Vier lagen.
Eén architectuur. Jouw hardware.
Op deze pagina lees je hoe Qorai werkt, laag per laag. Wat zit waar, waarom hebben we deze keuzes gemaakt, en hoe werken de lagen samen wanneer iemand een vraag stelt aan zijn data.
Een AI-platform op eigen data klinkt simpel. In de praktijk breekt zo'n aanpak op vier punten.
Zet een taalmodel op je data en je bent klaar — dat is het verhaal. Wij wilden niet om vier vragen heen die in elke realistische context terugkomen.
Controle
Wie ziet wat? Welke data wordt geraakt door welk verzoek?
Betrouwbaarheid
Wat als de AI iets verzint? Hoe vang je dat af voor het schade doet?
Uitlegbaarheid
Hoe verantwoord je een antwoord aan een toezichthouder of auditor?
Vervangbaarheid
Wat als één component moet wijken? Geen monolitische black box, maar afzonderlijke lagen.
Vier lagen, in stapeling. Lees van onder naar boven.
Jouw data is het fundament, daarop bouwen we verder. Alle lagen draaien binnen jouw infrastructuur, op jouw hardware, achter jouw firewall.
Qorai Governance Layer
Qorai Agent Workflow
Jouw data. Onderaan en onaangeroerd.
De onderste laag is niet van ons. Het is van jou. Qorai migreert niet, kopieert niet en verplaatst geen data. We krijgen read-only toegang en lezen rechtstreeks uit de bron — wat de aanvalsfelheid laag houdt, audits vereenvoudigt, en betekent dat als je morgen Qorai eruit haalt, je geen data hoeft terug te halen.
PostgreSQL
TimescaleDB, Citus, PostGIS
MySQL / MariaDB
Inclusief Percona
SQL Server
Microsoft SQL Server (on-prem)
Oracle DB
Oracle Database (on-prem)
Apache Iceberg
Open table format
Delta Lake
Open lakehouse format
Nextcloud
File & collaboration
Alfresco
Open source ECM
Operationele databases
De data-laag onder je ERP, CRM of maatwerk-applicatie. Qorai leest direct uit de bron, geen ETL, geen replica nodig. Read-only toegang volstaat.
Analytische laag
Sluit Qorai aan op je bestaande DWH of BI-laag. Een extra, gecontroleerde toegangsweg naast je dashboards. Inclusief audit trail op elk verzoek.
Open table formats
Ondersteuning voor Apache Iceberg en Delta Lake. Ideaal voor organisaties met een open lakehouse-architectuur op eigen storage.
Open source content-systemen
Voor wie SharePoint bewust links liet liggen: Qorai koppelt met open source tegenhangers zoals Nextcloud en Alfresco, beide met API-toegang en EU-vriendelijk te hosten.
Open Infra Stack. Inspecteerbaar, niet alleen open.
Boven jouw data zetten we een infrastructuurlaag, volledig opgebouwd uit open source componenten. Niet omdat het goedkoop is, maar omdat het inspecteerbaar is. We hadden ook proprietary componenten kunnen gebruiken — dan kreeg je een doos waarvan we zelf niet konden uitleggen wat erin gebeurt. Dat is geen oplossing voor wie soevereiniteit zoekt.
Flowise
Visuele orchestratie van de agent workflow. Maakt de pipeline configureerbaar en inzichtelijk zonder code-aanpassingen.
Waarom? Een onzichtbare pipeline is een black box. Flowise maakt elke stap zichtbaar en aanpasbaar.
Ollama / vLLM
Lokale LLM-inference. Draait taalmodellen op jullie hardware zonder externe API-calls. Model-agnostisch en vervangbaar.
Waarom? Het taalmodel is geen vendor lock-in maar een configureerbare keuze. Mistral, Llama, Qwen of een eigen finetuned model: allemaal mogelijk.
VectorDB
Slaat embeddings van je data-bronnen lokaal op voor de Discovery-agent. Maakt snelle, relevante matching tussen verzoek en bron mogelijk via RAG.
Waarom? Een groot aantal data-bronnen heel het LLM laten zien is duur en onnauwkeurig. Een lokale VectorDB doet de selectie efficiënt.
Chainlit
De chatinterface waarmee gebruikers communiceren. Open source, aanpasbaar en ontworpen voor AI-agent interactie.
Waarom? Een UI moet bij de gebruikersbeleving passen, niet bij de provider. Chainlit is volledig restyle- en uitbreidbaar.
Qorai Agent Workflow. Zes fasen, één pipeline, nul externe calls.
