AI Search opschalen met agents en veel tijd besparen

Handmatig onderzoek houdt bedrijven klein en onrendabel.

Dit is waarom:

1. Het is saai, repetitief werk waar niemand op zit te wachten
2. Onderzoek kost veel tijd en, zoals we allemaal weten, tijd is geld
3. De kwaliteit en hoeveelheid verzamelde informatie verschillen wanneer mensen het werk uitvoeren

Dit geldt voor ons allemaal. We besteden veel te veel tijd aan het zoeken naar informatie op Google, terwijl dat helemaal niet ons eigenlijke werk is. (Volgens McKinsey besteden we 19% van onze tijd aan het zoeken naar informatie^[4].)

Daar komen AI Research Agents van pas: ze helpen je AI Search op te schalen binnen een spreadsheet. In deze gids lees je alles wat je moet weten, van de basisprincipes tot praktische toepassingen waarmee je vandaag nog aan de slag kunt.

📌 Samenvatting voor wie haast heeft

Door AI Search op te schalen, voorkom je repetitief onderzoek en voortdurend kopiëren en plakken in spreadsheets. Datablist's AI Research Agent voert je onderzoeksprompt uit voor elke geselecteerde rij, doorzoekt het web en schrijft de antwoorden naar je outputkolommen.

Begin met bedrijfsnamen en websites, bepaal welke feiten en bron-URL's je nodig hebt en controleer eerst een kleine batch voordat je opschaalt. Gebruik geplande Auto-Run-taken voor periodieke updates. Controleer altijd het bewijs: AI-output kan onvolledig of onjuist zijn.

Dit komt in deze gids aan bod

• De AI Research Agent en de basisprincipes
• Toepassingen van de AI Research Agent voor leadgeneratie
• De functies en beperkingen van de AI Research Agent

AI Research Agents uitgelegd

Om de voordelen van AI Search op schaal goed te begrijpen, kijken we eerst naar AI Research Agents. Daarvoor vergelijken we AI Search kort met traditioneel zoeken.

Traditioneel zoeken

Dit is wat Google, Bing en andere zoekmachines jarenlang deden. Het was en is nog steeds erg nuttig. Het enige probleem is dat zoekmachines niet echt begrijpen wat je wilt, omdat ze vertrouwen op:

1. Zoekwoorden
2. Zoekintentie
3. Combinaties van zoekwoorden

Ze analyseren je doel niet en redeneren er niet over; ze proberen vooral een match te vinden^[1].

AI Search

Dat is waar alle zoekmachines nu mee bezig zijn. Zie AI Search als een gesprek met iemand die antwoorden probeert te vinden die diegene nog niet kent.

Vroeger verzon AI simpelweg een antwoord; tegenwoordig gaat AI zelf op zoek. En dat werkt behoorlijk goed, omdat AI:

1. De strekking van je vraag kan analyseren
2. Je doel kan begrijpen
3. Verschillende invalshoeken kan proberen

Het grootste voordeel van AI Search is dat je informatie niet zelf hoeft te vinden, analyseren en kopiëren, omdat AI duizenden artikelen, papers en productpagina's bezoekt en de informatie voor je verzamelt die jij nodig hebt.

Voorbeelden van AI-zoekmachines

• Claude
• Perplexity
• Google AI Mode
• ChatGPT Search

Kort samengevat hoef je met AI Search niet meer:

• Meerdere zoekopdrachten uit te voeren
• Relevante pagina's te zoeken
• Talloze tabbladen te openen
• Informatie handmatig te verzamelen
• Zelf webpagina's te bezoeken

Hoe handig AI Search ook is, je blijft beperkt tot één chatbot en één zoekopdracht tegelijk.

AI Research Agents in Datablist: het voordeel

Stel dat je wilt achterhalen:

• Wanneer Anthropic AI is opgericht
• Wie de oprichters zijn
• Wat het nieuwste product is
• Hoe Reddit-gebruikers op die lancering reageerden

Met een traditionele zoekmachine moet je:

1. Meerdere zoekopdrachten uitvoeren
2. Verschillende tabbladen openen
3. Artikelen doorlezen
4. Alle informatie handmatig naar een spreadsheet kopiëren

Voor één bedrijf kost dit proces minstens vijf minuten. Heb je deze informatie nodig voor 100 bedrijven, dan kom je uit op 500 minuten, oftewel ongeveer 8,3 uur onderzoek.

