Dienst · AI-ontwikkeling

AI app laten maken met LLMs als product-core.

Een mobiele of web-applicatie waarin AI niet een feature is maar de ervaring zelf vormt. Chat-UI's, voice-interactie, vision, RAG op uw eigen data — gebouwd op Claude, GPT-4o, Gemini of on-device modellen.

LLM-chatVoice & visionRAGOn-device AI

Plan een kennismaking Bekijk ons werk

Een AI-app is geen gewone app met een chatbot erin geplakt.

Bij een AI-app is het LLM het product. Dat verandert vrijwel elke ontwerpkeuze: de UI moet streaming output natuurlijk laten voelen, de architectuur moet token-kosten beheersen, en het systeem moet kunnen omgaan met antwoorden die soms fout zijn. Hallucinatie-mitigatie, prompt-engineering en evaluatie horen bij de fundamenten, niet bij het laatste sprintje. Tegelijk verwachten App Store-reviewers dat u uitlegt hoe de AI werkt en welke risico's u afdekt — een chat-UI die er goed uitziet is niet genoeg om door de submission heen te komen.

Wij bouwen AI-apps voor startups die AI als kernpropositie hebben, voor B2B-tools die met een AI-laag een sprong maken, en voor consument-apps die nieuwe interactie-modellen verkennen — denk aan voice-coaches, vision-helpers, AI-tutors, productivity-assistenten en symptom-checkers. Doelgroepen variëren van ouders die hun kind willen helpen leren tot juristen die contracten reviewen op een mobiele telefoon, en van mental-health-coaches tot mensen die met behulp van AI willen koken, sporten of een taal leren. Altijd op maat, omdat geen enkele AI-app dezelfde combinatie van model, data, latency-eis en compliance-context heeft.

We helpen u kiezen tussen Claude, GPT-4o, Gemini, Mistral of een open-source model, tussen cloud en on-device, en tussen een streaming chat-UI en iets dat veel verder gaat dan chat. Voor het bredere palet aan AI-werk — agents, brede integraties, generatieve content of strategische trajecten — kunt u terecht op onze andere AI-pagina's; deze pagina gaat specifiek over de app als eindproduct dat uw eindgebruiker daadwerkelijk in handen krijgt.

Onze ervaring met mobiele app-ontwikkeling betekent ook dat we de praktische kant van AI in een app meenemen: token-budgets per gebruiker, offline-gedrag wanneer er geen netwerk is, App Store-classificatie, content-moderatie, leeftijdsverificatie, en de UX van wachten op een model-antwoord zonder dat het traag voelt. Dat zijn precies de details die het verschil maken tussen een demo en een product dat dagelijks gebruikt wordt.

Drie soorten AI-app die we bouwen.

De keuze hangt af van uw doelgroep, datagevoeligheid en hoe centraal AI in de ervaring staat. Eerste gesprek gebruiken we om dit samen scherp te krijgen.

Consument-app · AI als kern-ervaring

AI-first consumer app

De AI is het product. Denk aan een vision-app die foto's analyseert voor mensen met een visuele beperking, een AI-coach voor mentale gezondheid die meedenkt over stress en slaap, een AI-tutor voor leerlingen die hulp geeft bij wiskunde of taal, een AI-schrijfassistent voor content-creators, of een translation-app die voice in beeld vertaalt. Streaming chat-UI, optionele voice, multi-modal input, premium-abonnement met token-budget en App Store-billing.

React Native of Swift/KotlinStreaming chatVoice-AIIn-app purchases

B2B-tool · AI-augmentatie binnen een vakgebied

Vertical AI-app voor professionals

Een AI-laag op een specifiek werkproces: legal-tech-app voor contract-review op de telefoon, AI-meeting-summary voor consultants die net uit een gesprek komen, AI-document-review voor accountants tijdens bezoek bij klant, symptom-checker voor eerstelijnszorg, of customer-service-app waarin een AI-chatbot de eerste lijn vormt. RAG op de eigen kennisbasis, strikte autorisatie, audit-trail, sectorspecifieke compliance, en duidelijke begrenzingen van wat de AI wel en niet zelfstandig beslist. Output altijd verifieerbaar, met bronvermelding waar mogelijk.

RAG op vakdataSSO & rolbeheerAudit-logHuman-in-the-loop

AI-assistent · sidekick in een bestaande app

AI-sidekick in uw huidige app

U heeft al een app of platform en wilt er een AI-laag aan toevoegen: een conversational interface naast de huidige navigatie, smart-suggestions die context begrijpen, in-context vraag-antwoord op uw eigen data, of agentische functies die taken automatiseren. We bouwen die laag bovenop wat er staat, zonder uw bestaande UX om te gooien — uw gebruikers krijgen de AI-feature als een logische uitbreiding, niet als een fremdkörper dat erin geplakt is. Vaak gecombineerd met een sterke onboarding-flow zodat gebruikers begrijpen wat de AI wel en niet kan.

