Wie als organisatie iets met AI wil doen, komt al snel bij een toolkeuze terecht.
Moeten we ChatGPT gebruiken? Microsoft Copilot omdat we al met Microsoft 365 werken? Hebben we een AI-agent nodig? Of moeten we iets voor onze organisatie laten bouwen?
Het lastige is dat dit eigenlijk niet de eerste vraag zou moeten zijn.
De betere vraag is:
Wat willen we verbeteren, en wat moet een oplossing daarvoor kunnen?
Pas daarna heeft het zin om een tool te kiezen.
Begin bij het werk, niet bij de leverancier
Stel dat medewerkers veel tijd kwijt zijn aan het schrijven en samenvatten van teksten.
Dan kan een algemene AI-assistent al veel waarde leveren.
Maar stel dat het probleem is dat informatie uit klantmails handmatig naar een CRM wordt overgezet, waarna een medewerker gegevens in nog twee andere systemen moet verwerken.
Dan lost een losse chatomgeving waarschijnlijk weinig op.
Het verschil zit niet in welke AI “het beste” is.
Het zit in het soort probleem.
Daarom kijken wij eerst naar:
- welke werkzaamheden je wilt verbeteren;
- welke systemen daarbij betrokken zijn;
- welke informatie nodig is;
- hoeveel variatie er in het proces zit;
- welke risico’s bestaan;
- hoeveel menselijke controle nodig blijft.
Daaruit volgt de technologie.
Niet andersom.
Wanneer past een algemene AI-assistent zoals ChatGPT?
Een algemene AI-assistent is vooral interessant wanneer een medewerker zelf met informatie werkt en ondersteuning nodig heeft bij denk- en schrijfwerk.
Denk aan:
- teksten opstellen of verbeteren;
- documenten samenvatten;
- ideeën structureren;
- informatie vergelijken;
- voorbereiden van gesprekken;
- eerste versies van voorstellen maken;
- grote hoeveelheden tekst analyseren.
Het grote voordeel is de flexibiliteit.
Een medewerker kan dezelfde omgeving voor veel verschillende taken gebruiken zonder dat voor iedere toepassing eerst een aparte workflow gebouwd hoeft te worden.
Dat maakt een algemene AI-assistent vaak een logische manier om laagdrempelig ervaring op te doen.
Maar flexibiliteit is ook een beperking.
Als medewerkers steeds dezelfde handelingen uitvoeren tussen meerdere systemen, moet iemand nog steeds handmatig informatie kopiëren, een prompt geven, output controleren en het resultaat ergens anders verwerken.
Dan heb je wel AI-ondersteuning, maar nog geen geïntegreerd proces.
Wanneer past Microsoft Copilot?
Voor organisaties die sterk op Microsoft 365 draaien kan Copilot logisch zijn omdat AI dichter bij bestaande werkomgevingen kan zitten.
Het interessante is dan niet alleen dat een taalmodel tekst kan genereren.
De waarde zit vooral in de context waarin medewerkers al werken.
Bijvoorbeeld rond:
- documenten;
- e-mail;
- vergaderingen;
- spreadsheets;
- presentaties;
- interne samenwerking.
Dat kan de drempel voor medewerkers verlagen: ze hoeven minder tussen losse toepassingen te schakelen.
Maar ook hier geldt:
het hebben van een licentie is nog geen AI-strategie.
Je moet nog steeds bepalen:
- welke werkzaamheden ermee verbeteren;
- welke medewerkers er daadwerkelijk waarde uit halen;
- welke informatie beschikbaar mag zijn;
- hoe output wordt gecontroleerd;
- welke afspraken rond gebruik nodig zijn.
Een tool beschikbaar maken zonder die vragen te beantwoorden kan eindigen in dure licenties die nauwelijks worden gebruikt.
Wanneer heb je automatisering nodig?
Een andere categorie ontstaat wanneer het probleem niet alleen binnen het werk van één medewerker zit, maar tussen stappen en systemen.
Stel dat een aanvraag binnenkomt en daarna steeds dezelfde route doorloopt:
- informatie uit de aanvraag halen;
- klant herkennen;
- gegevens vastleggen;
- een categorie bepalen;
- een medewerker informeren;
- een reactie voorbereiden.
Dan wil je misschien niet dat iemand iedere keer handmatig een AI-chat opent.
Je wilt dat het proces zelf slimmer wordt.
Daar komt automatisering in beeld.
Gewone, vaste stappen kunnen vaak met traditionele automatisering worden uitgevoerd.
AI voeg je vervolgens alleen toe waar bijvoorbeeld taal, documenten of variatie moeten worden geïnterpreteerd.
Dat is een belangrijk onderscheid.
Niet iedere AI-automatisering hoeft volledig uit AI te bestaan.
Sterker nog: hoe meer je met vaste, voorspelbare logica kunt oplossen, hoe eenvoudiger een systeem vaak te beheren en controleren is.
Meer hierover lees je bij AI Automatisering & Implementatie.