Hier zit het kernwerk van Qorai. Lokaal draaien betekent niet "minder AI": Qorai stuurt een volledige multi-agent pipeline aan die zélf ontdekt, checkt en valideert. Elke stap draait op jouw infrastructuur. Geen externe API-call in de hele keten.
Discovery
Vindt automatisch de relevante data-bronnen via slimme vectormatching. Werkt op tabellen, documenten of objecten.
Detective
Bekijkt échte data om te snappen wat de inhoud betekent. Geen giswerk op basis van veld-namen alleen.
Architect
Stelt het concrete data-verzoek samen, geoptimaliseerd voor de gebruikte bron. Via lokaal taalmodel.
Explainer
Legt in gewone taal uit wat het verzoek doet, zodat je het kunt verifiëren voor uitvoering.
Judge
Checkt veiligheid, correctheid en performance. Blokkeert verzoeken die buiten de toegestane scope vallen.
Auto-Healing
Voert het verzoek uit. Bij fout: automatische correctie en retry (max 3x).
Eén LLM-call is een speelgoed-demo. Productie vraagt om een proces.
De simpelste aanpak voor "AI op je data" is: stuur de vraag naar een LLM en hoop het beste. Dat werkt voor demo's, niet voor productie. In een professionele context heb je een proces waarin elke stap testbaar, controleerbaar en herstelbaar is.
Daarom heeft Qorai gekozen voor een agent pipeline die de data progressief begrijpt, ongeacht het type databron. Discovery vindt de relevante bronnen, Detective leest steekproeven om context op te bouwen, Architect formuleert het verzoek, Judge controleert. Elke fase voegt context toe en kan terugvallen op de vorige.
Het grote voordeel: elke stap is testbaar, debuggbaar en logbaar. Als de Detective een veld verkeerd interpreteert, zie je dat. Als de Architect een onjuiste bewerking voorstelt, zie je dat ook. En als je toezichthouder vraagt "hoe kwam dit antwoord tot stand?", heb je een gedetailleerd spoor in plaats van een schouderophaal.
Qorai Governance Layer. Wat een audit doet overleven.
Een agent pipeline zonder governance is een snelle weg naar een ongecontroleerde black box. L4 maakt van Qorai een platform dat een audit overleeft. Digitale soevereiniteit is geen idealisme — het is de enige manier waarop compliance juridisch afdwingbaar wordt.
Minimale verwerkersrol
Qorai is verwerker voor installatie, onderhoud en support. Maar je data verlaat je servers niet. Geen transfer naar derde partijen, geen externe LLM-verwerking.
Traceerbaarheid ingebouwd
Qorai ondersteunt de traceerbaarheidsvereisten van de AI-verordening. Elke stap in de agent pipeline is gedocumenteerd en auditeerbaar.
Minder supply chain risico
Lokale AI-verwerking elimineert de afhankelijkheid van externe AI-diensten in je supply chain. Geen externe AI-provider in je keten.
Minder derdepartijrisico
Door lokaal te draaien valt er geen externe AI-provider in scope als ICT-derde partij. Dat vereenvoudigt je DORA-compliance voor derdepartijrisico.
Geen Amerikaans jurisdictierisico
Amerikaanse cloud betekent Amerikaanse jurisdictie. Qorai elimineert dit risico volledig. Nul externe verbindingen, nul data-exfiltratie.
Nul telemetrie, nul phone-home
Geen externe logging, geen telemetrie. Jullie data kan niet gebruikt worden voor training, finetuning of inferentie door derden. Volledig air-gapped mogelijk.
Audit trail per verzoek
Wie stelde welke vraag, wanneer, op welke data, welke agent stappen werden uitgevoerd, welke bewerking werd opgesteld, welk antwoord gegeven. Niet als log-file, maar als gestructureerde, opvraagbare historiek.
Role-based access control
Niet iedereen mag alle data zien. L4 zorgt dat een Discovery-agent alleen bronnen voorstelt waarvoor de gebruiker rechten heeft, en blokkeert verzoeken die buiten die rechten vallen, ook al heeft het LLM ze gegenereerd.
Validatie vóór uitvoering
De Judge-agent in L3 doet een eerste check; L4 doet een tweede, organisatie-specifieke check op basis van regels die jullie zelf instellen (bv. "deze tabel mag nooit zonder filter worden bevraagd", of "deze datasoort vereist verhoogde logging").
Compliance-rapportering
Op verzoek genereert L4 rapporten waarmee je een audit ingaat: welke verwerkingen vonden plaats, welke betrokkenen, welke rechtsgrond, welke bewaartermijn. Geen handmatig spitwerk in logs achteraf.
