Maarten
ChatGPT integraties
ChatGPT · OpenAI API · RAG · Function calling
ChatGPT integraties
ChatGPT integraties laten bouwen via de OpenAI API: AI-assistenten op je eigen documenten, concept-antwoorden in je inbox en taalmodellen die acties uitvoeren in je eigen systemen. Freelance, met 25 jaar ervaring, vanuit Nijmegen en remote door heel Nederland.
Eerder gebouwd voor Omroep Gelderland en Suitableshop.nl.
Eén ervaren freelancer
ChatGPT integratie laten bouwen voor je bedrijf
Een kort gesprek over de taak die tijd kost en de data die daarvoor nodig is, gevolgd door één concrete toepassing om mee te starten. Via de OpenAI API, met logging, kostenbewaking en een review-stap waar nodig. Vooraf is er een gesprek nodig om te weten wat er speelt, niet andersom.
- Eén concrete toepassing als startpunt
- RAG op je eigen documenten
- Kostenbewaking en logging ingebouwd
- Direct contact, geen tussenlagen
Voorbeelden van opgeleverd werk
Een webshop die technisch én commercieel sterker staat
Van een traag, slecht converterend platform naar een snelle webshop die soepel samenwerkt met de systemen erachter.
Een nieuwsdashboard dat heel Gelderland in beeld brengt
Volledig op maat gebouwd dashboard op Google Cloud dat bereik en witte vlekken in het nieuwsgebied zichtbaar maakt.
Wat een ChatGPT integratie anders maakt dan ChatGPT in de browser
ChatGPT in de browser is handig voor een losse vraag of een eerste versie van een tekst. Een ChatGPT integratie werkt anders: via de OpenAI API wordt hetzelfde taalmodel onderdeel van de eigen systemen. Dan leest het mee in de inbox, zoekt het antwoorden op in de eigen handleidingen, schrijft het productteksten in bulk of zet het een concept-offerte klaar in het CRM. Het verschil zit niet in het model, maar in de context die het krijgt en in wat er met de uitkomst gebeurt: een antwoord dat automatisch op de juiste plek belandt, in plaats van een tekst die iemand moet kopiëren en plakken.
Een ChatGPT integratie laten bouwen door een freelance developer betekent, in de praktijk, iemand die zowel de AI-kant als de software eromheen beheerst. De instructie aan het model is één onderdeel; het ophalen van de juiste gegevens, het afschermen van gevoelige velden, het bewaken van de kosten en het vastleggen van wat er is gebeurd zijn de rest. Vanuit Nijmegen wordt er gewerkt voor opdrachtgevers door heel Nederland, meestal op afstand. Vijfentwintig jaar ervaring met koppelingen, webshops en maatwerk betekent vooral: weten dat een AI-toepassing staat of valt met de data en de systemen eronder.
Elk traject begint met één concrete toepassing in plaats van een brede AI-strategie. Welke taak kost nu veel tijd, welke informatie heeft het model nodig om die goed uit te voeren, en wie controleert het resultaat? Soms volstaat een slimme instructie met een paar voorbeelden; soms is RAG nodig, waarbij het model alleen antwoordt op basis van de eigen documenten en daarbij de bron vermeldt. En soms moet het model zelf iets kunnen doen, via function calling: een afspraak inplannen, een order opzoeken of een lead aanmaken, met duidelijke grenzen aan wat het wel en niet mag.
Voor wie dit werkt, loopt uiteen: een klantenservice die veel dezelfde vragen beantwoordt, een salesteam dat offertes sneller wil opzetten, een webshop met duizenden productteksten, of een organisatie die interne kennis beter doorzoekbaar wil maken. In alle gevallen gaat het om dezelfde behoefte: tijdwinst op routinewerk, zonder de controle over wat er naar klanten of systemen gaat uit handen te geven. Daarom zit er bij alles wat naar buiten gaat een menselijke review in, tot duidelijk is dat de uitkomst betrouwbaar genoeg is.
Welke toepassing het meeste oplevert, is zonder de huidige werkwijze gezien lastig te zeggen. Daarom begint het meestal met een kennismakingsgesprek: een half uur om te horen waar de tijd nu naartoe gaat, gevolgd door een eerlijk beeld van wat haalbaar is met de huidige modellen en wat niet. Geen verplichting, en geen verkooppraatje over AI die alles kan.
Gebouwd voor
Klaar om ChatGPT echt aan het werk te zetten?
Wat een ChatGPT integratie oplevert
Zelden is een compleet AI-platform de oplossing; meestal levert één goed ingerichte integratie op een taak met veel routinewerk het meeste op, binnen de systemen die er al zijn. Een paar voorbeelden van wat er dan concreet verandert.
