AI in organisaties

AI of gewone automatisering: wat vraagt het werk?

Daniel Fokker · · Bijgewerkt:

Close-up of digital data analysis displayed on a computer monitor with blue tones.

Ik hoor het steeds vaker in gesprekken met managers, product owners en architecten: “We willen iets met AI.”

Vaak gaat de vraag over heel praktisch werk: sneller rapporteren, minder gegevens overtypen of een dossier compleet krijgen. Dan wil ik eerst weten waar het werk vastloopt. Zijn de regels onduidelijk, ontbreken er gegevens of kost juist het interpreteren ervan veel tijd? Dat verschil bepaalt of je beter af bent met een procesaanpassing, gewone automatisering of AI.

De verwarring begint bij het woord AI

“AI” is een containerbegrip geworden. Het kan bijvoorbeeld gaan om:

  • een model dat informatie interpreteert, zoals tekst of documenten
  • hulp bij het ontwikkelen van software
  • een agent die handelingen uitvoert

Als je dat allemaal “AI” noemt, krijg je al snel een onvruchtbare discussie. Dan lijkt het alsof je voor of tegen AI moet zijn, terwijl het eigenlijk gaat om welk probleem je oplost en welke aanpak daar het best bij past.

AI in de toepassing of in de ontwikkeling

Er zijn twee verschillende keuzes die in dit gesprek vaak door elkaar lopen. Je kunt AI onderdeel maken van een toepassing, bijvoorbeeld om documenten te interpreteren of voorstellen te formuleren. Dan moet je tijdens het gebruik rekening houden met de kwaliteit en beperkingen van het model.

Je kunt AI ook alleen gebruiken om software te ontwikkelen: code schrijven, tests voorstellen of documentatie voorbereiden. Het opgeleverde systeem hoeft dan zelf geen AI te bevatten. Je beoordeelt in dat geval vooral de kwaliteit van het ontwikkelwerk en de manier waarop het team controleert. Beide vormen kunnen nuttig zijn. Welke tijdwinst ze opleveren, moet je vaststellen in het werk zelf.

Dat meten is geen formaliteit. In een onderzoek uit 2025 hadden ervaren open-sourceontwikkelaars in de onderzochte omstandigheden meer tijd nodig met AI-hulp dan zonder, terwijl zij zelf tijdwinst verwachtten. Onderzoeksorganisatie METR wees in een vervolgbericht uit februari 2026 op aanwijzingen voor een veranderd effect, maar ook op selectieproblemen die een betrouwbare schatting bemoeilijkten. Gebruik zo’n onderzoeksresultaat dus niet als vaste productiviteitsfactor voor je eigen team.

Waarom AI soms wordt ingezet waar automatisering volstaat

Daar zijn een paar herkenbare oorzaken voor. Het label AI kan het makkelijker maken om budget vrij te maken. Gegevensproblemen, zoals ontbrekende definities of verspreide gegevens, blijven bestaan, ook als een model de uitkomst netjes samenvat. En een overtuigende tekst over cijfers is nog geen controleerbare analyse.

Kies per onderdeel van het werk

Gebruik vaste regels en berekeningen waar de gewenste uitkomst vooraf goed te beschrijven is. Denk aan het berekenen van bedragen, controleren van verplichte velden of doorzetten van een aanvraag op basis van vastgelegde voorwaarden.

Onderzoek AI waar interpretatie nodig is, bijvoorbeeld bij tekst, documenten of patronen in gegevens. Test dan op representatieve voorbeelden: welke fouten ontstaan en kan iemand die tijdig herkennen?

Vaak past een combinatie. Een model stelt gegevens of een antwoord voor. Software voert controleerbare berekeningen en toegestane stappen uit. Een medewerker beoordeelt uitzonderingen en besluiten met grote gevolgen. Verdeel het werk op basis van de taak en het risico. Hoe de oplossing heet, doet er niet toe.

Drie voorbeelden

Rapportages. Bij een maandrapportage moeten de cijfers aansluiten op de afgesproken bronnen en definities. AI kan helpen om afwijkingen te verwoorden of vragen bij de cijfers te formuleren. Laat het model niet stilzwijgend ontbrekende bedragen of verklaringen invullen. Houd vast welke berekening is gemaakt, welke gegevens zijn gebruikt en wat nog een aanname is.

Data-analyse. Gaat het om segmenten, trends en kengetallen, dan is gewone analyse vaak de basis. AI kan helpen om sneller hypotheses te formuleren en inzichten te verwoorden. Die hypotheses toets je daarna met de gebruikelijke analyse.

Procesverbetering. Wil je minder overdrachten, minder wachttijd en minder herstelwerk, dan helpen standaardisatie, een duidelijke workflow, koppelingen en heldere verantwoordelijkheden vaak al veel. Of AI daar iets aan toevoegt, hangt af van de taak, de beschikbare gegevens en wat een fout kost.

Begin bij één proces

Neem één proces en verdeel het werk: wat kan met vaste regels, waar is interpretatie nodig en welke beoordeling wil je bij een medewerker houden? Dan kun je gericht testen wat helpt, zonder het hele proces tot AI-project te verklaren.

Wil je die afweging voor een eigen proces maken? Neem contact op.

Bronnen

Lees dit artikel in het Engels →