1. Waarom een overzicht voorafgaat aan projecten
Veel bedrijven beginnen met AI door uit nieuwsgierigheid een tool uit te proberen, en gaan pas daarna op zoek naar een probleem om op te lossen. Het resultaat is vaak een proefproject dat een paar maanden later door niemand meer wordt gebruikt. Een overzicht per afdeling draait die volgorde om: eerst breng je de processen in kaart waar tijdverlies overduidelijk is, het volume aan tekst of documenten hoog is en de uitkomst eenvoudig door een medewerker kan worden geverifieerd. Pas daarna beslis je welke processen een test waard zijn. Dit vraagt geen diepgaande technische kennis, maar wel dat degene die het proces door en door kent aan dezelfde tafel zit als degene die de technologie begrijpt.
Zo'n overzicht helpt ook om onrealistische verzoeken tijdig te stoppen. Een toepassing die persoonsgegevens van klanten of medewerkers raakt, of die leidt tot beslissingen met gevolgen voor mensen, vraagt om een aanzienlijk strengere baten- en risicoanalyse. Een toepassing die uitsluitend interne notities samenvat, kan daarentegen vrijwel direct van start. Het scheiden van deze twee categorieën is de eerste concrete winst van het in kaart brengen, nog voordat er enig project van start gaat.
2. Hoe je een use case beoordeelt: data, mensen, beslissing
Elke mogelijke AI-toepassing laat zich ontleden aan de hand van drie kernvragen. Welke gegevens komen in het systeem terecht en van wie zijn ze? Wie leest of gebruikt de uitkomst en wat gebeurt daarmee vervolgens? Wordt een eventuele fout ontdekt vóórdat deze gevolgen heeft, of niet? Een assistent die een conceptantwoord voor een e-mail voorstelt heeft een heel ander risicoprofiel dan een systeem dat adviseert een aanvraag af te wijzen. Dezelfde technologie leidt met twee verschillende antwoorden op deze vragen tot twee totaal verschillende risicobeoordelingen.
Deze analyse moet altijd samen met de proceseigenaar worden uitgevoerd, niet alleen met de IT-afdeling. Degene die het dagelijkse werk uitvoert weet waar de uitzonderingen zitten, welke documenten onvolledig zijn en welke fouten echt geld kosten. Is de toepassing na dit gesprek nog steeds diffuus, dan is het zaak deze af te bakenen in plaats van te verbreden. Een scherp afgebakende case, met één type document en één afgebakende gebruikersgroep, is veel eenvoudiger te beoordelen en te meten.
3. Het startoverzicht, afdeling voor afdeling
De onderstaande tabel toont de meest voorkomende toepassing per afdeling. Dit is geen catalogus van aan te schaffen functies: elke rij moet worden getoetst met iemand die het proces daadwerkelijk doorgrondt, want volumes, documentkwaliteit en interne richtlijnen verschillen sterk per organisatie. Een toepassing die in het ene bedrijf waardevol is, heeft in een ander bedrijf wellicht geen enkel nut als gegevens versnipperd zijn of met afwijkende tools worden beheerd. Gebruik het als vertrekpunt voor gesprekken met afdelingshoofden.
De meest waardevolle informatie staat in de laatste kolom. Die geeft aan waar een fout directe schade berokkent en hoeveel menselijk toezicht daarom noodzakelijk is. Op afdelingen die contact hebben met klanten of leveranciers wordt onjuiste informatie al snel een formele toezegging of offerte. Bij interne toepassingen, zoals het doorzoeken van werkprocedures, komt een fout meestal aan het licht voordat iemand nadeel ondervindt, waardoor correctie veel eenvoudiger is. Wie de tabel bestudeert, moet zich deze vraag bij elke rij stellen.
