AI automatisering: slimmer werken met minder handwerk

Waar begint een organisatie met AI automatisering en wat kost advies daarover?

AI automatisering past bij werk met ongestructureerde input, zoals e-mails, documenten en vrije tekst, en begint bij een proces met hoog volume, weinig variatie en een controlestap die al bestaat. Dave Willemstein bouwt zelf geen automatiseringen en verkoopt geen software of licenties, maar adviseert onafhankelijk over wat er geautomatiseerd wordt, wie het bouwt en hoe het blijft werken. Wie nog niet weet welk proces als eerste aan de beurt is, start met het AI Readiness Assessment: in 2-3 weken een gevalideerde lijst met kansen en een 90-dagenplan voor €7.000, exclusief btw en reiskosten.

Wordt AI automatisering door de adviseur zelf gebouwd?

Nee. AI automatisering wordt gebouwd door het eigen team van de opdrachtgever of door een partner die de opdrachtgever rechtstreeks contracteert, zonder marge voor de adviseur. De adviseur levert een procesbeschrijving met nulmeting, een geprioriteerde lijst, een beslisdocument over bouwen, kopen of een partner inschakelen en een meetopzet, en toetst de oplevering aan de afgesproken criteria.

Uit hoeveel kostenposten bestaat AI automatisering?

Vier posten bepalen de kosten van AI automatisering: de eenmalige inrichting, licenties voor het platform, verbruikskosten van het AI-model per verwerkt document of bericht, en beheer. Verbruik en beheer worden het vaakst vergeten.

Is voor AI automatisering maatwerk nodig?

Voor de meeste AI automatisering is geen maatwerk nodig. Een workflowplatform verbindt bij AI automatisering de systemen van de organisatie en voegt een AI-stap toe waar dat nodig is. Prijzen en functies van zulke platforms veranderen snel en horen bij de leverancier zelf gecontroleerd te worden.

Bron: tarieven en doorlooptijden van Dave Willemstein. Bijgewerkt: oktober 2026.

Wat is AI automatisering?

AI automatisering is het automatiseren van werkstappen waarbij een AI-model iets doet wat eerder een mens moest doen: tekst begrijpen, informatie uit een document halen, een vraag indelen of een concept opstellen. Het verschil met gewone automatisering zit in de input. Klassieke software heeft nette velden en vaste regels nodig. Een AI-model kan omgaan met een e-mail in vrije tekst, een gescande pakbon of een klacht die half in het Engels is geschreven.

In de praktijk is AI automatisering bijna nooit een los AI-model. Het is een keten: een trigger (er komt een e-mail binnen), een AI-stap (lees en classificeer), een actie in een systeem (maak een ticket aan) en ergens een mens die controleert. De AI-stap is vaak het kleinste deel van het werk. De koppelingen, de foutafhandeling en de afspraken over wie wat controleert bepalen of het blijft werken.

Automatiseren met AI is daarom vooral een procesvraag. Welke stap kost veel tijd, komt vaak voor en is voorspelbaar genoeg om uit handen te geven? En wat gebeurt er als de AI zich vergist?

AI automatisering versus klassieke automatisering

Klassieke automatisering, waaronder RPA (robotic process automation), volgt regels. Als veld A gevuld is, kopieer het naar systeem B. Dat is betrouwbaar en goed controleerbaar, maar het breekt zodra de input afwijkt van wat de regel verwacht.

AI automatisering werkt met waarschijnlijkheden. Het model schat in wat een document is of wat een klant bedoelt. Dat maakt het flexibeler en tegelijk minder voorspelbaar: het geeft meestal een goed antwoord, soms een fout antwoord dat er overtuigend uitziet.

	Klassieke automatisering	AI automatisering
Input	Gestructureerd: velden, formulieren, vaste bestanden	Ongestructureerd: tekst, e-mail, pdf’s, spraak
Werking	Vaste regels	Inschatting door een model
Fouten	Voorspelbaar, meestal een foutmelding	Onvoorspelbaar, soms zonder foutmelding
Controle	Steekproef volstaat vaak	Menselijke controle bij de start nodig

De sterkste oplossingen combineren beide: regels waar het kan, AI alleen voor de stap die regels niet aankunnen. Wanneer je voor welke aanpak kiest, lees je in de vergelijking van RPA en AI-automatisering.

Welke processen kun je automatiseren met AI?

Goede kandidaten hebben drie dingen gemeen: ze komen vaak voor, ze lijken sterk op elkaar en er kijkt nu al iemand naar het resultaat. Hieronder de gebieden waar dat patroon het vaakst voorkomt. Een uitgebreide aanpak om processen te selecteren staat in bedrijfsprocessen automatiseren met AI.

Klantenservice

Binnenkomende vragen lezen, categoriseren en naar het juiste team routeren. Een conceptantwoord klaarzetten op basis van eerdere antwoorden en de kennisbank, dat een medewerker controleert en verstuurt. Samenvattingen van lange klantdossiers maken voordat iemand terugbelt. De winst zit vooral in het zoek- en typwerk, niet in het weghalen van de medewerker.

