AI automatisering: waar het werkt en waar gewone code beter is

Veel AI-automatisering werkt in de demo en valt daarna stil. Meestal omdat AI is ingezet op taken waar gewone code beter in is.

Waar het goed in is

• Rommelige tekst begrijpelijk maken. Een e-mail waar een adreswijziging in staat, een bestelling in een appje, een PDF met een andere indeling per leverancier.
• Sorteren op basis van betekenis. Binnenkomende berichten indelen, een aanvraag naar de juiste afdeling sturen, urgentie inschatten uit hoe iets geformuleerd is.
• Een eerste versie schrijven. Een concept-antwoord dat een mens nakijkt en verstuurt. De winst zit in het niet-vanaf-nul beginnen, niet in het overslaan van de controle.
• Losse gegevens samenvatten tot iets waar een mens naar kan kijken.

Waar gewone code beter is

• Rekenen. Kortingen, marges, btw, voorraadstanden. Code doet dat elke keer identiek. AI niet, en het verschil valt pas op als het al fout in de administratie staat.
• Alles met een vaste regel. "Boven de duizend euro moet iemand goedkeuren" is een regel, geen inschatting. Die leg je vast in code, en dan wordt hij altijd toegepast.
• Gegevens verplaatsen tussen systemen. Een API koppeling doet dat betrouwbaar en goedkoop. Er is geen enkele reden om daar een taalmodel tussen te zetten.
• Alles wat exact reproduceerbaar moet zijn omdat een accountant of een auditor ernaar kijkt.

Vuistregel: als je kunt opschrijven hoe het moet, schrijf het dan op. AI is voor de stappen waar dat niet lukt.

Waarom het na de demo breekt

• De demo gebruikte de nette voorbeelden. In productie komt de rommel: lege velden, twee talen in één bericht, een bijlage in plaats van tekst.
• Er zit geen controle op de uitkomst. Bij normale software krijg je een foutmelding. Een taalmodel geeft altijd antwoord, ook als het antwoord nergens op slaat. Zonder controlestap merk je dat niet — er staat gewoon iets verkeerds in je systeem.
• De leverancier verandert het model. Wat vorige maand goed ging, gaat nu net anders. Zonder een vaste set testvoorbeelden merk je die verschuiving niet.
• De kosten schalen mee met het volume. Bij klein volume valt dat mee, bij groot volume wordt het een serieuze maandpost.
• Het is niet te herstellen. Er is nooit vastgelegd hoe het is opgebouwd of wat er precies had moeten gebeuren, dus elke storing begint met uitzoeken hoe het ook alweer zat.

Wat het wel laat werken

Een controlestap door een mens op de plek waar een fout het meeste kost. Controleer je alles, dan is er niets geautomatiseerd; controleer je niets, dan merk je fouten pas als ze al in je administratie staan.

Verder: vastleggen wat er in en uit ging zodat je achteraf kunt zien wat er gebeurde, een vaste set voorbeelden om tegenaan te testen als er iets wijzigt, en een duidelijke afspraak wat er gebeurt als het model geen bruikbaar antwoord geeft: dan gaat het naar een mens, in plaats van door met een verzonnen antwoord.

Als je hier hulp bij nodig hebt

Ik bouw automatisering waar AI één stap is en de rest gewone code, met logging, een vaste testset en een duidelijke terugvaloptie.

Zie ook: bedrijfsprocessen automatiseren voor de vraag welk proces je überhaupt als eerste aanpakt.