen AI-agents samen met specialisten uit de sectoren waarvoor we ontwikkelen, niet puur met softwareontwikkelaars. Dat is een bewuste keuze met commerciële consequenties: langere ontwikkelcycli, diepere investering per sector, hogere organisatorische complexiteit.
Het alternatief, generieke agents met een sector-skin, is sneller te launchen. Maar in onze ervaring loopt dat tegen dezelfde muur waar peers tegenaan lopen: de eerste serieuze klantvraag buiten het standaardgeval. Voor software-leiders is dit een strategische afweging: kies je voor time-to-market of voor time-to-stickiness? Wij gebruiken beiden, afhankelijk van de complexiteit van de oplossing.
Drie vragen die wij onszelf regelmatig stellen
Evalueer je jouw eigen AI-platformstrategie? Drie vragen die wij ook gebruiken om onszelf scherp te houden.
“Wie heeft de kennis in ons model gebracht?” Zijn dat vooral ontwikkelaars of structureel domeinexperts? Het antwoord bepaalt of je een product of een tool bouwt.
“Kan ons platform met uitzonderingen omgaan?” In gereguleerde sectoren zijn uitzonderingen de regel. Alleen goed werken op standaardgevallen lost het verkeerde probleem op.
“Hoe houden we domeinkennis actueel?” Regelgeving schuift, marktpraktijken veranderen. Een platform dat niet meebeweegt, is binnen een jaar verouderd. Ook het onze, als we er niet actief in investeren.
Conclusie: diepte als industriestrategie
De komende jaren vervaagt het verschil tussen de grootste generieke modellen. Ze worden allemaal goed genoeg voor algemeen taalwerk. Wat overblijft als onderscheidend vermogen is domeinkennis en de architectuur waarin die is verankerd.
Voor collega-aanbieders in zakelijke en financiële dienstverlening is dit een strategische keuze. Domeinkennis is het fundament onder onze platforms, en de moat die je als speler in deze industrie kan uitbouwen, mits je durft te investeren in wat het écht vraagt.
Veelgestelde vragen
Omdat modellen snel commodity worden. Open-source modellen halen proprietary modellen bij in kwaliteit, en de marges op puur modeltoegang dalen. Wat dan overblijft als structureel onderscheidend is hoe goed een platform het vak van zijn klanten snapt. Dat vraagt jaren aan investering en is veel moeilijker te kopiëren dan een modelupgrade.
Een sector-prompt stuurt een generiek model in de richting van een domein, maar blijft afhankelijk van wat in de trainingsdata zat. Sector-specifieke AI combineert expliciete sectorkennis (gecureerd), impliciete expertise (via domeinexperts) en werkpraktijk (via product-feedback). Dat levert output die in nuance, uitzonderingsherkenning en bronvermelding fundamenteel betrouwbaarder is.
Door domeinexperts structureel te betrekken bij product design, van architectuurkeuzes tot feature-validatie. Externe consultatie alleen werkt in onze ervaring niet. Dat vraagt om rollen zoals domain product leads, cross-functionele teams met een sectorspecialist per squad, en een expliciete kennisbehoud-strategie als experts vertrekken. Het is vooral een organisatie-keuze; de technische stack is ondergeschikt.
Ja. Dat gebeurt alleen niet door “een extra sector toe te voegen” als feature. Sector-specifieke diepte vraagt dedicated teams, partnerships met sector-experts en een bereidheid om langere ontwikkelcycli te accepteren. Voor spelers die dit willen doen, is de eerste strategische vraag: welke sector is groot en relevant genoeg om die investering te rechtvaardigen?
Door een kennisbeheer-proces in te richten waarin juridische, fiscale of sectorale updates structureel worden vertaald naar platformaanpassingen. Combineer geautomatiseerde monitoring van regelgeving met menselijke curatie en heldere release-cycli voor kennisupdates. Zonder dit proces veroudert ook het beste platform snel.