| Afdeling | Typische toepassing | Belangrijkste aandachtspunt |
|---|---|---|
| Inkoop | Vergelijken van offertes en controleren van clausules in leverancierscontracten | Fouten in financiële voorwaarden en termijnen |
| Administratie en boekhouding | Uitlezen en classificeren van facturen en documenten | Onjuiste boekingen en fiscale gegevens |
| Klantenservice | Conceptantwoorden opstellen en zoeken in interne documentatie | Ongecontroleerde antwoorden en persoonsgegevens |
| Human resources | Vragen over personeelsbeleid en ondersteuning bij onboarding | Beslissingen over personen en sollicitatiegegevens |
| Verkoop (Sales) | Standaardoffertes opstellen en klantsamenvattingen maken | Niet-geautoriseerde prijzen en condities |
| IT-helpdesk | Eerstelijnsondersteuning en opzoeken van procedures | Ongecontroleerde toegangsrechten en technische acties |
| Juridische zaken | Vergelijken van contractversies en opsporen van clausules | Adviezen gegenereerd zonder controle door een jurist |
| Productie en onderhoud | Zoeken in handleidingen en storingsrapportages | Onjuiste veiligheidsinstructies |
4. Ondersteunende diensten: inkoop, administratie, human resources
Bij inkoop en administratie zit de meerwaarde van AI vooral in het snel lezen en vergelijken van documenten: offertes, contracten, facturen en orders. Het systeem kan data extraheren en afwijkingen signaleren, maar de definitieve boeking en de uiteindelijke keuze blijven altijd mensenwerk. Het meest concrete risico is dat onjuiste gegevens onopgemerkt blijven, zoals een verkeerd gelezen betaaltermijn of bedrag uit een ingescand document. Daarom moet steekproefsgewijze controle vooraf worden ingericht, en niet pas na de eerste fout.
Human resources vraagt om een bijzondere benadering. Vragen beantwoorden over intern bedrijfsbeleid of ondersteuning bij inwerkprogramma's zijn relatief eenvoudige toepassingen, mits het systeem uitsluitend put uit officiële bedrijfsdocumenten. Zodra een systeem echter sollicitanten beoordeelt of advies geeft over personeelsbeslissingen, spelen gevoelige persoonsgegevens en strenge regelgeving een rol. Bepaalde praktijken zijn onder de Europese AI-verordening ronduit verboden en andere gelden als hoog risico: raadpleeg altijd een juridisch adviseur voordat je hiermee start.
5. Klantcontact en verkoop: klantenservice, sales, helpdesk
Binnen klantenservice en verkoop functioneert AI veel beter als interne assistent dan als directe gesprekspartner voor de klant. Een servicemedewerker krijgt een conceptantwoord voorgesteld, toetst dit aan actuele informatie en verstuurt het onder eigen naam. Wie klanten direct en ongecontroleerd door AI laat bedienen, neemt een risico dat geen enkele technologie kan wegnemen: toezeggingen over prijzen of levertijden die het bedrijf niet kan waarmaken. De regels over wat het systeem zelfstandig mag formuleren en wat altijd via een medewerker loopt, moeten vooraf op schrift staan.
De eerstelijns IT-helpdesk is een veelvoorkomende use case omdat vragen vaak repetitief zijn. Het resetten van wachtwoorden, toelichten van een procedure of opzoeken van een handleiding zijn uitstekend geschikte taken. Technische handelingen zoals het toekennen van toegangsrechten of het wijzigen van netwerkconfiguraties mogen nooit louter op basis van een geautomatiseerd voorstel plaatsvinden zonder menselijke validatie. Die grens moet expliciet worden vastgelegd, want precies daar kan een vergissing uitmonden in een beveiligingsincident.
6. Productie en onderhoud: een wezenlijk andere situatie
In de productieomgeving kan AI helpen bij het doorzoeken van handleidingen, procedures en storingsgeschiedenissen, en bij het ordenen van storingsmeldingen van monteurs. De uitgangsdata is vaak gefragmenteerd: documenten in uiteenlopende formaten, handgeschreven logboeken en machinesensoren die niet met elkaar communiceren. Voordat je over taalmodellen praat, moet je nagaan of deze gegevens überhaupt beschikbaar zijn, actueel zijn en een duidelijke eigenaar hebben. In veel productiebedrijven bestaat de eerste echte winst uit het gestructureerd opschonen van deze informatie.
