AI of gewone automatisering: wat past bij jouw proces?

Gewone automatisering is meestal de beste keuze voor vaste invoer, duidelijke regels en voorspelbare acties. AI wordt relevant wanneer e-mails, documenten of andere informatie eerst moeten worden geïnterpreteerd. In veel bedrijfsprocessen werkt een combinatie het best: AI doet een voorstel, vaste automatisering voert gecontroleerde stappen uit en een medewerker beoordeelt belangrijke uitkomsten.

De keuze is dus zelden simpelweg “AI of geen AI”. De betere vraag is:

Welke processtap vraagt om interpretatie, welke om zekerheid en waar moet een mens blijven beslissen?

Kort antwoord: wanneer gebruik je wat?

Situatie	Meest logische keuze
De invoer heeft altijd dezelfde velden en alle regels staan vast	Gewone automatisering
Vrije tekst of wisselende documenten moeten worden geïnterpreteerd	Een afgebakende AI-stap onderzoeken
Interpretatie wordt gevolgd door vaste acties	Hybride workflow: AI plus gewone automatisering
Een fout heeft gevolgen of de uitkomst blijft twijfelachtig	Menselijke beoordeling
Het proces is onduidelijk, komt weinig voor of is niet meetbaar	Eerst aanpassen of niet automatiseren

Wat is het verschil tussen AI en automatisering?

Gewone automatisering voert vooraf vastgelegde regels uit. Dezelfde invoer leidt volgens dezelfde logica tot dezelfde actie.

Een eenvoudig voorbeeld:

Als een volledig ingevuld contactformulier binnenkomt, maak dan een taak aan in het CRM en stuur een ontvangstbevestiging.

De velden zijn bekend. De controle kan met vaste regels worden uitgevoerd en de vervolgstap staat vooraf vast. Daar is meestal geen AI voor nodig.

AI wordt interessanter wanneer de invoer varieert en eerst moet worden geïnterpreteerd. Denk aan een vrij geschreven e-mail waarin een potentiële klant meerdere vragen stelt, informatie over verschillende alinea’s verdeelt of niet duidelijk zegt welke dienst nodig is.

De OECD omschrijft een AI-systeem als een machinaal systeem dat uit ontvangen invoer afleidt hoe het uitvoer genereert, zoals voorspellingen, inhoud, aanbevelingen of beslissingen. Dat afleiden is hier het relevante verschil: een AI-stap maakt op basis van de invoer een inschatting.

Dat betekent overigens niet automatisch dat ieder AI-systeem tijdens het gebruik zelfstandig van jouw bedrijfsdata leert. In veel workflows wordt een bestaand model aangeroepen om één invoer te beoordelen. De kwaliteit daarvan moet je testen; je mag niet aannemen dat de uitkomst vanzelf steeds beter wordt.

Onderdeel	Gewone automatisering	AI
Invoer	Vast en voorspelbaar	Variabel of ongestructureerd
Werking	Vooraf bepaalde regels	Interpretatie of patroonherkenning
Uitvoer	Volgens dezelfde logica herhaalbaar	Kan tussen vergelijkbare gevallen verschillen
Sterk in	Betrouwbare vervolgacties	Tekst, documenten en context beoordelen
Belangrijk risico	Een verkeerde of vergeten regel	Een aannemelijke maar onjuiste inschatting
Testvraag	Werkt de regel technisch correct?	Is de kwaliteit goed genoeg, ook bij twijfel en uitzonderingen?

Kies niet per afdeling, maar per processtap

Een veelgemaakte fout is om een volledig proces als één technische keuze te behandelen.

Bijvoorbeeld:

Kunnen we onze offerteaanvragen met AI automatiseren?

Die vraag is te groot. Een offerteaanvraag doorloopt meerdere stappen:

1. Een bericht komt binnen.
2. De gewenste dienst en projectinformatie worden herkend.
3. Ontbrekende gegevens worden gesignaleerd.
4. Een medewerker beoordeelt de aanvraag.
5. Een taak wordt in het CRM aangemaakt.
6. Een ontvangstbevestiging wordt verstuurd.