-
Concept-antwoorden in de inbox
Een klantmail wordt gelezen, de bijbehorende gegevens worden opgehaald uit het CRM of de webshop, en er staat een concept-antwoord klaar in de eigen toon. Een medewerker controleert en verstuurt.
-
Antwoorden uit de eigen kennisbank
Met RAG antwoordt een assistent op basis van de eigen handleidingen, FAQ en documenten, met bronvermelding. Weet het model het niet, dan zegt het dat, in plaats van iets te verzinnen.
-
Productteksten en vertalingen in bulk
Titels, beschrijvingen en meta-teksten voor honderden producten, in de eigen tone-of-voice en in meerdere talen, met steekproeven ter controle voordat ze live gaan.
-
Een model dat acties uitvoert
Via function calling zoekt de assistent een order op, plant een afspraak in of maakt een lead aan, binnen vooraf vastgelegde grenzen en met een log van elke actie.
-
Doorzoekbare documenten
Contracten, rapporten en notulen worden samengevat en semantisch doorzoekbaar, zodat de juiste passage snel te vinden is in plaats van na een uur bladeren.
-
Advies over de juiste AI-aanpak
Een eenvoudige instructie aan het model, RAG op de eigen documenten, of een agent die met function calling acties uitvoert: een gesprek over de taak en de beschikbare data maakt meestal al duidelijk welke aanpak bij het budget en de situatie past.
Benieuwd welke taak zich het best leent voor een ChatGPT integratie?
ChatGPT begint bij goed ontsloten data
Voor Omroep Gelderland is een volledig op maat gebouwd nieuwsdashboard ontwikkeld dat zichtbaar maakt waar het nieuws de inwoners bereikt. Het platform verwerkt dagelijks miljoenen nieuwe datapunten op Google Cloud. Geen AI-project, wel precies het soort fundament waar een goede AI-integratie op leunt.
Een taalmodel is maar zo goed als de context die het krijgt. Een assistent die vragen over de eigen organisatie beantwoordt, heeft actuele, opgeschoonde en goed doorzoekbare data nodig. Het ophalen, structureren en bijhouden van die data is vaak het grootste deel van het werk bij een ChatGPT integratie, en ook het deel dat het verschil maakt tussen een indrukwekkende demo en een assistent die in de praktijk bruikbaar is.
Daarom begint een RAG-traject meestal niet bij het model, maar bij de vraag welke bronnen leidend zijn, hoe vaak ze veranderen en wie ze bijhoudt. Pas als dat helder is, loont het om te kiezen welk model en welke vector-store erbij passen.
ChatGPT koppelen aan bestaande systemen
Voor Suitableshop is gewerkt aan een webshop die soepel samenwerkt met de systemen erachter, met API-koppelingen die gegevens automatisch op hun plek laten komen. Ook dat was geen AI-project, maar het laat zien waar een ChatGPT integratie in de praktijk op aansluit: de webshop, de backoffice en de gegevens die daartussen stromen.
Een AI-assistent in de klantenservice van een webshop wordt pas echt nuttig als die de status van een order kan opzoeken, een retour kan aanmelden of kan zien welke producten op voorraad zijn. Dat vraagt om dezelfde soort koppelingen, nu aangesproken door een taalmodel via function calling, met duidelijke grenzen aan wat het model wel en niet mag.
Die grenzen zijn het belangrijkste ontwerpwerk: welke acties mag de assistent zelfstandig uitvoeren, welke vragen om een bevestiging, en wat wordt er gelogd? Een goed afgebakende integratie is saaier dan een alleskunner, maar wel een die met een gerust hart in productie kan.
Twijfel of AI bij jouw vraagstuk past? Een half uur meedenken helpt vaak al.
ChatGPT-werk dat regelmatig terugkomt
Van een assistent die concept-mails schrijft tot een RAG-chatbot op de eigen kennisbank: onderstaand het werk dat het vaakst terugkomt, telkens toegesneden op de systemen, de data en de mensen die ermee gaan werken.
Custom AI-assistenten
Een assistent met eigen instructies, tone-of-voice en toegang tot de juiste gegevens, in Slack, Teams, de eigen website of als API.
RAG met een vector-store
De eigen kennisbank ontsloten met pgvector, Qdrant of Pinecone, zodat antwoorden gebaseerd zijn op de eigen documenten, met bronvermelding.
OpenAI API-integraties
Taalmodellen, embeddings en spraak-naar-tekst netjes ingebed in de bestaande software, met foutafhandeling en retries.
