“We moeten iets met AI.” Het is een zin die op dit moment in veel organisaties valt.
Soms komt hij van de directie. Soms van een enthousiaste medewerker die ChatGPT dagelijks gebruikt. Soms omdat een concurrent ineens met AI lijkt te werken. En soms simpelweg omdat duidelijk is dat de technologie belangrijk wordt, maar nog helemaal niet duidelijk is wat je ermee moet.
Dat laatste is geen probleem. Je hoeft niet te beginnen met een AI-strategie van vijftig pagina’s. Je hoeft ook niet eerst te kiezen tussen ChatGPT, Microsoft Copilot, Gemini, AI-agents en tientallen andere tools.
De beste plek om te beginnen is veel eenvoudiger:
Wat willen we in onze organisatie verbeteren?
Begin niet bij AI
Dat klinkt misschien vreemd van een bedrijf dat organisaties met AI helpt. Toch is het een van onze belangrijkste uitgangspunten.
Stel dat een team iedere week uren kwijt is aan het handmatig overzetten van gegevens uit e-mails naar een ander systeem. Dan is de eerste vraag niet welke AI-agent je daarvoor kunt bouwen. De eerste vraag is:
Waarom gebeurt dit met de hand, en welke stappen zijn steeds hetzelfde?
Misschien blijkt dat een gewone koppeling tussen twee systemen al 80 procent van het werk wegneemt. AI is dan hooguit nodig om ongestructureerde informatie uit een e-mail te begrijpen. Dat is meestal een betere oplossing dan het hele proces “AI-powered” maken.
Hetzelfde geldt elders. Een klantenserviceteam hoeft niet per se een autonome chatbot te krijgen; misschien levert een assistent die relevante informatie vindt en een antwoordvoorstel maakt veel meer op. Een organisatie met honderden documenten hoeft niet meteen een nieuw kennisplatform te bouwen; een beperkte kennisassistent voor één afdeling is vaak een beter eerste experiment.
Begin dus bij het werk, niet bij de technologie.
Zoek naar irritant werk
Een handige manier om AI-kansen te vinden: vraag waar mensen tijd verliezen. Denk aan werk waarbij medewerkers:
- steeds dezelfde vragen beantwoorden;
- informatie van het ene systeem naar het andere kopiëren;
- veel documenten moeten doorzoeken;
- lange teksten samenvatten;
- steeds vergelijkbare e-mails schrijven;
- gegevens uit documenten halen;
- rapportages met de hand samenstellen;
- terugkerende administratieve controles uitvoeren;
- klantinformatie verzamelen voordat ze iets kunnen doen.
Dit soort werk heeft één groot voordeel: de mogelijke verbetering is concreet. Je kunt meten hoeveel tijd het nu kost, je ziet hoeveel mensen ermee bezig zijn, en je kunt achteraf beoordelen of een nieuwe werkwijze echt iets heeft verbeterd. Dat is veel waardevoller dan beginnen met een ambitie als “wij willen een AI-first organisatie worden”.
Niet ieder tijdrovend proces is geschikt voor AI
Veel herhaling is interessant, maar betekent nog niet dat AI de oplossing is. Een proces wordt interessanter als een paar dingen samenkomen.
Er is genoeg volume
Een handeling van vijf minuten die eens per maand voorkomt, hoef je waarschijnlijk niet te automatiseren. Vijf minuten, honderden keren per week, is een ander verhaal.
De input is digitaal beschikbaar
Een proces is makkelijker te ondersteunen als de benodigde informatie al in een CRM, ticketsysteem, mailbox, database, ERP of documentmap staat. Zit cruciale informatie vooral in hoofden, papieren dossiers of telefoongesprekken, dan moet je vaak eerst dát oplossen.
Er zit een patroon in
AI kan omgaan met variatie, maar een proces is makkelijker te verbeteren als duidelijk is wat erin gaat, welke stappen normaal worden gezet, wat eruit moet komen en welke uitzonderingen er zijn.
Een mens kan controleren
Voor een eerste AI-project is menselijke controle vaak een voordeel. Een medewerker die een gegenereerde offerte controleert voordat die de deur uitgaat, is veel eenvoudiger en veiliger dan een systeem dat zelfstandig offertes opstelt, verstuurt, opvolgt en uitzonderingen afhandelt. Volledige autonomie klinkt indrukwekkend, maar is zelden de beste plek om te beginnen.
Kijk naar impact én haalbaarheid
Stel dat je tien mogelijke toepassingen hebt gevonden. Welke kies je dan? Wij stellen daarvoor twee eenvoudige vragen.
Hoeveel waarde kan dit opleveren?
Dat is de impact. Hoeveel tijd besparen we? Worden klanten sneller geholpen? Kunnen medewerkers meer werk aan? Nemen fouten af? Verbetert de kwaliteit? Levert het commerciële kansen op?
Hoe realistisch is het om dit goed te bouwen?
Dat is de haalbaarheid. Is de data beschikbaar? Zijn de systemen te koppelen? Is het proces duidelijk genoeg? Zijn er privacy- of veiligheidsrisico’s? Kunnen medewerkers de uitkomst controleren? Hoeveel uitzonderingen zijn er?
