AI toevoegen aan een bestaande .NET-applicatie

De meeste zakelijke .NET-applicaties hebben geen AI-herbouw nodig. Ze hebben één of twee functies nodig die handwerk wegnemen: documenten uitlezen, binnenkomende verzoeken sorteren, antwoorden vinden in de eigen data, teksten opstellen die een mens goedkeurt. In .NET 10 zijn de bouwstenen hiervoor volwassen. Het lastige is niet het aanroepen van een model, maar de data, de kosten, de privacy en weten of de uitkomst klopt.

Vier functies die meestal lonen

1. Documenten uitlezen

Facturen, pakbonnen, contracten en identiteitsdocumenten worden in veel bedrijven nog met de hand overgetypt. Azure AI Document Intelligence heeft voorgetrainde modellen voor facturen, bonnen en identiteitsdocumenten, en geeft elk veld terug met een betrouwbaarheidsscore. Voor documenten zonder standaardopmaak doet een taalmodel met gestructureerde uitvoer hetzelfde werk.

Uit ons eigen werk: een applicatie die identiteitsdocumenten scande met een dure commerciële SDK, leest de machineleesbare zone nu in de browser en stuurt alleen de rest naar Document Intelligence. Voor de gebruikers hetzelfde resultaat, tegen een fractie van de licentiekosten.

2. Sorteren en doorsturen

E-mails, supporttickets, bestellingen, klachten. Een model leest de tekst en geeft categorie, prioriteit en de velden die u nodig hebt terug als een getypeerd object waarmee uw code verder kan. Mensen kijken alleen naar de gevallen waarover het model twijfelt.

3. Zoeken in uw eigen data

Handleidingen, contracten, oude tickets, productgegevens. De tekst wordt opgeknipt in stukken, omgezet in embeddings en opgeslagen voor vector search. Een vraag haalt de meest passende stukken op, en het model antwoordt op basis daarvan, met links naar de bronnen. SQL Server 2025 heeft een eigen vector-type en EF Core 10 ondersteunt het, dus bij veel applicaties kan het zoeken in de database blijven die u al hebt.

4. Teksten opstellen

Antwoorden aan klanten, samenvattingen van lange draden, productbeschrijvingen in meerdere talen. Het model schrijft de eerste versie en een mens keurt die goed. Hier is de tijdwinst het makkelijkst te meten.

De bouwstenen in .NET

Microsoft.Extensions.AI is de gemeenschappelijke abstractie: IChatClient voor taalmodellen en IEmbeddingGenerator voor embeddings. Dezelfde code werkt met Azure OpenAI, OpenAI of een lokaal model, en caching, logging en OpenTelemetry komen erbij als middleware:

IChatClient innerClient = new AzureOpenAIClient(endpoint, credential)
    .GetChatClient("your-deployment")
    .AsIChatClient();

builder.Services.AddDistributedMemoryCache();
builder.Services.AddChatClient(innerClient)
    .UseDistributedCache()
    .UseOpenTelemetry();

Een getypeerd resultaat terugkrijgen van het model kost maar een paar regels:

public record SupportTicket(string Category, string Priority, string CustomerId, string Summary);

var response = await chatClient.GetResponseAsync<SupportTicket>(
    $"Classify this support email and extract the fields:\n\n{emailText}");

SupportTicket ticket = response.Result;

Azure AI Document Intelligence heeft een .NET-SDK (Azure.AI.DocumentIntelligence) voor zijn voorgetrainde en eigen documentmodellen.

Vector search in EF Core 10 gebruikt SqlVector<float>-eigenschappen en EF.Functions.VectorDistance op SQL Server 2025 of Azure SQL. Staat de data ergens anders, dan doen Azure AI Search of PostgreSQL met pgvector hetzelfde werk.

Wat er in productie voor nodig is

Demo’s slaan dit deel over, en hier zit het meeste werk.

Weet waar de data naartoe gaat. Bepaal welke velden uw systeem überhaupt verlaten. Gebruik voor EU-data een deployment die de verwerking in de EU houdt, en teken de verwerkersvoorwaarden van de aanbieder. Azure OpenAI gebruikt klantdata niet om modellen te trainen.
Meet de kwaliteit op uw eigen data. Verzamel een paar honderd echte voorbeelden met de juiste antwoorden, en meet voor en na elke wijziging van prompt, model of documenttype.
Houd rekening met twijfel. Gebruik betrouwbaarheidsscores en stuur twijfelgevallen naar een mens in plaats van te gokken. Time-outs, herhaalpogingen en een handmatige route horen bij het ontwerp, niet bij de nazorg.
Houd de kosten in de gaten. De kosten zijn tokens per verzoek maal volume. Cache herhaalde verzoeken, gebruik kleinere modellen voor eenvoudige taken en log het verbruik per functie.
Behandel documenten en e-mails als onbetrouwbare invoer. Tekst kan instructies bevatten die aan het model zijn gericht. Het model stelt voor, uw code controleert en beslist.
Zeg het als er een AI praat. Sinds 2 augustus 2026 verplicht de EU AI Act om gebruikers te laten weten dat ze met een AI-systeem communiceren, tenzij dat duidelijk is.

Waar u begint

Kies één proces met veel handwerk en een duidelijke maatstaf voor succes, zoals facturen die met de hand worden ingevoerd. Bouw een kleine versie op echte data, meet nauwkeurigheid en kosten per document, en koppel het pas daarna aan de rest van het systeem. Een paar weken hiervan vertellen u meer dan maanden plannen.

Bronnen

Microsoft.Extensions.AI-bibliotheken, Microsoft Learn
De IChatClient-interface gebruiken, Microsoft Learn
Azure AI Document Intelligence, Microsoft Learn
Vector search in de EF Core-provider voor SQL Server, Microsoft Learn
Artikel 50: Transparantieverplichtingen, EU AI Act