In-app assistantFunction callingEigen kennisbasisBestaande backend

Wat u krijgt aan het einde.

Een werkende AI-app in productie plus alles eromheen om hem zelf te beheren, door te ontwikkelen en kosten in de hand te houden.

Voor agentische AI met multi-step tool-use bouwen we vaak een aparte backend-architectuur — zie onze pagina over AI-agents laten bouwen voor de varianten waarbij de AI zelfstandig taken uitvoert.

De app zelf, iOS en AndroidCross-platform via React Native of Flutter, of native als de use-case dat vraagt. Publicatie op App Store en Play Store inbegrepen.
AI-backend met streamingToken-by-token output naar de app, queueing voor lange prompts, fall-back model wanneer de primaire provider down is.
RAG-pipeline op uw dataEmbeddings, vector-database (Pinecone, Qdrant of pgvector), re-ranking en context-injection. Met admin-UI om documenten toe te voegen.
Prompt-library en evaluatieVersie-beheerde prompts plus een eval-suite die regressies in modelgedrag detecteert voor we naar productie pushen.
Kosten-dashboardLive inzicht in token-verbruik per gebruiker, per feature en per model. Met alerts wanneer een limiet wordt bereikt.
Codebase, documentatie en runbookVolledige source code, architectuur-overzicht, deploy-instructies en een runbook voor incidenten zoals provider-uitval of hallucinatie-rapporten.
Doorontwikkel-contract (optioneel)Monitoring, model-updates, prompt-tuning, nieuwe features. Voorspelbaar maandbudget op basis van sprintcapaciteit.

Wanneer een maatwerk AI-app de juiste keuze is.

Vier patronen waarin we klanten begeleiden. Herkent u er één, dan praten we graag verder over wat in uw situatie het juiste antwoord is.

Product-positionering

AI staat in uw pitch

Uw propositie is dat AI iets oplost wat andere apps niet kunnen. Dan moet de app vanaf dag één voelen als een AI-product en niet als een traditionele app met een chat-knop in een hoek. Streaming-UI, voice waar dat zin heeft, en een interactie-model dat past bij wat het model goed kan.

Vakkennis

U heeft eigen data en expertise

Generieke LLM-antwoorden zijn niet goed genoeg voor uw doelgroep. Een RAG-pipeline op uw eigen content, gecombineerd met domain-specifieke prompts en een eval-suite die uw vakgebied toetst, levert de relevantie en nauwkeurigheid die uw gebruikers verwachten zonder dat u zelf een model hoeft te trainen.

Privacy

Gevoelige data, gevoelige sector

Medische, juridische of HR-data mag niet zomaar naar een Amerikaanse LLM-provider. EU-data-residency via Anthropic EU of OpenAI op Azure EU, on-device modellen voor de gevoeligste stappen, of een private deployment van een open-source model zijn dan reële opties die we samen afwegen.

Eindgebruiker-product

U gaat de markt op met een app

App Store en Play Store hebben specifieke richtlijnen voor AI-apps: transparantie over modelgedrag, leeftijdsclassificatie, content-moderatie, in-app billing voor AI-credits. Dat moet vanaf het ontwerp meegenomen worden, niet bij de review-submit waar het tot afwijzing leidt.

Tech-stack en belangrijke keuzes.

We zijn niet ideologisch over één framework of één LLM-provider. De juiste keuze hangt af van uw use-case, gebruikersaantal, datagevoeligheid en team. Hieronder waar we vaak op uitkomen — met de afweging waarom.

Voor enterprise-trajecten waar AI breder dan één app moet landen, koppelen we deze keuzes met de roadmap op onze pagina over enterprise AI-implementatie.