Stap twee en drie bevatten interpretatie. Daar kan AI mogelijk waarde toevoegen. Stap vijf en zes zijn vaste vervolgacties en passen meestal beter bij gewone automatisering. Stap vier blijft mensenwerk wanneer een verkeerde interpretatie commerciële of operationele gevolgen heeft.

Het volledige proces heeft dus niet één label nodig. Iedere stap krijgt de eenvoudigste techniek die verantwoord werkt.

De PuraFact-drie-zoneregel

Een praktische manier om een workflow te ontleden is iedere stap in één van drie zones te plaatsen.

1. De regelzone

Hier zijn invoer, voorwaarden en vervolgactie vooraf bekend.

Voorbeelden:

• controleren of een verplicht formulierveld gevuld is;
• een datum vergelijken met een vaste deadline;
• goedgekeurde gegevens naar het CRM kopiëren;
• een taak aanmaken voor een bekende categorie;
• na goedkeuring een standaardbevestiging versturen.

Gebruik hier bij voorkeur gewone automatisering. Die is voorspelbaar, goed te testen en meestal eenvoudiger te onderhouden.

2. De interpretatiezone

Hier moet variabele informatie eerst worden begrepen of omgezet naar een vaste structuur.

Voorbeelden:

• het onderwerp van een vrije e-mail herkennen;
• gegevens uit verschillend opgemaakte documenten halen;
• meerdere vragen in één bericht onderscheiden;
• een lange tekst feitelijk samenvatten;
• mogelijk ontbrekende informatie signaleren;
• een conceptantwoord op basis van goedgekeurde bronnen voorbereiden.

Dit kan een geschikte plek zijn voor AI. Laat AI eerst een voorstel doen en leg vooraf vast wanneer het systeem twijfel moet aangeven.

3. De besliszone

Hier heeft een uitkomst gevolgen, is de context niet volledig of blijft menselijk oordeel nodig.

Voorbeelden:

• een offertebedrag bepalen;
• een uitzondering accepteren;
• een klant iets toezeggen;
• een aanvraag afwijzen;
• een extern bericht definitief verzenden;
• een resultaat met financiële, juridische of persoonlijke impact goedkeuren.

Deze zone hoort niet automatisch aan AI te worden overgedragen. Een medewerker moet voldoende tijd, informatie en duidelijke criteria hebben om werkelijk te controleren of te beslissen.

PuraFact-beslisregel: gebruik vaste regels waar zekerheid mogelijk is, AI waar interpretatie nodig is en een mens waar de gevolgen om oordeel vragen.

Wanneer is gewone automatisering slimmer dan AI?

Kies eerst voor gewone automatisering wanneer de meeste van deze punten kloppen:

• de invoer heeft altijd dezelfde velden of bestandsstructuur;
• de beslisregels kunnen volledig worden opgeschreven;
• dezelfde invoer moet steeds dezelfde uitvoer geven;
• er is geen interpretatie van vrije tekst, beeld of context nodig;
• een fout ontstaat vooral door een verkeerde technische regel;
• de workflow moet goedkoop en voorspelbaar te onderhouden zijn.

Denk aan een taak maken na een volledig formulier, een document opslaan op basis van een vaste bestandsnaam of een melding sturen wanneer een deadline nadert.

AI toevoegen aan zulke stappen maakt de oplossing vaak duurder en minder voorspelbaar, zonder dat het proces er beter van wordt. Een moderne techniek is niet automatisch de juiste techniek.

Wanneer kan AI waarde toevoegen?

AI is het onderzoeken waard wanneer vaste regels vastlopen op variatie. Bijvoorbeeld wanneer medewerkers:

• lange of verschillend geschreven e-mails lezen;
• steeds dezelfde gegevens uit wisselende documenten zoeken;
• tekst moeten categoriseren op inhoud;
• ontbrekende informatie uit context proberen te herkennen;
• een eerste samenvatting of concept opstellen.

Ook dan is AI niet automatisch geschikt. Er moeten representatieve voorbeelden beschikbaar zijn, de gewenste uitkomst moet vooraf beoordeelbaar zijn en fouten moeten zichtbaar kunnen worden gemaakt.

