Verticale AI

Wat is verticale AI?

Verticale AI is een AI-product dat gebouwd is voor één sector of één taak, en niet voor iedereen. Een contractnazicht voor advocatenkantoren, een verslagsysteem voor artsen, een opvolgingstool voor een werf: elk van die producten gaat ervan uit dat het weet wie er zit te werken en wat die persoon af wil krijgen.

Het woord verticaal komt uit een oudere indeling in software. Horizontale software werkt hetzelfde voor een bakker en een bank: een rekenblad, een mailbox, een algemene chat-assistent. Verticale software heeft alleen zin binnen één beroep, zoals een dossierbeheersysteem voor een notaris. Verticale AI trekt die lijn door naar AI-producten.

Het is intussen ook een uitgavenpost. In de prognose van Gartner van juli 2026 gaat de wereldwijde eindgebruikersuitgave aan AI-modellen en AI-platformen naar 64 miljard dollar in 2026, tegenover 39 miljard in 2025, met domeinspecifieke taalmodellen als snelst groeiend stuk aan 210 procent groei in dat ene jaar. Zo'n cijfer zegt waar het geld naartoe schuift, niet of het product voor jou de moeite waard is.

Wat een verticaal product echt anders maakt

De eerlijke rangschikking verrast veel mensen, want het model staat bijna onderaan.

1. De workflow
   Het product kent de vorm van het werk: dat een due diligence per documentenset loopt en eindigt op een nota, of dat een consultatie eindigt op een verslag dat iemand moet tekenen. Een algemene assistent weet daar niets van en wacht tot jij het elke keer opnieuw uitlegt.

2. De koppelingen met de systemen van die sector
   Harvey, een juridisch product, haalt context uit iManage, NetDocuments, LexisNexis en SharePoint en draait binnen Word en Outlook. Abridge schrijft zijn ontwerpverslagen weg in Epic. Buildots vergelijkt je BIM-model en je planning met beelden van 360 graden camera's, dronevluchten en laserscans. Dat koppelwerk is traag en weinig spectaculair, en het is het grootste deel van wat je koopt.

3. Het vakjargon en de documentformaten
   Elke sector heeft woorden met een precieze betekenis en bestandsformaten waar niemand daarbuiten van gehoord heeft. Een product dat een Belgische btw-listing of een BIM-export leest zonder dat je moet uitleggen waar het naar kijkt, bespaart je een prompt en veel verbeterwerk.

4. De evaluatieset uit echte dossiers
   Kopers slaan dit over, en het is misschien het sterkste stuk. Abridge beschrijft een evaluatieset van meer dan duizend beoordelingsschema's, opgesteld door artsen die elk een echte geanonimiseerde consultatie hebben nagelezen. Harvey bouwde een juridische benchmark uit gefactureerde tijdsregistraties, en scoort zowel hoeveel van een eindproduct op advocatenniveau een model afwerkt als hoeveel van zijn juiste uitspraken een correcte bron dragen. Hun reden: meerkeuzetests vangen niet wat advocaten echt factureren.

5. Het compliance-werk
   Verwerkersovereenkomsten, bewaartermijnen, audittrails, sectorcertificaten, en in Europa de papieren die de AI Act van een gebruiksverantwoordelijke vraagt. Een verticale leverancier heeft dat al met de vorige twintig klanten doorlopen.

6. Een model dat echt op domeindata getraind is
   De zeldzame. Bloomberg deed het grondig in maart 2023 met een model van 50 miljard parameters, getraind op ongeveer 363 miljard tokens financiële tekst naast 345 miljard tokens algemene tekst. Bijna niemand heeft dat op die schaal overgedaan, want de algemene modellen verbeterden sneller dan zo'n factuur terugverdiend raakte.

Vraag welke van die zes je eigenlijk koopt. Prompting plus retrieval bovenop het model van iemand anders kan nog altijd een uitstekend product zijn. Het hoort alleen niet geprijsd te worden alsof er een model voor jou getraind is.