Administratie en finance

Facturen en bonnen uitlezen en de gegevens klaarzetten voor boeking. Inkooporders vergelijken met pakbonnen en facturen, en alleen de afwijkingen voorleggen. Betalingsherinneringen voorbereiden in de toon die bij de klant past. Hier geldt extra dat een fout in een getal stilletjes kan doorwerken, dus de controlestap blijft belangrijk.

Sales en marketing

Leads verrijken met openbare informatie en een eerste inschatting van de fit. Offertes opstellen op basis van standaardteksten en de klantvraag. Productteksten of social posts in concept schrijven voor een redacteur. Marketing automation voor het mkb krijgt zo een extra laag: niet alleen de verzendmomenten staan vast, ook de eerste versie van de inhoud wordt voorbereid.

HR en interne kennis

Vragen van medewerkers over regelingen beantwoorden op basis van het personeelshandboek. Vacatureteksten in concept opstellen. Notulen en actielijsten uit vergaderingen halen, zoals beschreven in notuleren met AI. Wees terughoudend met alles wat een beoordeling van personen raakt: dat is gevoelig onder de AVG, en AI voor werving, selectie en beoordeling van medewerkers staat in de AI Act op de lijst van hoog-risicotoepassingen (bijlage III).

AI automatisering voorbeelden

Een paar voorbeelden om het concreet te maken, generiek beschreven:

• Een groothandel laat e-mailorders uitlezen en zet ze als concept klaar in het ordersysteem. De orderdesk controleert en bevestigt.
• Een accountantskantoor laat binnenkomende documenten van klanten sorteren en controleren op volledigheid voordat een medewerker het dossier oppakt.
• Een installatiebedrijf laat werkbonnen van monteurs omzetten naar een nette rapportage voor de klant.
• Een zakelijke dienstverlener geeft kenniswerkers een interne assistent voor een paar vaste taken, zoals dossiers doorzoeken en verslagen opstellen.

Dat laatste voorbeeld sluit aan bij de case over een interne AI-assistent voor kenniswerkers. De les daaruit is breder toepasbaar: de techniek stond snel, de adoptie kostte veel meer tijd, en het werkte pas toen de assistent werd ingezet voor een paar afgebakende taken in plaats van “voor alles”. 25 voorbeelden per afdeling en sector vind je in het overzicht met AI-voorbeelden uit de praktijk.

Opschalen in grotere organisaties

Bij AI automatisering voor bedrijven met meerdere afdelingen verschuift de vraag. De eerste automatisering is zelden het probleem. Het probleem is de tiende: wie beheert ze, hoe weet je dat ze nog werken en wat gebeurt er als het onderliggende model verandert? Pilots die technisch slagen maar nooit breder worden uitgerold, komen veel voor. De oorzaken zet ik op een rij in waarom AI-pilots blijven steken.

Koppelen met bestaande systemen

De koppeling met je ERP, CRM of documentsysteem kost vrijwel altijd meer tijd dan de AI-stap zelf. Stel daarom vroeg drie vragen: welke systemen moeten open, wie beheert die koppelingen, en welke rechten krijgt de automatisering? Een automatisering die met de rechten van een beheerder draait, kan meer schade doen dan nodig is. Geef haar alleen toegang tot wat ze voor die ene taak nodig heeft.

Let ook op de data zelf. Een automatisering die klantgegevens opzoekt, is zo goed als de gegevens in je CRM. Wat daar komt kijken, lees je in het datafundament onder AI.

Governance bij opschalen

Met één automatisering kun je alles in je hoofd houden. Met twintig niet. Minimaal nodig:

• Een register van alle automatiseringen met AI-stap: wat ze doen, welke data ze gebruiken, wie eigenaar is.
• Een risico-inschatting per toepassing, inclusief de vraag of de AI Act of de AVG extra eisen stelt.
• Monitoring op kwaliteit, bijvoorbeeld een maandelijkse steekproef en een teller voor correcties.
• Een stopknop: wie mag een automatisering uitzetten als er iets misgaat, en hoe val je terug op handwerk?

Dat hoeft geen bureaucratie te worden. Hoe je dit licht en werkbaar inricht, staat op de pagina over AI-beleid en governance.

AI automatisering voor het MKB

Voor AI automatisering in het mkb gelden dezelfde principes, met minder ruimte voor experimenten. Er is meestal geen apart IT-team en geen budget voor een traject dat een jaar duurt. Dat is geen nadeel: het dwingt je om klein en concreet te beginnen. Meer over de specifieke situatie van kleinere organisaties lees je bij AI voor het mkb.

De beste processen om mee te starten

Begin met een proces dat aan deze vijf voorwaarden voldoet:

1. Het komt minstens tientallen keren per week voor.
2. De input lijkt telkens op elkaar (dezelfde soort e-mail, hetzelfde type document).
3. Er kijkt nu al iemand naar het resultaat, zodat je een controlestap hebt.
4. Een fout is zichtbaar en goedkoop te herstellen.
5. Er is één persoon die er direct beter van wordt en eigenaar wil zijn.