Met AI Search in een chatbot moet je:

1. Je vraag invoeren
2. Op het antwoord wachten
3. De informatie naar een spreadsheet kopiëren

Met een goede prompt kost dit ongeveer drie minuten. Wil je dit opschalen naar 100 zoekopdrachten, dan ben je alsnog 300 minuten, oftewel 5 uur, aan onderzoek kwijt.

Met Datablist's AI Research Agent wordt dezelfde prompt op geselecteerde rijen uitgevoerd en worden de ingestelde outputs naar de collectie geschreven. Controleer eerst een steekproef voordat je de batch uitbreidt.

Dit kan omdat Datablist's AI Research Agents:

1. AI Search uitvoeren in een spreadsheet
2. Handmatig kopiëren en plakken overbodig maken
3. Je niet steeds opnieuw laten beginnen, zoals bij een chatbot

Dat is mogelijk omdat Datablist's AI Research Agents zijn ontworpen om AI Search op te schalen.

Dat maakt een enorm verschil, want:

1. De agent behandelt elke rij in je spreadsheet als een nieuwe zoekopdracht, waardoor de context overzichtelijk blijft
2. De eigenschappen van elke rij worden automatisch in de ingestelde prompt verwerkt
3. De AI-agent gebruikt naast het LLM verschillende tools om taken af te ronden

📘 AI Search in chatbots versus Datablist

Het verschil tussen AI Search in chatbots zoals Claude en ChatGPT en AI Search in Datablist is niet enorm: ze kunnen allemaal meer dan een traditioneel LLM.

Het belangrijkste verschil is dat Datablist's AI Research Agents dezelfde onderzoekstaak voor complete lijsten met records kunnen uitvoeren, terwijl chatbots beperkt zijn tot één zoekopdracht tegelijk.

Datablist's AI Research Agent als Zwitsers zakmes

In Datablist is de AI Research Agent meer dan een zoektool: het is een multifunctionele machine waarmee je AI Search kunt opschalen. Je kunt het vergelijken met Claude, Perplexity of ChatGPT die rechtstreeks in je spreadsheet werkt en:

1. Google en Google News doorzoekt
2. Webpagina's bezoekt
3. Door pagina's navigeert
4. Meerfasige taken uitvoert
5. API-calls uitvoert
6. Informatie extraheert
7. …

Dat de agent op basis van je prompt bij elke stap weet welke tools nodig zijn, maakt Datablist's AI Research Agent de beste tool voor AI Search op een lijst.

Het is alsof je een menselijke onderzoeker inschakelt, maar dan sneller, nauwkeuriger en consistenter.

AI Processors versus AI Research Agent

Om AI Research Agents nog beter uit te leggen, vergelijken we ze met het alternatief: een AI Processor.

AI Processors

We hebben allemaal weleens een AI-extensie voor Excel of Google Sheets gebruikt. Dit zijn eenvoudige applicaties die via een LLM-API binnen een afgebakende omgeving werken, bijvoorbeeld je Excel-sheet.

Zoals de naam al aangeeft, verwerken deze systemen data. Ze zijn geoptimaliseerd om met bestaande data te werken zonder de omgeving te verlaten. De meeste mensen gebruiken ze voor:

1. Data transformeren
2. Data opschonen
3. Data bewerken

AI Research Agents

Anders dan AI Processors zijn AI Research Agents, zoals die van Datablist, autonome systemen met duidelijke beperkingen. Ze zijn ontworpen om met de buitenwereld te communiceren^[3]. Ze gebruiken eveneens LLM's, maar combineren die met extra tools. Daardoor kunnen ze:

• Het internet doorzoeken
• Meerfasige taken uitvoeren
• Informatie uit verschillende bronnen verzamelen
• … en meer

💡 Eenvoudig uitgelegd

Zie AI Research Agents als systemen die op schaal onderzoek doen en externe data binnenhalen. AI Processors helpen je juist om te werken met data die je al hebt.

Waarom een AI Research Agent belangrijk is

Veel mensen beseffen pas hoe waardevol een AI Research Agent is wanneer ze er voor het eerst mee werken. Daarom leg ik het belang van AI Search op schaal uit aan de hand van de populairste toepassing die we tot nu toe zien: lijsten bouwen voor leadgeneratie.