Dezelfde pipeline. Twee bronnen. Twee uitkomsten.
De agent pipeline werkt hetzelfde, of de bron nu een operationele database is, een data warehouse, of een open source document-systeem. Wat verandert is alleen welke bron Discovery selecteert en wat Architect samenstelt.
Welke tien klanten hebben dit kwartaal het meest besteld?
— commercieel directeur, aan de ERP-data
- DiscoveryVindt 4 kandidaat-tabellen rond klanten en bestellingen.
- DetectiveBekijkt voorbeeldrijen, snapt: bedrag, datum, klantnaam.
- ArchitectStelt verzoek samen: groeperen per klant, sorteren, top 10.
- Explainer“Telt totale bestelwaarde per klant in Q4, sorteert hoog naar laag.”
- JudgeVeilig (alleen lezen), binnen rechten, performance ok. Goedgekeurd.
- HealingVoert uit. Resultaat: top 10 lijst klaar.
Welke contracten lopen af in 2026 met een auto-renewal clausule?
— legal counsel, aan de contract-repository
- DiscoveryVindt de contract-folder in het document-systeem.
- DetectiveBekijkt metadata en passages: snapt structuur van contracten.
- ArchitectStelt zoekvraag samen: einddatum 2026, sectie auto-renewal aanwezig.
- Explainer“Zoekt contracten met einddatum in 2026 en een actieve verlengingsclausule.”
- JudgeHeeft deze gebruiker rechten op alle contract-folders? Ja. Goedgekeurd.
- HealingVoert zoekopdracht uit. Resultaat: 7 contracten gevonden, met links.
Bij binnenkomst logt L4 het verzoek met gebruiker, tijdstempel en bron-applicatie, en checkt rechten. Bij uitgang logt L4 het volledige spoor: welke bronnen geraakt, welke bewerking opgesteld, welke uitleg gegeven, welk antwoord teruggegeven (samenvatting, niet de data zelf). Voor de DPO is dat het verschil tussen "we denken dat het in orde is" en "hier is het audit-spoor".
Een aantal keuzes roept vragen op bij wie het voor het eerst leest.
Hier de belangrijkste, eerlijk beantwoord.
Direct lezen of via een replica?
Dat hangt af van jullie situatie. In veel gevallen volstaat read-only directe toegang: veiliger, actueler en eenvoudiger uit te leggen aan een DPO.
Soms is een replica beter, bijvoorbeeld om de productie te ontzien bij zware analyse-werklast of om historische snapshots te bevragen. Op productiebelasting letten we via L3 (de Judge-agent blokkeert te zware verzoeken). De keuze maken we samen, op basis van jullie data-architectuur en governance.
Welk taalmodel draait er in L2?
We gebruiken Mistral of de beste open source varianten, telkens specifiek gekozen op maat van de taak die ze moeten uitvoeren. Sommige fasen in de pipeline hebben baat bij een sterk redeneermodel, andere bij een snel of compact model.
Dit is een configureerbare keuze, geen vaste binding. Wisselen of toevoegen van een model is een config-aanpassing, geen herontwerp.
Hoe verhoudt dit zich tot Microsoft Fabric of Databricks?
Fabric en Databricks zijn complete dataplatformen die ook AI-functionaliteit aanbieden, maar in hun eigen cloud. Qorai vertrekt vanuit de tegenovergestelde aanname: je hebt al een data-omgeving en die wil je niet opgeven.
Wij bouwen een AI-laag op jouw infrastructuur in plaats van je data naar de onze te halen. Voor wie al volledig in Fabric of Databricks zit, is hun eigen AI-tooling waarschijnlijk de simpelste route. Voor wie dat bewust niet wil of kan, is Qorai gemaakt.
Hoeveel hardware hebben we nodig?
Voor een typisch eerste project: één server met GPU-capaciteit (concrete specs in overleg op basis van model-keuze en aantal gelijktijdige gebruikers).
Voor wie die hardware-investering nu te zwaar vindt, bestaat pad 2: Qorai met Mistral AI als Europese LLM-partner.
Vertel wat je nodig hebt. Wij rekenen het uit.
Nieuwe software, een bestaand pakket vervangen of een overname — beschrijf het kort en je krijgt binnen één werkdag antwoord, met een eerlijke prijsindicatie als eerste stap.
- Antwoord binnen één werkdag
- Vrijblijvend en in vertrouwen
- NL/EN, on-site of via call