Waarom AI-automatisering interessant is voor het MKB, en wanneer het echt loont

Welk terugkerend werk in aanmerking komt

Niet elk vervelend klusje is een goede kandidaat. Werk dat zich leent voor AI-automatisering heeft meestal drie kenmerken: het gebeurt vaak, het volgt een herkenbaar patroon, en de meeste moeite zit in informatie van de ene plek naar de andere brengen. Wil je eerst weten wat AI-automatisering precies is en welke vormen er zijn, lees dan onze gids over AI-automatisering voor bedrijven.

Herken je een of meer van deze situaties, dan is het de moeite waard om verder te kijken:

• Dezelfde gegevens worden elke dag in twee of drie systemen overgetypt.
• Facturen, orders of aanvragen worden met de hand gecontroleerd, en één verkeerd getal kost later veel uitzoekwerk.
• Opvolging hangt af van wie het onthoudt, en schiet erbij in als het druk is.
• Eén persoon kent de routine, en alles wacht als die er niet is.

Waarom dit werk meer kost dan het lijkt

Terugkerend werk valt zelden op in een planning, omdat het in kleine stukjes over de week verspreid zit. Toch kost het je op drie manieren.

• Tijd: een kwartier hier, een halfuur daar, elke week opnieuw.
• Aandacht: wie steeds wordt onderbroken om iets over te zetten of op te zoeken, komt minder toe aan werk dat nadenken vraagt.
• Fouten: bij elke keer overtypen of doorsturen kan iets verkeerd gaan of blijven liggen.

Daar komt kwetsbaarheid bij. Zit de routine in het hoofd van één persoon, dan staat het werk stil zodra die persoon ziek of op vakantie is. In vijftien processen die je kunt automatiseren zie je per afdeling waar die pijn meestal zit.

Wat gewone automatisering al oplost

Veel terugkerend werk heeft helemaal geen AI nodig. Vaste regels en koppelingen tussen de systemen die je al gebruikt, doen het meeste: als dit gebeurt, doe dan dat. Denk aan een bevestiging na een afspraak, een herinnering bij een openstaande factuur, formuliergegevens die vanzelf in je klantsysteem landen, een taak die naar de volgende persoon gaat zodra een stap klaar is, of een rapport dat elke maandagochtend klaarstaat.

Kan een regel het werk doen, dan is dat de betere keuze: goedkoper in gebruik en makkelijker uit te leggen. In tien processen die je kunt automatiseren vind je voorbeelden van allebei.

Waar AI werkelijk iets toevoegt

AI wordt nuttig precies waar vaste regels vastlopen: waar de invoer rommelig is. Een taalmodel kan een ongestructureerde mail, een scan of een vrij tekstveld lezen en omzetten naar nette velden, een binnenkomende vraag indelen naar onderwerp of urgentie, of een eerste versie van een tekst schrijven op basis van informatie die jij hebt gecontroleerd.

Waar AI niet goed in is: beslissen, en alles wat elke keer exact hetzelfde en aantoonbaar juist moet zijn. De berekening zelf, zoals totalen en btw, en regels met een juridisch gevolg horen in vaste code die je kunt testen.

Twee eigen producten van het Lab laten zien hoe die taakverdeling er in de praktijk uitziet:

• CalcAI (eigen product): een taalmodel leest een klusomschrijving in gewone taal en stelt uren, tarief en materiaalbedragen voor. Een rekenengine herrekent daarna elke regel, de btw en het totaal. Elke offerte blijft een concept tot de ondernemer hem nakijkt en verstuurt. Lees de case CalcAI.
• Kassabon.ai (eigen product): een foto of pdf van een bon wordt eerst door een beeldmodel uitgelezen. Vaste code haalt daarna winkel, bedrag, datum en factuur- en ordernummer eruit en zet vast waar hij zeker van is. Het model vult alleen velden die nog leeg of onzeker zijn en mag een vastgezet veld niet wijzigen. Elke beslissing wordt vastgelegd. Lees de case Kassabon.ai.

Voor CalcAI publiceren we geen klantaantallen, omzet of bespaarde uren, en voor Kassabon.ai geen herkenningsnauwkeurigheid of claimresultaten: we hebben die niet gemeten op een manier die we zouden verdedigen. De producten laten zien hoe de aanpak werkt, niet wat hij bij een klant oplevert.

