Documenten samenvatten met lokale AI

Waarom lokaal samenvatten?

Samenvattingen van gevoelige documenten horen niet op externe servers terecht te komen. Contracten, medische rapporten, juridische adviezen, interne strategiedocumenten: voor dit soort teksten is een lokaal AI-model de juiste keuze. Alles blijft op je eigen machine, er gaat niets naar een cloud-dienst en je betaalt geen tokenkosten.

Met moderne modellen van 4B tot 12B parameters op een middelklasse laptop of desktop genereer je in seconden tot minuten kwalitatief goede samenvattingen.

Welk model kies je in 2026?

De modelnamen veranderen snel, maar de keuze hangt vooral af van taal, documentlengte en je hardware. Een praktisch overzicht voor samenvatten:

Voor Nederlandstalige teksten op een gewone laptop zijn gemma3 en mistral-nemo doorgaans de prettigste keuze. Heb je weinig geheugen, kies dan een kleinere variant zoals gemma3:4b. De commando's in dit artikel gebruiken llama3.1:8b als voorbeeld; vervang de modelnaam gerust door je eigen voorkeur.

Methode 1: command line samenvatting

Voor een snelle samenvatting vanuit de terminal:

cat mijn-document.txt | ollama run llama3.1:8b "Maak een beknopte samenvatting van de volgende tekst in het Nederlands. Gebruik maximaal 200 woorden en vermeld de belangrijkste punten als bulletpoints:"

Voor een PDF eerst converteren naar tekst:

pdftotext mijn-document.pdf - | ollama run llama3.1:8b "Vat dit document samen in het Nederlands:"

Op macOS installeer je pdftotext via brew install poppler. Op Linux zit het in het pakket poppler-utils.

Methode 2: Python-script voor batch-samenvattingen

Handig als je een hele map met documenten in één keer wilt verwerken:

import subprocess
from pathlib import Path

def vat_samen(tekst, model='llama3.1:8b', max_woorden=300):
    prompt = f"""Maak een Nederlandse samenvatting van de volgende tekst.
Gebruik maximaal {max_woorden} woorden.
Vermeld de belangrijkste punten als genummerde lijst.

Tekst:
{tekst[:8000]}

Samenvatting:"""

    result = subprocess.run(
        ['ollama', 'run', model],
        input=prompt,
        capture_output=True,
        text=True,
        timeout=120
    )

    return result.stdout.strip()

def verwerk_map(map_pad, output_map):
    Path(output_map).mkdir(exist_ok=True)

    for bestand in Path(map_pad).glob('*.txt'):
        print(f'Verwerken: {bestand.name}')
        tekst = bestand.read_text(encoding='utf-8')
        samenvatting = vat_samen(tekst)

        output_pad = Path(output_map) / (bestand.stem + '_samenvatting.txt')
        output_pad.write_text(samenvatting, encoding='utf-8')
        print(f'Opgeslagen: {output_pad}')

if __name__ == '__main__':
    verwerk_map('./documenten', './samenvattingen')

Methode 3: Open WebUI voor een grafische interface

Open WebUI biedt een grafische chatinterface bovenop Ollama. Upload je document en typ de samenvattingsinstructie:

Prompts voor betere samenvattingen

De kwaliteit van een samenvatting hangt sterk af van de prompt. Drie voorbeelden die je kunt aanpassen:

Executive summary (voor managers)

"Maak een executive summary van maximaal 150 woorden. Focus op: wat is het probleem, wat is de oplossing, wat zijn de aanbevelingen en wat zijn de financiële implicaties."

Juridische samenvatting

"Vat dit contract samen. Identificeer: partijen, hoofdverplichtingen, betalingsvoorwaarden, looptijd, opzegmogelijkheden en eventuele risicoclausules."

Technische samenvatting

"Geef een technische samenvatting voor een developer-publiek. Focus op architectuur, afhankelijkheden, configuratievereisten en bekende beperkingen."

Lange documenten verwerken

Elk model heeft een beperkt contextvenster. Past een document daar niet in, splits het dan in stukken (chunks), vat elk stuk samen en combineer die deelsamenvattingen tot een eindversie:

def chunk_tekst(tekst, chunk_grootte=4000, overlap=200):
    chunks = []
    start = 0
    while start < len(tekst):
        eind = start + chunk_grootte
        chunks.append(tekst[start:eind])
        start = eind - overlap
    return chunks

def vat_lang_document_samen(tekst, model='llama3.1:8b'):
    chunks = chunk_tekst(tekst)
    chunk_samenvattingen = []

    for i, chunk in enumerate(chunks):
        print(f'Chunk {i + 1}/{len(chunks)} verwerken...')
        samenvatting = vat_samen(chunk, model)
        chunk_samenvattingen.append(samenvatting)

    gecombineerd = '

'.join(chunk_samenvattingen)
    return vat_samen(gecombineerd, model, max_woorden=500)