Chatbot laten maken: soorten, kosten en wanneer je er echt iets aan hebt

Chatbot laten maken: soorten, kosten en wanneer je er echt iets aan hebt

Een chatbot laten maken klinkt in 2026 als een afvinktaakje: je belt een bureau, er verschijnt een bubbel rechtsonder op je website, klaar. In de praktijk schuilt onder dat woord een spectrum van drie totaal verschillende oplossingen, met prijzen die een factor tien uit elkaar liggen. Een FAQ-widget voor €2.500 doet iets heel anders dan een RAG-chatbot op je volledige orderhistorie voor €40.000.

Wij bouwen al 9 jaar maatwerksoftware voor mkb-bedrijven, en sinds 2025 leggen we steeds vaker AI-features over bestaande bedrijfssystemen heen, inclusief chatbots die de eigen data van een bedrijf begrijpen. In dit artikel leggen we uit welke soorten chatbots er zijn, wat een chatbot laten maken realistisch kost, wanneer een SaaS-oplossing beter is dan maatwerk, en wanneer we juist afraden om er een te bouwen.

Wat je bedoelt als je zegt “chatbot laten maken”

Een chatbot laten maken kan drie heel verschillende dingen betekenen. Het woord dekt een regelgebaseerde FAQ-bot met vaste antwoorden, een AI-chatbot op algemene kennis, en een AI-chatbot die jouw eigen bedrijfsdata gebruikt. Alle drie heten chatbot. De keuze maakt een factor tien verschil in prijs en toepassing.

In de praktijk schuilt onder dat woord een spectrum van drie totaal verschillende oplossingen, met prijzen die een factor tien uit elkaar liggen.

Regelgebaseerd (decision tree). De klassieke chatbot. Jij definieert alle mogelijke vragen en antwoorden vooraf. Gebruikers klikken door een boomstructuur. Goedkoop, voorspelbaar, maar beperkt. Geschikt voor een strikt afgebakende FAQ of een bestelformulier.

AI-chatbot op algemene kennis. Onder de motorkap draait een LLM zoals GPT-4o of Claude. Kan natuurlijk taalverkeer aan, klinkt menselijk, maar kent jouw bedrijf niet. Als iemand vraagt wat jouw retourvoorwaarden zijn, verzint de bot iets plausibels. Prima voor algemene gesprekshulp, ongeschikt als primair klantkanaal.

AI-chatbot op eigen data (RAG). Hier wordt het interessant. RAG staat voor Retrieval-Augmented Generation. De chatbot haalt eerst relevante informatie uit jouw eigen documenten of database op, en gebruikt die om te antwoorden. Hij kan onderbouwen waar hij het vandaan heeft. Dit is de variant die voor de meeste mkb-bedrijven de echte waarde levert, en ook de variant waar wij het vaakst aan bouwen.

De rest van dit artikel gaat vooral over optie twee en drie. Een regelgebaseerde chatbot zet je meestal prima zelf op in een tool als ManyChat, of je laat een bureau er een weekje aan werken. We gaan er niet onnodig uitgebreid op in.

Wanneer een chatbot wel, en wanneer geen goed idee is

Een chatbot is zinvol wanneer er een herhalend vraagpatroon is, je relevante data gekoppeld staat in een systeem dat jij beheert, en iemand in je team de feature gaat adopteren. Ontbreekt een van die drie, dan bouw je meestal een duur speeltje dat na drie maanden geen gebruiker meer ziet.

Wel zinvol wanneer:

• Je hoog volume herhaalvragen hebt, of dat nu eerste-lijn klantenservice is of interne medewerker-vragen over beleid of processen
• Je data gestructureerd staat in een systeem: een product-catalogus, orderhistorie, kennisbank in Confluence of SharePoint, documenten in een DMS
• Er iemand in je team is die de feature gaat dragen, monitoren en bijsturen
• Het volume zo groot is dat één full-time servicemedewerker zich nu vooral met herhaalvragen bezig houdt

Nog niet zinvol wanneer:

• Je kernproces draait op losse Excels, mailboxen en papier. Zorg eerst voor een werkend platform laten ontwikkelen, daarna komt de chatbot erover. Andersom wordt het duur en teleurstellend.
• Je hebt minder dan 1.000 records in de data-categorie die ertoe doet. Onder dat volume geven AI-chatbots vaak overtuigend klinkende antwoorden die toevallig fout zijn. Dat is erger dan geen antwoord.
• Er is geen proceseigenaar. Chatbots zonder eigenaar worden drie maanden na lancering niet meer bijgewerkt en verliezen snel hun waarde.
• Je hebt strenge compliance-eisen zonder de mogelijkheid om een audit trail op te zetten. In zorg, finance en farma moet elke geautomatiseerde beslissing herleidbaar zijn.