Welke gegevens en koppelingen je nodig hebt

Een automatisering is zo goed als wat erin gaat. Loop deze punten na voordat er iets gebouwd wordt.

• Bereikbare invoer: aanvragen, documenten of gegevens moeten binnenkomen op een plek waar een systeem bij kan, zoals een mailbox, een formulier, een portaal of een gedeelde map.
• Systemen die te koppelen zijn: een systeem met een goede API sluit je eenvoudig aan. Heeft een pakket alleen een inlogscherm, dan wordt het lastiger, en soms is dat een reden om het anders aan te pakken.
• Eén gecontroleerde bron: laat je het systeem vragen beantwoorden of teksten opstellen, dan werkt het alleen vanuit informatie die jij hebt goedgekeurd, zoals je voorwaarden, levertijden en veelgestelde vragen. Hoe dat bij een chatbot werkt, lees je in onze gids over AI-chatbots.
• Beperkte toegang en een logboek: elke stap kan alleen bij wat hij nodig heeft, en je kunt terugzien wat erin ging en wat eruit kwam.
• Heldere afspraken over data: het systeem draait in je eigen accounts, en de verwerking van persoonsgegevens staat in een verwerkersovereenkomst. Zo werken wij ook.

Hoeveel systemen er gekoppeld moeten worden en hoe schoon de gegevens al zijn, bepaalt ook grotendeels hoe groot het project wordt. Wat de kosten verder bepaalt, lees je in wat AI-automatisering kost.

Waar een mens de controle houdt

AI-automatisering verplaatst het werk, niet de verantwoordelijkheid. Hoe zwaar de controle moet zijn, hangt af van wat er op het spel staat. Iets dat alleen leestijd bespaart, kan zelfstandig draaien, als iemand af en toe een steekproef bekijkt. Alles wat een klant bereikt, geld verplaatst, een gegeven in je administratie wijzigt of iemands rechten raakt, beoordeelt een mens voordat het effect heeft.

In de praktijk betekent dat:

• Het systeem levert een concept; een mens verstuurt, boekt of betaalt.
• Lage zekerheid, ongebruikelijke invoer of een mislukte controle gaat met de context erbij naar een mens, in plaats van dat het systeem gokt.
• Elk geautomatiseerd proces heeft een aangewezen persoon voor uitzonderingen en een melding als het afwijkt van wat je verwacht.
• Een AI-stap moet uit te zetten zijn zonder dat het proces stilvalt.

Roosty (eigen product) laat zien hoe dat eruitziet in een weekbord voor horecazaken. Zeven conflictregels lopen bij elke wijziging opnieuw over de hele week. Drie verschijnen als waarschuwing die de planner toch mag publiceren, vier moeten eerst worden opgelost. De planner beslist en publiceert. We publiceren niet hoeveel zaken of medewerkers met Roosty worden ingepland. Lees de case Roosty.

Zes voorbeelden uit het MKB

Dit zijn illustratieve voorbeelden, geen klantcases.

Van klantvraag naar conceptofferte

• Nu: Een aanvraag komt binnen per mail of telefoon. 's Avonds zet de ondernemer de gegevens over in een offertesjabloon en rekent hij de regels met de hand uit.
• Knelpunt: Het werk schuift naar de avond, gegevens worden overgetypt en een rekenfout valt pas op als de klus al loopt. Intussen wacht de klant op antwoord.
• Mogelijke oplossing: Een taalmodel zet de aanvraag om in conceptregels met uren en materialen. Vaste rekenregels rekenen elke regel, de btw en het totaal na, zodat de optelling altijd klopt. Het resultaat is een conceptofferte in je eigen opmaak. Ons eigen product CalcAI werkt volgens dit patroon.
• Menselijke controle: De ondernemer controleert het concept, past het aan waar nodig en verstuurt het zelf.
• Mogelijke opbrengst: Sneller een eerste reactie, minder overtypen en minder kans op rekenfouten.
• Wanneer het niet loont: Als er maar een paar offertes per maand zijn, als elke offerte echt uniek is, of als er geen vaste tarieven en rekenregels zijn om op te bouwen.