Het probleem

Bij leadgeneratie lopen de meeste mensen tegen twee problemen aan:

1. Te weinig reacties
2. Te veel concurrentie

Iedereen wil leads, iedereen verstuurt cold outreach en veel mensen beseffen niet dat relevantie allesbepalend is, niet geforceerde personalisatie. Met generieke data creëer je geen relevantie. Dat betekent:

↳ Als je alleen B2B-databases en eenvoudige scrapers gebruikt

↳↳ Gebruik je dezelfde data als iedereen

↳↳↳ Concurreer je om dezelfde groep prospects

↳↳↳↳ Met precies dezelfde data als je concurrenten

Daardoor is je boodschap bij voorbaat niet relevant.

De oplossing

Een probleem oplossen begint meestal met de oorzaak begrijpen. Nu die duidelijk is, laat ik zien hoe je jouw boodschap relevanter maakt om:

1. Meer reacties te krijgen
2. Aan de concurrentiestrijd te ontsnappen

De oplossing is eenvoudig: pak het gebrek aan relevantie aan. Hoe?

↳ Schaal AI Search op

↳↳ Verzamel data die ertoe doet

↳↳↳ Val op in de inbox van je prospect

Veel mensen weten dit al. Daarom onderzoeken ze prospects en schrijven ze handmatig sterk gepersonaliseerde berichten. Maar dat kan ook eenvoudiger en sneller.

Prospectonderzoek opschalen

Denk hier eens over na: jouw prospects zijn niet allemaal uniek en verschillen onderling waarschijnlijk niet zoveel. Dat geldt ook voor die van mij. We zoeken namelijk steeds naar dezelfde datapunten en kenmerken om een prospect te kwalificeren. Dit noemen we ook wel een ICP-definitie.

De datapunten waarmee we ons ICP definiëren, helpen ons doorgaans ook een relevante boodschap te schrijven. Baseer je die datapunten op eigen onderzoek in plaats van op databases, dan heb je een voorsprong.

Heb je een lijst met duizenden bedrijven die je wilt benaderen? Dan kun je het beste AI Search op schaal uitvoeren om voor ieder bedrijf relevante en nauwkeurige informatie te vinden.

Natuurlijk is AI Search op schaal niet alleen nuttig voor het bouwen van leadlijsten. In het volgende deel vind je meer ideeën.

Toepassingen van de AI Research Agent

De mogelijkheden van een AI Research Agent zijn vrijwel eindeloos. Je kunt hem in principe inzetten voor alles waarvoor je AI Search gebruikt, maar dan op schaal. Laten we beginnen met enkele veelgebruikte en effectieve toepassingen.

P.S. Datablist biedt ook kant-en-klare templates, zodat je eenvoudig aan de slag kunt.

• Contextual Domain Search: Een bedrijfsnaam is soms niet genoeg om de juiste website te vinden. Namen als ‘Apollo BV’ of ‘Pioneer GmbH’ kunnen naar duizenden ondernemingen verwijzen. Geef je context mee, zoals de sector of vestigingsplaats, dan kan de AI Research Agent gericht zoeken en net als een menselijke onderzoeker het juiste domein bepalen.
• Case studies scrapen: De AI Research Agent kan een lijst met bedrijfswebsites bezoeken, case studies of portfoliopagina's vinden en belangrijke informatie verzamelen, zoals de naam van de klant en de details van het project.
• Amazon-productgegevens verzamelen: Heb je een lijst met Amazon-producten, dan kan Datablist's AI Research Agent de gegevens van die producten extraheren.

Zonder AI Search op schaal zouden al deze taken uren kosten. Wil je de AI Research Agent hiervoor gebruiken? Bekijk dan deze handleidingen:

1. Bedrijfsdomeinen vinden op basis van een bedrijfsnaam
2. Case studies scrapen
3. Productgegevens uit Amazon halen

Praktijkvoorbeelden van onze klanten

Naast onze templates gebruiken klanten de AI Research Agent voor allerlei onderzoekstaken op maat. Alleen je creativiteit bepaalt de grens. Dit zijn enkele toepassingen die mij opvielen:

• De nieuwste onderzoekspapers ontdekken: Links vinden naar de recentste papers of publicaties van een specifiek bedrijf of onderzoeksinstituut.
• Medewerkers vinden die niet op LinkedIn staan: Teamleden ontdekken via bedrijfswebsites, persberichten, sprekerslijsten van congressen en andere bronnen.
• Startende CEO's herkennen: De loopbaan van een bestuurder onderzoeken om te bepalen of dit diens eerste functie als CEO is.
• De eigendomsstructuur van ziekenhuizen bepalen: Achterhalen of een zorginstelling particulier of publiek eigendom is.
• Recente nieuwsvermeldingen volgen: Nagaan of een bedrijf onlangs in nieuwsartikelen, persberichten of vakpublicaties is genoemd.