Een eerlijk tegenvoorbeeld uit onze eigen praktijk: bij een van onze langlopende klanten in de beveiliging hadden we ooit een discussie over een chatbot. Zij krijgen als beveiligingsbedrijf honderden mails per maand van leveranciers met documenten en certificaten. Het zou logisch klinken om daar een chatbot op te zetten die mails beantwoordt of informatie opzoekt. We kwamen tot de conclusie dat hun knelpunt ergens anders zat: documentuitwisseling. We bouwden een portaal waarin leveranciers zelf hun documenten uploaden, en het e-mailprobleem verdween. Geen chatbot, wel een oplossing. Die case staat op ons traject met Met WA.

Chatbot in eigen software of losse SaaS: wanneer welke keuze

Een SaaS-chatbot (Watermelon, Intercom, Zendesk AI, Freshworks) is de snelste route naar een werkende FAQ-bot op je website, vaak binnen een week live. Een maatwerk-chatbot in je eigen software is nodig wanneer hij jouw data echt moet begrijpen, binnen je platform moet werken, of diep gekoppeld moet zijn aan je ERP of CRM.

Een SaaS-chatbot volstaat meestal voor:

• Publieke website-FAQ met standaardvragen
• Lead-kwalificatie op een landingspagina
• Eerste-lijn klantenservice met handover naar een mens bij complexe vragen
• 24/7 opvang van veelvoorkomende vragen op je webshop

Een maatwerk-chatbot is nodig voor:

• Interne kennisbank-chatbot over bedrijfseigen documenten en beleid
• Natural Language Query-functie over je eigen platform (“welke klanten hebben afgelopen kwartaal minder besteld”)
• AI-copilot in je ERP of CRM die medewerkers helpt taken uit te voeren
• Chatbot die inhoudelijk met klantdata werkt en dus in je eigen hosting moet draaien
• Compliance-eisen waarbij data niet naar een Amerikaanse SaaS mag

De meest gemaakte fout die we zien: een bedrijf koopt een SaaS-widget in de hoop dat die hun interne RAG-probleem oplost. Dat werkt niet. De widget kent je data niet. Je klant of medewerker verwacht van wel, want het staat op jouw site, en dus wordt de teleurstelling groot. Beter om vooraf eerlijk te zijn over wat het ding kan en niet kan.

Hoe wij een chatbot laten maken aanpakken bij Appec

Wij bouwen chatbots vooral als feature binnen bestaande bedrijfssoftware, niet als losse widget. Onze aanpak is kleine scoping, een POC op echte data, en pas daarna productie-integratie. Geen rapport van 40 pagina’s, wel een werkend prototype in weken.

1. Intake (1 uur, gratis). We zitten met directie of productowner. Twee vragen: welk probleem moet de chatbot echt oplossen, en welke data is daarvoor beschikbaar. We gaan ook open het gesprek in over de vraag of dit eigenlijk wel een chatbot-probleem is, of iets anders.
2. Data-scan en scoping (1-2 weken). We kijken naar je data-bronnen, processen en bestaande architectuur. Output is een kandidatenlijst van concrete chatbot-use-cases met een inschatting van haalbaarheid en kosten.
3. POC (2-4 weken). We bouwen een werkende chatbot op jouw echte data, op een staging-omgeving. Echte gebruikers uit je team testen het. Dit is het moment waarop je weet of de AI je data ook daadwerkelijk begrijpt, niet een demo op gepoetste voorbeelden.
4. Productie-integratie (4-8 weken). Koppeling met bestaande systemen, rolbeheer, logging, monitoring, fallback naar mens wanneer de AI geen betrouwbaar antwoord heeft.

Een concreet voorbeeld uit onze praktijk. Bij een klant in specialistische handel zijn we in 2016 begonnen. Wij bouwden hun ERP/CRM-platform in .NET, 15 modules die dagelijks door het hele bedrijf worden gebruikt. Begin 2026 stelde Mathijs (de eigenaar) de vraag: kunnen we de berg data die hier in 9 jaar is ontstaan slimmer doorzoekbaar maken? We analyseerden 59.000 orders, 57.000 conversatielogs en 29.000 prijslijstentries. Daaruit kwamen 16 AI-kansen. De eerste die naar productie ging is een Chat Copilot met Natural Language Query: een medewerker kan in natuurlijke taal vragen stellen over de hele dataset, bijvoorbeeld “welke klanten hebben afgelopen drie maanden minder besteld dan dezelfde periode vorig jaar”, en krijgt een antwoord met bronvermelding (welke klanten en orders dat antwoord vormen). Die feature ging live in PR #556. Spectaculair groot was het niet, maar wel de eerste feature die echt productie-klaar was en door medewerkers direct werd opgepikt. De volledige case staat beschreven in ons langlopende Berkleba-traject.

