Waarom AI-relevantiescoring trefwoordalerts verslaat bij aanbestedingsdetectie

Het probleem met trefwoordalerts

Elke aanbestedingsaggregator laat u trefwoordalerts instellen. U typt "veiligheidssoftware" en krijgt elke aanbesteding gemaild die exact die frase bevat. Simpel, goedkoop te bouwen, en — voor iedereen met een niet-triviaal aanbod — als filter volledig kapot.

De problemen stapelen zich op:

• Vocabulairemismatch. Een opdrachtgever die precies koopt wat u verkoopt, schrijft misschien "EHS-managementsysteem" of "platform voor veiligheidscompliance" in plaats van "veiligheidssoftware". Uw trefwoord mist.
• Valse treffers. "Training veiligheidssoftware voor bouwplaatsmanagers" matcht uw trefwoord, maar is een trainingsdienst, geen software. U verspilt 30 minuten leeswerk om daarachter te komen.
• Contextverlies. "Veiligheidssoftware" duikt op in een schoonmaakaanbesteding omdat het facilitaire bedrijf zijn interne veiligheidssoftware noemt in het bedrijfsprofiel. Match, maar irrelevant.
• Taalversnippering. Om Franse aanbestedingen te vangen voegt u "logiciel de sécurité" toe, Duits "Sicherheitssoftware", enz. Elke taal vermenigvuldigt uw te onderhouden trefwoordenlijst.
• Volumeoverbelasting. Een breed trefwoord levert 200 aanbestedingen per week op; een smal trefwoord mist relevante. Er is geen knop die beide oplost.

Hoe AI-relevantiescoring werkt

In plaats van trefwoorden te matchen, leest een LLM (Large Language Model) van elke aankondiging de titel + beschrijving + opdrachtgever + categorie en vergelijkt die met een beschrijving van uw bedrijf in gewone taal — wat u verkoopt, aan wie, en wat u wilt overslaan. De uitvoer is een relevantiescore van 0 tot 1 met een korte onderbouwing.

Voorbeeld: uw bedrijfsbeschrijving zegt "Wij verkopen HSE-managementsoftware (Health, Safety, Environment) aan olie-en-gas- en productiebedrijven. Relevante aanbestedingen: veiligheidssoftware, werkvergunningssystemen, platforms voor incidentregistratie. NIET relevant: hardware, PBM's, alleen-training, bouwdiensten."

• Aanbesteding A: "Aanschaf van een platform voor het volgen van veiligheidscompliance van aannemers op offshore-installaties" → score 0,91, onderbouwing: veiligheidssoftware voor olie-en-gas, exacte fit.
• Aanbesteding B: "Levering van veiligheidstrainingen en workshops voor locatiemanagers" → score 0,18, onderbouwing: alleen training, expliciet uitgesloten.
• Aanbesteding C: "Levering van veiligheidshesjes met hoge zichtbaarheid voor wegwerkers" → score 0,02, onderbouwing: PBM-hardware, geen software.

De drie bovenstaande aanbestedingen zouden allemaal matchen op een trefwoordalert "veiligheid". Alleen aanbesteding A verdient daadwerkelijk aandacht.

Impact in de praktijk

Uit de eigen klantdata van TenderYeti (medianen over accounts met 6+ maanden historie):

• Aankondigingsvolume: ~200/week per account dat op trefwoorden matcht.
• AI-gescoord ≥0,7 (relevant): ~12/week.
• Tijdwinst: de klant leest 12 gecureerde aankondigingen in plaats van 200 trefwoordtreffers — ruwweg van 4 uur/week naar 20 minuten/week.
• Misserpercentage: lager dan met alleen trefwoorden, omdat de AI vocabulairevarianten vangt die een statische trefwoordenlijst zou missen.

De afwegingen — de eerlijke versie

AI-scoring is niet zonder nadelen. Wie het verkoopt als pure upgrade, belooft te veel. Echte afwegingen:

• Koude-startkosten. Uw bedrijfsbeschrijving moet goed geschreven zijn — een paar alinea's, geen trefwoordenlijst. Het eerste kwartier van de setup doet ertoe.
• Scoringslatentie. LLM-inferentie kost seconden per aanbesteding. Bij portalen met hoog volume kan er 5-30 minuten zitten tussen publicatie en uw notificatie. Trefwoordmatching is direct.
• Rekenkosten. LLM-aanroepen kosten geld. Aggregators berekenen dit door in de prijs of vangen het op via kleinere modellen met iets lagere scoringskwaliteit.
• Af en toe een vreemde score. LLM's zijn patroonherkenners; een echte randgeval-aanbesteding met ongebruikelijke formulering kan 0,5 scoren waar een mens 0,9 of 0,1 zou zeggen. Een wekelijkse review van uw grensgevallen vangt drift op.
• Uitlegbaarheid. Een trefwoordtreffer is triviaal uitlegbaar ("matchte 'veiligheidssoftware'"). Een AI-score met een onderbouwingszin is nuttiger, maar op schaal lastiger te auditen.

Wanneer trefwoordalerts nog steeds winnen

• Smalle, ondubbelzinnige productcategorieën. Heeft uw product een unieke merknaam of een specifieke CPV-code die 1:1 mapt, dan werken trefwoorden prima en zonder LLM-kosten.
• Compliance-/merkmonitoring. Uitkijken naar uw eigen merknaam in aanbestedingen — pure trefwoordmatch.
• Zeer hoog volume automatisch verwerken. Routeert u 10.000+ aanbestedingen per dag door geautomatiseerde workflows, dan houden trefwoordmatching + regels latentie en kosten voorspelbaar.

Hoe TenderYeti het implementeert

Tweetrapsmodel: een snel primair scoringsmodel draait over elke aanbesteding, en een langzamer, capabeler model reviewt grensscores (0,4-0,7) op nauwkeurigheid. Uw bedrijfsbeschrijving wordt eenmalig opgeslagen in uw tenantconfiguratie; elke aanbesteding op elk portaal waarop u geabonneerd bent, wordt onafhankelijk tegen die beschrijving gescoord.

Meertalige afhandeling: aanbestedingen in het Frans, Duits, Spaans, Arabisch enz. worden automatisch vertaald voor het scoringsmodel. U krijgt de originele + vertaalde titel in uw dashboard.

U kunt uw relevantiedrempel aanpassen — de standaard is 0,5, wat betekent dat aankondigingen met score 0,5+ uw digest halen. Bidmanagers die meer dekking willen, zetten hem op 0,3; bidmanagers die alleen matches met hoge zekerheid willen, op 0,7.

Waar TenderYeti in het plaatje past

Zie TenderYeti live — 14 dagen niet-goed-geld-terug-garantie, AI-scoring draait vanaf uw eerste aanbesteding. Of blader door de portaaldekking om de omvang van de bronnen te zien.

Veelgestelde vragen