Klantvragen beantwoorden uit gecontroleerde bedrijfsinformatie

• Nu: Dezelfde vragen over levertijden, voorwaarden en openingstijden komen elke dag binnen via mail en chat, en worden telkens opnieuw beantwoord.
• Knelpunt: Het team wordt steeds onderbroken, antwoorden verschillen per medewerker, en buiten werktijd wacht de klant.
• Mogelijke oplossing: Een assistent beantwoordt routinevragen alleen vanuit documenten die jij hebt goedgekeurd, en zet het gesprek bij twijfel met de context door naar een medewerker. Dat is het werk van een AI-agent of chatbot.
• Menselijke controle: Medewerkers beheren de bron en houden die actueel. Klachten, terugbetalingen en uitzonderingen gaan naar een mens, en iemand leest regelmatig een steekproef van de gesprekken terug.
• Mogelijke opbrengst: Snellere antwoorden op eenvoudige vragen, consistentere informatie en meer tijd voor vragen die echt een mens nodig hebben.
• Wanneer het niet loont: Als er weinig vastgelegde informatie is om uit te putten, als het om een handvol vragen gaat, of als elk antwoord persoonlijk advies met grote gevolgen is. Meer daarover in de gids over AI-chatbots.

Gegevens uit documenten voorbereiden voor de administratie

• Nu: Facturen, bonnen en pakbonnen komen binnen als pdf of foto en worden met de hand in de boekhouding gezet.
• Knelpunt: Overtypen kost tijd, typefouten sluipen erin, en er ontstaat een stapel die pas bij de kwartaalafsluiting wordt weggewerkt.
• Mogelijke oplossing: Het document wordt door een beeldmodel uitgelezen, vaste code haalt de velden eruit waar hij zeker van is, en een model vult alleen aan wat nog ontbreekt. Het systeem vergelijkt de gegevens met de order of het contract en zet een boekingsvoorstel klaar. Ons eigen product Kassabon.ai volgt dezelfde volgorde; het is een bonnen- en garantie-app, geen boekhoudsysteem.
• Menselijke controle: Een medewerker keurt het voorstel goed voordat er iets wordt geboekt of betaald. Velden waar het systeem niet zeker van is, zijn gemarkeerd.
• Mogelijke opbrengst: Minder typwerk, minder fouten in de cijfers en eerder overzicht.
• Wanneer het niet loont: Als het om weinig documenten gaat, of als je boekhoudpakket ze al goed uitleest. Kijk eerst wat je bestaande software kan.

Aanvragen sorteren en vervolgstappen voorbereiden

• Nu: Aanvragen komen binnen in een gedeelde mailbox. Wie tijd heeft, leest ze, stuurt ze door of zet ze in het klantsysteem.
• Knelpunt: Hoe snel een aanvraag wordt opgepakt, hangt af van wie er toevallig kijkt. Een dringende vraag zakt weg tussen de rest, en een geïnteresseerde klant hoort te laat iets.
• Mogelijke oplossing: Een model leest elke aanvraag, herkent onderwerp en urgentie en haalt de gegevens eruit. Vaste regels wijzen de aanvraag toe aan de juiste persoon en maken een taak aan, met een conceptantwoord erbij. Zo'n intake is in de praktijk vaak een logische eerste stap binnen AI-automatisering.
• Menselijke controle: De medewerker beslist en verstuurt het antwoord. Verkeerd ingedeelde aanvragen worden gecorrigeerd, en daarmee worden de regels bijgesteld.
• Mogelijke opbrengst: Er raakt minder kwijt, aanvragen worden sneller opgepakt en het is duidelijk wie wat doet.
• Wanneer het niet loont: Als er weinig aanvragen binnenkomen, als één persoon ze toch allemaal afhandelt, of als de soorten aanvragen steeds veranderen.

Projectinformatie samenbrengen tot een controleerbaar rapport

• Nu: Elke week verzamelt iemand uren, status en notities uit verschillende tools en schrijft daar een update van voor het team of de klant.
• Knelpunt: Het verzamelen kost tijd, de cijfers verschillen per tool, en tegen de tijd dat het rapport klaar is, is het alweer verouderd.
• Mogelijke oplossing: De cijfers worden automatisch opgehaald via koppelingen; daar is geen AI voor nodig. Een model schrijft op basis van die cijfers en notities een conceptsamenvatting, met verwijzingen naar de onderliggende gegevens.
• Menselijke controle: De projectleider leest het concept, past het aan en verstuurt het. De cijfers komen uit de systemen, niet uit het model.
• Mogelijke opbrengst: Minder verzamelwerk, rapporten die elke week op dezelfde manier zijn opgebouwd en meer tijd om de cijfers te duiden.
• Wanneer het niet loont: Als het rapport nauwelijks wordt gelezen, als de tools geen export of koppeling bieden, of als je eigenlijk een paar cijfers wilt volgen. Dan past een dashboard beter.

