Eén complete build: tot 20 databronnen aangesloten, de meekijklaag met zijn hooks, digests, alerts en playbooks, het dichttimmeren, de volledige broncode als repository met een Dockerfile, uitrol door jouw team of door mij, en een afstelperiode na oplevering. Bronnen, hooks of playbooks boven de inbegrepen aantallen zijn vaste add-ons per stuk, vooraf begroot.

In vier fases: scope en toegang ($2,500), kernintegratie ($5,000), volledige koppeling en meekijklaag ($5,000), oplevering en afstellen ($2,500). Een fase wordt afgesproken voordat hij begint en betaald wanneer je het resultaat van die fase goedkeurt, dus je betaalt nooit vooraf voor werk dat je niet gezien hebt. Die vorm blijft hetzelfde hoe we het ook regelen, of het geld nou via je eigen contract en facturatie loopt of via de milestone-escrow van een platform.

Drie manieren, en het maakt mij niet uit welke je kiest. Direct B2B op je eigen contract en facturatie, meestal het simpelst als je bedrijf al een inkoopproces heeft. Of via Contra of Upwork als je liever hebt dat het platform de milestones vasthoudt en het papierwerk doet. Zelfde werk, zelfde fases, zelfde prijs.

Eén scopinggesprek om door te nemen wat je draait en wat je bewaakt wil hebben. Daarna per systeem één read-only credential, door jou aangemaakt: een databasegebruiker, een afgebakende API-key, een read-only cloudrol, wat jullie beleid ook toestaat. Daarna heb ik tot de oplevering niets meer van je nodig, afgezien van af en toe een vraag over wat een metric of een tabel in jullie business betekent. Om het tijdens de bouw te draaien brengt jouw team de container door je normale pipeline, of je geeft me een deploy-doel en ik doe het, aan jou de keuze. En als jullie beleid een NDA wil voordat we over details praten, prima.

Alles met een machineleesbare interface die ik met een read-only credential kan uitlezen: een gedocumenteerde API (REST, GraphQL of gRPC), een database, een log-, metrics- of eventsysteem met een query-API of exporter, een message queue of stream, de API van een cloudprovider, object storage of een fileshare met gestructureerde bestanden, of een git-repository. Interne systemen tellen mee zolang ze een van die dingen aanbieden, en een connector op maat voor een interne API of database hoort bij de build. Wat niet telt: alles dat alleen via zijn gebruikersinterface bereikbaar is. Legacy-applicaties zonder API en zonder databasetoegang, clients die alleen op de desktop draaien, en alles dat browserautomatisering of scraping zou vergen vallen buiten de standaardscope. Heb je er zo een, dan kijken we er tijdens de scoping naar en vinden er of een echte interface voor, begroten het apart, of laten het eruit.

De agent, de MCP, de connectoren en de interface draaien allemaal op je eigen infrastructuur. Hij is read-only van opzet: hij schrijft nooit naar je systemen, hij onderzoekt en geeft je de fix in plaats van hem toe te passen, en hij heeft geen schrijfrechten op je bestanden, data of config. Waar hij een database leest gebruikt hij een read-only gebruiker die jij aanmaakt, of draait elke query in een read-only transactie. Het enige dat je netwerk verlaat is de LLM-call die je zelf instelt, en het model zelf draaien betekent dat er helemaal niets naar buiten gaat.

Ja, hij redeneert met een LLM, en een LLM kan een situatie verkeerd lezen. Het systeem is om dat feit heen gebouwd: elke conclusie komt met zijn bewijs, de grafiek, het spoor, de queryresultaten, zodat je in seconden controleert in plaats van hem op zijn woord te geloven. Hij handelt nooit naar zijn eigen conclusies, een fout antwoord kost je een blik, geen storing. En de afstelperiode bestaat juist om hooks en drempels tegen je echte verkeer bij te stellen tot het signaal het vertrouwen waard is, luidruchtige alerts worden bijgesteld, niet weggewuifd.

Jouw keuze, zolang het een van twee API-stijlen spreekt: OpenAI-compatibel of Anthropic-compatibel. Op die twee vormen is de markt gestandaardiseerd, dus het dekt de grote aanbieders, de aggregators en de nieuwere spelers (waarvan veel beide stijlen bedienen), plus alles dat je zelf draait achter een OpenAI-compatibel endpoint, wat vLLM, Ollama en soortgelijke servers aanbieden. Het enige dat je netwerk verlaat is de LLM-call die je zelf instelt; draai het model zelf en er gaat helemaal niets naar buiten. Je betaalt je provider rechtstreeks tegen hun tarieven, en ik pak er niets van.

De enige noemenswaardige draaikost is het model. Het tokenverbruik hangt af van welk model je kiest, hoeveel de meekijklaag onderzoekt en hoe zwaar je vragen zijn, dus ik schat het tijdens de scoping in voor jouw echte opzet en stel hooks en digests zo af dat het verbruik in verhouding blijft tot wat je eruit haalt. Draai het model zelf en de tokenrekening verdwijnt helemaal; de rest is een container op hardware die je toch al hebt staan.

Er zit een afstelperiode bij, waarin ik hooks, drempels en playbooks bijstel tegen je echte verkeer. Daarna is hij van jou: volledige broncode, draaiend op je eigen hardware, geen afhankelijkheid van mij. Wil je daarna het onderhoud liever niet zelf dragen, dan pakt Agent Care het op tegen een maandbedrag: updates en beveiligingspatches, connectoren repareren als een bovenliggende API verandert, bewaking en doorlopend afstellen. Nooit verplicht.

Je bezit het. De bouwstenen zijn open source onder een permissieve licentie, je krijgt de volledige broncode van je integratie, connectoren, playbooks en config, en het draait allemaal op je eigen hardware. Eén keer betalen om het te bouwen, daarna voorgoed draaien. Geen seats, geen abonnement, geen huur. Agent Care is er als je het liever niet zelf onderhoudt, en het is altijd een keuze, nooit een eis. Als ik morgen verdwijn, blijft jouw systeem gewoon draaien.