Nu we enkele praktische toepassingen hebben besproken, is het tijd om de specifieke functies en beperkingen van de AI Research Agent te bekijken.

💡 Alleen je creativiteit bepaalt de grens

De voorbeelden in dit artikel zijn slechts een fractie van wat de AI Research Agent kan. Heb je een idee, dan kunnen wij je helpen een goede prompt te bouwen.

AI Research Agent: functies en beperkingen

Als je een tool effectief wilt gebruiken, moet je weten wat die wel en niet kan. Hieronder vind je een helder overzicht van de mogelijkheden en grenzen van Datablist's AI Research Agent.

Wil je platforms vergelijken? De gids met Claygent-alternatieven maakt onderscheid tussen gedocumenteerde workflows en gemeten steekproefresultaten, en laat zien hoe je de kosten per geaccepteerd antwoord vergelijkt.

Wat de AI Research Agent kan

Datablist's AI Research Agent is ontwikkeld om het werk van een menselijke onderzoeker na te bootsen en te automatiseren. De agent kan bijvoorbeeld:

1. AI Search op schaal uitvoeren: Onderzoeksvragen op maat uitvoeren voor complete spreadsheets.
2. De kwaliteit van informatie beoordelen: De agent beoordeelt de relevantie van gevonden informatie, filtert ruis weg en richt zich op wat ertoe doet.
3. Confidence Scores geven: Datablist's AI Research Agent kent elk resultaat een Confidence Score van 0 tot 100 toe. Zo zie je snel welke bevindingen het betrouwbaarst zijn, wat vooral bij complexe onderzoekstaken waardevol is.
4. Meerfasige taken uitvoeren: Je kunt de agent een complex doel geven dat uit meerdere stappen bestaat, zoals: ‘Zoek de vacaturepagina, vind marketingfuncties, verzamel de functietitels en vat de beschrijvingen samen.’
5. Context begrijpen: De agent koppelt niet alleen zoekwoorden aan elkaar. Hij begrijpt de context die je meegeeft, waardoor hij bedrijven met vergelijkbare namen kan onderscheiden en informatie kan vinden die niet letterlijk wordt vermeld.
6. Specifieke data extraheren: Je kunt de agent opdracht geven zeer specifieke informatie van een webpagina te halen, zoals de missie van een bedrijf op de pagina ‘Over ons’ of de gegevens van een Amazon-product.
7. Antwoorden op maat geven: In plaats van alleen ruwe data terug te sturen, kan de agent informatie combineren om een concrete vraag te beantwoorden, zoals: ‘Heeft dit bedrijf een productielocatie in Duitsland?’

Zoals iedere tool heeft ook de AI Research Agent beperkingen. Als je die kent, stel je realistische verwachtingen en bouw je effectievere workflows.

1. Informatie achter een login scrapen: De agent heeft geen toegang tot informatie die met een gebruikersnaam en wachtwoord is afgeschermd, zoals besloten socialmediaprofielen, forums voor leden of interne bedrijfsdashboards.
2. Bepaalde websites openen: Sommige websites gebruiken geavanceerde maatregelen om geautomatiseerde tools en scrapers te blokkeren. De agent kan het overgrote deel van het openbare web bezoeken, maar een klein aantal sterk beveiligde sites kan ontoegankelijk zijn.
3. 100% nauwkeurigheid garanderen: Hoewel de AI Research Agent zeer nauwkeurig is en Confidence Scores geeft, blijft het een AI-systeem. Het kan informatie soms verkeerd interpreteren of subtiele details missen, vooral bij taken die uit meer dan vijf à zes stappen bestaan.
4. Formulieren of CAPTCHA's gebruiken: De agent kan geen webformulieren invullen, gegevens versturen of CAPTCHA's oplossen. Hij is bedoeld om informatie te lezen en te extraheren, niet om interactieve webtaken uit te voeren.

AI Search opschalen binnen een spreadsheet is nu mogelijk. Waarom zou je dan nog handmatig zoeken?

