AI-automatisering: wat het is en waar je geen AI nodig hebt

AI-automatisering is werk dat een systeem overneemt waarbij een taalmodel ergens oordeelt of schrijft; bij Oase Creative draait het grootste deel van onze eigen geplande taken bewust zonder AI.

Wat is AI-automatisering?

AI-automatisering is werk dat een systeem overneemt, met ergens een taalmodel dat oordeelt. Dat model leest, beoordeelt of schrijft; de rest van het proces niet. In de praktijk vallen er drie heel verschillende dingen onder dat ene woord:

1. Gewone procesautomatisering. Een regel of een script. Dezelfde input geeft altijd dezelfde output.
2. Een AI-stap in een proces. Het proces ligt vast, maar op één plek leest een model een tekst en geeft een oordeel of een concept terug.
3. Een AI-agent. Het model kiest zelf welke actie volgt, en voert die ook uit.

Wie zoekt op "ai automatisering" of "bedrijfsprocessen automatiseren", heeft vaak genoeg aan laag 1. Soms laag 2. Zelden laag 3. Toch gaat het in gesprekken over AI meestal eerst over de agent, omdat die het spannendst klinkt.

Wij bouwen dit voor klanten, en we draaien het zelf. Ons eigen systeem voert elke dag tientallen geplande taken uit. Het grootste deel daarvan bevat geen AI. Dat kiezen we bewust: de meeste automatisering heeft geen taalmodel nodig, en waar wel een taalmodel zit, zetten we er een poort voor.

In dit stuk trekken we de drie lagen uit elkaar. Per laag: wat het is, een herkenbaar voorbeeld, wat er misgaat, en wanneer je hem niet moet gebruiken. Over de kosten schreven we al een apart stuk: wat automatiseren kost, en waarom je tool calls telt in plaats van workflows.

Welke drie lagen vallen onder AI-automatisering?

De drie lagen verschillen in één ding: hoeveel het systeem zelf beslist. Een script beslist niets, het voert uit. Bij een AI-stap valt er op één plek een besluit. De agent beslist over de volgorde van het hele werk. Hoe meer het systeem zelf beslist, hoe meer het kan, en hoe meer er tussen moet zitten om fouten op te vangen.

Het verschil in de rij "hoe het misgaat" is de reden dat we zo streng zijn over de laag. Een script dat breekt, stopt. Je krijgt een foutmelding, iemand kijkt ernaar, klaar. Een taalmodel dat ernaast zit, stopt niet. Het levert een nette zin op die er goed uitziet. Daar zit het risico, en daarom bepaalt de laag hoeveel controle je inbouwt, niet de tool.

Platforms als Zapier, Make en n8n kunnen alle drie de lagen aan. Dat maakt de keuze niet makkelijker. In één werkstroom kun je een vaste stap, een AI-stap en een agent achter elkaar zetten, en dan is het van buiten niet meer te zien welk deel voorspelbaar is en welk deel niet. Teken het daarom altijd eerst uit, per stap: wie beslist hier?

Wanneer is een gewoon script genoeg?

Een script is genoeg zodra je de stappen vooraf kunt opschrijven en de input een vaste vorm heeft. Dat geldt voor veel meer werk dan mensen denken. Komt er een bestelling binnen, dan moet er een pakbon uit. Wordt een contactformulier ingevuld, dan moeten de gegevens in het CRM. Is een factuur betaald, dan moet de status om. Daar komt geen oordeel aan te pas, alleen discipline.

Een voorbeeld uit ons eigen systeem. Elk half uur loopt er een script door onze inbox. Het sorteert, archiveert wat weg kan en zet wat opvalt klaar. Twee bewuste keuzes: het archiveert in plaats van te verwijderen, zodat alles terug te halen is. En berichten via het contactformulier van de site gaan altijd als lead door naar Louie, wat de rest van de regels ook zegt. Geen taalmodel, geen interpretatie. Een lijst met regels die we zelf geschreven hebben.

Een tweede voorbeeld: elke avond draait een publicatie-preflight. Dat script test droog elke controle die de publicatie de volgende ochtend ook doet, en publiceert zelf niets. Gaat er iets mis, dan krijgen we een seintje terwijl er nog een avond ligt om het op te lossen. Dat script bestaat omdat we eerder ochtenden hadden waarop een artikel op een kleine fout in de opmaak strandde en er die dag niets live ging.

Wat er misgaat. Een script is zo slim als de vorm van de input. Hernoemt een leverancier een veld, verandert een formulier of komt er een mail binnen in een opmaak die niemand voorzag, dan breekt het. Dat is vervelend, maar het breekt hard: het stopt en je ziet het. Zorg dus vooral dat je dat merkt. Een script dat stil stopt, is erger dan een script dat luid stopt.

Wanneer niet. Merk je dat je elke week een nieuwe uitzondering in je regels schrijft omdat klanten hun vraag steeds anders formuleren, dan ben je een taalprobleem met regels aan het oplossen. Dat is het moment voor laag 2. Niet eerder.

Wat doet een AI-stap in een proces?