Naast Berkleba lopen er bij meerdere klanten lichtere POC’s, vooral kennisbank-zoekfuncties en intake-classificatie. Berkleba is op dit moment onze diepste case op dit gebied. Een echte productie-integratie binnen een 9 jaar oude codebase met 15 modules, niet een experiment in een sandbox.

Het tekenende verschil bij dit soort features zit niet in vermeende productiviteit-percentages, maar in of mensen ze uit zichzelf openen. Bij Berkleba wordt de Chat Copilot direct na livegang dagelijks gebruikt door directie en team, zonder dat er een rollout-traject met trainingen omheen hangt. Als een AI-feature binnen drie maanden nog niet is opgepikt, klopt er meestal iets niet aan het probleem dat het zou oplossen, of aan de plek in de workflow waar het zit.

Wat kost een chatbot laten maken

Voor een losse chatbot-widget op een website praten we over €2.000 tot €10.000 eenmalige bouwkosten plus maandelijkse AI- en hostingkosten. Een AI-chatbot op eigen bedrijfsdata met productie-integratie in je software kost typisch €15.000 tot €50.000, en hoger als er veel koppelingen nodig zijn.

• SaaS-chatbot of website-widget met beperkt maatwerk: €2.000-€10.000 eenmalig voor setup, prompt-engineering en content-training. €50-€300 per maand voor software, API-calls en hosting. Dit is meestal de goedkoopste route als een standaardproduct voldoet.
• Maatwerk AI-chatbot in eigen software: €15.000-€50.000 eenmalig voor scoping, POC en productie-integratie. Prijs hangt af van de data-kwaliteit, aantal integraties en compliance-eisen.
• Complexe RAG-chatbot met meerdere data-bronnen en diepe integraties: €40.000-€100.000 of meer. Denk aan een chatbot die klant-, order- en productdata combineert, ingebouwd in een ERP met rolbeheer en audit trail.
• Maandelijkse operationele kosten: €100-€1.500 per maand voor LLM-API, vectordatabase, hosting en monitoring. Varieert sterk op basis van volume.

Een eerlijke nuance: de prijs van €99 of €159 per maand die je op SaaS-pagina’s ziet is de software. De integratie, prompt-engineering, training op jouw content en de handover-logica naar een menselijke collega komen daar meestal nog bovenop, ook bij SaaS-tools. Wie zegt “all-in voor €99 per maand” is een product aan het verkopen, geen oplossing.

Deze ranges sluiten aan bij wat wij in de praktijk offreren. De ondergrens van €15.000 voor RAG in bestaande software klopt: daaronder kun je geen serieuze data-pipeline plus integratie plus monitoring opzetten. Het Berkleba Chat Copilot-traject zit middenin deze range, opgebouwd uit een POC en daaropvolgende productie-integratie.

Voor een breder kader over wat AI-implementatie bij een bedrijf typisch kost, zie onze pagina over onze aanpak voor AI implementatie voor bedrijven.

De technische onderdelen van een maatwerk-chatbot

Een maatwerk AI-chatbot bestaat uit vijf lagen: een LLM als motor, een retrieval-laag die jouw data ophaalt (RAG), een prompt-laag die context structureert, een integratie-laag voor jouw systemen en een gebruikers-interface. De meeste bouwtijd gaat niet naar de LLM zelf, maar naar die vier andere lagen.

LLM (de motor). Claude, GPT-4o, of een open-source model zoals Llama 3. Keuze hangt af van compliance (mag data naar een Amerikaanse partij), budget (per-token-kosten lopen uiteen) en prestaties op Nederlandstalige tekst.

Retrieval-laag (RAG). Jouw data wordt omgezet naar embeddings en opgeslagen in een vectordatabase zoals Pinecone, Azure AI Search of pgvector. Bij een vraag worden relevante fragmenten opgehaald en aan het LLM meegegeven. Hier haalt de chatbot zijn “kennis van jouw bedrijf” vandaan.

Prompt-laag. De instructies die de chatbot context geven, zijn toon bepalen, en regels geven over bronvermelding en wanneer hij moet doorverwijzen naar een mens. Dit onderdeel lijkt klein, maar bepaalt voor een groot deel hoe de chatbot zich gedraagt.