Inkomende e-mail sorteren, facturen uitlezen en offertes in concept opstellen voldoen daar vaak aan. Waarom juist de saaie processen winnen, beschreef ik in welke AI-use cases resultaat leveren.

Kosten en terugverdientijd

De kosten van AI automatisering bestaan uit vier posten: de eenmalige inrichting (door een eigen medewerker of een partner), licenties voor het platform, verbruikskosten van het AI-model per verwerkt document of bericht, en beheer. Die laatste twee worden het vaakst vergeten. De rekenmethode is simpel:

• Bruto besparing per maand = (tijd per handeling nu − tijd per handeling na automatisering, inclusief controle) × aantal handelingen × uurkosten.
• Netto besparing per maand = bruto besparing − licenties − verbruik − beheer.
• Terugverdientijd in maanden = eenmalige kosten ÷ netto besparing per maand.

Rekenvoorbeeld met fictieve, ronde getallen. Een bedrijf verwerkt 400 facturen per maand. Handmatig kost dat 6 minuten per factuur, samen 40 uur. Na automatisering blijft er per factuur 2 minuten controle over, samen ongeveer 13 uur. Dat scheelt zo’n 27 uur per maand. Bij fictieve uurkosten van € 50 is dat € 1.350 bruto. Stel dat licenties, verbruik en beheer samen € 350 per maand kosten; dan blijft er € 1.000 netto over. Met eenmalige inrichtingskosten van € 10.000 verdien je de investering in tien maanden terug.

De belangrijkste kanttekening: bespaarde uren zijn pas een besparing als die tijd aantoonbaar anders wordt ingezet of als er minder inhuur nodig is. Hoe je dat eerlijk doorrekent, lees je in de business case voor AI.

Zo pak ik AI automatisering aan

Ik ben een onafhankelijk adviseur. Ik bouw zelf geen automatiseringen en verkoop geen software of licenties. Wat ik doe: samen met jou bepalen wat je automatiseert, hoe je het laat bouwen en hoe je zorgt dat het blijft werken. Het bouwen doet je eigen team of een partner die je rechtstreeks contracteert, zonder marge voor mij.

1. DoorlichtenHet proces in kaart, met een nulmeting van tijd, volume en fouten
2. PrioriterenKandidaten scoren op volume, variatie, data, controle en eigenaar
3. KiezenStandaardtool, eigen team of partner, met eisen en kostenraming
4. BegeleidenAcceptatiecriteria, testset, controlestap en beheer vóór livegang

Concreet lever ik per stap iets op waar je een besluit mee kunt nemen: een procesbeschrijving met nulmeting, een geprioriteerde lijst met de afvallers erbij, een beslisdocument over bouwen, kopen of een partner inschakelen (de afweging staat in build, buy of partner) en een meetopzet voor na de livegang. Tijdens de bouw zit ik aan jouw kant van de tafel: ik toets de oplevering aan de afgesproken criteria en bewaak dat beheer en controle geregeld zijn.

Heb je hulp nodig bij het vinden van een bouwpartij, dan stel ik partijen voor uit mijn partnernetwerk. Je kiest en contracteert zelf. Wie ik ben en hoe ik werk, lees je op de pagina over mij. Voor de bredere route van besluit naar productie, ook buiten automatisering, zie AI implementatie.

Weet je nog niet welk proces als eerste aan de beurt is? Dan is het AI Readiness Assessment het logische begin. In 2-3 weken krijg je een gevalideerde lijst met kansen en een 90-dagenplan, voor een vaste prijs van €7.000 (exclusief btw en reiskosten).

Tools en workflows

Voor de meeste AI automatisering heb je geen maatwerk nodig. Een workflowplatform verbindt je systemen en voegt een AI-stap toe waar dat nodig is. Bekende platforms, elk met een eigenschap zoals de leverancier die op de eigen site noemt (stand september 2026):

• Zapier richt zich op het koppelen van veel verschillende apps; het noemt zelf meer dan 9.000 koppelingen en biedt ook AI-agents.
• Make is een visueel platform waarin je stromen als schema opbouwt; het meldt meer dan 3.000 kant-en-klare app-koppelingen.
• n8n kun je zelf hosten, bijvoorbeeld met Docker, naast een gehoste versie. Dat is relevant als je data binnen je eigen omgeving wilt houden.
• Microsoft Power Automate kent cloud flows en desktop flows. Met die laatste automatiseer je ook taken in desktop- en webapplicaties, wat het een logische kandidaat maakt als je al in Microsoft 365 werkt.

Prijzen en functies veranderen snel; controleer ze altijd bij de leverancier zelf. Hoe je zo’n stroom opbouwt, lees je bij AI workflows. Een breder overzicht van assistenten, platforms en hoe je kiest staat bij AI tools. En als een automatisering zelfstandig stappen moet kiezen in plaats van een vaste route te volgen, kom je bij AI agents uit.

Wil je weten welke processen in jouw organisatie het meest opleveren? Plan een adviesgesprek van dertig minuten. Aan het eind hoor je wat ik zou doen, ook als dat betekent dat je mij niet nodig hebt.