Kompas: van SharePoint-chaos naar AI-knowledge-base in 6 weken

De uitdaging

Wat moest er gebeuren

Veel MKB-organisaties hebben jaren SharePoint, Confluence of OneDrive volgegooid met handboeken, protocollen, beleid en notities. Zoeken werkt slecht: je vindt of niets, of 200 hits zonder context. Concrete pijn: nieuwe medewerker stelt 30× dezelfde vraag aan collega's omdat de uitleg ergens in 'beleid-2023-final-v3.docx' verstopt zit. Standaard 'AI-search' tools (Microsoft Copilot, Glean) kosten €15-30 per gebruiker per maand én vergen IT-traject van maanden om data-grondrechten goed te zetten.

De aanpak

Hoe ik het heb gebouwd

Stap 1: ingestion-pipeline — alle bestaande documenten (PDF, DOCX, MD) inlezen, chunken op semantische grenzen (niet vaste woordtelling), embedding via OpenAI ada-002, opslag in Supabase pgvector. Stap 2: query-flow — gebruikersvraag → vector-search top-N + re-rank → Claude beantwoordt mét verplichte source-citations. Geen citaat = geen antwoord (anti-hallucinatie-guard). Stap 3: onderhouds-detectie — doc ouder dan 6 maanden krijgt een 'mogelijk verouderd'-vlag in het antwoord. Stap 4: admin-dashboard met KMS-stats (welke vragen werden gesteld, welke documenten worden vaakst geciteerd, welke missen). Stap 5: download/export per onderwerp als ZIP/MD voor offline review.

Resultaat

Wat het heeft opgeleverd

Productie-instance live met 700+ documenten geïndexeerd, gemiddeld antwoord-latency < 4s. Doorvraag-functie: vervolgvragen onthouden context. Kostenmodel: ~€80/mnd recurring (Supabase + Claude API + Vercel). Lessen direct toepasbaar voor elke MKB met document-archief: het ingestion-werk is 60-70% van de tijd, het AI-stuk 20%, polish 10-20%. Deze case is intern gebouwd, transferable als pilot naar zorgorganisaties + andere kennis-zware MKB-sectoren (advocatuur, accountancy, consultancy).

Tech-stack