Het risico is aanzienlijk wanneer een systeem veiligheidsinstructies of handelingen aan machines voorstelt. Een foute instructie in een fabrieksomgeving kan leiden tot fysiek letsel of ernstige materiële schade. Daarom moet elk voorstel direct herleidbaar zijn naar het officiële brondocument en mag geen enkele ingreep aan een installatie louter afhangen van gegenereerde tekst. De inzet is vooral zinvol als hulpmiddel bij naslagwerk, waarbij de verantwoordelijkheid voor de beslissing te allen tijde bij de technicus blijft.
7. Domeinoverstijgende risico's: persoonsgegevens, controle en verantwoording
Vrijwel elke use case raakt vroeg of laat aan persoonsgegevens, zelfs wanneer het op het eerste gezicht louter om platte tekst lijkt te gaan. De AVG vereist dat je weet welke gegevens in het systeem terechtkomen, op basis van welke rechtsgrond, hoe lang ze worden bewaard en wie ze kan inzien. Als een leverancier klantdata gebruikt om eigen modellen te trainen, moet dit expliciet schriftelijk worden uitgesloten. Waar gegevens worden opgeslagen en wie er rechtmatig toegang toe kan krijgen zijn twee verschillende vragen die beide grondig moeten worden beoordeeld.
Het tweede risico is verantwoording (accountability). Als een door het systeem gegenereerd resultaat wordt gebruikt voor een operationeel besluit, moet volstrekt helder zijn wie dat besluit neemt en wie aansprakelijk is voor eventuele fouten. Een vuistregel is dat elke toepassing een benoemde eigenaar heeft, een vastgelegde menselijke controle en een logboek van uitgevoerde acties. Zonder die drie elementen is een case niet klaar voor gebruik, ongeacht de technische kwaliteit van het model. Stem met een adviseur af welke verplichtingen uit de Europese AI-verordening van toepassing zijn.
8. De verdiepende gidsen uit deze reeks en waar te beginnen
De verdiepende gidsen in deze reeks beantwoorden de specifieke vragen die uit het afdelingsonderzoek naar voren komen. Je hoeft ze niet allemaal achter elkaar te lezen. Kies de afdeling waar het tijdverlies het meest voelbaar is en start daar. Elke deelgids volgt dezelfde methodiek: het proces, de benodigde data, menselijke controle en een eerste behapbare test. De onderwerpen die we behandelen zijn:
- Inkoop: offertes en leverancierscontracten vergelijken zonder cruciale clausules over het hoofd te zien
- Administratie en boekhouding: documenten controleren vóórdat ze definitief worden ingeboekt
- Klantenservice: een betrouwbare interne assistent bouwen voor servicemedewerkers
- Human resources: vragen over intern beleid en inwerktrajecten accuraat beantwoorden
- Juridische zaken: wat kan worden gedelegeerd en wat strikt bij een jurist blijft
- Verkoop (Sales): offertes opstellen en klantaanvragen snel samenvatten
- IT-helpdesk: eerstelijnsondersteuning slim automatiseren
- Productie en onderhoud: wat realistisch haalbaar is met handleidingen en machinedata
- Beoordelingsformulier: use cases objectief vergelijken voordat je investeert
9. Hoe je begint: één case, meetbaar gemaakt
De eerste stap deze week is één enkele use case kiezen en die in één duidelijke zin beschrijven: wie gebruikt het, op welk type document en welk concreet resultaat levert het op. Lukt het niet om dat eenvoudig te verwoorden, dan is de toepassing te breed. Baken de case af totdat een afdelingsmanager het binnen enkele minuten kan uitleggen, en lees de verdiepende gids voor die specifieke afdeling voordat je formulieren invult.