Mobile: React Native, Flutter of nativeReact Native voor snelle iteratie met één team, Flutter wanneer pixel-perfect UI op beide platforms cruciaal is, native Swift of Kotlin wanneer prestaties of platform-specifieke AI (Apple Intelligence, Core ML, MLKit) een doorslag geven.
LLM-providers: Anthropic, OpenAI, Google, MistralClaude voor lange context en nuance, GPT-4o voor multi-modal en mature tool-use, Gemini voor lange context en Google-integraties, Mistral en open-source modellen voor zelf-hosten of EU-residency.
LLM-frameworks: LangChain, LlamaIndex, Pydantic AINiet altijd nodig — soms is een directe API-aanroep met goede prompt-engineering beter dan een framework-laag erbij. We kiezen pragmatisch op basis van complexiteit van flows en tool-gebruik.
Vector-database: Pinecone, Weaviate, Qdrant of pgvectorPinecone voor snelle managed setup, Qdrant of Weaviate wanneer u zelf wilt hosten, pgvector wanneer u al PostgreSQL gebruikt en geen aparte service wilt onderhouden.
On-device AI: Apple Intelligence, Gemini NanoVoor privacy-gevoelige features draait een kleiner model lokaal. We combineren dat met een cloud-fallback voor zwaardere taken — gebruikers merken het verschil niet, behalve aan snelheid en batterijverbruik.
Voice-AI: Whisper, ElevenLabs, DeepgramWhisper voor robuuste speech-to-text, ElevenLabs voor natuurlijke text-to-speech, Deepgram voor lage-latency streaming-transcriptie. Mix afhankelijk van taal-ondersteuning en kosten per minuut.
Backend: Node.js, Python of GoPython wanneer er veel AI-orchestratie en data-bewerking is, Node.js voor snelle streaming-endpoints en TypeScript-deling met de frontend, Go wanneer doorvoer-prestaties bepalend zijn.
Belangrijke beslissingenCloud of on-device, EU-residency ja of nee, hoe u hallucinaties begrenst, hoe token-kosten in toom blijven bij groei, en hoe de AI Act-classificatie van uw app eruitziet. Dit nemen we vroeg in het traject mee.

Compliance bij een AI-app — wat regelen we mee.

AI-apps raken meer wetgeving en richtlijnen dan reguliere apps. We brengen vroeg in het traject in kaart wat van toepassing is, in plaats van het er aan het einde nog overheen te leggen.

AVG

Privacy by design

Dataminimalisatie, verwerkersovereenkomsten met LLM-providers, log-retention strak ingericht en een privacy-statement dat aansluit op wat er werkelijk gebeurt. Een DPIA bij gevoelige use-cases.

AI Act

Classificatie en transparantie

Bepalen of uw app onder minimaal-, beperkt- of hoog-risico valt. Voor beperkt-risico minimaal transparantie over AI-output; voor hoog-risico zwaardere documentatie, evaluatie en human-oversight. Ook AI-geletterdheid voor uw team (Art. 4).

App Store & Play Store

Platform-richtlijnen

Apple Intelligence privacy-guidelines, Apple's AI-disclosure-eisen en Google's Generative AI-policies. Content-moderatie, leeftijdsclassificatie en heldere uitleg van datagebruik in het App Store-formulier.

WCAG / EAA

Toegankelijkheid

Per juni 2026 geldt de European Accessibility Act voor veel digitale producten. AI-chat-UI's moeten goed werken met screenreaders, voice-input is een toegankelijkheidskans, en streaming-output mag geen focus-trap veroorzaken.

Hoe een AI-app-traject bij ons loopt.

Kennismaking en use-case scherp

Een gesprek waarin we begrijpen wat de app moet doen, wie hem gebruikt, welke data beschikbaar is en welke modellen passen. Vaak ook al een eerste discussie over cloud versus on-device en over compliance-context.

Prototype met echte prompts

We bouwen een tastbare prototype-flow met echte LLM-aanroepen — geen mockup, maar een werkende slice die laat zien hoe de AI reageert op uw data en uw gebruikers. Op basis daarvan finetunen we scope en model-keuze.

Bouw in sprints

Elke twee weken een werkende build, getest op iOS en Android. Parallel werken we aan de prompt-library, de RAG-pipeline en de evaluatie-suite. U test mee, een kleine groep beta-gebruikers ook.

App Store-submission en launch

App Store Connect en Play Console submission, met alle juiste AI-disclosures. Soft-launch in één markt om feedback te verzamelen voor de bredere uitrol.

Doorontwikkel-fase

AI-modellen verbeteren snel, prompts ook. We monitoren kosten, kwaliteit en gebruik, en draaien sprints om nieuwe modellen te integreren, hallucinatie-patronen aan te pakken en features uit te breiden.

Veelgestelde vragen.

Wat opdrachtgevers meestal willen weten voor we beginnen.

Wat is het verschil tussen een AI-app en een gewone app met AI-features?

Bij een AI-app is het LLM de kern-ervaring en draait ontwerp, architectuur en pricing om token-gebruik, streaming, hallucinaties en model-evolutie. Een gewone app met een AI-feature heeft AI als toevoeging — handig, maar niet bepalend voor de architectuur. Het verschil zit in waar de ontwerpenergie heen gaat, niet in een bepaalde feature-checklist.

Welke LLM moeten we kiezen — Claude, GPT-4o, Gemini of Mistral?

