Loom Intelligence
Onderzoek dat weken kost, in een middag.
Je zit op een berg cijfers.
Elk antwoord kost een middag zoekwerk.
En dan heb je er één.
Loom Intelligence doet het onderzoek.
Een steekproef kijkt naar 2%.Loom kijkt naar alles.
Een mens leest geen 800.000 boekingen. Deze motor wel — en miljoenen regels net zo goed.
Omvang is daarbij niet de grens: er wordt op het bestand zelf gerekend in plaats van alles door een taalmodel te lezen — of dat nu duizenden regels zijn of terabytes.
Wij vroegen het één ding
Gaat geld tussen vennootschappen rond, en komt het uiteindelijk terug bij de vennootschap van herkomst?
| Bevinding | Resultaat |
|---|---|
| Gesloten geldketens | 253 |
| Stappen binnen die ketens | 1.646 |
| Omgaand bedrag | €156,0 mln |
| Directe terugkeerpatronen | 140 |
| Bedrag directe terugkeer | €15,3 mln |
De grootste keten sluit zich na acht vennootschappen
BV001BV029BV023BV004BV063BV053BV021BV048BV001
Een route die terugkomt waar hij begon, met een totaalbedrag van €1,54 mln. Bij elke bevinding blijft de onderliggende berekening bewaard: van vraag naar onderzoek naar bewijs.
Dezelfde motor draaide proefdossiers op magazijn- en ketendata, op verkoopcijfers en op een e-commerce-administratie van honderdduizend bestellingen over twee jaar.
Je krijgt geen tabel.Je krijgt een rapport.
Drie stappen
Je zet je bestanden erin.
Gewoon wat je al hebt: Excel, CSV, een export uit je boekhoudpakket, je ordersysteem of je voorraadbeheer. Het hoeft niet opgeschoond te zijn — de motor kijkt zelf wat erin zit en zegt het als er iets rammelt: dubbele regels, lege velden, rare datums, kolommen die niet zijn wat ze beloven.
Je stelt je vraag in gewone taal.
“Welke klanten lopen weg?” is genoeg. Net zo goed als: “Loop het hele grootboek na op boekingen die niet in het patroon passen.” Je hoeft niet te weten hóé het uitgerekend moet worden.
Je krijgt een rapport, geen tabel.
Geen ruwe uitdraai waar je zelf nog iets van moet maken, maar een leesbaar stuk: de conclusie bovenaan, de onderbouwing eronder, de cijfers erbij. Klaar om door te sturen naar je directie, je accountant of je klant.
Uw gegevens blijven van u
Gevoelige gegevens worden herkend en gemaskeerd voordat ze de motor in gaan.
Namen, rekeningnummers, adressen en andere herleidbare velden worden vervangen door een token. Wat overblijft is precies waar het onderzoek op draait: de bedragen, de datums, de verbanden.
Werk je in een omgeving waar dat niet ver genoeg gaat, dan bepaal je het zelf: per veld kun je met de hand aanwijzen wat aanvullend getokeniseerd moet worden, voordat er iets verwerkt wordt.
Maskeren is daarbij niet bot. Zit er in een afgeschermd veld iets dat het onderzoek nodig heeft — een landcode, een categorie, een jaartal — dan kun je precies dat deel vrijgeven en blijft de rest een token. Alleen met jouw uitdrukkelijke toestemming, veld voor veld.
| Veld | Wat u aanlevert | Wat de motor ziet |
|---|---|---|
| Naam | J. de Vries | PERSOON_01 |
| Rekening | NL00 BANK 0123 4567 89 | REKENING_04 · NL |
| E-mailadres | j.devries@voorbeeld.nl | EMAIL_02 |
| Bedrag | € 12.480,00 | € 12.480,00 |
De landcode NL staat er nog, omdat die voor dit onderzoek is vrijgegeven. Zonder die toestemming blijft alleen het token over.
En wat niet weg hoeft, gaat ook niet weg.
