Welke processen in een kmo kun je echt met AI automatiseren?

Welke processen lenen zich het best tot automatisering?

De processen waar een AI-traject het snelst iets oplevert, zijn zelden spectaculair. Het zijn de taken die iedereen kent, niemand graag doet, en die zich elke week of elke dag herhalen.

Offertes en prijsvoorstellen opstellen. Een offerte begint bijna altijd bij dezelfde bouwstenen — een klantnaam, een productlijst, een aantal standaardvoorwaarden — maar wordt vaak nog manueel samengesteld uit meerdere bronnen. Een hulpmiddel dat die bouwstenen samenbrengt en een eerste versie klaarzet, bespaart geen creativiteit, wel tijd.

Documenten en facturen uitlezen. Inkomende facturen, leveringsbonnen of ingescande formulieren bevatten meestal dezelfde soort gegevens, in een net iets andere lay-out per leverancier. Die gegevens automatisch herkennen en in het juiste systeem plaatsen, is precies het soort herhalend, regelgebaseerd werk waar taalmodellen goed in geworden zijn.

Een volle inbox sorteren. Niet elke e-mail vraagt evenveel aandacht. Een hulpmiddel dat binnenkomende berichten herkent, categoriseert en dringende vragen naar boven haalt, zorgt dat een mens zich op de e-mails concentreert die dat ook echt verdienen — niet dat de inbox zelf beslissingen neemt.

Terugkerende rapportages samenstellen. Een maandrapport dat cijfers uit twee of drie systemen samenbrengt in een vast format, is typisch werk dat elke maand hetzelfde stramien volgt met andere getallen. Dat automatiseren levert geen nieuw inzicht op, maar wel een paar uur per maand die ergens anders naartoe kunnen.

Gegevens overtypen tussen systemen. Wanneer een boekhoudpakket, een CRM en een planningstool niet rechtstreeks met elkaar praten, wordt diezelfde informatie soms drie keer manueel ingevoerd. Een koppeling die dat overneemt, is een van de meest voorkomende eerste projecten in een Kufu-traject.

Waarom net deze processen?

Wat deze voorbeelden gemeen hebben, is dat ze herhaalbaar zijn, maar niet star: er zit voldoende variatie in (een andere lay-out, een andere klantnaam, een andere formulering) dat een simpel script alleen niet volstaat, maar de kern van de taak blijft wel voorspelbaar. Dat is precies het terrein waar taalmodellen sterk zijn: tekst en documenten begrijpen ondanks variatie, zonder dat iemand elke uitzondering vooraf moet programmeren.

Waar is AI vandaag nog zwak in?

Even belangrijk als weten wat wél kan, is eerlijk zijn over wat niet lukt.

Beslissingen met veel nuance. Of een klacht van een klant een uitzondering verdient, of een offerte afwijkt van het beleid om een goede reden — dat soort afwegingen vraagt context en verantwoordelijkheid die je niet zomaar aan een model overlaat.

Onvolledige of tegenstrijdige data. Een taalmodel vult gaten in data niet betrouwbaar op; het geeft dan liever een plausibel klinkend antwoord dan een correct “dat weet ik niet”. Is de onderliggende data zelf onbetrouwbaar, dan wordt de uitkomst dat ook.

Taken zonder duidelijke regels of voorbeelden. Iets automatiseren lukt het best als er een patroon in zit dat te herkennen is uit eerdere gevallen. Een taak die elke keer helemaal anders verloopt, zonder vergelijkbare voorbeelden uit het verleden, is lastig automatiseerbaar.

Eenmalige uitzonderingen. Tijd steken in het automatiseren van iets dat maar één keer per jaar voorkomt, betaalt zich meestal niet terug — ook al zou het technisch kunnen.

Hoe herkent u zo’n proces in uw eigen bedrijf?

Een paar signalen die vaak terugkomen: iets wordt in twee systemen apart ingevoerd, een taak wordt intern “dat ene dat we eigenlijk eens moeten aanpakken” genoemd, of iemand doet elke week hetzelfde kopieerwerk tussen twee schermen. Dat zijn geen technische signalen, maar organisatorische — en meestal makkelijker te herkennen door wie het werk elke dag doet dan door wie er van buitenaf naar kijkt. Vraag het gerust rechtstreeks aan uw team: wie dagelijks met een systeem werkt, weet vaak al exact welke stap het meeste tijd kost, ook zonder dat er ooit iemand naar gevraagd heeft.

Hoe past dit in een Kufu-traject?

Tijdens een AI-scan breng ik precies dit soort processen bij u in kaart: wat er vandaag manueel gebeurt, waar tijd verloren gaat, en welk proces het snelst een werkend hulpmiddel oplevert. Bij een Kickstart bouw ik dat hulpmiddel meteen ook. Twijfelt u of uw eigen data daar al klaar voor is, dan is is onze data klaar voor AI? een goed vertrekpunt.