In welke sectoren staat verticale AI het verst?

Advocatuur, zorg, boekhouding, verzekeringen en bouw lopen voorop, en ze delen drie kenmerken. Ze draaien op documenten, dus lezen is het werk zelf en geen bijproduct. Ze delen een woordenschat, dus je kan een product bouwen rond termen die bij elke klant hetzelfde betekenen. En hun fouten zijn duur: een gemiste clausule, een verkeerde dosering of een balk op de verkeerde plaats kost veel meer dan de software. Dat verschil betaalt de laatste kilometer: de extra controles, de bronverwijzingen, de menselijke aftekening. Waar een sector op alle drie zakt, doet een algemene tool met een deftige prompt het werk.

Kopen of zelf bouwen op een algemeen model

Waarom kopen

De leverancier is jouw randgevallen al tegengekomen. De rare factuuropmaak, het contract in het Frans met een Nederlandse bijlage, de klant die nog altijd scans doorstuurt: iemand anders liep daar eerst tegenaan en het product heeft het opgevangen. Je betaalt voor die laatste kilometer, die duur is om te bouwen en saai om te onderhouden. Durfkapitaalfonds CRV zette datzelfde argument in mei 2026 in beleggerstaal: klantendata die je nergens anders krijgt, verwevenheid met de workflow, regelgevende complexiteit, en de gelabelde randgevallen die elke uitrol oplevert. Geen van de vier gaat over modelkwaliteit.

Waarom niet kopen

De prijs per gebruiker snijdt het diepst als er uiteindelijk maar drie mensen dagelijks mee werken. En daarna komt de afhankelijkheid: zodra je nazichtsproces, je clausulebibliotheek en je historiek in het product van één leverancier zitten, betekent vertrekken dat je alles opnieuw opbouwt.

Het zwaarste bezwaar is dat algemene modellen blijven bijbenen. In november 2023 liet een team bij Microsoft zien dat GPT-4 het toonaangevende medische model versloeg op medische examenvragen, met een algemeen prompt-recept dat geen enkele medische kennis gebruikte. Dat andere model was wel degelijk gefinetuned op medische data. Hetzelfde recept werkte trouwens ook op examens rond recht, boekhouding en verpleegkunde. Domeintraining is dus niet nutteloos. Maar een voorsprong waar je vandaag een premie voor betaalt, kan dichtklappen op de releasekalender van iemand anders.

Een studie uit december 2023 vergeleek fine-tuning zonder toezicht met retrieval als twee manieren om nieuwe domeinkennis in een model te krijgen. Retrieval won consequent, zowel voor feiten die het model al gezien had als voor nieuwe, en de modellen kregen nieuwe feiten er via fine-tuning nauwelijks in. Zegt een leverancier dat de domeinkennis in de gewichten van het model zit, dan is dat de claim om op door te vragen.

Wat dit betekent in België

De rekening valt hier anders uit dan in de Verenigde Staten. Een Vlaams boekhoud- of bouwproduct dat de lokale regels kent, kan meer waard zijn dan een beter model dat ze niet kent. Neerleggingsformaten voor de jaarrekening, het Belgische rekeningstelsel, data van het sociaal secretariaat, de papierwinkel rond erkende aannemers: niets daarvan vraagt zwaar redeneerwerk, alles moet exact juist zijn, en een algemeen model geeft vrolijk een plausibel verkeerd antwoord. Silverfin, in 2013 opgericht in Gent en sinds 2023 deel van Visma, is het bekendste lokale voorbeeld. Taaldekking weegt hier ook zwaarder: een product dat Nederlands, Frans en Engels binnen één dossier aankan, haalt een lat die aan een Amerikaans product nooit gesteld is. Vraag een demo op je eigen documenten, in je eigen talen, nog voor je over de rest praat.

Een uitgewerkt voorbeeld: één leverancierscontract, twee routes

Neem een bouwbedrijf dat elk binnenkomend leverancierscontract wil laten nakijken op drie zaken: de betalingstermijn, de inhoudingsclausule en de prijsherzieningsformule. Veertig contracten per jaar, en er eentje verkeerd inschatten kost echt geld.