Function calling en tools
Het model laten zoeken, plannen of bijwerken in eigen systemen, binnen vastgelegde grenzen en met een log van elke actie.
Kostenbewaking en monitoring
Een budget per toepassing, dashboards en meldingen, zodat de API-kosten voorspelbaar blijven.
Evaluaties en promptbeheer
Versiebeheer op instructies en automatische tests die meten of de kwaliteit van de antwoorden niet ongemerkt terugloopt.
- OpenAI API
- Embeddings
- Whisper
- Claude
- Gemini
- Mistral
- pgvector
- Qdrant
- n8n
- Automatiseren met AI
- PHP
- Python
Veelgestelde vragen
Een aantal vragen dat regelmatig terugkomt bij ChatGPT integraties, van privacy en kosten tot het voorkomen van verzonnen antwoorden. Staat je eigen vraag er niet bij, stel 'm gewoon in het kennismakingsgesprek.
Wat is het verschil tussen ChatGPT en de OpenAI API?
ChatGPT is de chat-app in de browser. De OpenAI API geeft toegang tot dezelfde modellen, maar dan te koppelen aan eigen software, workflows en data. Daarmee wordt een taalmodel onderdeel van een bedrijfsproces, in plaats van iets om naast het werk in te typen.
Is mijn data veilig bij een ChatGPT integratie?
Dat hangt af van de inrichting. OpenAI geeft aan API-data standaard niet te gebruiken voor het trainen van modellen, wat een belangrijk verschil is met de gewone ChatGPT-app in de browser. Daarnaast worden gevoelige gegevens, zoals klantnamen of financiële details, waar mogelijk gefilterd of geanonimiseerd voordat ze naar het model gaan, zodat alleen wat nodig is voor de taak wordt meegestuurd. Bij strengere eisen, bijvoorbeeld in de zorg of bij overheidsopdrachten, kan worden gekozen voor een EU-gehoste variant of een self-hosted open-source model, met als afweging dat dat meer beheer vraagt dan een kant-en-klare API. Wat voor een organisatie nodig is, hangt af van het type gegevens en de eigen AVG-verplichtingen, en dat wordt per toepassing in het eerste gesprek besproken voordat er iets wordt gebouwd.
Hoe voorkom je dat de AI dingen verzint?
Met RAG: het model antwoordt alleen op basis van de aangeleverde documenten, met bronvermelding. Daarnaast meten evaluaties of antwoorden kloppen, en is "dat weet ik niet" een toegestaan antwoord. Volledig uitsluiten kan niet, daarom blijft een review-stap belangrijk bij alles wat naar klanten gaat.
Welk model kies je?
Per taak. Een klein, snel model voor classificatie en korte teksten; een zwaarder model voor complexe redeneringen of lastige teksten. Soms past een model van Anthropic of Google beter, of een open-source model als data het huis niet uit mag. De keuze is pragmatisch, niet gebaseerd op wat het nieuwst is.
Wat kost een ChatGPT integratie per maand?
De API-kosten hangen af van het volume en het gekozen model, en zijn voor veel toepassingen beperkt: een klein, snel model voor classificatie kost aanzienlijk minder dan een zwaar model voor complexe redeneringen, en de meeste organisaties gebruiken een mix. Er wordt een budgetgrens en monitoring ingebouwd, met een melding zodra het verbruik oploopt, zodat de kosten voorspelbaar blijven in plaats van pas achteraf op de factuur zichtbaar te worden. De bouwkosten staan los van de API-kosten en worden na een eerste gesprek concreet gemaakt, per uur of per fase, afhankelijk van of het gaat om een eenvoudige instructie aan het model of een uitgebreidere RAG-opzet met een eigen kennisbank. Zo ontstaat vooraf een realistisch beeld van zowel de bouw als het maandelijkse gebruik.
Kan de AI ook echt acties uitvoeren?
Ja, via function calling roept het model eigen functies aan: een lead aanmaken, een afspraak plannen, een factuur opzoeken. Met bevestigingen, limieten en logging is dat veilig in te richten; welke acties zonder bevestiging mogen, wordt vooraf afgesproken.
Werk je met n8n of puur in code?
Beide. Voor workflows is n8n vaak een goede keuze, omdat het visueel inzicht geeft en snel aan te passen is. Voor een integratie in een product of bij specifieke eisen aan snelheid wordt er in code gebouwd, rechtstreeks tegen de API.
Taak die ChatGPT kan overnemen?
Een half uur bellen om te bespreken welke taak nu veel tijd kost en of een ChatGPT integratie daar een verschil maakt. Geen verplichting, en ook geen kant-en-klaar advies voordat er is meegekeken naar hoe het werk nu verloopt.