Integratie-laag. Koppelingen met CRM (HubSpot, Salesforce), ERP (Exact Online, AFAS), authenticatie (Azure AD, 2FA), eigen API’s, en logging. Bij veel klanten is dit het grootste stuk werk.

Gebruikersinterface. Een website-widget, een in-app scherm, een Microsoft Teams bot, een Slack bot, of een spraak-interface. Keuze hangt af van waar je gebruikers al werken.

Onze ervaring: bij een RAG-chatbot in bestaande software zit 80% van de bouwtijd in de RAG-laag en de integraties, niet in het LLM-gedeelte. Het LLM kiezen en aanroepen is een paar regels code. Jouw data goed laten ophalen, in context zetten, en betrouwbaar terugkoppelen aan jouw systemen: daar zit het werk. Dit is ook waarom wij AI-features in bestaande software integreren als eigen discipline zien, los van losse chatbot-widget-klussen.

Per project kiezen we de stack die past bij de bestaande architectuur. Voor klanten met .NET-backend op Azure is onze default Azure OpenAI met Azure AI Search als vectordatabase, omdat de data dan binnen het bestaande Azure-tenant blijft en compliance-vragen eenvoudiger te beantwoorden zijn. Voor klanten zonder Azure-fundament pakken we vaak Anthropic Claude met pgvector of Pinecone. We binden ons bewust niet aan één leverancier: prijzen en kwaliteit van LLM’s verschuiven elke paar maanden, en wat vandaag het beste model voor jouw use-case is, hoeft dat over zes maanden niet meer te zijn.

Een externe bron met een goede Nederlandstalige uitleg van RAG en hoe je het toepast in een bedrijfscontext staat op de kennisbank van DDMA over Retrieval-Augmented Generation.

Veelgestelde vragen

Wat kost een chatbot laten maken?

Een eenvoudige FAQ-chatbot of website-widget kost €2.000-€10.000 eenmalig plus €50-€300 per maand aan software en API-kosten. Een AI-chatbot op eigen bedrijfsdata met productie-integratie start meestal vanaf €15.000 en loopt op naar €50.000 of meer voor complexere cases met meerdere data-bronnen en koppelingen aan ERP of CRM.

Wat is een RAG-chatbot?

Een RAG-chatbot (Retrieval-Augmented Generation) haalt eerst relevante informatie uit jouw eigen documenten of database op, en gebruikt die om te antwoorden. Dat verlaagt het risico op hallucinaties en maakt bronvermelding mogelijk: de chatbot kan laten zien uit welk document of welke database-record het antwoord komt. Voor bedrijven is dit bijna altijd de juiste variant als de chatbot echt iets over jouw bedrijf moet weten.

Hoe lang duurt het om een chatbot te laten maken?

Een SaaS-chatbot op een website heb je binnen 1-2 weken live. Een maatwerk AI-chatbot op bedrijfsdata duurt typisch 6 tot 12 weken, opgebouwd uit 1-2 weken scoping, 2-4 weken POC op echte data, en 4-8 weken productie-integratie. Doorlooptijd hangt sterk af van data-kwaliteit en het aantal systemen waarmee gekoppeld moet worden.

Kan een chatbot veilig omgaan met onze bedrijfsdata?

Ja, mits je de chatbot bouwt op een manier waarbij jouw data niet wordt gebruikt om publieke modellen te trainen. Azure OpenAI met private endpoints, Claude via Anthropic’s enterprise-contracten, of on-premise open-source modellen zoals Llama zijn opties als je GDPR-strict of sector-compliant moet zijn. Voor zorg, finance en farma is het belangrijk om de keten tot op chunk-niveau te kunnen auditten.

Is een SaaS-chatbot zoals Watermelon of Intercom niet gewoon genoeg?

Voor een publieke website-FAQ of eerste-lijn klantenservice is een SaaS-chatbot vaak de beste keuze: sneller live en goedkoper. Zodra de chatbot jouw interne data moet begrijpen, gekoppeld moet zijn aan je ERP of CRM, of binnen je eigen software moet werken, is maatwerk meestal de betere route. Een SaaS-widget lost geen RAG-probleem op.

Klaar om te kijken of een chatbot bij jouw situatie past?

Heb je een concreet proces waar je denkt dat een chatbot tijd gaat besparen? Of juist twijfel: je hebt de verhalen gelezen en je vraagt je af of er bij jullie echt iets uit zou komen? Plan een vrijblijvende intake. Eén uur, geen rapport, geen verplichting. Wij kijken naar je bedrijf, je data en je processen, en we zeggen ook eerlijk als een chatbot op dit moment nog niet het beste antwoord is.

De koffie is op ons.