Een AI-stap is één plek in een vast proces waar een taalmodel een tekst leest en iets teruggeeft: een label, een samenvatting of een concept. Alles ervoor en erna blijft gewone automatisering. Het model mag lezen en voorstellen, het mag niet zelf bepalen wat er daarna gebeurt.

Herkenbare voorbeelden: een binnenkomende mail labelen als offerteaanvraag, klacht of spam. Een lange offerteaanvraag samenvatten tot vijf regels voor de verkoper. Alvast een conceptantwoord klaarzetten dat iemand nog moet lezen en versturen. Productinformatie uit een pdf van een leverancier halen en in vaste velden zetten.

Een voorbeeld uit ons eigen systeem. Dit artikel. Elke ochtend leest een agent nieuws en onderzoek en zet de bevindingen met bron op een rij. Een andere schrijft op basis daarvan een concept. Daarna komt er geen AI meer aan te pas: een vast script controleert het concept op stijlregels, en een tweede script legt elk cijfer in de tekst naast de pagina waar het vandaan komt. Staat het cijfer daar niet, dan gaat het concept niet door. Daarna leest Louie het, en pas met zijn akkoord gaat het live.

Die factcheck bestaat niet voor niets. Eerdere concepten bevatten cijfers zonder bron, en een paar keer een bron die niet bestond. Het model had ze netjes geformuleerd. Niemand had het aan de zin kunnen zien.

Wat er misgaat. Een taalmodel geeft op dezelfde vraag niet altijd hetzelfde antwoord. Het kan een mail de ene keer als klacht labelen en de volgende keer als vraag. En het kan zelfverzekerd fout zitten: een bedrag verkeerd overnemen, een naam verzinnen, een bron noemen die er niet is. Wie dat opmerkt, is meestal de klant die het antwoord kreeg. Dan ben je te laat.

Wanneer niet. Moet de uitkomst exact kloppen en is er een vaste regel voor, gebruik dan geen taalmodel. Een korting uitrekenen, een voorraad bijwerken, een factuurnummer toekennen: dat doet een script zo goed als altijd goed en een model meestal. Meestal is daar niet genoeg.

Wanneer is iets een AI-agent, en wanneer bouw je er een?

Een AI-agent is een taalmodel dat zelf kiest welke actie volgt en die actie ook uitvoert: zoeken, een systeem aanroepen, een bestand aanpassen, een bericht versturen. Het verschil met laag 2 is niet de slimheid van het model, maar wie de volgorde bepaalt. Bij een agent heb jij de stappen niet vooraf vastgelegd.

Dat maakt een agent nuttig voor werk waarvan je de route niet kunt voorspellen. Onderzoek is een goed voorbeeld: welke bron je daarna leest, hangt af van wat je in de vorige vond. Een vraag van een klant die eerst in drie systemen moet worden opgezocht, is er ook een.

Wat er misgaat. Bij een agent stapelen fouten zich op. Een verkeerde aanname in stap twee wordt in stap drie een verkeerde zoekopdracht en in stap vier een verkeerde mail. En een agent die iets naar buiten doet, kun je niet terugdraaien. Dat risico wordt in de praktijk zelden afgedekt. Onderzoekers keken naar openbare n8n-werkstromen met een taalmodel erin. Maar 2,78% van 6.003 workflows vraagt een mens om goedkeuring vóór een externe actie. Bij 26,52% gaat de uitvoer van het model zonder enige controle direct naar een actie. Kanttekening van de onderzoekers zelf: het gaat om gedeelde ontwerpen en sjablonen, niet om wat er in productie draait. Maar sjablonen zijn wel waar de meeste mensen mee beginnen.

Een voorbeeld uit ons eigen systeem. Onze agents bereiden voor, ze versturen niet zelf. Zes dagen per week zet het systeem twee mogelijke klanten klaar met een conceptmail. Er gaat niets de deur uit zonder dat Louie elke mail afzonderlijk goedkeurt, en die goedkeuring wordt vastgelegd voordat de verzending start. Elke agent-taak heeft daarnaast een pauzeknop: één bestandje dat de taak stillegt zonder iets te slopen.

Wanneer niet. Kun je het proces op een A4 tekenen met vaste stappen, bouw dan geen agent. Dan betaal je voor vrijheid die je niet wilt hebben. En kan niemand in je bedrijf de uitkomst beoordelen, dan ook niet: een agent zonder iemand die meekijkt, is een gok die je elke dag opnieuw neemt.

Waarom draait ons eigen systeem vooral op scripts?

Omdat het grootste deel van ons werk geen oordeel vraagt, alleen betrouwbaarheid. Ons systeem heet Milo en draait op één laptop, dag en nacht. Het voert elke dag tientallen geplande taken uit. Als je die naloopt, zie je een duidelijke verdeling.

Het patroon: alles wat een poort is, is een script. Alles wat een oordeel vraagt, mag AI zijn, maar staat altijd achter zo'n poort. Een poort met een eigen mening is geen poort.