Route één, een verticaal product voor contractnazicht. Je laadt de contracten op, en je krijgt de drie clausules terug met de bronparagraaf ernaast, plus een markering van alles wat afwijkt van wat het elders al zag. De clausule-indeling, de extractie, de bronvermelding en de testset erachter komen allemaal van de leverancier. Jouw werk is de account opzetten, de map koppelen en het resultaat nakijken.

Route twee, een algemene assistent met je eigen documenten. Je schrijft zelf de prompt die de drie clausules in je eigen woorden definieert, je koppelt de map, en je legt op dat elk antwoord zijn bronparagraaf citeert. Dan komt het stuk dat mensen vergeten: je verzamelt twintig oude contracten waarvan je het juiste antwoord al kent, en je laat die opnieuw lopen telkens je de prompt aanraakt of de modelversie eronder verschuift. Die testset is vanaf dan van jou om te onderhouden.

Op de vraag wie de laatste kilometer aflegt, is dat het hele verschil. Route twee is goedkoper en flexibeler, tot de dag dat er een modelupdate landt en je testset het enige is dat tussen jou en een stille achteruitgang staat. Bij veertig contracten per jaar wint route twee meestal. Bij vierhonderd, met drie nakijkers en een zaakvoerder die tekent, kantelt het naar route één.

Wat je een verticale leverancier vraagt voor je tekent

Welk model zit eronder, en wat gebeurt er als het uitgefaseerd wordt?
De meeste verticale producten draaien op een algemeen model van een van de grote labs, en daar is niets mis mee. Wat telt is of ze testen voor ze overschakelen. Abridge zegt het zelf droog: als er een nieuw foundation model uitkomt, wisselen ze het niet zomaar in met de hoop dat het goed komt, ze evalueren eerst.

Is er echt iets op domeindata getraind, of is dit prompting plus retrieval?
Allebei zijn aanvaardbaar. Meestal klopt maar één van de twee, en welke het is vertelt je hoe snel een algemeen model kan bijbenen.

Op wiens data is het getraind, en mag die van ons gebruikt worden?
Als klantendocumenten het gedeelde model verbeteren, zet dat in de overeenkomst en niet in de verkooppresentatie.

Wat zit er in de evaluatieset?
Hoeveel dossiers, wie ze geschreven heeft, of het echt werk is of verzonnen voorbeelden, en wat de score meet. Een leverancier zonder ernstige evaluatieset verlegt het gesprek naar een percentage.

Wat gebeurt er met onze data, en wat nemen we mee als we vertrekken?
Bewaartermijn, regio, subverwerkers, en vooral wat je in een export krijgt als je vertrekt. Clausulebibliotheken en nazichtshistoriek zijn de stukken die pijn doen om opnieuw op te bouwen.

Waar moet je op letten bij het gebruik van verticale AI

Een chatvenster op een sectorwebsite is geen verticale AI. Als het enige sectorspecifieke aan het product het logo en de voorbeeldvragen zijn, kijk je naar een algemene assistent met een landingspagina ervoor. Verticaal betekent dat de workflow, de koppelingen en de evaluatie sectorspecifiek zijn, niet de marketing.

Nauwkeurigheidspercentages zonder definitie zijn geen bewijs. Een cijfer zegt pas iets als je weet waarop het gemeten is, wie de testgevallen schreef en wat als juist telde. Een leverancier die zijn eigen evaluatieset citeert, is legitiem. Een cijfer waar je niet op door kan vragen, is dat niet.

Een dunne verticale laag kan ingeslikt worden. Als het enige voordeel van een product een goede prompt bovenop een algemeen model is, kan het lab dat het model maakt diezelfde functie zelf uitbrengen. Vraag waar je dan nog voor betaalt, en als het eerlijke antwoord niets is, behandel het contract als kortlopend.