Op de infrastructuur die er al staat
Loom Intelligence is niet aan één taalmodel gebonden. Werkt uw organisatie al met een eigen AI-omgeving — bij uw eigen cloudleverancier, binnen uw eigen netwerk, met een model dat u zelf beheert — dan draait de motor daarbinnen.
Het model is daarmee een onderdeel dat u kiest, geen partij waaraan u vastzit. Stapt uw organisatie later over op een ander model, dan verhuist het onderzoek gewoon mee.
Het is dezelfde gedachte als in onze trajecten: wij voegen ons naar de infrastructuur die er al staat, niet andersom.
Vier voorbeelden
Je grootboek doorlichten
Alle regels na, niet een steekproef. Bedragen buiten de bandbreedte, boekingen op vreemde momenten, posten die niet aansluiten, tegenboekingen die elkaar opheffen, rekeningen die zich ineens anders gedragen dan de elf maanden ervoor.
Fraude en afwijkingen opsporen
Het hele bestand tegen zichzelf houden: dubbele betalingen, een leverancier met het rekeningnummer van een medewerker, facturen die net onder een goedkeuringsgrens blijven, bedragen die verdacht vaak rond zijn, klanten die maar één kwartaal bestaan. Je krijgt de signalen mét de onderliggende regels, zodat je ze zelf kunt natrekken.
Je keten narekenen
Waar zit de vertraging echt, bij welke leverancier, in welke maand? Welke artikelen zijn structureel te laat, welke voorraad ligt stil, welke leverancier werd duurder zonder dat iemand het merkte? Bestellingen, leveringen, voorraad en facturen gaan naast elkaar — ook als dat vier losse exports uit drie systemen zijn.
Klanten, omzet en marge lezen
Wie loopt weg en sinds wanneer, waar zit de marge werkelijk, welk product draagt de groei, en welke korting kost meer dan hij oplevert.
Dit is geen AI. AI is er een onderdeel van.
Loom Intelligence is een onderzoeksmotor. AI leest je vraag en herkent wat er in je kolommen staat — het rekenwerk gebeurt in code, op jouw eigen bestand.
Iedereen kan tegenwoordig een AI iets vragen over een spreadsheet. Het probleem is dat je nooit weet of het getal echt is.
Geen verzonnen cijfers.
Elk getal in het rapport komt uit een berekening op jouw bestand en is te herleiden tot de regels waar het vandaan komt. Er wordt niets geschat en niets ingevuld — en wat er niet in zit, hoor je.
De cijfers worden echt uitgerekend.
Elk getal in het rapport komt uit een berekening op jouw bestand en is te herleiden tot de regels waar het vandaan komt. Er wordt niets geschat en niets ingevuld.
Je ziet de aannames vóórdat er gerekend wordt.
“Ik ga ervan uit dat deze kolom je omzet is, per order.” Dat soort aannames krijg je te zien zolang je ze nog kunt corrigeren. Je bent dus nooit afhankelijk van een gok.
Het zegt het als het antwoord er niet in zit.
Kan je data een vraag niet beantwoorden, dan hoor je dat met de reden erbij. Liever een eerlijk “dat kan ik hier niet zien” dan een mooi getal dat nergens op slaat.
Het is token-efficiënt gebouwd.
De berekeningen draaien op je bestand zelf; er gaat niet meer data door een taalmodel dan nodig is om de vraag te begrijpen. Daarom is de omvang van je bestand geen begrenzing: het model leest niet alles, de motor rekent alles.
Voor wie zijn eigen cijfers wil kennen
Accountants- en controlekantoren, interne controle en finance, forensisch onderzoekers, inkoop- en supply-chain-managers — en elk bedrijf dat een keer echt wil weten wat er in de eigen administratie zit.
En nee, het vervangt je accountant of analist niet. Het levert ze het speurwerk kant-en-klaar aan, zodat hun tijd naar het oordeel gaat in plaats van naar het zoeken.