Veel teams experimenteren nieuwsgierig met prompts in ChatGPT of Copilot, maar de organisatie merkt zelden verschil in hun dagelijkse processen. Niet omdat AI tekortschiet, maar omdat het vaak losstaat van het ritme en de realiteit van het dagelijks werk. Dit terwijl andere teams ongemerkt een gigantische voorsprong nemen door AI wel goed in te zetten.
Hoe doen zij dat?
In dit artikel delen we praktijkvoorbeelden en de laatste inzichten, en geven we antwoord op deze vraag.
1. AI als persoonlijke assistent
In steeds meer teams staat ChatGPT of Copilot dagelijks open. Het schrijft offertes, vat vergaderingen samen of verwerkt ruwe input tot bruikbare presentaties en analyses.
Om te voorkomen dat AI iets blijft dat een enkeling af en toe probeert, is er één ding nodig: duidelijkheid. Over welke toon je wilt, welke bronnen gebruikt mogen worden en welke grenzen gelden. Dan weet de medewerker hoe hij ermee moet werken, en weet het model wat het moet opleveren.
Een ambassadeur is daarvoor essentieel. Dit is iemand die afspraken maakt over wat er wel en niet in prompts thuishoort, die gebruik afkadert, do’s en don’ts vastlegt, voorbeelden en templates deelt, en iemand verantwoordelijk maakt voor de uitkomst. Want zonder duidelijke eindverantwoordelijkheid loop je het risico dat fouten ongemerkt doorglippen en het “de schuld van het systeem” wordt, terwijl beslissingen uiteindelijk altijd bij mensen moeten blijven.
Het mooie van AI op deze manier inzetten: je hebt geen API koppelingen of technische integraties nodig. Je kunt er direct mee aan de slag.
Voorbeeld workflow waarin een ruwe urenregistratie export met AI wordt omgezet naar bruikbare categorieën voor een billability rapport.
Workflow automatisering met Make of n8n
Veel van ons werk zit in terugkerende, kleine handelingen. Mailtjes beantwoorden, meetings boeken, bijlagen verzamelen, informatie opzoeken, een statusupdate doorsturen. Niet complex, wel tijdrovend.
No-code tools als Make of n8n bieden hier uitkomst. Ze hebben kant-en-klare integraties met inboxen, agenda’s, spreadsheets en allerlei SaaS tools. Daarmee bouw je eenvoudige “if-this-then-that” flows. AI kan dan als onderdeel tekst samenvatten of labelen, maar het echte werk zit in de logica eromheen.
Voorwaarde: iemand moet die flows bouwen en snappen. Dit hoeft geen fulltime developer te zijn, wel iemand die begrijpt wat je wilt bereiken en procesmatig kan denken. Iemand die weet: deze API haalt data op, dat veld moet mee, die check moet erin. En die het blijft onderhouden als iets verandert.
Je kunt hier zo ver in gaan als je wilt. Het AI-native bedrijf Every stelde er zelfs een fulltime Head of AI Operations voor aan. Zijn taak: continu prompts en workflows ontwikkelen en verfijnen om processen te automatiseren, zowel voor het hele team als voor individuele collega’s. Dankzij het principe van ‘compounding engineering’ hebben ze hun werk zo ingericht dat elke oplossing de volgende weer makkelijker maakt. Luister naar de aflevering met Every op Lenny’s podcast.
Dat er hierin iets misgaat, is onvermijdelijk. Een veld verandert, een API hapert, een flow loopt vast. Als dan niemand zich verantwoordelijk voelt, blijft het probleem liggen. Duurt dat te lang, dan haken medewerkers af. Terwijl het vaak niet aan de techniek ligt, maar aan het ontbreken van eigenaarschap en finetuning. Het is cruciaal om de flows te blijven onderhouden, zodat momentum en vertrouwen niet verloren gaan.
Voorbeeld workflow waarin orderaanvragen uit e-mails automatisch in HubSpot komen, en opvolging door een accountmanager wordt geborgd.
Procesautomatisering met geïntegreerde LLM’s
Hoe groter de operatie, hoe vaker processen en taken terugkomen die meerdere systemen en afdelingen raken. Denk aan klantvragen over afmetingen van een zending, of referenties die ontbreken bij een nieuwe orderaanvraag, die weer verwerkt moet worden in het ERP. Zulke taken zijn vaak voorspelbaar, maar kosten veel tijd en zorgen regelmatig voor fouten als ze handmatig gebeuren. Hier biedt AI een oplossing door het mee te laten draaien in de backend.
Niet via een prompt, maar via een API-koppeling met je ERP, WMS of TMS. Het model wordt aangeroepen zodra een trigger plaatsvindt. Het krijgt dan gerichte context en schrijft het resultaat terug. Soms als voorstel, soms als besluit, afhankelijk van hoe je het proces hebt ingericht.
Daarbij is context cruciaal. Je hoeft geen centrale databron te hebben, zolang je maar exact definieert waar welke informatie vandaan komt. Bijvoorbeeld: de voorraadniveau’s komen uit je WMS, terwijl de afleverdatum en transportinstructies uit je TMS komen.
In de integratie met je operationele systemen en processen zit de grootste hefboom. Niet omdat AI slimmer is dan mensen, maar omdat het ruimte vrijspeelt. Voor klantenservice die sneller reageert. Voor planners die geen checklists door hoeven te lopen. Voor teams die weer uit de uitvoering kunnen stappen.
Voorbeeld workflow waarin AI voorraaddata uit het WMS gebruikt om in Outlook een draft klaar te zetten voor de klantenservice.
Wanneer je welke aanpak kiest
Dit hangt vooral af van je digitale volwassenheid en de expertise die je in huis hebt.
Als je simpel wilt starten en op individueel niveau mensen wilt helpen om hun werk slimmer te doen, is een ChatGPT of Copilot als persoonlijke assistent passend. Iedere organisatie kan hiermee uit de voeten, omdat je binnen bestaande tools blijft en geen koppelingen nodig hebt. De belangrijkste skills zijn: duidelijke prompts, richtlijnen en consequente kwaliteitscontrole.
Wanneer je kleine, terugkerende taken wilt automatiseren, past Make of n8n. Hiervoor heb je een ‘citizen developer’ nodig. Deze procesdenker begrijpt de business, kan vragen vertalen naar duidelijke stappen en bewaakt de flows. Technisch is de instap laag, maar discipline in versiebeheer, testen en monitoring is cruciaal. Tevens verschuift prompt engineering hier van een creatieve naar een kritieke discipline.
Wil je met AI kernprocessen versimpelen, dan kies je voor een LLM API-integratie. Daarvoor heb je een software developer nodig. Niet alleen voor het schrijven van integraties, maar ook voor zaken als beveiliging, foutafhandeling en onderhoud. Deze aanpak vraagt om duidelijke kadering van je proces, je data en de uitzonderingen die je moet afvangen. Het model moet met precies de juiste context en instructies gevoed worden.
Zo wordt AI een continue schakel in je operatie. Niet enkel een chat hier of daar, niet een los projectje of tijdelijke tool, maar een structurele bijdrage in het team en een duidelijk verschil onder de streep.
Download ons ‘Digital Succes Framework’ (pdf)
Daarin staat stap voor stap hoe we klanten bepalen waar winst te behalen is, en hoe we processen scherp in kaart krijgen voor een AI roadmap. Je kunt de methode direct toepassen in je organisatie.