Stel vervolgens het succescriterium vast om te bepalen of het werkt. Dat kan de verwerkingstijd van een document zijn, het aantal noodzakelijke handmatige correcties of het percentage fouten dat bij controles wordt ontdekt. De drempelwaarde hangt af van het specifieke proces en moet worden vastgesteld samen met de collega's die het werk dagelijks doen. Een test zonder vooraf gedefinieerd criterium leidt er altijd toe dat iedereen achteraf beweert dat het geslaagd was, zonder dat je daadwerkelijk iets hebt geleerd.
Veelgestelde vragen
Met welke afdeling kunnen we het beste beginnen?
Het is doorgaans verstandig te starten op een afdeling waar het werk repetitief is, het materiaal al digitaal als tekst beschikbaar is en een eventuele fout tijdig wordt opgemerkt voordat deze derden bereikt. Vaak zijn dat de interne IT-helpdesk, het doorzoeken van werkprocedures of het uitlezen van administratieve documenten. Bepalend is niet het technologische enthousiasme van het management, maar de meetbaarheid van het probleem en de bereidheid van een proceseigenaar om resultaten gedurende een vaste periode te controleren.
Hebben we voor elke afdeling een apart AI-project nodig?
Nee. Veel afdelingen kunnen dezelfde onderliggende tools en controleregels delen. Het verdient de voorkeur eerst een overkoepelend beleid vast te stellen voor gegevens, verantwoordelijkheden en goedkeuringen, en vervolgens per afdeling use cases te toetsen. Zo voorkom je dat afdelingen op eigen houtje losse tools aanschaffen zonder zicht op wat er in die systemen verdwijnt. Waar een afdeling met bijzondere data werkt, zoals medische dossiers of personeelsdossiers, is wel een specifieke risicoanalyse vereist.
Mag AI beslissingen nemen over mensen, bijvoorbeeld bij werving en selectie?
Dat mag niet zonder zeer zorgvuldige toetsing. Toepassingen die invloed hebben op sollicitanten of medewerkers verwerken gevoelige persoonsgegevens en vallen veelal onder de categorie 'hoog risico' van de Europese AI-verordening. Bepaalde toepassingen zijn zelfs geheel verboden. Het minimumvereiste is altijd een gedocumenteerde menselijke beslissing, volledige transparantie over de rol van de tool en voorafgaand overleg met een arbeidsrechtadviseur en je privacyfunctionaris.
Wat kost het in kaart brengen van AI-toepassingen?
De kosten hangen af van het aantal betrokken afdelingen, de beschikbaarheid van proceseigenaren en de vraag of het traject intern of met een externe partner wordt uitgevoerd. Een vaste prijs noemen voordat de reikwijdte bekend is heeft geen zin. Vraag een leverancier om een afgebakend vooronderzoek voor een beperkt aantal processen met een schriftelijk eindrapport, en beoordeel dat resultaat voordat je het project eventueel uitbreidt.
Belanden bedrijfsgegevens in de trainingsdata van modellen?
Dat hangt af van de gekozen clouddienst en de contractuele voorwaarden. Sommige aanbieders gebruiken klantdata nooit om modellen te trainen; anderen doen dat standaard wel, tenzij die instelling actief wordt gewijzigd. Neem niets aan: vraag schriftelijk waar gegevens worden bewaard, hoe lang, wie er toegang toe heeft en of data wordt hergebruikt voor trainingsdoeleinden. Opslaglocatie en juridische toegang zijn twee verschillende aspecten die beide moeten worden beoordeeld.
Wat is het verschil tussen generatieve AI en traditionele automatisering?
Traditionele automatisering volgt vaste, deterministische regels: als conditie A optreedt, voer dan actie B uit. Generatieve AI produceert tekst, samenvattingen of classificaties op basis van natuurlijke taal en kan daardoor onvoorspelbare fouten maken. Menselijk toezicht is daarbij cruciaal. De meest succesvolle projecten combineren beide werelden: vaste regels voor gestructureerde stappen en AI voor stappen waarin documenten moeten worden geïnterpreteerd. Kies het juiste gereedschap voor de taak, niet op basis van hype.