AI-automatisering is een verzamelterm voor processen waarin een taalmodel samen met regels en koppelingen een stuk werk overneemt dat tot voor kort alleen mensen konden doen. Denk aan e-mail die zichzelf op categorie sorteert, facturen die zichzelf in het boekhoudsysteem zetten, of een rapport dat elke maandag al klaarstaat in je inbox.
De term is nieuw, het idee niet. Bedrijven automatiseren al decennia repetitieve handelingen — formulieren via een macro, een nachtelijke export naar een CSV. Wat AI toevoegt, is dat een werkstroom ook met ongestructureerde input kan omgaan: vrije tekst, PDF's met inconsistente layouts, bijlagen in twintig formaten. En dat de werkstroom binnen heldere kaders zelfstandig een keuze kan maken.
Waarin verschilt het van klassieke automatisering?
Een klassiek automatiseringsscript volgt een vast pad: als veld A leeg is, zet veld B op X. Krachtig, maar broos — zodra de input een fractie afwijkt, breekt het.
AI-automatisering werkt anders. De motor is een taalmodel dat de inhoud van de input begrijpt in plaats van alleen matcht op velden. Het kan een factuur van leverancier A herkennen ook als de layout van die leverancier verandert. Het kan een binnenkomende e-mail correct categoriseren ook als de klant nieuwe woorden gebruikt. Daar staat tegenover dat een taalmodel een kansberekening doet, geen wiskundige zekerheid — een model kan met overtuiging iets verzinnen, zogenaamde hallucinatie. Zie AI-hallucinatie beheersen in het MKB voor hoe je dat in praktijk binnen perken houdt.
In de praktijk combineer je beide: AI doet het interpreteren, klassieke regels doen het uitvoeren. Een goed ontworpen werkstroom heeft AI alleen op de plekken waar interpretatie nodig is, en deterministische logica overal waar het kan.
Wanneer is AI-automatisering logisch?
Vier voorwaarden waaraan een proces meestal moet voldoen:
- Volume. Het proces komt vaak terug — meerdere keren per dag, of veel tegelijk in pieken. Eenmalige klussen automatiseren is zelden de moeite waard.
- Patroon. De stappen zijn voorspelbaar, ook al verschillen de gegevens. Een factuurregistratie is patroon; een sales-gesprek is dat niet.
- Beperkt menselijk oordeel. Op een of twee plekken in het proces is menselijk oordeel essentieel; de rest is mechanisch werk.
- Meetbaar resultaat. Je kunt vooraf zeggen: dit moet zorgen voor N uur per week minder werk, X% minder fouten, of Y dagen kortere doorlooptijd.
Voldoet een proces aan minder dan drie van deze, dan is automatiseren meestal duurder dan het oplevert.
Wanneer is het juist geen goed idee?
Vier rode vlaggen:
- Relationeel werk. Een nieuwe klant binnenhalen, een conflict oplossen, een sollicitatie inhoudelijk beoordelen — werk waar gevoel en context bepalend zijn. Hier hoort een mens te zitten.
- Eenmalige uitzonderingen. Als je het niet over volume hebt, is een spreadsheet vaak beter dan een werkstroom.
- Hoge kosten bij fouten. Sommige acties zijn onomkeerbaar (een betaling uitvoeren, een dossier verwijderen). Daar bouw je vangrails omheen — of je laat het simpelweg niet door AI doen.
- Geen team om mee te denken. AI-automatisering is geen kant-en-klare oplossing. Het werkt het best als iemand intern met de leverancier meedenkt over randgevallen en uitzonderingen.
Hoe ziet zo'n werkstroom er in de praktijk uit?
Een typische, eenvoudige werkstroom heeft drie lagen:
- Input. Een trigger — een e-mail binnenkomt, een bestand in een gedeelde map, een webhook uit een ander systeem.
- Verwerking. De AI leest de input, classificeert hem, haalt er gestructureerde gegevens uit, of stelt een actie voor. Hier zit ook eventueel een mens-in-de-lus voor goedkeuring.
- Uitvoer. De actie wordt gedaan: een record in een CRM, een e-mail verzonden, een rij toegevoegd aan een sheet, een notificatie op Slack.
Bij goed ontwerp kan een gebruiker zien wat er met elke trigger gebeurt (controlelogboek), kan een actie worden teruggedraaid, en wordt bij twijfel opgeschaald naar een mens. Die drie eigenschappen — zichtbaarheid, omkeerbaarheid, opschaling — bepalen of een AI-werkstroom betrouwbaar voelt.
Concrete voorbeelden van zulke werkstromen — van factuurverwerking tot maandrapportages — lees je in vijf praktijkvoorbeelden van AI-automatisering. De echte waarde van een werkstroom ontstaat pas zodra hij koppelt met de software die je al gebruikt — Exact, AFAS, Teams, je CRM. Zie AI-workflows koppelen aan je MKB-software voor hoe API's en webhooks dat in de praktijk doen.
Wat moet je in huis hebben om te starten?
Minder dan vaak gedacht. Je hebt geen eigen data-science team nodig, geen GPU-cluster en geen jarenlange voorbereiding. Wel zijn er drie dingen handig:
- Een proces dat je echt goed kent. Wie het proces dagelijks doet, weet beter waar de pijn zit dan de manager. Betrek die persoon vanaf dag een.
- Toegang tot je tools. De systemen waarin het werk nu gebeurt moeten op een nette manier benaderbaar zijn — API, gedeelde mailbox, database. Bestaande SaaS-tools volstaan vrijwel altijd.
- Duidelijke afspraken over data en AVG. Welke gegevens mogen waarheen, hoe lang bewaard, met welke leverancier. Liever vooraf vastgelegd dan achteraf opgevangen.
Welk proces je daarvoor het beste kunt kiezen, werken we uit in welk proces je als eerste moet automatiseren met AI.
Wat lever je op aan het einde?
Niet een tool, maar een werkstroom: een afgesproken stappenplan dat draait op een server, gekoppeld is aan je systemen, en zichtbaar maakt wat het gedaan heeft. De onderliggende code, configuratie en regels zijn van jou — geen black box. Wie zorgvuldig bouwt, levert ook documentatie mee, zodat een andere partij later verder kan zonder de bouwer.
AI-automatisering is daarmee niet zozeer een product als wel een manier om bestaand werk slimmer te organiseren. Het levert tijd op, scheelt fouten, en — als het goed is — geeft je team ruimte voor het werk dat het wel leuk vindt.