De beste eerste use-case is vaak niet het grootste of spectaculairste idee. Het is de toepassing waar genoeg impact en goede haalbaarheid samenkomen.
Een klein voorbeeld
Een technisch bedrijf ontvangt iedere dag tientallen aanvragen per e-mail. Een medewerker:
- opent de e-mail;
- leest wat de klant nodig heeft;
- zoekt gegevens op;
- categoriseert de aanvraag;
- zet informatie in een intern systeem;
- stuurt de aanvraag door;
- schrijft soms een eerste reactie.
Je zou meteen kunnen denken aan een volledig autonome AI-agent. Maar je kunt het ook anders bekijken. Misschien kan software de relevante gegevens herkennen, de aanvraag categoriseren, informatie automatisch in het systeem zetten, een conceptantwoord voorbereiden en alles aan een medewerker tonen ter controle. De medewerker blijft verantwoordelijk voor het besluit.
Dat is minder spectaculair dan een “autonome agent”. Maar als het iedere dag een uur werk bespaart en betrouwbaar werkt, heeft het bedrijf er waarschijnlijk meer aan.
ChatGPT of Copilot is niet de strategie
Een veelgemaakte volgende stap is direct een product kiezen. ChatGPT? Microsoft Copilot? Gemini? Dat zijn relevante vragen, maar pas als duidelijk is wat je wilt bereiken.
Een organisatie die medewerkers wil helpen met schrijven en analyseren, heeft andere eisen dan een organisatie die een bedrijfsproces wil automatiseren. De keuze hangt onder meer af van je bestaande software, gewenste koppelingen, data, beveiliging, beheer, het soort werk, het aantal gebruikers, budget en de controle die je nodig hebt.
Soms is een kant-en-klare AI-assistent de juiste oplossing. Soms heb je een automatiseringsplatform nodig. Soms een API. En soms helemaal geen AI.
Vergeet je medewerkers niet
AI invoeren is niet alleen een technisch project. Ook als je nog niets officieel hebt ingevoerd, is de kans groot dat medewerkers al experimenteren. Iemand verbetert teksten met ChatGPT, een ander vat documenten samen, een collega probeert een tool die hij op LinkedIn zag.
Organisaties moeten dus twee dingen tegelijk doen: kansen benutten, en duidelijkheid geven over verantwoord gebruik. Medewerkers moeten weten:
- welke tools ze mogen gebruiken;
- welke informatie ze wel en niet mogen delen;
- wanneer AI-output gecontroleerd moet worden;
- waarvoor AI geschikt is;
- wanneer menselijk oordeel nodig blijft.
Alle AI-tools blokkeren lost het probleem meestal niet op. Iedereen blind toegang geven evenmin.
Je eerste AI-project hoeft niet groot te zijn
Een goede eerste pilot is klein genoeg om beheersbaar te blijven, belangrijk genoeg om iets op te leveren, meetbaar, controleerbaar en representatief genoeg om iets van te leren.
Begin bijvoorbeeld met één type document, één administratieve workflow, één team, één kennisbron of één terugkerende klantvraag. En bepaal vooraf wat succes is, bijvoorbeeld:
We willen de verwerkingstijd van deze aanvragen met 30 procent verminderen.
Dan weet je achteraf ook of je experiment iets heeft opgeleverd.
Een praktische route
Wil je vandaag beginnen? Dan kun je het terugbrengen tot vier stappen.
Stap 1: Begrijpen
Breng werk en knelpunten in kaart. Vraag medewerkers waar ze tijd verliezen, wat ze iedere week opnieuw doen, welke informatie ze steeds zoeken, waar fouten ontstaan en welk werk ze het liefst niet meer met de hand doen.
Stap 2: Kiezen
Maak een korte lijst van mogelijke use-cases en beoordeel ze op impact, haalbaarheid, risico, benodigde data en investering. Kies er één of twee.
Stap 3: Realiseren
Bouw niet meteen de ultieme oplossing. Maak eerst een beperkte pilot, test met echte situaties, kijk waar het misgaat en meet of het echt iets oplevert.
Stap 4: Laten landen
Werkt de pilot, dan begint de volgende uitdaging. Medewerkers moeten weten hoe en wanneer ze hem gebruiken, wat de beperkingen zijn, wie verantwoordelijk blijft en wat er gebeurt als iets niet klopt. Pas dan wordt een experiment onderdeel van de organisatie.
Dus: waar begin je?
Niet met een tool. Niet met een agent. En ook niet met een AI-plan van honderd pagina’s. Begin met één vraag:
Wat willen we verbeteren?
Zoek daarna waar veel tijd, herhaling of informatie samenkomt. Kijk welke mogelijkheden genoeg waarde én haalbaarheid hebben. Test er één, gecontroleerd. Leer ervan, en bouw vanaf daar verder.
Dat is minder spectaculair dan zeggen dat je bedrijf volgend kwartaal “AI-first” wordt. Maar de kans dat het iets oplevert, is een stuk groter.
Geen idee welke kansen bij jou het interessantst zijn?
Daarvoor hebben we de AI Quickscan gemaakt. Je beantwoordt tien korte vragen over je organisatie en je werk, en krijgt direct een eerste indicatie van je meest kansrijke AI-toepassingen, met impact, haalbaarheid en een logische eerste stap.