Terugkerende overdrachten tussen bestaande systemen verminderen

• Nu: Een bestelling of aanmelding komt binnen via de webshop of een formulier, wordt overgetypt in het klantsysteem en daarna nog eens in de planning of de boekhouding.
• Knelpunt: Dezelfde gegevens worden meerdere keren ingevoerd, bij elke overdracht kan iets misgaan, en het proces leunt op degene die weet hoe het hoort.
• Mogelijke oplossing: Meestal volstaat een gewone koppeling tussen de systemen. AI komt pas in beeld als een vrij tekstveld, zoals een opmerking van de klant, moet worden omgezet in gestructureerde gegevens.
• Menselijke controle: Een melding bij een mislukte synchronisatie, en een aangewezen persoon die de uitzonderingen afhandelt.
• Mogelijke opbrengst: Gegevens worden één keer ingevoerd, er gaat minder mis bij overdrachten en het werk hangt minder af van één persoon.
• Wanneer het niet loont: Als een van de systemen geen API of export heeft, of als de overdracht maar een paar keer per maand voorkomt. Dit voorbeeld laat vooral zien dat je vaak helemaal geen AI nodig hebt.

Wanneer automatiseren nog niet verstandig is

Soms is de eerlijke conclusie dat je beter nog even wacht, of iets eenvoudigers doet. Dat geldt als:

• het proces nog niet vastligt en de regels sneller veranderen dan je ze kunt opschrijven;
• de stap maar een paar keer per maand voorkomt;
• het hele proces draait op het oordeel van één persoon;
• er geen betrouwbare bron is waar het systeem uit kan putten;
• een fout veel kost en niemand tijd heeft om de uitkomst te controleren;
• een eenvoudigere oplossing volstaat, zoals twee systemen koppelen of een formulier drie vragen meer laten stellen.

Begin ook niet met alles tegelijk. Een project dat in één keer het hele bedrijf wil automatiseren, duurt lang, is moeilijk te controleren en maakt het lastig om te zien wat werkt.

Zo kies je een kleine, meetbare eerste stap

1. Breng twee weken lang in kaart wat terugkomt. Noteer per taak hoe vaak hij voorkomt, wie hem doet en in welke tools.
2. Kies één proces. Neem het proces dat vaak terugkomt en duidelijk pijn doet, niet het proces dat technisch het makkelijkst lijkt.
3. Schrijf vooraf op welk getal moet veranderen. Bijvoorbeeld de tijd die het kost, hoe snel een klant antwoord krijgt of hoe vaak er iets gecorrigeerd moet worden. Meet hoe het nu gaat.
4. Bepaal waar een mens meekijkt. Leg vast welke uitkomst een concept blijft en wie het goedkeurt.
5. Spreek een vaste omvang af voor alleen die stap. Zo blijft het overzichtelijk en weet je waar je aan toe bent.
6. Meet na livegang hetzelfde getal. Is het verbeterd, pak dan het volgende proces. Is het niet veranderd, dan is dat ook een uitkomst: je stopt, maakt het proces eenvoudiger of kiest een ander proces, zonder dat er een groot project is afgeschreven.

Weet je niet welk proces als eerste aan de beurt is, dan is dat precies waar een AI-audit voor bedoeld is.

Veelgestelde vragen

Moeten onze gegevens eerst helemaal op orde zijn?

Nee, maar de informatie die het proces nodig heeft, moet bereikbaar en redelijk consequent zijn. Een mailbox, een formulier of een map met pdf's is vaak genoeg om te beginnen. Test een automatisering daarom eerst op een stapel echte voorbeelden uit je eigen praktijk. Dan zie je snel welke gegevens ontbreken of steeds anders worden ingevuld, en of je dat eerst moet oplossen.

Moeten klanten en medewerkers weten dat er AI meewerkt?

Wij raden aan er open over te zijn. Laat een chatvenster melden dat het een geautomatiseerd systeem is, en vermeld het overal waar AI wezenlijk bepaalt wat iemand ontvangt. Medewerkers moeten weten welke stappen de software voorbereidt en welke beslissingen bij hen blijven. Welke verplichtingen daarbij wettelijk gelden, hangt af van wat het systeem doet; laat dat toetsen voordat je live gaat.