Van AI-belofte naar een werkend prototype voor CO₂-administratie
Uitgangssituatie
Bij de start opereerde het bedrijf in een Europese markt die werd gevormd door emissierapportage en de duurzaamheidsbehoeften van ondernemingen. De start-up ontwikkelde een oplossing voor CO₂-administratie waarmee organisaties konden werken met onvolledige emissiegegevens.
De technische koers was nog niet bepaald. Er bestond geen overeenstemming over de vraag of AI-modellen ontbrekende emissiegegevens betrouwbaar konden afleiden uit facturen en bonnen en geldstromen konden vertalen naar geraamde emissies.
De oprichter, COO en productdirecteuren wilden duidelijkheid: welke modellen konden onderdeel worden van een degelijk product voor CO₂-administratie? Kon AI onvolledige financiële gegevens zinvol aanvullen? En hoe zou een werkend prototype eruitzien?
Er was onzekerheid in plaats van antwoord en speculatie over AI in plaats van een technische basis. Strategische besluiten lagen stil.
Onze aanpak
We leidden een gestructureerde AI-beoordeling en een snel prototypetraject om de haalbaarheid te toetsen en de technische richting te bepalen: van belofte naar bewijs.
Vergelijkende beoordeling van AI
We beoordeelden systemen van OpenAI, Google en Microsoft op het begrijpen en extraheren van emissierelevante gegevens uit semigestructureerde financiële documenten. We vergeleken:
- Kwaliteit en nauwkeurigheid van afleidingen
- Consistentie tussen documenttypen
- Schaalbaarheid en kosten
- Gereedheid voor integratie
Dit was geen losse proef, maar een gestructureerde en meetbare beoordeling aan de hand van vooraf bepaalde criteria.
Ontwikkeling van het prototype
We ontwierpen en bouwden een werkend prototype met het best presterende model — OpenAI GPT — en API-gestuurde processen voor documentinvoer en gestructureerde uitvoer. De pijplijn werd afgestemd op echte facturen en bonnen en op de logica voor emissieramingen.
Het prototype werkte, was beproefd en kon worden opgenomen in de productroadmap.
Strategisch advies
We ondersteunden de COO met SQL en de databasestructuur voor de eerste analytische toepassingen. We beoordeelden architectuuropties voor dashboards — waaronder een mogelijke overstap naar Apache Superset — en hielpen productfuncties prioriteren op grond van technisch bewijs in plaats van trends.
Geen ad-hocexperiment, maar een gestructureerd vergelijkingskader met meetbare criteria en een daadwerkelijk opgeleverd prototype.
Resultaat
In plaats van AI-beloften en onzekerheid had de onderneming aan het einde van deze fase:
- Een werkend AI-prototype dat factuurgegevens kon extraheren en structureren
- Onderbouwing voor het model dat volgens de afgesproken criteria het beste presteerde
- Een vastgelegde API-architectuur die klaar was voor integratie in de productontwikkeling
- Een geprioriteerde lijst van technische beperkingen en vervolgstappen
- Een productroadmap op basis van waargenomen mogelijkheden in plaats van theoretische beloften
De directie kreeg richting en vertrouwen. Ze kon concreet zien wat in deze productfase wel en niet mogelijk was met AI.
Het technische team hoefde niet langer ieder nieuw model na te jagen, maar kon zich richten op wat werkte. Productbesluiten steunden op bewijs in plaats van aannames. Onzekerheid maakte plaats voor een gevalideerde vervolgrichting.
Wat dit mogelijk maakte
Voor het eerst kon de start-up:
- AI-modellen naast elkaar vergelijken op een gestructureerde manier en met meetbare resultaten
- Emissieafleiding met echte gegevens beproeven in plaats van met theoretische voorbeelden
- De productvisie verbinden aan een gevalideerde technische basis
- Strategische keuzes op bewijs baseren in plaats van trends te volgen
Het bedrijf ging van de vragen ‘moeten we AI gebruiken?’ en ‘welke AI moeten we gebruiken?’ naar een heldere positie: ‘We bouwen met dit model, omdat we het met de alternatieven hebben vergeleken en het voor onze specifieke toepassing het beste presteert.’
De productroadmap kon nu rekening houden met waargenomen prestaties en bekende beperkingen. De start-up ging van het verkennen van AI naar de voorbereiding van integratie in het product.
Betekenis voor de directie
Dit was een gestructureerde, productgerichte beoordeling en prototypering van AI die duidelijkheid, een werkende basis en een geprioriteerde technische vervolgrichting opleverde. In zes maanden ging het bedrijf van onzekerheid over AI naar een beproefd prototype en een architectuurkeuze.
De opdracht verving aannames door bewijs voor de volgende productbeslissing.