Handmatig onderzoek vormt een bottleneck die de productiviteit afremt en tot inconsistente resultaten leidt.

AI Research Agents lossen dit probleem op door je dataverzameling te automatiseren. Is de informatie die je nodig hebt niet bijzonder genuanceerd en hoeft een mens die niet elke keer te controleren? Dan kun je waarschijnlijk beter een AI-agent inzetten en je onderzoek opschalen.

Met AI Research Agents die complexe, meerfasige taken uitvoeren, kun je:

• Data verzamelen die ertoe doet: Voer AI Search uit op duizenden rijen
• Honderden uren besparen: Automatiseer werk dat voorheen wekenlang handmatig onderzoek vergde
• Personaliseren: Verzamel unieke datapunten waardoor je outreach onmogelijk te negeren is
• Betere leadlijsten bouwen: Kwalificeer prospects op basis van criteria die geen database kan bieden
• Overal data vandaan halen: Scrape een lijst met websites via gewone taal, zonder code

Jouw concurrenten slapen niet, onze concurrenten slapen niet en wij slapen ook niet.

De tools zijn er. Nu gaat het erom wie ze het beste inzet!

Veelgestelde vragen over AI Search opschalen

Is een AI Research Agent moeilijk te gebruiken?

Helemaal niet. Met platforms zoals Datablist heb je geen bijzondere vaardigheden nodig: je hoeft alleen te beschrijven wat je wilt. We bieden ook kant-en-klare templates voor veelgebruikte toepassingen, zoals case studies vinden of Contextual Domain Search uitvoeren. Voor een taak op maat schrijf je eenvoudig een duidelijke prompt waarin je beschrijft wat je nodig hebt.

Kan de AI Research Agent contactgegevens vinden?

Nee. De AI Research Agent is bedoeld voor online onderzoek en het extraheren van data van websites. Voor contactgegevens zoals e-mailadressen en telefoonnummers biedt Datablist gespecialiseerde enrichment-tools, waaronder onze Waterfall Email Finder. Die combineert meerdere dataleveranciers om een zo hoog mogelijke dekking te bereiken.

Waarin verschilt een AI Research Agent van ChatGPT?

Beide gebruiken large language models, maar hun functies verschillen. ChatGPT is conversationele AI die vragen beantwoordt op basis van trainingsdata. Een AI Research Agent is een functionele tool die actief het actuele internet kan doorzoeken, specifieke websites kan bezoeken en in realtime nieuwe informatie kan extraheren om een taak uit te voeren.

Wat is een AI Research Agent?

Een AI Research Agent is een autonoom systeem dat een doel kan begrijpen, het internet kan doorzoeken en onderzoek in meerdere stappen kan uitvoeren om informatie te vinden, extraheren en combineren. Anders dan een eenvoudige webscraper begrijpt de agent context en kan hij zijn aanpak aanpassen om een complex doel te bereiken.

Hoe schrijf je een goede prompt voor de AI Research Agent?

De beste prompts zijn helder en specifiek en bevatten voldoende context. Gebruik hiervoor dit eenvoudige raamwerk:

1. Benoem het doel: Leg duidelijk uit wat de agent moet vinden.
2. Geef context: Geef een startpunt mee, zoals de website van een bedrijf.
3. Stel grenzen: Vertel de agent wat hij wel en niet moet doen, bijvoorbeeld: ‘Geef alleen de projectnaam, zonder introductie of uitleg.’
4. Definieer de output: Geef precies aan in welk formaat je de data wilt ontvangen.

Hoe voer je AI Search uit op een lijst?

Gebruik een AI Research Agent zoals die van Datablist om ChatGPT-achtige zoekopdrachten op spreadsheets uit te voeren. Upload je data, schrijf een prompt waarin je aangeeft wat de agent moet vinden en laat dezelfde onderzoeksvraag automatisch op elke rij uitvoeren. Zo hoef je niets handmatig te kopiëren en kun je Perplexity-achtige zoekopdrachten tegelijk op duizenden records uitvoeren.

Kun je AI Search opschalen?

Ja. Je kunt AI Search opschalen met Datablist's AI Research Agents, die rechtstreeks op een spreadsheet werken. Je hoeft daardoor niet langer zoekopdrachten één voor één in chatbots uit te voeren. De agents voeren dezelfde contextuele onderzoeksvraag uit op complete lijsten met maximaal 100.000 records. Uren handmatig zoeken met ChatGPT worden zo minuten aan geautomatiseerd, consistent onderzoek.