De controle op taken die blijven hangen laat zien waarom. Die check gaf op een gegeven moment een stroom loze alarmen, omdat twee scripts elk een eigen lijst bijhielden van wat ze mochten negeren. De oplossing was geen slimmere check, maar één gedeelde lijst die beide scripts lezen. Wat de check overslaat, schrijft hij nu weg in een logboek in plaats van het stil te laten verdwijnen. Saai, controleerbaar, en het werkt.

Wat zo'n systeem aan onderhoud vraagt, hebben we apart gemeten: wat een agentsysteem aan onderhoud kost, over 134 dagen. Kort gezegd: de AI-delen vragen de meeste aandacht. Nog een reden om ze klein te houden.

Waar lopen bedrijven vast met bedrijfsprocessen automatiseren?

Niet op de techniek, en ook niet als eerste op de prijs. In een leveranciersonderzoek van Zapier en Centiment onder 508 Amerikaanse kleine bedrijven noemt 43% "welke tool werkt?" als grootste blokkade, tegen 34% voor de kosten. Zapier verkoopt zelf automatisering en het gaat om de VS, dus lees het als richting, niet als feit voor Nederland. Opvallend in hetzelfde onderzoek: 30% laat AI al met weinig menselijke inbreng handelen over meerdere systemen. Dat is laag 3, zonder dat iemand dat zo noemt.

Bij grotere organisaties zie je een ander probleem: het blijft bij proberen. Deloitte vroeg het aan ruim drieduizend organisaties, en maar 25% heeft 40% of meer van zijn AI-pilots in productie. Gartner zag in een eigen onderzoek hetzelfde beeld: maar een klein deel van de organisaties heeft AI over meerdere bedrijfsonderdelen uitgerold.

Onze lezing van die cijfers: de meeste pilots zijn een agent of een AI-stap die is gebouwd voordat iemand het proces had uitgetekend. Dan werkt de demo, en een paar weken later blijkt dat niemand weet wie de uitkomst controleert. Hoe het Nederlandse mkb er zelf voor staat, met de cijfers van het CBS, staat in ons stuk over AI-implementatie bij kleine bedrijven. En wil je iemand inhuren om het te bouwen, lees dan eerst hoe je de echte AI-aanbieders van de rest scheidt.

Welke taak automatiseer je als eerste?

Begin bij een taak waarvan je de fout dezelfde dag ziet. Niet omdat die het meeste oplevert, maar omdat je er het snelst van leert. Een formulier dat niet in het CRM landt, merk je dezelfde middag. Een verkeerd gelabelde mail merk je pas als een klant terugbelt. Begin dus met de eerste soort, zonder AI, en voeg pas een AI-stap toe op de plek waar nu een mens moet lezen en kiezen. Een agent komt pas in beeld als je na een paar maanden ziet dat de route echt per keer verschilt.

Loop voor elke kandidaat deze vragen af:

Een paar taken waar we vaak mee beginnen: contactformulieren naar het CRM, bestellingen naar de verzendpartij, mail sorteren met één AI-stap voor het label, en conceptantwoorden die iemand nog leest. Niet spannend. Wel werk dat elke week uren kost en waarvan je na een maand ziet of het werkt.

Twee dingen die we bij elke eerste automatisering vastleggen. Eén: wie krijgt een melding als het stopt, en wat doet die persoon dan. Twee: hoe zet je het stil. Een automatisering die je niet kunt pauzeren, ga je na de eerste fout uitzetten en niet meer aanzetten.

Wil je dit zelf bouwen in een tool als n8n of Zapier, reken dan eerst door wat een AI-stap of agent per keer aan taken of executies kost. Dat staat uitgewerkt in ons stuk over wat automatiseren kost.

Hoe pakken wij AI-automatisering aan bij Oase Creative?

We beginnen bij het proces, niet bij de tool. Welk werk komt elke week terug, wie doet het nu en waar zit het oordeel? Pas daarna kiezen we per stap de laag. In de praktijk wordt het overgrote deel daarvan gewone automatisering, met AI op de paar plekken waar een mens nu moet lezen en beslissen.

Wat we altijd inbouwen, omdat we het zelf ook zo draaien:

• Een mens of harde controle vóór alles wat naar buiten gaat. Geen mail, bericht of publicatie zonder dat iemand of iets het heeft getoetst.
• Een pauzeknop. Elke automatisering moet je kunnen stilleggen zonder iets kapot te maken.
• Een melding als het stopt. Stil falen is erger dan luid falen.
• Vaste regels in scripts, oordeel in AI. Nooit andersom.

Daarbij hoort dat AI niet altijd het antwoord is. Soms is de beste uitkomst van een eerste gesprek dat je een paar vaste werkstromen nodig hebt en geen agent. Dat zeggen we dan ook. Moet er iets gebouwd worden dat verder gaat dan een werkstroom, zoals een eigen interne tool, dan valt dat onder software- en appontwikkeling. Wat wij leveren rond automatisering en agents staat op de pagina over AI-systemen en automatisering.

Ligt er bij jou werk dat elke week terugkomt en waarvan je niet zeker weet in welke laag het hoort? Vertel waar het vastloopt, dan kijken we samen waar je het beste kunt beginnen.