Het NIST AI Risk Management Framework beschrijft het beheersen van AI-risico’s als een doorlopend proces van onder meer in kaart brengen, meten en beheren. Voor een eerste MKB-workflow betekent dat praktisch: bepaal vóór de test wat goed, fout en twijfelachtig is en wie bij een fout ingrijpt.

Wil je eerst beoordelen of het hele proces testbaar is? Gebruik dan ook de zeven kenmerken van een geschikt bedrijfsproces.

Waarom een hybride workflow vaak beter werkt

Een bruikbare bedrijfsworkflow combineert vaak alle drie de zones:

1. AI interpreteert

   Het systeem leest bijvoorbeeld een aanvraag, stelt een categorie voor en haalt mogelijke projectgegevens uit de tekst.

2. Gewone automatisering controleert en voert uit

   Vaste software controleert verplichte velden en maakt na goedkeuring een CRM-record of interne taak aan.

3. Een medewerker beoordeelt

   De medewerker controleert twijfelgevallen, corrigeert onjuiste gegevens en blijft verantwoordelijk voor belangrijke beslissingen en communicatie.

Deze verdeling is minder spectaculair dan een autonome “AI-medewerker”, maar vaak beter controleerbaar. AI krijgt de stap waarin variatie zit. Gewone automatisering doet het voorspelbare werk. De medewerker houdt zicht op de gevolgen.

In AI inzetten in je bedrijf staan tien concrete workflows waarin die rolverdeling terugkomt.

Voorbeeld: een offerteaanvraag uit een gedeelde inbox

Stel dat een zakelijke dienstverlener een vrij geschreven aanvraag ontvangt. De afzender noemt een bedrijfsnaam, twee mogelijke diensten, een gewenste opleverweek en verwijst naar een bijlage die niet is meegestuurd.

Een passende rolverdeling kan er zo uitzien:

Processtap	Rol	Waarom
Afzenderadres overnemen	Gewone automatisering	Staat vast in de e-mailmetadata
Diensten uit de tekst herkennen	AI	De formulering varieert
Genoemde bijlage vergelijken met ontvangen bestanden	Gewone automatisering	Een vaste controle is mogelijk
Twee diensten en de ontbrekende bijlage beoordelen	Mens	Het is een uitzondering met gevolgen voor opvolging
Goedgekeurd conceptrecord naar CRM sturen	Gewone automatisering	Vaste actie na expliciet akkoord

De AI maakt dus geen offerte, kiest niet zelfstandig één dienst en verstuurt niets. De eerste waarde zit in het voorbereiden van een controleerbaar intern record. Lees de volledige scenarioanalyse van deze workflow.

Zes vragen vóór je een techniek kiest

Beoordeel iedere processtap afzonderlijk.

1. Heeft de invoer een vaste structuur?

Ja wijst meestal richting gewone automatisering. Nee kan een AI-stap relevant maken, vooral bij vrije tekst of wisselende documenten.

2. Kunnen de regels volledig worden opgeschreven?

Wanneer een medewerker exact kan uitleggen welke voorwaarde tot welke actie leidt, is vaste logica vaak voldoende.

3. Is interpretatie werkelijk nodig?

Moet het systeem bedoeling, context, onderwerp of ontbrekende informatie herkennen, dan kan AI iets toevoegen. Vraag wel of de interpretatie zakelijk belangrijk genoeg is om extra test- en controlewerk te rechtvaardigen.

4. Kan een medewerker een fout herkennen?

Menselijke controle werkt alleen wanneer de beoordelaar voldoende context, tijd en criteria heeft. Alleen een goedkeuringsknop toevoegen is geen betekenisvolle controle.

5. Zijn er representatieve voorbeelden?

Een test met alleen nette standaardgevallen zegt weinig. Neem ook onduidelijke formuleringen, ontbrekende velden, tegenstrijdigheden en gevallen buiten de normale workflow op.

6. Kun je de volledige verbetering meten?

Meet niet alleen de snelheid van de AI-stap. Meet ook correctietijd, gemiste uitzonderingen, totale doorlooptijd en extra handelingen. Een AI-demo bewijst op zichzelf geen tijdwinst.

Wanneer moet je AI juist niet toevoegen?