Wanneer is maatwerk zinvol?
Maatwerk wordt interessant wanneer bestaande producten en eenvoudige koppelingen onvoldoende aansluiten.
Bijvoorbeeld wanneer:
- meerdere interne systemen gecombineerd moeten worden;
- medewerkers een specifieke interface nodig hebben;
- eigen bedrijfsdata een centrale rol speelt;
- toegang en rechten nauwkeurig geregeld moeten worden;
- een proces veel bedrijfsspecifieke logica bevat;
- controle, logging of integratie belangrijk is;
- de AI-functie onderdeel moet worden van een bestaande applicatie.
Maatwerk geeft meer vrijheid.
Maar die vrijheid heeft een prijs.
Je moet niet alleen iets bouwen, maar het ook:
- testen;
- beveiligen;
- beheren;
- monitoren;
- onderhouden wanneer modellen of systemen veranderen.
Daarom vinden wij maatwerk pas interessant wanneer het probleem die investering rechtvaardigt.
Een eigen AI-applicatie bouwen omdat het technisch mogelijk is, is geen goede businesscase.
En wanneer heb je juist géén AI nodig?
Dit is misschien de meest onderschatte optie.
Sommige processen kunnen uitstekend worden verbeterd met:
- een betere inrichting van bestaande software;
- een gewone systeemkoppeling;
- vaste automatiseringsregels;
- betere formulieren;
- een database;
- duidelijke werkafspraken.
Als een proces volledig voorspelbaar is, hoeft een taalmodel daar niet per se tussen te zitten.
AI voegt vooral iets toe wanneer software moet omgaan met zaken als:
- ongestructureerde tekst;
- taal;
- documenten;
- classificatie;
- samenvatting;
- variabele input;
- context.
Het doel is niet om zoveel mogelijk AI te gebruiken.
Het doel is het probleem zo goed mogelijk op te lossen.
Zes vragen om oplossingen te vergelijken
Wanneer je tussen verschillende opties kiest, zouden wij minimaal naar zes dingen kijken.
1. Wat moet er verbeteren?
Tijd, kwaliteit, snelheid, omzet, klantbeleving of iets anders?
Zonder concreet doel kun je later ook niet bepalen of een investering succesvol was.
2. Waar gebeurt het werk nu?
Werkt iemand vooral in losse documenten?
Of loopt het proces door CRM, mailbox, administratie en andere systemen?
Hoe meer integratie nodig is, hoe minder waarschijnlijk een losse AI-chat de volledige oplossing is.
3. Welke data is nodig?
Een systeem is alleen zo bruikbaar als de informatie waar het mee mag en kan werken.
Daarbij spelen beschikbaarheid, kwaliteit, toegangsrechten en gevoeligheid allemaal een rol.
4. Hoeveel controle is nodig?
Een medewerker die een concepttekst beoordeelt is iets heel anders dan software die zelfstandig een belangrijk besluit uitvoert.
Hoe groter de gevolgen van een fout, hoe belangrijker controle en voorspelbaarheid worden.
5. Hoe vaak gebeurt het?
Voor een taak die drie keer per jaar voorkomt is maatwerk vrijwel nooit logisch.
Een proces dat dagelijks door twintig medewerkers wordt uitgevoerd kan een heel andere businesscase hebben.
6. Wat gebeurt er na implementatie?
Wie beheert de oplossing?
Wie controleert of hij nog goed werkt?
Wie past hem aan wanneer een proces verandert?
Dat hoort al bij de keuze, niet pas nadat iets gebouwd is.
De beste oplossing kan per afdeling verschillen
Een organisatie hoeft ook niet één AI-platform te kiezen waarmee vervolgens ieder probleem moet worden opgelost.
Marketing kan baat hebben bij een algemene AI-assistent.
Een serviceteam kan meer waarde halen uit een kennisoplossing.
Operations kan vooral profiteren van automatisering.
Een specifiek bedrijfskritisch proces kan maatwerk rechtvaardigen.
Dat is niet inconsistent.
Het betekent dat je technologie kiest op basis van het werk.
Begin klein genoeg om te leren
Twijfel je tussen meerdere richtingen?
Kies dan niet meteen voor de grootste implementatie.
Begin met een use-case waarbij:
- de potentiële waarde duidelijk is;
- de scope beheersbaar blijft;
- medewerkers output kunnen controleren;
- resultaat meetbaar is.
Daar leer je meer van dan van maanden discussiëren over welke leverancier organisatiebreed “de winnaar” moet worden.
Welke oplossing past bij jullie?
Je hoeft dat vooraf niet te weten.
Sterker nog: juist die keuze hoort onderdeel te zijn van een goed AI-traject.
Met onze AI Quickscan krijg je eerst een indicatie van waar binnen je organisatie interessante kansen kunnen liggen.
Heb je meerdere ideeën en wil je bepalen welke oplossing daar technisch en bedrijfsmatig bij past? Bekijk dan AI Advies & Strategie.
Begin bij het probleem. Kies daarna pas de technologie.