Hangt af van use-case. Claude is sterk in lange context, nuance en code; GPT-4o in multi-modal en tool-use; Gemini in lange context en Google-integraties; Mistral en open-source modellen wanneer u zelf wilt hosten. We benchmarken in de prototype-fase op uw eigen prompts en data — zo voorkomt u dat de keuze gebaseerd is op generieke benchmarks die niets zeggen over uw situatie. Voor diepere integratie-keuzes verwijzen we ook naar onze pagina over custom LLM-integraties.

Cloud-AI of on-device — wat is het verschil?

Cloud-AI (Claude, GPT-4o, Gemini) geeft toegang tot de krachtigste modellen maar stuurt data naar een externe provider en kost per token. On-device AI (Apple Intelligence op iOS 18+, Gemini Nano op Android 14+) draait lokaal, kost niets per gebruik en houdt data op het toestel — maar de modellen zijn kleiner en kunnen minder. Voor gevoelige data is on-device aantrekkelijk; voor zware redeneer-taken kiest u doorgaans cloud. Veel apps doen allebei: simpele taken on-device, complexere via een EU-cloud-endpoint.

Wat betekent de AI Act voor onze app?

De AI Act onderscheidt verboden, hoog-risico, beperkt-risico en minimaal-risico systemen. De meeste consumer AI-apps vallen in beperkt-risico en moeten transparant zijn dat output door AI is gegenereerd. Hoog-risico geldt onder andere bij gebruik in werving, kredietverlening, onderwijs-beoordeling of medische context — daar gelden zwaardere documentatie- en evaluatie-eisen. We helpen u classificeren en bouwen de juiste compliance-laag mee in, in plaats van het er achteraf overheen te leggen. Strategische trajecten doen we op onze pagina over enterprise AI-implementatie.

Hoe gaan jullie om met hallucinaties?

Hallucinaties zijn niet helemaal weg te krijgen, wel sterk te beperken. We combineren RAG (zodat het model uit uw eigen bronnen put), grounding-instructies in de prompt, output-validatie via een tweede model of regels, en duidelijke UI-signalen wanneer de AI onzeker is. Voor kritieke beslissingen bouwen we human-in-the-loop in, zodat een gebruiker bevestigt voordat actie wordt ondernomen.

Wat bepaalt de kosten van een AI-app?

Drie dingen vooral: ontwikkeluren (afhankelijk van scope, platforms en aantal AI-features), terugkerende model-kosten (tokens per gebruiker per maand), en infra-kosten voor vector-database, hosting en monitoring. We werken met sprintbudgetten voor de bouw en bouwen vanaf dag één een kosten-dashboard zodat u zicht houdt op het verbruik per feature, model en gebruiker. Daarmee kunt u beslissen wanneer een goedkoper model of een caching-laag het verdient.

Hoe zit het met privacy en gevoelige data?

We werken standaard met EU-data-residency waar dat kan (Anthropic EU-endpoints, OpenAI EU-deployment via Azure). Bij echt gevoelige data kiezen we voor een EU-private deployment of een on-device model. We sluiten een verwerkersovereenkomst met u én met de LLM-provider, doen waar nodig een DPIA en zetten log-retention strak. Data wordt nooit door ons gebruikt voor model-training.

Wordt mijn data gebruikt om het model te trainen?

Bij Anthropic, OpenAI Enterprise en Google Vertex AI is standaard uitgesloten dat uw data gebruikt wordt voor model-training. Op de consumer-API's van OpenAI is dat anders — daar werken we niet mee voor productie. We documenteren expliciet welke provider welke garantie geeft en nemen dat op in uw privacy-statement zodat ook uw eindgebruikers weten waar ze aan toe zijn.

Kunnen jullie de app ook beheren en doorontwikkelen?

Ja, en bij AI-apps is dat vrijwel altijd verstandig. Nieuwe modelversies komen elke paar maanden uit, prompt-engineering blijft een levend vak en kosten kunnen verschuiven. Een doorontwikkel-contract met vaste sprintcapaciteit zorgt dat de app blijft meebewegen met wat er in het AI-landschap gebeurt — voor een breder palet aan generatieve toepassingen verwijzen we ook naar onze pagina over generatieve AI-oplossingen.

Praat met ons over uw AI-app.

Een kennismaking van een half uur, vrijblijvend. We luisteren naar de use-case, denken mee over model-keuze en privacy, en geven richting waar u iets aan heeft — ook als de juiste volgende stap niet meteen bouwen is maar eerst een prototype of een korte validatie-sprint. Of u nu pre-product bent, een bestaande mobiele app wilt verrijken, of voortbouwt op een AI-strategie die elders al ligt: we gaan graag het gesprek aan en denken liever vroeg mee dan dat we pas instappen als alles vaststaat.

Plan een kennismaking Of bekijk meer werk