Hoe voer je Perplexity-achtige zoekopdrachten uit in een spreadsheet?

Met Datablist's AI Research Agent kun je Perplexity-achtige zoekopdrachten uitvoeren in spreadsheets. De agent doorzoekt het internet, bezoekt websites en extraheert automatisch informatie voor elke rij. Geef je data en een heldere prompt mee waarin je beschrijft wat je wilt vinden. De agent behandelt elke rij als een afzonderlijke contextuele zoekopdracht en levert consistente resultaten zonder handmatig werk.

Bronnen

• [1] Vergelijkende analyse waaruit blijkt dat traditionele zoekmachines sterk leunen op zoekwoorden en moeite hebben met genuanceerde menselijke intenties, terwijl AI-zoekmachines machine learning gebruiken voor slimmere, contextbewuste resultaten

• [2] NBER-workingpaper ‘Shifting Work Patterns with Generative AI’, dat aanzienlijke productiviteitswinst en tijdsbesparing aantoont bij kenniswerkers die generatieve AI-tools gebruiken tijdens een zes maanden durend veldonderzoek met ruim 7.000 werknemers

• [3] ArXiv-onderzoekspaper ‘Agent Q: Advanced Reasoning and Learning for Autonomous AI Agents’, dat laat zien hoe AI-agents in interactieve omgevingen zelfstandig beslissingen nemen en in meerdere stappen redeneren

• [4] McKinsey Global Institute schat dat kenniswerkers ongeveer 19% van hun tijd besteden aan het zoeken en verzamelen van informatie

Plan periodiek onderzoek in een spreadsheet

Voor Auto-Run heb je een met de cloud gesynchroniseerde collectie nodig en moet je abonnement toegang bieden tot automation. Begin voor terugkerend bedrijfsonderzoek met één rij per bedrijf en properties zoals Company, Website en Country. Gebruik de website en het land als context, zodat bedrijven met dezelfde naam minder snel met elkaar worden verward.

1. Configureer de AI Research Agent voor de collectie met een gerichte onderzoeksvraag, bijvoorbeeld om het meest recent aangekondigde product van het bedrijf te vinden.
2. Definieer outputs voor de bevinding, publicatiedatum en bron-URL. Vraag de agent velden leeg te laten wanneer bewijs ontbreekt, in plaats van informatie af te leiden.
3. Voer de taak uit op een kleine selectie en open de bron-URL's om de bevindingen te controleren voordat je de batch uitbreidt.
4. Configureer een geplande Auto-Run met een frequentie, tijdzone, filters en een expliciete regel voor bestaande outputwaarden. Bij een update moeten relevante oude outputs kunnen worden vervangen; als je alleen lege waarden invult, worden bestaande gegevens niet vernieuwd.
5. Controleer na iedere uitvoering de fouten, ontbrekende bronnen en verouderde bevindingen. De Confidence Score van een model is geen vervanging voor het controleren van bewijs.

Gebruik voor de taak rond productaankondigingen deze prompt met je properties Company, Website en Country:

Voeg onder Expected Outputs Finding en Publication Date toe als Text en Source URL als Url. Koppel iedere output aan een eigen property in de collectie. Met Text blijft de datum in de oorspronkelijke notatie staan, zodat je onduidelijke datumnotaties kunt controleren voordat je ze converteert.

Open voor de testbatch iedere gevonden aankondiging en vergelijk de productnaam en datum met de gekoppelde velden. Bij een homepage zonder datum moet de publicatiedatum leeg blijven. Als je één aankondiging vindt, bewijst dat niet dat er geen nieuwere, ontoegankelijke pagina bestaat.

Lees de Auto-Run-documentatie voor de regels rond triggers en outputs. Het plannen van terugkerend onderzoek werkt de gekoppelde properties bij. Ga er niet van uit dat daarbij automatisch een volledige, onveranderlijke geschiedenis van eerdere antwoorden wordt bewaard. Bewaar gedateerde exports of maak een aparte historische workflow als je een audit trail nodig hebt.

Er bestaat geen universele doorlooptijd voor een batch. De toegankelijkheid van websites, het aantal onderzoeksstappen, het gekozen model en je credits hebben allemaal invloed op de verwerking. Test een representatieve steekproef voordat je een grote terugkerende taak plant.