Voeg geen AI toe omdat de term moderner klinkt. Kies een eenvoudiger route wanneer:

• het handmatige volume te laag is om bouw en onderhoud te rechtvaardigen;
• de huidige workflow nog voortdurend verandert;
• medewerkers onderling niet kunnen bepalen wat een goede uitkomst is;
• fouten niet tijdig zichtbaar of herstelbaar zijn;
• de toepassing direct grote financiële, juridische of persoonlijke gevolgen heeft;
• het systeem volledig autonoom moet handelen zonder betekenisvolle controle;
• de verwachte winst alleen op een mooie demonstratie is gebaseerd.

Soms is niet automatiseren de verstandigste uitkomst. In andere gevallen moet eerst het bestaande proces duidelijker worden gemaakt.

Zo ziet de kleinste zinvolle test eruit

Test niet direct een volledige afdeling of klantreis. Kies één invoer, één voorbereidende actie en één controleerbare uitvoer.

Bij offerteaanvragen kan de onderzoeksvraag bijvoorbeeld zijn:

Kan AI uit vooraf samengestelde synthetische aanvragen de gewenste dienst, genoemde deadline en ontbrekende informatie herkennen, terwijl een medewerker ieder resultaat controleert?

Leg vóór de test vast:

• welke velden correct moeten zijn;
• welke informatie nooit zonder bron mag worden ingevuld;
• welke uitzonderingen in de testset zitten;
• wanneer de workflow moet stoppen of extra controle moet vragen;
• welke fouten kritiek, groot of klein zijn;
• hoeveel tijd de handmatige werkwijze kost;
• hoeveel controle- en correctietijd de nieuwe werkwijze vraagt.

Vergelijk daarna de volledige workflow. Een snelle AI-stap kan alsnog ongunstig zijn wanneer controle en herstel meer tijd kosten dan het oorspronkelijke handwerk.

Veelgestelde vragen

Is AI hetzelfde als automatisering?

Nee. Automatisering voert vooraf bepaalde stappen uit. AI kan binnen zo’n workflow worden gebruikt om variabele invoer te interpreteren of een voorstel te maken. AI is dus vaak één onderdeel van een automatisering, niet automatisch de hele oplossing.

Heb ik een AI-agent nodig om een proces te automatiseren?

Meestal niet als eerste stap. Begin bij de kleinste processtap die nu handwerk veroorzaakt. Als vaste regels voldoende zijn, is een gewone koppeling of workflow eenvoudiger. Als interpretatie nodig is, kan een begrensde AI-stap worden getest zonder meteen een autonome agent te bouwen.

Kunnen AI en gewone automatisering samenwerken?

Ja. Juist die combinatie is vaak logisch: AI zet variabele tekst om naar een voorstel, vaste automatisering controleert harde voorwaarden en voert goedgekeurde acties uit.

Waar begin je met automatiseren?

Begin bij één terugkerende workflow met een concreet knelpunt. Beschrijf de huidige stappen, meet het handwerk en bepaal per stap of een vaste regel, AI of menselijke beoordeling nodig is. Elke editie van Workflow Onder de Loep ontleedt op die manier één workflow.

Conclusie

Gewone automatisering is de eerste keuze voor vaste regels en voorspelbare stappen. AI wordt relevant wanneer tekst, documenten of context moeten worden geïnterpreteerd. Veel bruikbare bedrijfsworkflows combineren beide en plaatsen menselijke controle op de momenten waar een fout werkelijk gevolgen heeft.

Begin daarom niet met de vraag welke AI-tool je nodig hebt. Breng eerst één workflow in kaart en bepaal per stap:

• waar is zekerheid mogelijk;
• waar is interpretatie nodig;
• waar moet een medewerker beslissen;
• hoe wordt verbetering gemeten?

Pas daarna weet je of gewone automatisering, AI, een hybride workflow of bewust niets veranderen de juiste vervolgstap is.

Heb je één terugkerende workflow in gedachten? Doe de Workflow Check en ontdek welke vragen je moet beantwoorden voordat je in een oplossing investeert.

Bronnen

• OECD — definitie van een AI-systeem
• NIST — AI Risk Management Framework